III. METODOLOGI PENELITIAN

dokumen-dokumen yang mirip
II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan

Regresi Logistik Ordinal untuk Menganalisis Faktor-Faktor yang Mempengaruhi Perilaku Sexual Remaja

BAB I PANDAHULUAN. 1.1 Latar Belakang

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

Prosiding Statistika ISSN:

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

Pemodelan Angka Prevalensi Kusta dan Faktor- Faktor yang Mempengaruhi di Jawa Timur dengan Pendekatan Geographically Weighted Regression (GWR)

LOCALLY SMALL RIEMANN SUMS FUNGSI TERINTEGRAL HENSTOCK-DUNFORD PADA RUANG n EUCLIDE

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 2 LANDASAN TEORI

Pemodelan Kondisi Jaringan Listrik PT. PLN (Persero) Area Surabaya Selatan dengan Analisis Regresi Logistik Ordinal

Regresi Logistik pada Data Rare Event

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam

JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-159

BAB 2 LANDASAN TEORI

PEMILIHAN VARIABEL PADA MODEL GEOGRAPHICALLY WEIGHTED REGRESSION. Hasbi Yasin Staf Pengajar Program Studi Statistika FMIPA UNDIP.

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-311

Functionally Small Riemann Sums Fungsi Terintegral Henstock-Dunford pada [a,b]

BAB 2 LANDASAN TEORI

Model Log Linier untuk Empat Dimensi. Log Linier Model for Four Dimentions

Created by Simpo PDF Creator Pro (unregistered version)

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion

Pemodelan Angka Pengangguran Pernah Bekerja dan Belum Pernah Bekerja di Jawa Timur Menggunakan Metode Regresi Multivariat

HUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON

JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-272

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

Jurnal EKSPONENSIAL Volume 7, Nomor 1, Mei 2016 ISSN

BAB III ESTIMASI MODEL PROBIT TERURUT

BAB II LANDASAN TEORI

METODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap

JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print)

BAB III ISI. x 2. 2πσ

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

ANALISIS JUMLAH TENAGA KERJA TERHADAP JUMLAH PASIEN RSUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGRESI GULUD

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)

Parameter Quantile-like dalam Pendugaan Area Kecil Melalui Pendekatan Penalized- Splines

Analisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014)

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

Pemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression

LANDASAN TEORI. x R, untuk suatu fungsi f : R [0, )

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

PERBANDINGAN ESTIMATOR KERNEL DAN ESTIMATOR SPLINE DALAM MODEL REGRESI NONPARAMETRIK

H dinotasikan dengan B H

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan

Analisis Aliran Daya

BAB 2. Tinjauan Teoritis

π ( ) menyatakan peluang bahwa

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

Pemilihan Model Regresi Terbaik Menggunakan Akaike s Information Criterion (The Best Regression ModelSelection UsingAkaike s Information Criterion)

DISTRIBUSI WEIBULL DAN PARETO UNTUK DATA TINGGI GELOMBANG TSUNAMI ACEH 2004

PENDAHULUAN. Latar Belakang

Bab II Teori Pendukung

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

MENGUJI KEMAKNAAN SAMPEL TUNGGAL

titik tengah kelas ke i k = banyaknya kelas

PENDETEKSIAN OUTLIER DENGAN METODE REGRESI RIDGE

Analisis Pengendalian Kualitas Proses Pengantongan Semen di PT Semen Indonesia (Persero) Tbk dengan Pendekatan Six Sigma

BAB II KAJIAN PUSTAKA

Analisis Faktor Risiko Penyebab Diabetes Mellitus di Kota Ambon Menggunakan Model Regresi Logistik

Analisa Probabilistik Algoritma Routing pada Jaringan Hypercube

STATISTIKA ELEMENTER

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

PENELUSURAN KARAKTERISTIK PERILAKU KONSUMEN DENGAN METODE AUTOMATIC INTERACTION DETECTION (AID)

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model

E ax by c ae X be Y c. 6.1 Pengertian Umum

Proses inferensi pada model logit Agus Rusgiyono. Abstracts

BAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai

BAB 3 Interpolasi. 1. Beda Hingga

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah

PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR)

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA

Prosiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

PENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNYA

ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP. Staf Program Studi Statistika Jurusan Matematika FMIPA UNDIP 2

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

UKURAN DASAR DATA STATISTIK

ISSN: X 45 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA. Maria Suci Apriani a, Sri Haryatmi b

BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG MASALAH

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

BAB II LANDASAN TEORI

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M

π(x) 1 e JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-277

ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE.

PENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV

Transkripsi:

III. METODOLOGI PENELITIAN 3.. Watu da Temat Peelta Peelta srs dlaua d Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas Lamug ada tahu aadem 2009/200. 3.2. Metode Peelta Secara umum, elasaaa eelta srs adalah melaua tahaatahaa aalss sebaga berut :. Meetua data ategor dega -varabel ( adalah blaga bulat ostf, >) yag g dtelt, dmaa masg-masg varabel terdr dar beberaa ategor. Dalam hal, dguaa tabel ategor beruura 2 x 2 x 2 x 2. 2. Melaua lagah-lagah Aalss Kofguras Freues utu megetahu ada tdaya teras atar varabel. 3. Melaua aalss emodela -lear utu medaata model yag teat. 4. Mear esmula berdasara hasl aalss data.

6 3.3. Aalss Kofguras Freues Msala terdaat suatu data ategor dega lebh dar satu varabel yag dyataa dalam tabel otges sebaga berut : bars Kolom Total X X 2 2 3 c Bars 2 3 c R 2 2 22 222 223 22 c R 2 3 3 33 332 333 33 c R 3 qr2 qr3 q r qr qrc R r Total Kolom C C 2 C 3 C c Aalss model -lear daat meelasa ola asosas atar varabel bars da olom, bars da olom dalam tabel otges tersebut meyataa varabel yag terlbat. Sela Aalss Model Log-Lear, utu megetahu ola asosas atarvarabel data ategor ada tabel otges terdaat metode la yag aa dereala yatu Aalss Kofguras Freues (Cofgural Frequecy Aalyss). Aalss Kofguras Freues adalah suatu metode yag dguaa utu megdetfas ola (ofguras) dar varabel ategor aaah terad etdacocoa (dscreaces) dega aa yag telah desetasa sebelumya (Resa, 2008). Idetfas megterretasa erbadga atara freues hasl egamata (observed frequeces) dega freues yag dharaa (exected frequeces), megetahu aaah erbedaa yag terad atara freues egamata suatu sel da freues haraa sel tersebut secara statst bersfat sgfa, da daat dguaa ula utu megetahu aaah terdaat hubuga atara varabel bebas (redtor) da varabel ta bebas (crtero). Aalss ofguras freues aa membera formas tersebut

7 melalu ola (ofguras) freues yag terad aaah meyagal dar model dasar. Peyagala model dasar yag dmasud dtada dega muculya data tye atau attye. Resa (2008) medefsa etdacocoa (dscreaces) terad a :. Suatu erstwa lebh serg terad atau umlah erstwa yag terad lebh besar dar yag dharaa atau desetasa (dsebut data Tye), da 2. Suatu erstwa lebh arag terad atau umlah erstwa yag terad lebh ecl dar yag dharaa atau desetasa (dsebut data attye) Parameter bualah fous dar egua Aalss Kofguras Freues, teta yag dfousa dalam Aalss Kofguras Freues adalah eymaga yag terad ada model dtada dega muculya tye da attye. Vo eye (2002) meelasa lagah-lagah dalam egua dega megguaa Aalss Kofguras Freues adalah sebaga berut :. Pemlha model dasar utu Aalss Kofguras Freues da edugaa freues haraa dar suatu sel. 2. Pemlha ose eymaga dar suatu model. 3. Pemlha egua utu melhat sgfas. 4. Peabara hasl egua sgfas da egdetfasa aaah ofguras masu e dalam tye atau atye. 5. Pegterretasa tye da attye.

8 3.3.. Pemlha Model Dasar da Pedugaa Freues Haraa dar Suatu Sel. Dalam Aalss Kofguras Freues, base model atau yag selautya dsebut model dasar, dguaa utu mereflesa asums teoral dar sfat suatu arameter yatu aaah semua varabel memuya status yag sama, atauah terbag mead redtor da rtera. Sela tu, model dasar uga berfugs utu memertmbaga recaa egambla samel yag atya bergua utu meetua dugaa dar la freues haraa suatu sel. (Resa, 2008) Model Log-Lear umum dguaa sebaga model dasar dalam Aalss Kofguras Freues. Hal dareaa Log-ler sebaga suatu model dasar daat meelasa asums teoral megea sfat suatu arameter serta eterbaga varabel mead redtor da rtera. Dalam model -lear, terdaat suatu asums bahwa model tersebut megasumsa semua varabel memuya status yag sama sebaga suatu reso (Resa, 2008). Namu a teryata ada suatu eelta dasumsa bahwa varabel-varabel tersebut terbag mead redtor da rtera maa model -lear daat ula memodelaya. Beberaa betu umum model -lear sebaga model dasar dalam aalss ofguras freues adalah sebaga berut : Model teras : E( )...(3.) l l

9 Model frst order : E( )...(3.2) Model zero order : E ( )...(3.3) l Dmaa : E( l ) = freues haraa dalam seta sel = Itercet atau ostata atau rata-rata umum = arameter egaruh tgat e- dar fator = arameter egaruh tgat e- dar fator = arameter egaruh tgat e- dar fator l = arameter egaruh tgat e-l dar fator sebaga rtera (reso) = arameter egaruh teras tgat e- da e- dar fator da fator = arameter egaruh teras tgat e- da e- dar fator da fator = arameter egaruh teras tgat e- da e- dar fator da fator = arameter egaruh teras tgat e-, e- da e- dar fator, da fator

20 Msala terdaat suatu asus dega varabel,,, da dmaa dasumsa bahwa,, sebaga redtor da sebaga reso. Maa model 3.. dguaa utu megaalss atau megetahu ada tdaya teras atara redtor (,, ) terhada rtera ( ), Aalss ofguras freues aa membera formas tersebut melalu ola (ofguras) freues yag terad. Sedaga utu megetahu ada tdaya eterata atau teras atar redtor, da daat dguaa model -lear dega haya melbata fator utamaya saa (frst order model ) sebaga model dasar yatu seert model 3.2. Utu megetahu aaah semua varabel ba redtor mauu rtera memegaruh model, maa dguaa model -lear zero order (model 3.3) yatu taa melbata arameter egaruh varabel aau amu haya arameter rata-rata umumya sebaga model dasar. Pegua dega aalss ofguras freues dfousa ada ofguras ategor atar varabel da tda dfousa ada la dar arameterya da ecocoa model, yatu erbadga atara freues sel hasl observas terhada freues sel hasl esetas. Freues has esetas deroleh melalu edugaa. Metode dugaa yag umum dguaa adalah maxmum lelhood estmator dega bergatug ada sebara eluag dar data ategor. Adau sebara eluag dar data ategor yag umum adalah sebara osso da sebara multomal.

2 Fugs dar dstrbus multomal dega freues,, 2,, dega eluag ta sel adalah,, 2, adalah : y f 2 2 ) ; ( 2 adalah bayaya samel yag telah dtetua sebelumya. Pedugaa la ) ( E dega megguaa metode masmum lelhood adalah: y f ) ; ( L L y f L ) ( ) ; ( Dmaa da da adalah ostata. Utu memasmala model, easr masmum lelhood dar arameter deroleh dega memasmala fugs lelhood dega costratya yatu da, yag daat dlaua dega meambaha e dalam ersamaa maa deroleh : t

22 Aa dtasr la arameter da deroleh : t 0 Jad daat dsmula bahwa masmum lelhood estmator dar ˆ adalah : ˆ E( ) Dega adalah eluag dar suatu ategor. Dua varabel ategor dalam tabel otges adalah deede. Maa eluag utu dua varabel ategor adalah dmaa. Peduga masmum lelhood utu utu adalah ˆ ˆ. ˆ Dega dema dugaa freues suatu sel dalam tabel otges : E( ) ˆ. ˆ ˆ. ˆ dsebut uga freues haraa utu sel ada tabel otges bars e- olom e- ( e- da olom e-. fe ). Sedaga fo adalah freues hasl observas ada bars 3.3.2. Pemlha Suatu Kose Peymaga dar Suatu Model. U hotess yag dguaa adalah dega megguaa u deedes yatu dega hotess sebaga berut : Ho : Freues suatu sel hasl observas sama dega freues yag desetasa

23 H : Freues suatu sel hasl observas tda sama dega freues yag desetasa Peolaa H 0 berart aa memucula data tye atau attye ada sel ofgurasya. Pegua huotess dlaua dega megguaa u chsquare. 3.3.3. Pemlha egua utu melhat sgfas U sgfas dlaua utu melhat aaah erbedaa atara freues sel hasl observas terhada freues yag desetasa dalam suatu sel bersfat sgfa. Karea a tda sgfa maa dagga tda megalam erbedaa sehgga tye da attye tda mucul ada sel. U sgfas daat dlaua dega u-z dua arah. 3.3.4. Peabara hasl egua sgfas da egdetfasa aaah ofguras masu e dalam tye atau attye. Muculya tye atau attye meruaa tada adaya eymaga sel dar freues yag telah desetasa sebelumya. Ja egua hotess meuua eolaa Ho yag sgfa maa tye atau attye aa mucul. Suatu sel dataa tye a freues observas lebh ecl dar freues yag desetasa da attye a freues observas lebh besar dar freues yag desetasa.

24 3.3.5. Pegterretasa tye da attye. Tye atau attye yag mucul medesrsa bahwa :. Adaya teras atar redtor 2. Adaya teras atara redtor da rtera 3. Adaya egaruh varabel terhada model