SlideShare ist ein Scribd-Unternehmen logo
1 von 12
Downloaden Sie, um offline zu lesen
BAB II
                   TINJAUAN PUSTAKA


2.1   Tinjauan Statistik
         Metode analisis yang digunakan untuk menyelesaikan
permasalahan adalah dengan menggunakan Statistika Deskriptif
dan Analisis Korespondensi.
 2.1.1 Analisis Deskriptif
         Statistika Deskriptif adalah metode-metode yang
berkaitan dengan pengumpulan dan penyajian suatu gugus data
sehingga memberikan informasi yang berguna. Statistika
deskriptif memberikan informasi hanya mengenai data yang
dipunyai. Dengan analisis ini dapat diketahui besarnya frekuensi
yang diperoleh dari setiap kategori variabel-variabel yang diteliti,
selain itu dapat diketahui besarnya prosentase tiap-tiap kategori
tersebut. Penyajian hasil analisis ini dapat berupa tabel, diagram
atau grafik.
 2.1.2 Analisis Korespondensi (Correspondence Analysis)
         Menurut Greenacre (1984) Analisis Korespondensi
merupakan bagian analisis multivariate yang mempelajari
hubungan antara dua atau lebih variabel dengan memperagakan
baris dan kolom secara serempak dari tabel kontingensi dua arah
dalam ruang vektor berdimensi rendah (dua). Analisis
korespondensi digunakan untuk mereduksi dimensi variabel dan
menggambarkan profil vektor baris dan vektor kolom suatu
matrik data dari tabel kontingensi.
         Hasil dari analisis korespondensi biasanya mengikutkan
dua dimensi terbaik untuk mempresentasikan data, yang menjadi
koordinat titik dan suatu ukuran jumlah informasi yang ada dalam
setiap dimensi yang biasa dinamakan inertia (Johnson dan
Wichern 2002).




                                 5
6

 2.1.3 Algoritma Analisis Korespondensi
          Secara geometri baris dan kolom dari suatu matriks
X(nxp) dengan n baris dan p kolom dipandang sebagai titik-titik
(unsur) dalam suatu ruang berdimensi p atau n
            Tabel 2.1 Bentuk Umum Tabel Kontingensi
                                             Variabel II
          Variabel I                                                             Total
                                 1       2        3           ….      p
               1                 X11    X12      X13          …      X1p            X1.
               2                 X21    X22      X23          …      X2p            X2.
               3                 X31    X32      X33          …      X3p            X3.
             …                   …      …        …            …       …               …
             …                   …      …        …            …       …               …
               n                 Xn1    Xn2      Xn3          …      Xnp            Xp.
            Total                X.1    X.2      X.3          …      X.p            X..
      Sumber : Greenacre, 1984
                   p                             n                         n    p
      xi . =              xij          x. j =          x ij       x.. =               xij   (2.1)
                   j =1                         i =1                      i =1 j =1
dimana:           i = 1,2,...,n  j=1,2,......p
           Secara umum matriks data berukuran n x p dengan
unsur–unsur xij sebagai frekuensi. Untuk mendapatkan sebuah
visualisasi baris dan kolom matriks data asli dalam dimensi yang
lebih rendah terlebih dahulu dibangun matriks P(nxp) sebagai
matriks analisis korespondensi P(nxp) didefinisikan sebagai matriks
frekuensi relatif dari x, maka :
                          x np
          p np =                 ,                                                          (2.2)
                           n
         Jumlahan baris n merupakan massa baris dan jumlahan
kolom p merupakan massa kolom.
7

     Tabel 2.2 Bentuk Umum Frekuensi Relatif Dua Dimensi
                                                 Variabel II                        Massa
           Variabel I
                                 1         2             3     ..           p       Baris
                1                P11      P12           P13             P1p             P1.
                2                P21      P22           P23             P2p             P2.
               3                 P31      P32           P33             P31             P3.
              …
              …
               n                 Pn1      Pn2           Pn3             Pnp             Pn.
             Massa
                                 P.1       P.2          P.3             P.p             1
             Kolom
      Sumber : Greenacre, 1984

                     p                            n                             n   p
           Pi . =          Pij         P. j =           Pij         P.. =               Pij   (2.3)
                    j =1                         i =1                       i =1 j =1
dimana :                 i = 1,2,....n                         j = 1,2,......p

        Matrik N adalah matriks data yang unsur-unsurnya
merupakan bilangan positif berukuran I xJ dimana I menunjukkan
baris dan J menunjukkan kolom. P adalah Matriks korespondensi
didefinisikan sebagai matriks yang unsur-unsurnya adalah unsur
matriks N yang telah dibagi dengan jumlah total unsur matriks N.
Vektor jumlah baris dan kolom dari matriks P masing-masing
dinotasikan dengan r dan c . Matrik diagonal dari elemen-elemen
vektor jumlah baris r adalah matriks Dr dengan ukuran (I x I)
sedangkan Dc adalah matrik diagonal dengan ukuran (JxJ) dari
elemen-elemen vektor jumlah kolom c. Dari uraian di atas, dapat
dinotasikan sebagai berikut:
Matriks data
N(I x J) ≡ [nij], nij ≥ 0                                  (2.4)
Matriks korespondensi
P ≡ (1/n..)N, dimana n.. = 1TN1                            (2.5)
Jumlah baris dan kolom
r(nx1) = P(nxp) . 1(px1)        c(px1) = PT(pxn) . 1(nx1)  (2.6)
8

dimana ri > 0 ( i = 1...I), cj > 0 ( j = 1...J)
Dr ≡ diag(r)      dan       Dc ≡ diag(c)                        (2.7)


         p1.    0 . .     0               p.1 0    .       . 0
         0     p2. .       .              0 p.2    .        . .
Dr =     .     . p3. .     . Dc =          .   .   p.3     . 0 (2.8)
         .            .   0               .    .      .    . .
         0     .    . 0   pn.              0   .    .      . p.p

          Profil baris dan profil kolom dari matrik P diperoleh
dengan cara membagi vektor baris dan vektor kolom dengan
masing-masing massanya. Matriks profil baris (R) dan profil
kolom (C) dinyatakan oleh:
Profil matriks baris dan kolom
                 ˆ
                 r1T                                   ˆT
                                                       c1
      −
                 .                          −
                                                       .
 R ≡ Dr 1P ≡                           C ≡ Dc 1P T ≡             (2.9)
                 .                                     .
                 ˆ
                 rIT                                   ˆJ
                                                       cT
                                          ˆ
         Kedua profil, yaitu profil baris ri (i = 1...I) dan profil
      ˆ
kolom c j (j = 1...J) ditulis secara berturut-turut dalam baris R dan
kolom C. (Greenacre, 1984).

2.1.4   Singular Value Decomposition (SVD)
        Untuk mereduksi dimensi data berdasarkan keragaman
data (nilai eigen/inersia) terbesar dengan mempertahankan
informasi yang optimum, diperlukan penguraian nilai singular.
Penguraian nilai singular (SVD) merupakan salah satu konsep
Aljabar matriks dan konsep eigen decomposition yang terdiri dari
nilai eigen dan vektor eigen. Nilai singular dicari untuk
memperoleh koordinat baris dan kolom sehingga hasil analisis
9

korespondensi dengan mudah diketahui hubungan (assosiasinya)
jika divisualisasikan dalam bentuk grafik. (Greenacre, 1984).
       Penguraian nilai singular diekspresikan dalam I x J matriks
A dengan rank P dilakukan berdasarkan :
       P(* ) = U IX ( J −1) Λ ( J −1) X ( J −1)V(T −1) XJ
         IXJ                                     J         (2.10)
                                     ~
dimana : rank (P*) = rank (P ) ≤ J – 1
         UTU = I = VTV
dan diagonal matrik Λ = diag ( 1, 2,......., J-1) berisi nilai singular
dari yang terbesar hingga terkecil pada diagonalnya. (Johnson dan
Winchern, 2002)
                                                 J −1
           ~              ~ ~                               ~ ~                (2.11)
           P = P − rc T = U Λ V T =                     λ j u j v jT
                                                 j =1
       ~               ~                    ~
dengan U = Dr / 2U dan V = DC / 2V , dimana u j merupakan
            1               1

                          ~       ~
vektor kolom ke-j dari U dan v j merupakan vektor kolom
          ~             ~
ke-j dari V . Kolom U merupakan koordinat sumbu yang
digunakan sebagai penunjuk profil kolom matriks P.
Koordinat baris dan kolom melalui perhitungan Singular
                                                      ~
Value Decomposition (SVD) matriks P–rct. Kolom V
merupakan koordinat sumbu yang digunakan sebagai
penunjuk titik profil baris matriks P.
                                         ′
                                 (          )(                )
                   K
        P − rc t = λ k D1 2 u k D1 2 v k
                           r        c
                         k =1

dimana P – rct adalah nilai singular dekomposisi (SVD), λ k ada-
lah nilai singular, vektor uk Ix1 dan vektor vk Jx1 merupakan si-
ngular vektor korespondensi matriks D −1 2 (P − rc′)D c 1 2
                                                       r
                                                                                −


Koordinat profil baris :
                                    ~
 X ( IX ( J − 1 )) = D r− 1 ( IXI ) U ( IX ( J − 1 )) Λ (( J − 1 ) X ( J − 1 ))   (2.12)
10

Koordinat profil kolom :
                                   ~
Y ( IX ( J − 1 )) = D c− 1 ( JXJ ) V ( JX                ( J − 1 ))   Λ    (( J − 1 ) X ( J − 1 ))         (2.13)
        Inersia menunjukkan akhir sumbu koordinat plot-plot
dimensi dengan kuadrat nilai singular dalam dimensi yang ada.
Total inersia didefinisikan sebagai jumlah dari nilai singular tak
nol.
                               k
Total Inersia =                    λi2                                                                     (2.14)
                           i =1
dimana           1    2        .......,          k   > 0 adalah diagonal tak nol dari elemen
Λ.
         Sehingga total inersia merupakan ukuran dari semua
variasi dalam titik yang menunjukan profil baris atau kolom.
  I                                                         J
        ri (ri − c)T Dc−1 (ri − c) =
            ˆ              ˆ                                         c j (c j −r )T Dr−1 (c j − r ) (2.15)
                                                                          ˆ               ˆ
 i =1                                                      j =1
                                               atau
        ri       ( f ij / ri − c j ) / c j =
                                          2
                                                                      cj           ( f ij / c j − ri ) 2 / ri (2.16)
  i          j                                                   j             i


  2.1.5 Penentuan Jarak Profil
         Jarak yang digunakan untuk dapat menggambarkan titik-
titik pada plot korespondensi adalah jarak Chi-Square yaitu :
a. Jarak antara dua baris ke-i dan ke-i’ adalah:
                                                                      2
                           p
                                   1          f ij        f i'
        d (i, i '=
                )                                            j
             2
                                                     −                                                     (2.17)
                          j =1     f. j       f i.        f i'
                                                             .

                                   nij                                n    p
        dimana : f =                                                               f ij = 1
                                    n                                i =1 j =1

                       nij menunjukkan nilai pada baris ke-i kolom ke-j
                           p
                                              ni                                        n
        dan f i . =                f ij =                                                     f i. = 1
                          j =1                n..                                      i =1
11

                       n               n. j                    p
              f. j =          f ij =                                  f. j = 1
                       j =1            n..                    ji =1

      n=             nij
                ij

Dengan: f i. = massa baris yang diperoleh dari jumlahan baris
                dari matrik P
        f j . = massa kolom dari penjumlahan kolom matriks P
b. Jarak antara dua kolom ke-j dan ke-j’ adalah:
                                                          2
                               n
                                     1 f ij      f ij '
      d   2
              ( j, j '=
                     )                         −                                 (2.18)
                              i =1   f i. f . j f . j '
      Jarak khi-kuadrat dapat dikonversikan menjadi nilai
similarity dengan memberi tanda yang berlawanan dengan tanda
pada nilai difference (Hair, 1998). Dimana nilai difference adalah:
Difference = nilai aktual – nilai ekspektasi                 (2.19)
Dan nilai ekspektasi diperoleh dari :
Ekspektasi = (total baris x total kolom ) ÷ total keseluruhan (2.21)

 2.1.6 Kontribusi Mutlak dan Korelasi Kuadrat
       Kontribusi mutlak (absolute contribution) adalah proporsi
keragaman yang diterangkan masing-masing titik terhadap sumbu
utamanya. Nilai kontribusi mutlak digunakan untuk menentukan
suatu titik yang masuk pada suatu faktor atau dimensi dengan
kriteria bahwa titik yang masuk ke dalam suatu faktor adalah
yang mempunyai nilai atau proporsi yang terbesar. Sedangkan
kontribusi relatif adalah (relative contribution) adalah bagian
ragam dari suatu titik yang dapat diterangkan oleh sumbu
utamanya. Semakin tinggi nilai korelasi kuadrat menunjukkan
bahwa sumbu utama mampu menerangkan nilai inersia dengan
baik sekali, dan sebaliknya semakin kecil nilai korelasi kuadrat
maka semakin sedikit nilai inersia yang dapat diterangkan oleh
sumbu utama
12

        Kontribusi relatif atau korelasi baris ke i atau kolom j
dengan komponen k adalah kontribusi axis ke inersia baris ke i
atau kolom ke j, dinyatakan dalam persen inersia baris ke i atau
kolom ke j.
                                            (massa baris ke i )( f ik )
Korelasi axis ke k dan baris ke i =
                                              (inersia baris ke i )
                                             (massa kolom ke j)( f jk )
Korelasi axis ke k dan kolom ke j =
                                               (inersia kolom ke j)
dimana f ik adalah koordinat profil baris ke i pada axis ke k, f jk
adalah koordinat profil kolom ke j pada axis ke k.
        Kontribusi baris ke i atau kolom ke j ke axis k (kontribusi
mutlak), dinyatakan dengan persen inersia axis ke k.
                                              (massa baris ke i )( f ik )
Kontribusi baris ke i dan axis ke k =
                                                (inersia axis ke k )
                                                  (massa kolom ke j)( f jk )
Kontribusi kolom ke j dan axis ke k =
                                                    (inersia axis ke k )
           χ 2 yang merupakan jarak kuadrat antara vektor p dari
frekuensi relatif observasi dan vektor p dari ekspektasi frekuensi
relatif, n merupakan total frekuensi observasi [Greenacre, 1984].
Nilai χ 2 dapat dituliskan dalam rumus sebagai berikut:
           χ i2 = ni (p i − p )T D p (p i − p )
                                   −1
                                                                          (2.22)
total χ adalah
       2


           χ2 =         i
                            χ i2                                          (2.23)
dimana elemen ke j dari p dapat dituliskan sebagai berikut:
           p=       i
                        ni pi      i
                                       ni
13


              [
        p i = pi1 pi 2 pi 3 ... pij   ]
                                      T




Maka jarak Chi-Square dapat dicari dengan rumus sebagai
berikut:

        χ2 =
                  (observasi − ekspektasi frekuensi)2    (2.24)
                         ekspektasi frekuensi

Untuk mengetahui sejauh mana hubungan-hubungan kategori
yang terbentuk, dapat dilihat melalui beberapa definisi, yaitu :
1. Quality
   Proporsi dari kolom inersia yang ditunjukkan oleh semua
   perhitungan komponen. Semakin besar quality menunjukkan
   bahwa suatu kategori semakin baik diterangkan oleh
   komponen-komponen yang terbentuk.
2. Massa
   Proporsi dari kategori terhadap keseluruhan data. Massa
   menyatakan bobot dari masing-masing titik, baik pada baris
   maupun kolomnya.
3. Inertia
   Proporsi dari inersia yang disumbang oleh masing-masing
   kolom. Semakin besar inersia, menunjukkan bahwa hubungan
   suatu kategori semakin jauh dengan kategori lainnya.
4. Coordinat
   Merupakan koordinat dari kolom-kolom. Koordinat
   menunjukkan letak kategori-kategori sesuai dengan
   komponen-komponen yang terbentuk.
5. Correlation
   Menunjukkan sumbangan masing-masing komponen-
   komponen terhadap inersia baris. Korelasi merupakan suatu
   nilai yang menyatakan ragam dari suatu titik yang dapat
   diterangkan oleh sumbu utama. Nilai ini disebut korelasi
   kuadrat. Semakin besar korelasi menunjukkan bahwa suatu
   kategori semakin baik diterangkan oleh komponen yang
   terbentuk.
14

     6. Contribution
        Kontribusi dari baris terhadap sumbu inersia. Kontribusi
        menyatakan proporsi keragaman yang diterangkan oleh
        masing-masing titik terhadap sumbu utamanya.
        Kontribusi mutlak ini digunakan untuk menentukan suatu
        titik yang masuk pada suatu faktor. Kriteria yang masuk
        dalam faktor tersebut dicari nilai yang relatif besar.

2.2      Tinjauan Non Statistik
         Tinjauan non statistik ini membahasa tentang pembagian
Bakorwil (Badan Koordinasi Wilayah) dan Jenis-Jenis
Pelanggaran Lalu Lintas.
  2.2.1. Bakorwil (Badan Koordinasi Wilayah)
         Jawa Timur merupakan sebuah propinsi di bagian timur
Pulau Jawa dengan ibukota Surabaya. Propinsi Jawa Timur
memiliki luas wilayah 47.922 km2. Jawa Timur merupakan
provinsi terluas diantara propinsi-propinsi lain di Pulau Jawa
lainnya serta memiliki jumlah penduduk terbanyak kedua di
Indonesia setelah Jawa Barat. Secara administratif, Jawa Timur
terdiri dari 29 kabupaten dan 9 kota, menjadikan Jawa Timur
sebagai propinsi yang memiliki jumlah kabupaten/kota terbanyak
di Indonesia. Untuk mempermudah dalam pengawasan dan
pengembangan dalam bidang ketertiban lalu lintas Jawa Timur
dibagi dalam kedalam empat Badan Koordinasi Wilayah
(Bakorwil) oleh pihak Badan Pusat statistik, pembagian Bakorwil
tersebut didasarkan pada letak geografis kabupaten/kota yang
saling berdekatan. Pembangian Bakorwil di Jawa Timur yaitu
sebagai berikut: Bakorwil I (Madiun) meliputi Kab.Pacitan,
Kab.Ponorogo, Kab.Trenggalek, Kab.Tulungagung, Kab.Blitar,
Kab.Nganjuk,      Kab.Madiun,        Kab.Magetan,    Kab.Ngawi,
Kota.Blitar, Kota Madiun. Bakorwil II (Bojonegoro) meliputi
Kab.Kediri, Kab.Mojokerto, Kab.Jombang, Kab.Bojonegoro,
Kab.Tuban, Kab.Lamongan, Kota.Kediri, Kota.Mojokerto.
Bakorwil III (Malang) meliputi Kab.Malang, Kab.Lumajang,
Kab.Jember, Kab.Banyuwangi, Kab.Bondowoso, Kab.Situbondo,
15

Kab.Probolinggo,         Kab.Pasuruan,       Kota        Malang,
Kota.Probolinggo, Kota.Pasuruan, Kota.Batu. Bakorwil IV
(Madura) meliputi Kab.Sidoarjo, Kab.Gresik, Kab.Bangkalan,
Kab.Sampang, Kab.Pamekasan, Kab.Sumenep, Kota.Surabaya.
  2.2.2. Jenis-Jenis Pelanggaran Lalu Lintas
         Banyak pelanggaran lalu lintas yang sering terjadi dalam
kehidupan sehari-hari. Adapun jenis-jenis yang sering terjadi
adalah sebagai berikut:
a. Kelengkapan Surat
    Jenis pelanggaran berupa kelengkapan surat meliputi tidak
    mempunyai SIM, tidak memiliki STNK (Surat Tanda Nomor
    Kendaraan), dan tidak mempunyai BPKB (Bukti Pembayaran
    Kendaraan Bermotor).
b. Ketentuan Muatan
    Jenis Pelanggaran yang berupa ketentuan muatan adalah
    ketentuan yang melebihi yang telah ditentukan. kelebihan
    beban 0-5 persen dikategorikan bukan pelanggaran.
    Kelebihan beban 5-30 persen harus membayar biaya
    kompensasi, sedangkan pelanggaran lebih dari 30 persen
    memperoleh sanksi pidana. Batas 30 persen pelanggaran itu
    didasarkan pada ambang batas keselamatan yang dihitung dan
    ditetapkan secara teknis.
c. Batas Kecepatan
    Jenis pelanggaran Batas kecepatan adalah berkendara dengan
    melebihi kecepatan yang telah ditentukan. Apabila melebihi
    yang telah ditentukan akan dikenai sanksi yang telah
    ditentukan.
d. Rambu Lalu Lintas
    Pelanggaran rambu lalu lintas adalah pelanggaran yang sering
    terjadi dan sering dilakukan di setiap kabupaten/kota di
    Propinsi Jawa Timur. Pelanggaran ini meliputi terus
    mengendarai motor ketika lampu lalu lintas merah, memarkir
    kendaraan yang terdapat rambu dilarang parkir, dan lain
    sebagainya.
16

e. Kelengkapan Kendaraan
   Jenis pelanggaran berupa kelengkapan kendaraan meliputi
   antara lain adalah tidak terdapat spion, lampu yang tidak
   berfungsi dengan baik, tidak terdapat spedometer, dan lain-
   lain.

Weitere ähnliche Inhalte

Was ist angesagt?

Analisis Komponen Utama (1)
Analisis Komponen Utama (1)Analisis Komponen Utama (1)
Analisis Komponen Utama (1)Rani Nooraeni
 
5. rantai-markov-diskrit
5. rantai-markov-diskrit5. rantai-markov-diskrit
5. rantai-markov-diskrittsucil
 
STATISTIK MATEMATIKA (Distribusi)
STATISTIK MATEMATIKA (Distribusi) STATISTIK MATEMATIKA (Distribusi)
STATISTIK MATEMATIKA (Distribusi) erik-pebs
 
Supremum dan infimum
Supremum dan infimum  Supremum dan infimum
Supremum dan infimum Rossi Fauzi
 
Statistika non-parametrik dengan metode Uji Tanda
Statistika non-parametrik dengan metode Uji Tanda Statistika non-parametrik dengan metode Uji Tanda
Statistika non-parametrik dengan metode Uji Tanda RindyArini
 
APG Pertemuan 1 dan 2 (2)
APG Pertemuan 1 dan 2 (2)APG Pertemuan 1 dan 2 (2)
APG Pertemuan 1 dan 2 (2)Rani Nooraeni
 
Chap2 prob 2
Chap2 prob 2Chap2 prob 2
Chap2 prob 2HIMTI
 
BAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRIT
BAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRITBAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRIT
BAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRITCabii
 
DERET PANGKAT & METODE DERET PANGKAT
DERET PANGKAT & METODE DERET PANGKATDERET PANGKAT & METODE DERET PANGKAT
DERET PANGKAT & METODE DERET PANGKATyuni dwinovika
 
Stat matematika II (7)
Stat matematika II (7)Stat matematika II (7)
Stat matematika II (7)jayamartha
 
Integral Riemann Stieltjes
Integral Riemann StieltjesIntegral Riemann Stieltjes
Integral Riemann StieltjesJoko Soebagyo
 
Analisis Diskriminan (2)
Analisis Diskriminan (2)Analisis Diskriminan (2)
Analisis Diskriminan (2)Rani Nooraeni
 
APG Pertemuan 4 : Multivariate Normal Distribution (2)
APG Pertemuan 4 : Multivariate Normal Distribution (2)APG Pertemuan 4 : Multivariate Normal Distribution (2)
APG Pertemuan 4 : Multivariate Normal Distribution (2)Rani Nooraeni
 

Was ist angesagt? (20)

Analisis Komponen Utama (1)
Analisis Komponen Utama (1)Analisis Komponen Utama (1)
Analisis Komponen Utama (1)
 
5. rantai-markov-diskrit
5. rantai-markov-diskrit5. rantai-markov-diskrit
5. rantai-markov-diskrit
 
Metode Analisis faktor
Metode Analisis faktorMetode Analisis faktor
Metode Analisis faktor
 
Stat d3 7
Stat d3 7Stat d3 7
Stat d3 7
 
STATISTIK MATEMATIKA (Distribusi)
STATISTIK MATEMATIKA (Distribusi) STATISTIK MATEMATIKA (Distribusi)
STATISTIK MATEMATIKA (Distribusi)
 
Supremum dan infimum
Supremum dan infimum  Supremum dan infimum
Supremum dan infimum
 
Modul 6 spl
Modul 6 splModul 6 spl
Modul 6 spl
 
Statistika non-parametrik dengan metode Uji Tanda
Statistika non-parametrik dengan metode Uji Tanda Statistika non-parametrik dengan metode Uji Tanda
Statistika non-parametrik dengan metode Uji Tanda
 
Modul 7 basis dan dimensi
Modul 7 basis dan dimensiModul 7 basis dan dimensi
Modul 7 basis dan dimensi
 
APG Pertemuan 1 dan 2 (2)
APG Pertemuan 1 dan 2 (2)APG Pertemuan 1 dan 2 (2)
APG Pertemuan 1 dan 2 (2)
 
Chap2 prob 2
Chap2 prob 2Chap2 prob 2
Chap2 prob 2
 
BAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRIT
BAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRITBAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRIT
BAB 4. PROBABILITAS DASAR dan DISTRIBUSI PROBABILITAS DISKRIT
 
Tabel uji-wilcoxon
Tabel uji-wilcoxonTabel uji-wilcoxon
Tabel uji-wilcoxon
 
DERET PANGKAT & METODE DERET PANGKAT
DERET PANGKAT & METODE DERET PANGKATDERET PANGKAT & METODE DERET PANGKAT
DERET PANGKAT & METODE DERET PANGKAT
 
21377253 bab-iii-sistem-persamaan-linear
21377253 bab-iii-sistem-persamaan-linear21377253 bab-iii-sistem-persamaan-linear
21377253 bab-iii-sistem-persamaan-linear
 
Stat matematika II (7)
Stat matematika II (7)Stat matematika II (7)
Stat matematika II (7)
 
Integral Riemann Stieltjes
Integral Riemann StieltjesIntegral Riemann Stieltjes
Integral Riemann Stieltjes
 
Analisis Diskriminan (2)
Analisis Diskriminan (2)Analisis Diskriminan (2)
Analisis Diskriminan (2)
 
Transformasi box-cox
Transformasi box-coxTransformasi box-cox
Transformasi box-cox
 
APG Pertemuan 4 : Multivariate Normal Distribution (2)
APG Pertemuan 4 : Multivariate Normal Distribution (2)APG Pertemuan 4 : Multivariate Normal Distribution (2)
APG Pertemuan 4 : Multivariate Normal Distribution (2)
 

Ähnlich wie Korespondensi Analisis

Factor Analysis
Factor AnalysisFactor Analysis
Factor Analysisganuraga
 
Factor Analysis
Factor AnalysisFactor Analysis
Factor Analysisganuraga
 
Factor Analysis
Factor AnalysisFactor Analysis
Factor Analysisganuraga
 
04. Rancangan Acak Lengkap
04. Rancangan Acak Lengkap04. Rancangan Acak Lengkap
04. Rancangan Acak LengkapIr. Zakaria, M.M
 
APG Pertemuan 1-2 (1)
APG Pertemuan 1-2 (1)APG Pertemuan 1-2 (1)
APG Pertemuan 1-2 (1)Rani Nooraeni
 
RPP SMA Matematika Peminatan Kelas XII
RPP SMA Matematika Peminatan Kelas XIIRPP SMA Matematika Peminatan Kelas XII
RPP SMA Matematika Peminatan Kelas XIIDiva Pendidikan
 
Presentation1
Presentation1Presentation1
Presentation1Luh Sudi
 
Determinan matriks
Determinan matriksDeterminan matriks
Determinan matriksnanan kurnia
 
Ringkasan Materi UAN SMA IPS: Matematika
Ringkasan Materi UAN SMA IPS: MatematikaRingkasan Materi UAN SMA IPS: Matematika
Ringkasan Materi UAN SMA IPS: MatematikaIswi Haniffah
 
INTEGRAL
INTEGRALINTEGRAL
INTEGRALAlv Awg
 
Teknik integrasi
Teknik integrasiTeknik integrasi
Teknik integrasiindirahayu
 
Pert 2 matriks & vektor
Pert 2 matriks & vektorPert 2 matriks & vektor
Pert 2 matriks & vektorIrene Novita
 
Modul kalkulus i_bab_i_(bil_riil)[1]
Modul kalkulus i_bab_i_(bil_riil)[1]Modul kalkulus i_bab_i_(bil_riil)[1]
Modul kalkulus i_bab_i_(bil_riil)[1]089697859631
 
Geometri analitik dimensi tiga
Geometri analitik dimensi tigaGeometri analitik dimensi tiga
Geometri analitik dimensi tigaBamzz Lientaeng
 

Ähnlich wie Korespondensi Analisis (20)

Factor Analysis
Factor AnalysisFactor Analysis
Factor Analysis
 
Factor Analysis
Factor AnalysisFactor Analysis
Factor Analysis
 
Factor Analysis
Factor AnalysisFactor Analysis
Factor Analysis
 
04. Rancangan Acak Lengkap
04. Rancangan Acak Lengkap04. Rancangan Acak Lengkap
04. Rancangan Acak Lengkap
 
Analisis statistika-multivariate
Analisis statistika-multivariateAnalisis statistika-multivariate
Analisis statistika-multivariate
 
04. ral
04. ral04. ral
04. ral
 
Two way anava
Two way anavaTwo way anava
Two way anava
 
APG Pertemuan 1-2 (1)
APG Pertemuan 1-2 (1)APG Pertemuan 1-2 (1)
APG Pertemuan 1-2 (1)
 
RPP SMA Matematika Peminatan Kelas XII
RPP SMA Matematika Peminatan Kelas XIIRPP SMA Matematika Peminatan Kelas XII
RPP SMA Matematika Peminatan Kelas XII
 
Presentation1
Presentation1Presentation1
Presentation1
 
Determinan matriks
Determinan matriksDeterminan matriks
Determinan matriks
 
Makalah kpb ii
Makalah kpb iiMakalah kpb ii
Makalah kpb ii
 
Ringkasan Materi UAN SMA IPS: Matematika
Ringkasan Materi UAN SMA IPS: MatematikaRingkasan Materi UAN SMA IPS: Matematika
Ringkasan Materi UAN SMA IPS: Matematika
 
INTEGRAL
INTEGRALINTEGRAL
INTEGRAL
 
Pertemuan 5 integral lipat dua
Pertemuan 5   integral lipat duaPertemuan 5   integral lipat dua
Pertemuan 5 integral lipat dua
 
Integral tak tentu
Integral tak tentuIntegral tak tentu
Integral tak tentu
 
Teknik integrasi
Teknik integrasiTeknik integrasi
Teknik integrasi
 
Pert 2 matriks & vektor
Pert 2 matriks & vektorPert 2 matriks & vektor
Pert 2 matriks & vektor
 
Modul kalkulus i_bab_i_(bil_riil)[1]
Modul kalkulus i_bab_i_(bil_riil)[1]Modul kalkulus i_bab_i_(bil_riil)[1]
Modul kalkulus i_bab_i_(bil_riil)[1]
 
Geometri analitik dimensi tiga
Geometri analitik dimensi tigaGeometri analitik dimensi tiga
Geometri analitik dimensi tiga
 

Mehr von dessybudiyanti

Kapita Selekta-a space time model (Salisa & Anna)
Kapita Selekta-a space time model (Salisa & Anna)Kapita Selekta-a space time model (Salisa & Anna)
Kapita Selekta-a space time model (Salisa & Anna)dessybudiyanti
 
Presentasi "Fast and Botstrap Robust for LTS" (Mega&Ika)
Presentasi "Fast and Botstrap Robust for LTS" (Mega&Ika)Presentasi "Fast and Botstrap Robust for LTS" (Mega&Ika)
Presentasi "Fast and Botstrap Robust for LTS" (Mega&Ika)dessybudiyanti
 
Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)
Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)
Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)dessybudiyanti
 
Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)
Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)
Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)dessybudiyanti
 
Fast and Bootstrap Robust for LTS
Fast and Bootstrap Robust for LTSFast and Bootstrap Robust for LTS
Fast and Bootstrap Robust for LTSdessybudiyanti
 
Pemilihan Model Terbaik
Pemilihan Model TerbaikPemilihan Model Terbaik
Pemilihan Model Terbaikdessybudiyanti
 
ANALISIS PENYEIMBANGAN LINTASAN SERTA PENGUJIAN PERBEDAAN SHIFT KERJA TERHADA...
ANALISIS PENYEIMBANGAN LINTASAN SERTA PENGUJIAN PERBEDAAN SHIFT KERJA TERHADA...ANALISIS PENYEIMBANGAN LINTASAN SERTA PENGUJIAN PERBEDAAN SHIFT KERJA TERHADA...
ANALISIS PENYEIMBANGAN LINTASAN SERTA PENGUJIAN PERBEDAAN SHIFT KERJA TERHADA...dessybudiyanti
 
APLIKASI SIX SIGMA PADA PENGUKURAN KINERJA DI UD. SUMBER KULIT MAGETAN
APLIKASI SIX SIGMA PADA PENGUKURAN KINERJA DI UD. SUMBER KULIT MAGETAN APLIKASI SIX SIGMA PADA PENGUKURAN KINERJA DI UD. SUMBER KULIT MAGETAN
APLIKASI SIX SIGMA PADA PENGUKURAN KINERJA DI UD. SUMBER KULIT MAGETAN dessybudiyanti
 
Presentasi Tentang Regresi Linear
Presentasi Tentang Regresi LinearPresentasi Tentang Regresi Linear
Presentasi Tentang Regresi Lineardessybudiyanti
 
Analisis Korespondensi
Analisis KorespondensiAnalisis Korespondensi
Analisis Korespondensidessybudiyanti
 
Optimasi Produksi Dengan Metode Respon Surface
Optimasi Produksi Dengan Metode Respon SurfaceOptimasi Produksi Dengan Metode Respon Surface
Optimasi Produksi Dengan Metode Respon Surfacedessybudiyanti
 
Simple Linier Regression
Simple Linier RegressionSimple Linier Regression
Simple Linier Regressiondessybudiyanti
 
Presentasi Tentang AHP
Presentasi Tentang AHPPresentasi Tentang AHP
Presentasi Tentang AHPdessybudiyanti
 
Dua Tahun Rehabilitasi Dan Rekonstruksi Aceh Dan Nias Pasca-Tsunami : Evaluas...
Dua Tahun Rehabilitasi Dan Rekonstruksi Aceh Dan Nias Pasca-Tsunami : Evaluas...Dua Tahun Rehabilitasi Dan Rekonstruksi Aceh Dan Nias Pasca-Tsunami : Evaluas...
Dua Tahun Rehabilitasi Dan Rekonstruksi Aceh Dan Nias Pasca-Tsunami : Evaluas...dessybudiyanti
 

Mehr von dessybudiyanti (20)

a space time model
a space time modela space time model
a space time model
 
a space-time model
 a space-time model a space-time model
a space-time model
 
Kapita Selekta-a space time model (Salisa & Anna)
Kapita Selekta-a space time model (Salisa & Anna)Kapita Selekta-a space time model (Salisa & Anna)
Kapita Selekta-a space time model (Salisa & Anna)
 
Presentasi "Fast and Botstrap Robust for LTS" (Mega&Ika)
Presentasi "Fast and Botstrap Robust for LTS" (Mega&Ika)Presentasi "Fast and Botstrap Robust for LTS" (Mega&Ika)
Presentasi "Fast and Botstrap Robust for LTS" (Mega&Ika)
 
Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)
Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)
Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)
 
Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)
Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)
Presentasi "Fast and Bootstrap Robust LTS" (Mega&Ika)
 
Fast and Bootstrap Robust for LTS
Fast and Bootstrap Robust for LTSFast and Bootstrap Robust for LTS
Fast and Bootstrap Robust for LTS
 
Greenacre Lewi
Greenacre LewiGreenacre Lewi
Greenacre Lewi
 
Deteksi Influence
Deteksi InfluenceDeteksi Influence
Deteksi Influence
 
Pemilihan Model Terbaik
Pemilihan Model TerbaikPemilihan Model Terbaik
Pemilihan Model Terbaik
 
ANALISIS PENYEIMBANGAN LINTASAN SERTA PENGUJIAN PERBEDAAN SHIFT KERJA TERHADA...
ANALISIS PENYEIMBANGAN LINTASAN SERTA PENGUJIAN PERBEDAAN SHIFT KERJA TERHADA...ANALISIS PENYEIMBANGAN LINTASAN SERTA PENGUJIAN PERBEDAAN SHIFT KERJA TERHADA...
ANALISIS PENYEIMBANGAN LINTASAN SERTA PENGUJIAN PERBEDAAN SHIFT KERJA TERHADA...
 
Teknik Sampling
Teknik SamplingTeknik Sampling
Teknik Sampling
 
APLIKASI SIX SIGMA PADA PENGUKURAN KINERJA DI UD. SUMBER KULIT MAGETAN
APLIKASI SIX SIGMA PADA PENGUKURAN KINERJA DI UD. SUMBER KULIT MAGETAN APLIKASI SIX SIGMA PADA PENGUKURAN KINERJA DI UD. SUMBER KULIT MAGETAN
APLIKASI SIX SIGMA PADA PENGUKURAN KINERJA DI UD. SUMBER KULIT MAGETAN
 
Presentasi Tentang Regresi Linear
Presentasi Tentang Regresi LinearPresentasi Tentang Regresi Linear
Presentasi Tentang Regresi Linear
 
Analisis Korespondensi
Analisis KorespondensiAnalisis Korespondensi
Analisis Korespondensi
 
Optimasi Produksi Dengan Metode Respon Surface
Optimasi Produksi Dengan Metode Respon SurfaceOptimasi Produksi Dengan Metode Respon Surface
Optimasi Produksi Dengan Metode Respon Surface
 
Simple Linier Regression
Simple Linier RegressionSimple Linier Regression
Simple Linier Regression
 
Presentasi Tentang AHP
Presentasi Tentang AHPPresentasi Tentang AHP
Presentasi Tentang AHP
 
Dua Tahun Rehabilitasi Dan Rekonstruksi Aceh Dan Nias Pasca-Tsunami : Evaluas...
Dua Tahun Rehabilitasi Dan Rekonstruksi Aceh Dan Nias Pasca-Tsunami : Evaluas...Dua Tahun Rehabilitasi Dan Rekonstruksi Aceh Dan Nias Pasca-Tsunami : Evaluas...
Dua Tahun Rehabilitasi Dan Rekonstruksi Aceh Dan Nias Pasca-Tsunami : Evaluas...
 
Jurnal Time Series
Jurnal Time SeriesJurnal Time Series
Jurnal Time Series
 

Kürzlich hochgeladen

materi pondok romadon sekolah dasar dengan materi zakat fitrah
materi pondok romadon sekolah dasar dengan materi zakat fitrahmateri pondok romadon sekolah dasar dengan materi zakat fitrah
materi pondok romadon sekolah dasar dengan materi zakat fitrahkrisdanarahmatullah7
 
573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptx
573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptx573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptx
573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptxanisakhairoza
 
KISI-KISI Sumatif Akhir Jenjang PJOK 2024
KISI-KISI Sumatif Akhir Jenjang PJOK 2024KISI-KISI Sumatif Akhir Jenjang PJOK 2024
KISI-KISI Sumatif Akhir Jenjang PJOK 2024DedeHendra8
 
power point mengenai akhlak remaja: menghindari tawuran
power point mengenai akhlak remaja: menghindari tawuranpower point mengenai akhlak remaja: menghindari tawuran
power point mengenai akhlak remaja: menghindari tawuranapriandanu
 
Powerpoint tentang Kebutuhan Manusia kelas X
Powerpoint tentang Kebutuhan Manusia kelas XPowerpoint tentang Kebutuhan Manusia kelas X
Powerpoint tentang Kebutuhan Manusia kelas Xyova9dspensa
 
Nasab Nabi Muhammad SAW. dari Nabi Ibrahimpptx
Nasab Nabi Muhammad SAW. dari Nabi IbrahimpptxNasab Nabi Muhammad SAW. dari Nabi Ibrahimpptx
Nasab Nabi Muhammad SAW. dari Nabi IbrahimpptxSuGito15
 
Makna, hukum, hikmah dan keutamaan puasa.pdf
Makna, hukum, hikmah dan keutamaan puasa.pdfMakna, hukum, hikmah dan keutamaan puasa.pdf
Makna, hukum, hikmah dan keutamaan puasa.pdfAdindaRizkiThalia
 
KURSUS KEPIMPINAN KOKURIKULUM 2023-.pptx
KURSUS KEPIMPINAN KOKURIKULUM 2023-.pptxKURSUS KEPIMPINAN KOKURIKULUM 2023-.pptx
KURSUS KEPIMPINAN KOKURIKULUM 2023-.pptxMOHDNAZRIEBINMOHDNOR
 
materi PPT tentang cerita inspiratif kelas 9 smp
materi PPT tentang cerita inspiratif kelas 9 smpmateri PPT tentang cerita inspiratif kelas 9 smp
materi PPT tentang cerita inspiratif kelas 9 smpAanSutrisno
 
BMMB 1134 KETERAMPILAN BERBAHASA HALANGAN KOMUNIKASI
BMMB 1134 KETERAMPILAN BERBAHASA HALANGAN KOMUNIKASIBMMB 1134 KETERAMPILAN BERBAHASA HALANGAN KOMUNIKASI
BMMB 1134 KETERAMPILAN BERBAHASA HALANGAN KOMUNIKASIwanalifhikmi
 
2024 - PSAJ PAI SMK Kisi-kisi Utama.docx
2024 - PSAJ PAI SMK Kisi-kisi Utama.docx2024 - PSAJ PAI SMK Kisi-kisi Utama.docx
2024 - PSAJ PAI SMK Kisi-kisi Utama.docxaljabarkoho
 
Materi Pertemuan 1.pdf (Pengantar Pendidikan Pancasila di Perguruan Tingg)
Materi Pertemuan 1.pdf (Pengantar Pendidikan Pancasila di Perguruan Tingg)Materi Pertemuan 1.pdf (Pengantar Pendidikan Pancasila di Perguruan Tingg)
Materi Pertemuan 1.pdf (Pengantar Pendidikan Pancasila di Perguruan Tingg)RezaWahyuni6
 
Fungsi Manajemen Public Relations dan Terapannya
Fungsi Manajemen Public Relations dan TerapannyaFungsi Manajemen Public Relations dan Terapannya
Fungsi Manajemen Public Relations dan TerapannyaAdePutraTunggali
 
Paket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptx
Paket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptxPaket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptx
Paket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptxDarmiahDarmiah
 
Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...
Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...
Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...Shoffan shoffa
 
Paparan Model Kompetensi Kepala Sekolah.pptx
Paparan Model Kompetensi Kepala Sekolah.pptxPaparan Model Kompetensi Kepala Sekolah.pptx
Paparan Model Kompetensi Kepala Sekolah.pptxagunk4
 
PPT GABUNGAN 1 kelas 9 gabungan tabung dengan setengah bola.pptx
PPT GABUNGAN 1 kelas 9 gabungan tabung dengan setengah bola.pptxPPT GABUNGAN 1 kelas 9 gabungan tabung dengan setengah bola.pptx
PPT GABUNGAN 1 kelas 9 gabungan tabung dengan setengah bola.pptxRestiana8
 
PTS Genap 7, 8 & US 9 SMP 51 dan HK 2024.pdf
PTS Genap 7, 8 & US 9 SMP 51 dan HK 2024.pdfPTS Genap 7, 8 & US 9 SMP 51 dan HK 2024.pdf
PTS Genap 7, 8 & US 9 SMP 51 dan HK 2024.pdfSMP Hang Kasturi, Batam
 

Kürzlich hochgeladen (20)

materi pondok romadon sekolah dasar dengan materi zakat fitrah
materi pondok romadon sekolah dasar dengan materi zakat fitrahmateri pondok romadon sekolah dasar dengan materi zakat fitrah
materi pondok romadon sekolah dasar dengan materi zakat fitrah
 
573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptx
573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptx573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptx
573323880-PPT-Nasionalisme-dan-Anti-Korupsi.pptx
 
KISI-KISI Sumatif Akhir Jenjang PJOK 2024
KISI-KISI Sumatif Akhir Jenjang PJOK 2024KISI-KISI Sumatif Akhir Jenjang PJOK 2024
KISI-KISI Sumatif Akhir Jenjang PJOK 2024
 
Persiapandalam Negosiasi dan Loby .pptx
Persiapandalam  Negosiasi dan Loby .pptxPersiapandalam  Negosiasi dan Loby .pptx
Persiapandalam Negosiasi dan Loby .pptx
 
power point mengenai akhlak remaja: menghindari tawuran
power point mengenai akhlak remaja: menghindari tawuranpower point mengenai akhlak remaja: menghindari tawuran
power point mengenai akhlak remaja: menghindari tawuran
 
Powerpoint tentang Kebutuhan Manusia kelas X
Powerpoint tentang Kebutuhan Manusia kelas XPowerpoint tentang Kebutuhan Manusia kelas X
Powerpoint tentang Kebutuhan Manusia kelas X
 
Nasab Nabi Muhammad SAW. dari Nabi Ibrahimpptx
Nasab Nabi Muhammad SAW. dari Nabi IbrahimpptxNasab Nabi Muhammad SAW. dari Nabi Ibrahimpptx
Nasab Nabi Muhammad SAW. dari Nabi Ibrahimpptx
 
Makna, hukum, hikmah dan keutamaan puasa.pdf
Makna, hukum, hikmah dan keutamaan puasa.pdfMakna, hukum, hikmah dan keutamaan puasa.pdf
Makna, hukum, hikmah dan keutamaan puasa.pdf
 
KURSUS KEPIMPINAN KOKURIKULUM 2023-.pptx
KURSUS KEPIMPINAN KOKURIKULUM 2023-.pptxKURSUS KEPIMPINAN KOKURIKULUM 2023-.pptx
KURSUS KEPIMPINAN KOKURIKULUM 2023-.pptx
 
materi PPT tentang cerita inspiratif kelas 9 smp
materi PPT tentang cerita inspiratif kelas 9 smpmateri PPT tentang cerita inspiratif kelas 9 smp
materi PPT tentang cerita inspiratif kelas 9 smp
 
BMMB 1134 KETERAMPILAN BERBAHASA HALANGAN KOMUNIKASI
BMMB 1134 KETERAMPILAN BERBAHASA HALANGAN KOMUNIKASIBMMB 1134 KETERAMPILAN BERBAHASA HALANGAN KOMUNIKASI
BMMB 1134 KETERAMPILAN BERBAHASA HALANGAN KOMUNIKASI
 
2024 - PSAJ PAI SMK Kisi-kisi Utama.docx
2024 - PSAJ PAI SMK Kisi-kisi Utama.docx2024 - PSAJ PAI SMK Kisi-kisi Utama.docx
2024 - PSAJ PAI SMK Kisi-kisi Utama.docx
 
Materi Pertemuan 1.pdf (Pengantar Pendidikan Pancasila di Perguruan Tingg)
Materi Pertemuan 1.pdf (Pengantar Pendidikan Pancasila di Perguruan Tingg)Materi Pertemuan 1.pdf (Pengantar Pendidikan Pancasila di Perguruan Tingg)
Materi Pertemuan 1.pdf (Pengantar Pendidikan Pancasila di Perguruan Tingg)
 
Fungsi Manajemen Public Relations dan Terapannya
Fungsi Manajemen Public Relations dan TerapannyaFungsi Manajemen Public Relations dan Terapannya
Fungsi Manajemen Public Relations dan Terapannya
 
Paket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptx
Paket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptxPaket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptx
Paket Substansi_Pengelolaan Kinerja Guru dan KS [19 Dec].pptx
 
Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...
Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...
Implementasi Model pembelajaran STEAM Holistik-Integratif Berbasis Digital Me...
 
Paparan Model Kompetensi Kepala Sekolah.pptx
Paparan Model Kompetensi Kepala Sekolah.pptxPaparan Model Kompetensi Kepala Sekolah.pptx
Paparan Model Kompetensi Kepala Sekolah.pptx
 
PPT GABUNGAN 1 kelas 9 gabungan tabung dengan setengah bola.pptx
PPT GABUNGAN 1 kelas 9 gabungan tabung dengan setengah bola.pptxPPT GABUNGAN 1 kelas 9 gabungan tabung dengan setengah bola.pptx
PPT GABUNGAN 1 kelas 9 gabungan tabung dengan setengah bola.pptx
 
PTS Genap 7, 8 & US 9 SMP 51 dan HK 2024.pdf
PTS Genap 7, 8 & US 9 SMP 51 dan HK 2024.pdfPTS Genap 7, 8 & US 9 SMP 51 dan HK 2024.pdf
PTS Genap 7, 8 & US 9 SMP 51 dan HK 2024.pdf
 
ELEMEN KOMPOL (PESAN BAHASA POLITIK).pptx
ELEMEN KOMPOL (PESAN BAHASA POLITIK).pptxELEMEN KOMPOL (PESAN BAHASA POLITIK).pptx
ELEMEN KOMPOL (PESAN BAHASA POLITIK).pptx
 

Korespondensi Analisis

  • 1. BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Statistik Metode analisis yang digunakan untuk menyelesaikan permasalahan adalah dengan menggunakan Statistika Deskriptif dan Analisis Korespondensi. 2.1.1 Analisis Deskriptif Statistika Deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang berguna. Statistika deskriptif memberikan informasi hanya mengenai data yang dipunyai. Dengan analisis ini dapat diketahui besarnya frekuensi yang diperoleh dari setiap kategori variabel-variabel yang diteliti, selain itu dapat diketahui besarnya prosentase tiap-tiap kategori tersebut. Penyajian hasil analisis ini dapat berupa tabel, diagram atau grafik. 2.1.2 Analisis Korespondensi (Correspondence Analysis) Menurut Greenacre (1984) Analisis Korespondensi merupakan bagian analisis multivariate yang mempelajari hubungan antara dua atau lebih variabel dengan memperagakan baris dan kolom secara serempak dari tabel kontingensi dua arah dalam ruang vektor berdimensi rendah (dua). Analisis korespondensi digunakan untuk mereduksi dimensi variabel dan menggambarkan profil vektor baris dan vektor kolom suatu matrik data dari tabel kontingensi. Hasil dari analisis korespondensi biasanya mengikutkan dua dimensi terbaik untuk mempresentasikan data, yang menjadi koordinat titik dan suatu ukuran jumlah informasi yang ada dalam setiap dimensi yang biasa dinamakan inertia (Johnson dan Wichern 2002). 5
  • 2. 6 2.1.3 Algoritma Analisis Korespondensi Secara geometri baris dan kolom dari suatu matriks X(nxp) dengan n baris dan p kolom dipandang sebagai titik-titik (unsur) dalam suatu ruang berdimensi p atau n Tabel 2.1 Bentuk Umum Tabel Kontingensi Variabel II Variabel I Total 1 2 3 …. p 1 X11 X12 X13 … X1p X1. 2 X21 X22 X23 … X2p X2. 3 X31 X32 X33 … X3p X3. … … … … … … … … … … … … … … n Xn1 Xn2 Xn3 … Xnp Xp. Total X.1 X.2 X.3 … X.p X.. Sumber : Greenacre, 1984 p n n p xi . = xij x. j = x ij x.. = xij (2.1) j =1 i =1 i =1 j =1 dimana: i = 1,2,...,n j=1,2,......p Secara umum matriks data berukuran n x p dengan unsur–unsur xij sebagai frekuensi. Untuk mendapatkan sebuah visualisasi baris dan kolom matriks data asli dalam dimensi yang lebih rendah terlebih dahulu dibangun matriks P(nxp) sebagai matriks analisis korespondensi P(nxp) didefinisikan sebagai matriks frekuensi relatif dari x, maka : x np p np = , (2.2) n Jumlahan baris n merupakan massa baris dan jumlahan kolom p merupakan massa kolom.
  • 3. 7 Tabel 2.2 Bentuk Umum Frekuensi Relatif Dua Dimensi Variabel II Massa Variabel I 1 2 3 .. p Baris 1 P11 P12 P13 P1p P1. 2 P21 P22 P23 P2p P2. 3 P31 P32 P33 P31 P3. … … n Pn1 Pn2 Pn3 Pnp Pn. Massa P.1 P.2 P.3 P.p 1 Kolom Sumber : Greenacre, 1984 p n n p Pi . = Pij P. j = Pij P.. = Pij (2.3) j =1 i =1 i =1 j =1 dimana : i = 1,2,....n j = 1,2,......p Matrik N adalah matriks data yang unsur-unsurnya merupakan bilangan positif berukuran I xJ dimana I menunjukkan baris dan J menunjukkan kolom. P adalah Matriks korespondensi didefinisikan sebagai matriks yang unsur-unsurnya adalah unsur matriks N yang telah dibagi dengan jumlah total unsur matriks N. Vektor jumlah baris dan kolom dari matriks P masing-masing dinotasikan dengan r dan c . Matrik diagonal dari elemen-elemen vektor jumlah baris r adalah matriks Dr dengan ukuran (I x I) sedangkan Dc adalah matrik diagonal dengan ukuran (JxJ) dari elemen-elemen vektor jumlah kolom c. Dari uraian di atas, dapat dinotasikan sebagai berikut: Matriks data N(I x J) ≡ [nij], nij ≥ 0 (2.4) Matriks korespondensi P ≡ (1/n..)N, dimana n.. = 1TN1 (2.5) Jumlah baris dan kolom r(nx1) = P(nxp) . 1(px1) c(px1) = PT(pxn) . 1(nx1) (2.6)
  • 4. 8 dimana ri > 0 ( i = 1...I), cj > 0 ( j = 1...J) Dr ≡ diag(r) dan Dc ≡ diag(c) (2.7) p1. 0 . . 0 p.1 0 . . 0 0 p2. . . 0 p.2 . . . Dr = . . p3. . . Dc = . . p.3 . 0 (2.8) . . 0 . . . . . 0 . . 0 pn. 0 . . . p.p Profil baris dan profil kolom dari matrik P diperoleh dengan cara membagi vektor baris dan vektor kolom dengan masing-masing massanya. Matriks profil baris (R) dan profil kolom (C) dinyatakan oleh: Profil matriks baris dan kolom ˆ r1T ˆT c1 − . − . R ≡ Dr 1P ≡ C ≡ Dc 1P T ≡ (2.9) . . ˆ rIT ˆJ cT ˆ Kedua profil, yaitu profil baris ri (i = 1...I) dan profil ˆ kolom c j (j = 1...J) ditulis secara berturut-turut dalam baris R dan kolom C. (Greenacre, 1984). 2.1.4 Singular Value Decomposition (SVD) Untuk mereduksi dimensi data berdasarkan keragaman data (nilai eigen/inersia) terbesar dengan mempertahankan informasi yang optimum, diperlukan penguraian nilai singular. Penguraian nilai singular (SVD) merupakan salah satu konsep Aljabar matriks dan konsep eigen decomposition yang terdiri dari nilai eigen dan vektor eigen. Nilai singular dicari untuk memperoleh koordinat baris dan kolom sehingga hasil analisis
  • 5. 9 korespondensi dengan mudah diketahui hubungan (assosiasinya) jika divisualisasikan dalam bentuk grafik. (Greenacre, 1984). Penguraian nilai singular diekspresikan dalam I x J matriks A dengan rank P dilakukan berdasarkan : P(* ) = U IX ( J −1) Λ ( J −1) X ( J −1)V(T −1) XJ IXJ J (2.10) ~ dimana : rank (P*) = rank (P ) ≤ J – 1 UTU = I = VTV dan diagonal matrik Λ = diag ( 1, 2,......., J-1) berisi nilai singular dari yang terbesar hingga terkecil pada diagonalnya. (Johnson dan Winchern, 2002) J −1 ~ ~ ~ ~ ~ (2.11) P = P − rc T = U Λ V T = λ j u j v jT j =1 ~ ~ ~ dengan U = Dr / 2U dan V = DC / 2V , dimana u j merupakan 1 1 ~ ~ vektor kolom ke-j dari U dan v j merupakan vektor kolom ~ ~ ke-j dari V . Kolom U merupakan koordinat sumbu yang digunakan sebagai penunjuk profil kolom matriks P. Koordinat baris dan kolom melalui perhitungan Singular ~ Value Decomposition (SVD) matriks P–rct. Kolom V merupakan koordinat sumbu yang digunakan sebagai penunjuk titik profil baris matriks P. ′ ( )( ) K P − rc t = λ k D1 2 u k D1 2 v k r c k =1 dimana P – rct adalah nilai singular dekomposisi (SVD), λ k ada- lah nilai singular, vektor uk Ix1 dan vektor vk Jx1 merupakan si- ngular vektor korespondensi matriks D −1 2 (P − rc′)D c 1 2 r − Koordinat profil baris : ~ X ( IX ( J − 1 )) = D r− 1 ( IXI ) U ( IX ( J − 1 )) Λ (( J − 1 ) X ( J − 1 )) (2.12)
  • 6. 10 Koordinat profil kolom : ~ Y ( IX ( J − 1 )) = D c− 1 ( JXJ ) V ( JX ( J − 1 )) Λ (( J − 1 ) X ( J − 1 )) (2.13) Inersia menunjukkan akhir sumbu koordinat plot-plot dimensi dengan kuadrat nilai singular dalam dimensi yang ada. Total inersia didefinisikan sebagai jumlah dari nilai singular tak nol. k Total Inersia = λi2 (2.14) i =1 dimana 1 2 ......., k > 0 adalah diagonal tak nol dari elemen Λ. Sehingga total inersia merupakan ukuran dari semua variasi dalam titik yang menunjukan profil baris atau kolom. I J ri (ri − c)T Dc−1 (ri − c) = ˆ ˆ c j (c j −r )T Dr−1 (c j − r ) (2.15) ˆ ˆ i =1 j =1 atau ri ( f ij / ri − c j ) / c j = 2 cj ( f ij / c j − ri ) 2 / ri (2.16) i j j i 2.1.5 Penentuan Jarak Profil Jarak yang digunakan untuk dapat menggambarkan titik- titik pada plot korespondensi adalah jarak Chi-Square yaitu : a. Jarak antara dua baris ke-i dan ke-i’ adalah: 2 p 1 f ij f i' d (i, i '= ) j 2 − (2.17) j =1 f. j f i. f i' . nij n p dimana : f = f ij = 1 n i =1 j =1 nij menunjukkan nilai pada baris ke-i kolom ke-j p ni n dan f i . = f ij = f i. = 1 j =1 n.. i =1
  • 7. 11 n n. j p f. j = f ij = f. j = 1 j =1 n.. ji =1 n= nij ij Dengan: f i. = massa baris yang diperoleh dari jumlahan baris dari matrik P f j . = massa kolom dari penjumlahan kolom matriks P b. Jarak antara dua kolom ke-j dan ke-j’ adalah: 2 n 1 f ij f ij ' d 2 ( j, j '= ) − (2.18) i =1 f i. f . j f . j ' Jarak khi-kuadrat dapat dikonversikan menjadi nilai similarity dengan memberi tanda yang berlawanan dengan tanda pada nilai difference (Hair, 1998). Dimana nilai difference adalah: Difference = nilai aktual – nilai ekspektasi (2.19) Dan nilai ekspektasi diperoleh dari : Ekspektasi = (total baris x total kolom ) ÷ total keseluruhan (2.21) 2.1.6 Kontribusi Mutlak dan Korelasi Kuadrat Kontribusi mutlak (absolute contribution) adalah proporsi keragaman yang diterangkan masing-masing titik terhadap sumbu utamanya. Nilai kontribusi mutlak digunakan untuk menentukan suatu titik yang masuk pada suatu faktor atau dimensi dengan kriteria bahwa titik yang masuk ke dalam suatu faktor adalah yang mempunyai nilai atau proporsi yang terbesar. Sedangkan kontribusi relatif adalah (relative contribution) adalah bagian ragam dari suatu titik yang dapat diterangkan oleh sumbu utamanya. Semakin tinggi nilai korelasi kuadrat menunjukkan bahwa sumbu utama mampu menerangkan nilai inersia dengan baik sekali, dan sebaliknya semakin kecil nilai korelasi kuadrat maka semakin sedikit nilai inersia yang dapat diterangkan oleh sumbu utama
  • 8. 12 Kontribusi relatif atau korelasi baris ke i atau kolom j dengan komponen k adalah kontribusi axis ke inersia baris ke i atau kolom ke j, dinyatakan dalam persen inersia baris ke i atau kolom ke j. (massa baris ke i )( f ik ) Korelasi axis ke k dan baris ke i = (inersia baris ke i ) (massa kolom ke j)( f jk ) Korelasi axis ke k dan kolom ke j = (inersia kolom ke j) dimana f ik adalah koordinat profil baris ke i pada axis ke k, f jk adalah koordinat profil kolom ke j pada axis ke k. Kontribusi baris ke i atau kolom ke j ke axis k (kontribusi mutlak), dinyatakan dengan persen inersia axis ke k. (massa baris ke i )( f ik ) Kontribusi baris ke i dan axis ke k = (inersia axis ke k ) (massa kolom ke j)( f jk ) Kontribusi kolom ke j dan axis ke k = (inersia axis ke k ) χ 2 yang merupakan jarak kuadrat antara vektor p dari frekuensi relatif observasi dan vektor p dari ekspektasi frekuensi relatif, n merupakan total frekuensi observasi [Greenacre, 1984]. Nilai χ 2 dapat dituliskan dalam rumus sebagai berikut: χ i2 = ni (p i − p )T D p (p i − p ) −1 (2.22) total χ adalah 2 χ2 = i χ i2 (2.23) dimana elemen ke j dari p dapat dituliskan sebagai berikut: p= i ni pi i ni
  • 9. 13 [ p i = pi1 pi 2 pi 3 ... pij ] T Maka jarak Chi-Square dapat dicari dengan rumus sebagai berikut: χ2 = (observasi − ekspektasi frekuensi)2 (2.24) ekspektasi frekuensi Untuk mengetahui sejauh mana hubungan-hubungan kategori yang terbentuk, dapat dilihat melalui beberapa definisi, yaitu : 1. Quality Proporsi dari kolom inersia yang ditunjukkan oleh semua perhitungan komponen. Semakin besar quality menunjukkan bahwa suatu kategori semakin baik diterangkan oleh komponen-komponen yang terbentuk. 2. Massa Proporsi dari kategori terhadap keseluruhan data. Massa menyatakan bobot dari masing-masing titik, baik pada baris maupun kolomnya. 3. Inertia Proporsi dari inersia yang disumbang oleh masing-masing kolom. Semakin besar inersia, menunjukkan bahwa hubungan suatu kategori semakin jauh dengan kategori lainnya. 4. Coordinat Merupakan koordinat dari kolom-kolom. Koordinat menunjukkan letak kategori-kategori sesuai dengan komponen-komponen yang terbentuk. 5. Correlation Menunjukkan sumbangan masing-masing komponen- komponen terhadap inersia baris. Korelasi merupakan suatu nilai yang menyatakan ragam dari suatu titik yang dapat diterangkan oleh sumbu utama. Nilai ini disebut korelasi kuadrat. Semakin besar korelasi menunjukkan bahwa suatu kategori semakin baik diterangkan oleh komponen yang terbentuk.
  • 10. 14 6. Contribution Kontribusi dari baris terhadap sumbu inersia. Kontribusi menyatakan proporsi keragaman yang diterangkan oleh masing-masing titik terhadap sumbu utamanya. Kontribusi mutlak ini digunakan untuk menentukan suatu titik yang masuk pada suatu faktor. Kriteria yang masuk dalam faktor tersebut dicari nilai yang relatif besar. 2.2 Tinjauan Non Statistik Tinjauan non statistik ini membahasa tentang pembagian Bakorwil (Badan Koordinasi Wilayah) dan Jenis-Jenis Pelanggaran Lalu Lintas. 2.2.1. Bakorwil (Badan Koordinasi Wilayah) Jawa Timur merupakan sebuah propinsi di bagian timur Pulau Jawa dengan ibukota Surabaya. Propinsi Jawa Timur memiliki luas wilayah 47.922 km2. Jawa Timur merupakan provinsi terluas diantara propinsi-propinsi lain di Pulau Jawa lainnya serta memiliki jumlah penduduk terbanyak kedua di Indonesia setelah Jawa Barat. Secara administratif, Jawa Timur terdiri dari 29 kabupaten dan 9 kota, menjadikan Jawa Timur sebagai propinsi yang memiliki jumlah kabupaten/kota terbanyak di Indonesia. Untuk mempermudah dalam pengawasan dan pengembangan dalam bidang ketertiban lalu lintas Jawa Timur dibagi dalam kedalam empat Badan Koordinasi Wilayah (Bakorwil) oleh pihak Badan Pusat statistik, pembagian Bakorwil tersebut didasarkan pada letak geografis kabupaten/kota yang saling berdekatan. Pembangian Bakorwil di Jawa Timur yaitu sebagai berikut: Bakorwil I (Madiun) meliputi Kab.Pacitan, Kab.Ponorogo, Kab.Trenggalek, Kab.Tulungagung, Kab.Blitar, Kab.Nganjuk, Kab.Madiun, Kab.Magetan, Kab.Ngawi, Kota.Blitar, Kota Madiun. Bakorwil II (Bojonegoro) meliputi Kab.Kediri, Kab.Mojokerto, Kab.Jombang, Kab.Bojonegoro, Kab.Tuban, Kab.Lamongan, Kota.Kediri, Kota.Mojokerto. Bakorwil III (Malang) meliputi Kab.Malang, Kab.Lumajang, Kab.Jember, Kab.Banyuwangi, Kab.Bondowoso, Kab.Situbondo,
  • 11. 15 Kab.Probolinggo, Kab.Pasuruan, Kota Malang, Kota.Probolinggo, Kota.Pasuruan, Kota.Batu. Bakorwil IV (Madura) meliputi Kab.Sidoarjo, Kab.Gresik, Kab.Bangkalan, Kab.Sampang, Kab.Pamekasan, Kab.Sumenep, Kota.Surabaya. 2.2.2. Jenis-Jenis Pelanggaran Lalu Lintas Banyak pelanggaran lalu lintas yang sering terjadi dalam kehidupan sehari-hari. Adapun jenis-jenis yang sering terjadi adalah sebagai berikut: a. Kelengkapan Surat Jenis pelanggaran berupa kelengkapan surat meliputi tidak mempunyai SIM, tidak memiliki STNK (Surat Tanda Nomor Kendaraan), dan tidak mempunyai BPKB (Bukti Pembayaran Kendaraan Bermotor). b. Ketentuan Muatan Jenis Pelanggaran yang berupa ketentuan muatan adalah ketentuan yang melebihi yang telah ditentukan. kelebihan beban 0-5 persen dikategorikan bukan pelanggaran. Kelebihan beban 5-30 persen harus membayar biaya kompensasi, sedangkan pelanggaran lebih dari 30 persen memperoleh sanksi pidana. Batas 30 persen pelanggaran itu didasarkan pada ambang batas keselamatan yang dihitung dan ditetapkan secara teknis. c. Batas Kecepatan Jenis pelanggaran Batas kecepatan adalah berkendara dengan melebihi kecepatan yang telah ditentukan. Apabila melebihi yang telah ditentukan akan dikenai sanksi yang telah ditentukan. d. Rambu Lalu Lintas Pelanggaran rambu lalu lintas adalah pelanggaran yang sering terjadi dan sering dilakukan di setiap kabupaten/kota di Propinsi Jawa Timur. Pelanggaran ini meliputi terus mengendarai motor ketika lampu lalu lintas merah, memarkir kendaraan yang terdapat rambu dilarang parkir, dan lain sebagainya.
  • 12. 16 e. Kelengkapan Kendaraan Jenis pelanggaran berupa kelengkapan kendaraan meliputi antara lain adalah tidak terdapat spion, lampu yang tidak berfungsi dengan baik, tidak terdapat spedometer, dan lain- lain.