PENERAPAN REGRESI AKAR LATEN DALAM MENANGANI MULTIKOLINEARITAS PADA MODEL REGRESI LINIER BERGANDA
|
|
- Sudomo Budiaman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 E-Jural Matematika Vol. 3, No. Jauari 04, 8-6 ISSN: PENERAPAN REGRESI AKAR LATEN DALAM MENANGANI MULTIKOLINEARITAS PADA MODEL REGRESI LINIER BERGANDA DWI LARAS RIYANTINI, MADE SUSILAWATI, KARTIKA SARI 3,,3 Jurusa Matematika FMIPA Uiversitas Udayaa, Bukit Jimbara-Bali 3 sari_kaartika@yahoo.co.id Abstract Multicolliearity is a problem that ofte occurs i multiple liear regressio. The existece of multicolliearity i the idepedet variables resulted i a regressio model obtaied is far from accurate. Latet root regressio is a alterative i dealig with the presece of multicolliearity i multiple liear regressio. I the latet root regressio, multicolliearity was overcome by reducig the origial variables ito ew variables through pricipal compoet aalysis techiques. I this regressio the estimatio of parameters is modified least squares method. I this study, the data used are eleve groups of simulated data with varyig umber of idepedet variables. Based o the VIF value ad the value of correlatio, latet root regressio is capable of hadlig multicolliearity completely. O the other had, a regressio model that was obtaied by latet root regressio has R adj value of 0.99, which idicates that the idepedet variables ca explai the diversity of the respose variables accurately. Keywords: Multiple Liear Regressio, Multicolliearity, Latet Root Regressio, Least Squares Method Modified. Pedahulua Aalisis regresi adalah suatu alat statistik yag dapat diguaka utuk melihat hubuga sebab akibat. Dalam aalisis regresi terdapat peubah bebas da peubah tak bebas. Peubah bebas dapat diukur, sedagka peubah tak bebas atau yag juga disebut dega peubah respo dijelaska oleh satu atau lebih peubah bebas. Pada aalisis regresi liier, peubah respoya memiliki skala pegukura miimal iterval. Berdasarka bayak peubah bebas yag diguaka, aalisis regresi liier dibagi mejadi dua yaitu aalisis regresi liear sederhaa da aalisis regresi liear bergada. Aalisis regresi liier yag haya melibatka satu peubah bebas disebut aalisis regresi liier sederhaa, sedagka aalisis regresi liier dega peubah respo dipegaruhi oleh lebih dari satu peubah bebas disebut aalisis regresi liier bergada (Myers & Milto, 99). Dalam aalisis regresi liier bergada, permasalaha yag serig mucul adalah adaya multikoliieritas. Multikoliearitas ditadai dega adaya korelasi di atara peubah-peubah bebas. Adaya multikoliearitas pada peubah-peubah bebas megakibatka model regresi yag diperoleh jauh dari akurat, diataraya pegujia hipotesis parameter berdasarka metode kuadrat terkecil (ordiary least square) memberika hasil yag tidak valid yaitu peubah-peubah bebas yag seharusya berpegaruh sigifika terhadap peubah respo diyataka sebalikya secara statistik, tada koefisie regresi dugaa yag dihasilka bertetaga dega kodisi aktual, peduga koefisie regresi bersifat tidak stabil sehigga megakibatka sulitya meduga ilai-ilai peubah respo yag tetuya aka Mahasiswa Jurusa Matematika FMIPA Uiversitas Udayaa 8,3 Staf Pegajar Jurusa Matematika FMIPA Uiversitas Udayaa
2 E-Jural Matematika Vol. 3, No. Jauari 04, 8-6 ISSN: megakibatka tidak akuratya peramala (Gujarati, 995). Terdapat beberapa metode utuk megatasi adaya multikoliearitas dalam regresi liier bergada, salah satuya adalah dega megguaka regresi kompoe utama (pricipal compoet regressio). Pada regresi kompoe utama, peubah-peubah bebas yag salig berkorelasi diubah ke dalam betuk peubah-peubah baru yag tidak salig berkorelasi tapa kehilaga bayak iformasi dari peubah asal da disebut dega kompoe utama. Tekik meregresika kompoe utama dega peubah respo melalui metode kuadrat terkecil disebut regresi kompoe utama (Gujarati, 995). Pemiliha kompoe utama pada regresi kompoe utama adalah dega memilih kompoe utama yag memiliki akar ciri lebih besar dari (Draper & H. Smith, 99). Aka tetapi, proses ii memugkika kompoe utama yag bergua utuk prediksi terhadap peubah respo aka terabaika, karea pembetuka kompoe utama yag tidak melibatka iformasi dari peubah respo (Vigeau, E., Qaari, E.M., 00). Perluasa regresi kompoe utama diajuka oleh J.T. Webster et. al, dalam Latet root regressio aalysis, Techometrics, 6, 974. Webster da reka kerjaya meggadegka matriks data yag berasal dari peubah respo yag telah dibakuka da peubah bebas yag telah dibakuka. Perluasa ii diamaka regresi akar late (Draper & H. Smith, 99). Perbedaa regresi akar late dibadigka regresi kompoe utama adalah kompoe utama yag terbetuk pada regresi akar late diperoleh dega meghitug hubuga atara peubah bebas da peubah respo, sehigga kompoe utama pada regresi akar late lebih bayak megadug iformasi dibadigka regresi kompoe utama (Vigeau, E., Qaari, E.M., 00).. Aalisis Regresi Liier Aalisis regresi adalah suatu metode dalam statistik yag memafaatka hubuga atara dua atau lebih peubah kuatitatif, sehigga peubah respo (depedet variable) bisa diramalka dari peubah bebas (idepedet variable) (Neter, 997). Selai utuk melihat hubuga atara peubah bebas dega peubah respo, aalisis regresi juga bertujua utuk melihat kotribusi relatif dari masig-masig peubah bebas terhadap peubah respo. Pola atau betuk hubuga pada aalisis regresi dapat diyataka dalam betuk persamaa regresi. Model regresi liier yag melibatka lebih dari satu peubah bebas dega satu peubah respo disebut model regresi liier bergada. Aalisis regresi liier bergada sagat bergua di dalam situasi percobaa yag memugkika peeliti megotrol peubah-peubah bebasya... Model Ordo-Pertama Misalka terdapat tripel data (y, x, x ), (y, x, x ),, (y, x, x ), (Neter, 997) maka model regresiya dapat diyataka sebagai: y i = β 0 + β x i + β x i + e i () dega: y i adalah respo dari amata ke-i, β 0, β, da β adalah koefisie regresi, e i adalah suku galat ke-i, i =,,. y e y e Jika Y = [ ], ε = [ ] maka persamaa y e () dega i =,,, dapat ditulis sebagai: Y = β 0 + β X + β X + ε () Persamaa () diamaka model ordo-pertama x x dega dua peubah bebas, yaitu X = [ ] x x x da X = [ ]. Model ii bersifat liier dalam x parameter da juga liier dalam peubah-peubah bebasya. Apabila diasumsika E{ε i } = 0, maka fugsi respo bagi model () adalah (Neter, 997): E{Y} = β 0 + β X + β X (3) 9
3 Dwi Laras Riyatii, Made Susilawati, Kartika Sari Peerapa Regresi Akar Late dalam Meagai Multikoliearitas Pada model regresi (3), parameter β 0 adalah itersep Y pada bidag regresi tersebut. Nilai parameter β 0 melambagka rataa respo, apabila peubah bebas X da X berilai 0. Jika tidak demikia, β 0 tidak memiliki maka di dalam model regresi tersebut. Parameter β meujukka perubahaa rataa respo utuk setiap keaika X satu satua apabila X dipertahaka kosta. Begitu pula, parameter β meujukka perubaha rataa respo utuk setiap keaika X satu satua, apabila X dipertahaka kosta. Parameter β da β serig disebut koefisie regresi parsial. Peubah bebas X da X dikataka memiliki pegaruh aditif atau tidak beriteraksi, apabila pegaruh X terhadap rataa respo tidak bergatug pada taraf X, da sebagai akibatya pegaruh X terhadap respo juga tidak bergatug pada taraf X (Neter, 997). Sebagai geeralisasi dari model ordopertama dega dua peubah bebas berikut ii dibahas model ordo-pertama dega lebih dari dua peubah bebas. Oleh karea itu, apabila terdapat p peubah bebas X = x x x,p x x x,p [ ], X = [ ],, X p = [ ], maka x x x,p modelya [4] adalah: y i = β 0 + β x i + β x i + + β p x i,p + e i (4) dega : p bayakya parameter, β 0, β,, β p adalah parameter, x i, x i,, x i,p adalah peubah bebas yag diketahui ilaiya, e i adalah suku galat, i =,,,, adalah bayak amata. y e y e Jika Y = [ ], ε = [ ] maka persamaa y e (4) dega i =,,, dapat ditulis sebagai: Y = β 0 + β X + β X + + β p X p + ε (5) Adapu fugsi respo (Neter, 997) utuk model (5) adalah: E{Y} = β 0 + β X + β X + + β p X p (6). Koefisie Determiasi Gada Terkoreksi Dalam regresi liear bergada, proporsi keragama data yag dapat diteragka dalam model regresi dilihat dari koefisie determiasi gada yag dilambagka dega R αdj. (Neter, 997) Koefisie determiasi gada terkoreksi didefiisika sebagai berikut: R αdj = JKG/( p) JKT/( ) (7) Iterval ilai R αdj adalah 0 R αdj. semaki medekati, maka Jika ilai R αdj semaki besar ilai keragama data peubah respo yag dapat dijelaska oleh peubah bebas..3 Multikoliearitas Istilah multikoliearitas pertama kali diperkealka oleh Ragar Frisch pada tahu 934, yag berarti adaya korelasi di atara peubah peubah bebas dari model regresi. Multikoliearitas dapat memberi dampak utuk model regresi, atara lai (Neter, 997):. Multikoliearitas atara peubah-peubah bebas dalam model regresi liier megakibatka variasi peduga kuadrat terkecil mejadi besar sehigga meghasilka galat baku yag lebih besar. Hal ii megakibatka selag kepercayaa utuk parameter model regresi mejadi lebih besar.. Satu atau lebih peubah bebas mejelaska peubah respo bear-bear sama dega yag dijelaska oleh peubah bebas lai. 3. Pegujia hipotesis parameter berdasarka metode kuadrat terkecil memberika hasil yag tidak valid. Pada aalisis regresi, dikataka terdapat multikoliearitas apabila terdapat beberapa kodisi sebagai berikut: 0
4 E-Jural Matematika Vol. 3, No. Jauari 04, 8-6 ISSN: Nilai korelasi atar peubah bebas (r XY ) melebihi 0,5 (Gujarati, 995) Misalka (x, y ),, (x, y ), pasaga data yag x x diperoleh dari dua peubah acak X = [ ] x y y da Y = [ ]. Nilai korelasi tersebut y diperoleh melalui rumus [7] sebagai berikut: r XY = i= (x i x ) (y i y ) [ i=(x i x ) i= (y i y ) ] (8) Dalam hal ii X da Y diaggap setara, tidak dipersoalka apakah X da Y yag mejadi peubah bebas atau peubah respo.. Nilai VIF lebih dari 4 (O Brie, 007) Variace Iflatio Factor (VIF) atau faktor iflasi ragam dapat megiterpretasika akibat dari korelasi atar variabel bebas ke-i pada varias peduga koefisie regresi. Adapu perhituga VIF sebagai berikut (Neter, 997): VIF(i) = R (9) i Nilai R i meujukka ilai tolerasi yag mewakili varias dari peubah bebas ke-i yag tidak dihubugka dega peubah bebas lai pada model, sehigga ilai tolerasi berbadig terbalik dega ilai VIF. Nilai R i meujukka ilai korelasi atar peubah, keaika korelasi atar peubah aka megakibatka keaika ilai VIF yag meujukka terjadiya multikoliearitas. Jika R i = 0 atau VIF =, megidikasika bahwa peubah bebas ke-i orthogoal dega peubah bebas laiya..4 Regresi Kompoe Utama Regresi kompoe utama merupaka salah satu metode yag dapat diguaka utuk meagai multikoliearitas. Tahap pertama pada regresi kompoe utama adalah meghitug kompoe utama yag merupaka kombiasi liier dari peubah bebas. Lagkah selajutya, beberapa kompoe utama yag terbetuk diregresika dega peubah respo melalui aalisis regresi (Myers & Milto, 99). Kriteria pemiliha kompoe utama yag aka diguaka yaitu dega memilih kompoe utama yag bersesuaia dega akar ciri lebih besar dari (Draper, N.R. ad H. Smith, 99).5 Regresi Akar Late (Latet Root Regressio) Metode regresi akar late merupaka perluasa dari regresi kompoe utama. Perbedaa kedua metode ii terletak pada ilai akar late yag dihasilka dari matriks korelasi yag dihasilka. Pada regresi akar late, matriks korelasi diperoleh dari peggabuga peubah respo yag telah dibakuka da peubah bebas yag telah dibakuka, yag dapat ditulis sebagai berikut (Draper, N.R. ad H. Smith, 99): Z = [Z y, Z] (0) dega Z y da Z secara berturut-turut merupaka matriks Y da X yag telah dipusatka da diskalaka (dibakuka). Pembakua data pada peubah respo diperoleh melalui rumus: y y Z y = (Y y ) dega Y = [ S YY ], y y = i= y i, = [ ], S YY = (Y y )T (Y y ) () sedagka, Pembakua data pada peubah bebas diperoleh melalui rumus: Z = (X x ) S XX x x X = [ x x x x dega x,p x,p x,p ], x = i= x i,
5 Dwi Laras Riyatii, Made Susilawati, Kartika Sari Peerapa Regresi Akar Late dalam Meagai Multikoliearitas = [ ] p S XX = (X x )T (X x ) () Utuk matriks Y da X seperti pada persamaa (0), setelah matriks Y da X dibakuka, maka: Z = Z y Z y [ Z y Z Z Z, Z,p Z,p Z,p ] Lagkah berikutya adalah melakuka aalisis kompoe utama berdasarka matriks Z. Seperti halya dalam aalisis kompoe utama, akar late da vektor lateya kemudia dihitug dari matriks korelasi gadega Z T Z Misalka Γ j T = (γ oj, γ j, γ j,, γ rj ) merupaka vektor late dari matriks Z T Z da Γ j 0 = (γ j, γ j,, γ rj ) merupaka vektor yag terbetuk dari eleme yag sama dega Γ j T kecuali eleme pertama yag telah dibuag, maka kompoe utama (Sharma, S., James, W.L., 986) dari Z adalah: C j = Z Γ j (3) yag dapat dituliska sebagai: 0 C j = γ 0j Z y + ZΓ j (4) Pada regresi akar late, usur pertama koefisie Y (γ 0j ) setiap vektor late diguaka utuk meramalka peubah respoya oleh vektor late tersebut. Utuk meetuka kompoe utama yag aka diguaka, yaitu dega membuag kompoe utama yag bersesuaia dega ilai akar late λ j 0.05 atau eleme pertama vektor late γ 0j < 0.0 (Vigeau, E., Qaari, E.M., 00). Adaya akar late yag kecil meadaka adaya kemugkia ketergatuga atau ketidakbebasa liear di atara peubah-peubah bebas. Semaki kecil akar late, semaki kuat ke tidak bebas lieara tersebut. Akar late yag berilai 0 meadaka adaya sigularitas, da ilai 0 pada eleme pertama dari suatu vektor late meujukka bahwa vektor late tersebut tidak memiliki kotribusi variasi dalam Y (Sharma, S., James, W.L., 986). Oleh karea itu, Webster meyaraka akar late λ j 0.05 atau usur pertama vektor late padaaya γ 0j < 0.0, disaraka utuk dibuag. Selajutya dihitug vektor koefisie kuadrat terkecil termodifikasiya (Webster, et al. 974) dega rumus: β β γ j γ j β = [ ] = c j γ 0j λ j [ ] ; (5) β p γ p c = { j γ 0j λ j } { i= (Y i Y ) } / (6) dega: λ j adalah akar late ke-j dari matriks Z T Z γ j adalah eleme vektor late ke-j γ 0j adalah eleme pertama dari vektor late ke-j j = 0,,,, p Selajutya, pedugaa koefisie regresi pada peubah awal diperoleh dega membagi peduga koefisie regresi pada peubah yag telah dibakuka dega S j, (Draper, N.R. ad H. Smith, 99) sehigga diperoleh: β j = β j S j dega S j = (x j x j), j =,,, p (7) Sedagka, perhituga koefisie regresi β 0 (Draper, N.R. ad H. Smith, 99) diperoleh berdasarka rumus: β 0 = y β x β x β 3 x 3 β 4 x 4 (8) Setelah persamaa kuadrat terkecil termodifikasiya diperoleh, Webster da rekarekaya meyaraka utuk melakuka elimiasi lagkah mudur utuk megeluarka peubah peramal dari persamaa itu (Webster, et al. 974).. Metode Peelitia Jeis data yag diguaka dalam peelitia ii adalah data sekuder berupa simulasi yag terdiri dari sebelas kelompok data dega bayak peubah bebas bervariasi. Program yag diguaka dalam peelitia ii
6 E-Jural Matematika Vol. 3, No. Jauari 04, 8-6 ISSN: adalah program Microsoft Excel da Miitab 5. Adapu tahap aalisis data megguaka regresi akar late dega lagkah-lagkah sebagai berikut: a. Melakuka pembakua data pada peubah respo da peubah bebas secara berturutturut melalui persamaa () da () dega batua program Microsoft Excel. b. Memasagka matriks data yag berasal dari peubah bebas da peubah respo yag telah dibakuka. Z = [Z y, Z] c. Meghitug akar late λ j da vektor late padaaya Γ j dari matriks korelasi Z T Z dega batua Program Miitab 5. d. Melakuka pembetuka kompoe utama melalui aalisis kompoe utama berdasarka akar late λ j da vektor late padaaya Γ j yag telah terbetuk pada program Miitab5. e. Memilih kompoe utama yag diguaka dega membuag kompoe utama yag mempuyai ilai akar late λ j 0.05 da eleme pertama vektor late γ 0j < 0.0 (Webster, et al., 974). f. Berdasarka lagkah (e), kompoe utama yag telah ditetuka diregresika dega peubah respo. g. Meghitug ilai VIF da ilai korelasi atar peubah utuk medeteksi apakah masalah multikoliearitas sudah teratasi. h. Melakuka pedugaa koefisie regresi pada data yag dibakuka melalui persamaa (5) da (6). i. Melakuka pedugaa koefisie regresi pada peubah awal melalui persamaa (7) da (8). 3. Hasil da Pembahasa Hasil aalisis regresi liier bergada dega megguaka metode kuadrat terkecil pada sebelas kelompok data yag diguaka dapat dilihat pada Tabel. Tabel. Model Regresi Liier Bergada Mdl Model Regresi Liier Bergada I Y =,00 + 0,00 X +,00X + 0,00X 3 +,00X 4 II Y = 0, +,5 X +,0X +,7X 3 + 0,737X 4 + 0,95X 5 III Y =,00 +,00 X +,00X +,00X 3 +,0X 4 +,00X 5 IV Y = 6,3 +,04 X +,0X +,06X 3 + 0,945X 4 + 0,953X 5 + 0,975X 6 V Y =,00 +,00 X +,00X +,00X 3 +,00X 4 +,00X 5 +,00X 6 VI Y =,53 + 0,83 X + 0,973X + 0,984X 3 +,06X 4 +,0X 5 + 0,99X 6 VII Y =,00 +,00 X +,00X,00X 3 +,00X 4 +,00X 5 +,00X 6 VIII Y = 6,85 +,4 X +,0X +,5X 3 +,07X 4 +,03X 5 +,0X 6 +,00X 7 + 0,79X 8 IX Y = 5,85 +,38 X +,00X +,8X 3 + 0,86X 4 +,X 5 + 0,886X 6 +,0X 7 + 0,907X 8 X Y = 3,9 0,08 X + 0,98X + 0,607X 3 +,9X 4 +,7X 5 + 0,955X 6 +,0X 7 +,3X 8 XI Y = 3,89 + 0,64 X + 0,985X + 0,667X 3 +,6X 4 +,X 5 +,X 6 +,0X 7 + 0,93X 8 Berdasarka Tabel, model regresi liier I yag terbetuk adalah: Y =,00 0,000000X +,00X + 0,000000X 3 +,00X 4 Model tersebut megiterpretasika bahwa apabila semua peubah bebas diasumsika kosta, maka peubah respo aka berilai,00. Peubah respo tidak megalami perubaha setiap keaika X satu satua selama X, X 3, X 4 dipertahaka kosta. Peubah respo aka meigkat sebesar,00 satua setiap keaika X satu satua selama X, X 3, X 4 dipertahaka kosta. Iterpretasi peubah bebas X 3 da X 4 dapat dilakuka dega cara yag sama. Model regresi laiya dapat diiterpretasi dega cara yag sama. Utuk medeteksi adaya multikoliearitas pada peubah bebas dapat dilihat berdasarka ilai korelasi da ilai VIF. Utuk model regresi I, ilai korelasi da ilai VIF dapat dilihat pada Tabel. 3
7 Dwi Laras Riyatii, Made Susilawati, Kartika Sari Peerapa Regresi Akar Late dalam Meagai Multikoliearitas Tabel Nilai Korelasi da Nilai VIF pada Model Regresi Liier I NK X X X 3 X 4 VIF X 4,9 X 0,70, X 3 0,95 0,5 3,3 X 4-0,96-0,6-0,977 30,7 Pada Tabel, terlihat bahwa X da X 3 memiliki ilai korelasi sebesar 0,95, X dega X 4 memiliki ilai korelasi sebesar - 0,96, da X 3 dega X 4 memiliki ilai korelasi sebesar -0,977. Hal ii megidikasika adaya multikoliearitas di atara peubah bebas X, X 3 da X 4. Selai berdasarka ilai korelasi, idikasi adaya multikoliearitas atar peubah bebas X, X 3 da X 4 dipertegas dega adaya ilai VIF yag lebih besar dari 4, sehigga dapat disimpulka bahwa terdapat multikoliearitas pada ketiga peubah bebas tersebut. Di lai pihak, ilai korelasi pada peubah bebas X kurag dari 0,5 da ilai VIF kurag dari 4 meadaka bahwa peubah bebas X tidak megalami masalah multikoliearitas. Dega cara yag sama, diperoleh bahwa terdapat beberapa peubah bebas yag megalami multikoliearitas pada model regresi yag lai. Adaya multikoliearitas pada peubahpeubah bebas megakibatka model regresi yag diperoleh jauh dari akurat, sehigga diperluka alteratif dalam meagai multikoliearitas yag dalam peelitia ii dilakuka melalui regresi akar late. Regresi Akar Late dalam Meagai Mulikoliearitas Lagkah pertama dalam regresi akar late adalah membakuka data dega cara data dipusatka (ceterig) da diskalaka (scallig). Hal ii dilakuka utuk memudahka perhituga da juga memiimumka kesalaha pembulata dalam perhituga. Pada peelitia ii, pembakua data dilakuka pada peubah respo da peubah bebas. Data yag telah merupaka elemeeleme pada matriks Z. Akar late λ j da vektor late Γ j dega j =,, p yag bersesuaia dega λ j dibetuk dari matriks korelasi Z T Z. Utuk model regresi liier I diperoleh ilai-ilai akar late yaitu: λ 0 =,809 λ =,3790 λ = 0,805 λ 3 = 0,067 λ 4 = 0,0000 Dari akar late λ j, j = 0,,,3,4, diperoleh vektor-vektor late Γ j yag bersesuaia dega λ j yaitu: 0,587 0,355 Γ 0 = 0,357 0,35 [ 0,544] 0,07 0,478 Γ = 0,448 0,705 [ 0,63 ] 0,80 0,639 Γ = 0,676 0,5 [ 0,94] 0,6 0,487 Γ 3 = 0,68 0,68 [ 0,56 ] Γ 4 = [ 0,74 0,000 0,45 0,000 0,5 ] Tidak ada kriteria yag pasti dalam peetua akar late da vektor late yag diguaka utuk pembetuka kompoe utama. Webster meyaraka utuk membuag akar late λ j 0.05 atau usur pertama vektor late padaaya γ 0j < 0.0 [0]. Sedagka, Sharma membuag akar late λ j 0. atau usur pertama vektor late padaaya γ 0j < 0.3 dalam peelitiaya [8], da Reichert membuag akar late λ j 0.3 atau usur pertama vektor late padaaya γ 0j < 0.0 (Reichert, A.K., 4
8 E-Jural Matematika Vol. 3, No. Jauari 04, 8-6 ISSN: James, S.M., 986). Dalam peelitia ii, peulis megguaka kriteria pemiliha yag disaraka oleh Webster karea dega megguaka kriteria tersebut, model regresi yag diperoleh aka lebih akurat dega data yag diguaka dalam peelitia ii. Oleh karea itu, dipilih akar late λ j 0.05 atau eleme pertama vektor late γ 0j < 0.0 [0]. Diperhatika bahwa: a. λ 0 > 0,05 da γ 00 = 0,587 > 0,0. Oleh karea itu, vektor yag bersesuaia tetap dipertahaka. b. λ > 0,05 da γ 0 = 0,07 > 0,0. Oleh karea itu, vektor ii tetap dipertahaka meskipu γ 0 berilai kecil. c. Karea λ > 0,05 da γ 0 = 0,80 > 0,0 maka vektor ii tetap dipertahaka. d. λ 3 < 0,05 meadaka kemugkia adaya ke tidak bebas liiera di atara peubah-peubah bebas. Aka tetapi, ilai γ 03 = 0,6 > 0,0 meadaka keteramala yag tiggi sehigga vektor ii tetap dipertahaka. e. λ 4 = 0 meadaka adaya sigularitas, da meadaka keadaa tidak bebas liier di atara peubah-peubah bebas yag meyebabka pedugaa koefisie regresi mejadi tidak stabil, sehigga vektor ii dibuag walaupu ilai γ 04 = 0,74 > 0,0 meadaka keteramala yag tiggi. Selajutya, dilakuka pembetuka kompoe utama berdasarka koefisie matriks (vektor late). Berikut merupaka proses pembetuka dari lima kompoe yag aka diguaka: KU (C 0 ) = 0,587Z y 0,355Z 0,357Z 0,35Z 3 0,544Z 4 KU (C ) = 0,07Z y 0,478Z 0,448Z 0,705Z 3 0,63Z 4 KU 3 (C ) = 0,80Z y 0,639Z 0,676Z 0,5Z 3 0,94Z 4 KU 4 (C 3 ) = 0,6Z y 0,487Z 0,87Z 0,68Z 3 + 0,56Z 4 Kompoe utama yag terbetuk merupaka kombiasi liier dari peubah asal yag salig tegak lurus da tidak berkorelasi. Berdasarka hasil aalisis regresi akar late, adapu model regresi I yag terbetuk adalah: Y = 366 9,94C 0,C + 3,06C + 4,44C 3 Hasil perhituga dega megguaka regresi akar late pada model regresi I diperoleh ilai VIF masig-masig peubah bebas sebesar,0 da ilai korelasi yag berilai kurag dari 0,5 atar peubah bebas yag meadaka bahwa masalah multikoliearitas dapat diatasi secara tutas. Nilai korelasi da ilai VIF melalui regresi akar late dapat dilihat pada tabel 3. Tabel 3. Nilai Korelasi Atar da Nilai VIF pada regresi akar late NK C C C 3 VIF C,0 C -,0 0,00 C 3 0,00 -,0 0,00 C 4 0,00 0,00 0,00,0 dega ilai koefisie determiasi gada terkoreksi (R adj ) sebesar,00. Setelah itu, utuk memperoleh peduga koefisie regresi utuk regresi akar late pada peubah awal diguaka persamaa (3) da (4). Sehigga, utuk model regresi I, peduga koefisie pada data awal adalah sebagai berikut Y = 9, ,054 X +,095X + 7,489X 3 5,55X 4 Model tersebut megiterpretasika jika pada saat semua peubah bebas diasumsika kosta, maka peubah respo aka berilai 9,095. Peubah respo aka meigkat sebesar 7,054 setiap keaika X satu satua selama X, X 3, X 4 dipertahaka kosta. Peubah respo aka berkurag sebesar,095 setiap keaika X satu satua selama X, X 3, X 4 dipertahaka kosta. Peubah respo aka meigkat 7,489 setiap keaika X 3 satu satua selama X, X, X 4 dipertahaka kosta, da peubah respo aka berkurag sebesar 5,55 setiap keaika X 4 satu satua selama X, X, X 3 dipertahaka kosta. 5
9 Dwi Laras Riyatii, Made Susilawati, Kartika Sari Peerapa Regresi Akar Late dalam Meagai Multikoliearitas Selajutya, utuk melihat seberapa akurat model yag diperoleh, dihitug R adj dega megguaka persamaa (3) dari masig-masig model. Nilai R adj hasil RAL pada masig-masig model dapat dilihat pada Tabel 4. Tabel 4. Nilai R adj Model Hasil RAL Model R adj I,000 II,000 III,000 IV,000 V,000 VI,000 VII,000 VIII,000 IX,000 X,000 XI,000 Berdasarka Tabel 4, ilai R adj sebesar,000 merupaka hasil pembulata karea data yag diguaka dalam peelitia ii merupaka bilaga desimal, yag kemudia dalam prosesya megalami pembulata berkali-kali. O Brie, R M A Cautio Regardig Rules of Thumb for Variace Iflatio Factor. Departemet of Sociology of Orego, Eugee, USA. Reichert, A.K., James, S.M., 986. Usig Latet Root Regressio to Idetify Nopredictive Colliearity i Statistical Appraisal Models. AREUEA Joural. 4, 36-5 Sembirig, R.K Aalisis Regresi. Edisi Kedua. Badug : Peerbit ITB. Sharma, S., James, W.L., 986. Latet Root Regressio: A Alterate Procedure for Estimatig Parameters i the Presece of Multicolliearity. JMR, Joural of Marketig Research. 8, Vigeau, E., Qaari, E.M., 00. A New Algorithm for Latet Root Regressio Aalysis. Computatioal Statistics & Data Aalysis. 4, 3-4. Webster, J.T., R. F. Guts, ad R. L. Maso.(974). Latet Root Regressio Aalysis. Techometrics 6, Kesimpula Berdasarka pembahasa dapat disimpulka bahwa regresi akar late dapat megatasi multikoliearitas dega tutas da meghasilka persamaa regresi yag akurat. Daftar Pustaka Draper, N.R. ad H. Smith. 99. Aalisis Regresi Terapa, Edisi Kedua. Diterjemahka oleh Bambag Sumatri. Jurusa Statistika FMIPA IPB. Bogor Gujarati N, Damorar Ekoometrika Dasar. Erlagga. Jakarta. Myers, R.H. & Milto, J.S. 99. A First Course I The Theory Of Liier Statistical Models. PWS-KENT Publishig Compay, Bosto Neter, J Model Liier Terapa. Diterjemahka oleh Bambag Sumatri. IPB, Badug. 6
BAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciL A T I H A N S O A L A N R E G 1 Muhamad Ferdiansyah, S. Stat.
L A T I H A N S O A L A N R E G Muhamad Ferdiasyah, S. Stat. *Saya saraka utuk mecoba sediri baru lihat jawabaya **Jawaba saya BELUM TENTU BENAR karea saya mausia biasa. Silaka dikosultasika jika ada jawaba
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciAPLIKASI REGRESI RIDGE LEAST ABSOLUTE DEVIATION PADA KASUS PELANGGARAN ASUMSI KENORMALAN DAN MULTIKOLINIERITAS
APLIKASI REGRESI RIDGE LEAST ABSOLUTE DEVIATION PADA KASUS PELANGGARAN ASUMSI KENORMALAN DAN MULTIKOLINIERITAS Idah Ayustia, Aa Islamiyati, Raupog Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK
Lebih terperinciREGRESI LINIER SEDERHANA
REGRESI LINIER SEDERHANA REGRESI, KAUSALITAS DAN KORELASI DALAM EKONOMETRIKA Regresi adalah salah satu metode aalisis statistik yag diguaka utuk melihat pegaruh atara dua atau lebih variabel Kausalitas
Lebih terperinciPemilihan Model Terbaik
Pemiliha Model Terbaik Hazmira Yozza Jur. Matematika FMIPA Uiv. Adalas Jadi bayak model yag mugki dibetuk Var. Bebas :,, 3 Model Maa Yag Mampu Mewakili Data 3,, 3, 3,, 3 + model akar, log, hasil kali,
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciPenyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered.
2. Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a) Hitug Sum of Square for Regressio (X) b) Hitug Sum of Square for Residual c) Hitug Meas Sum of Square for Regressio (X) d) Hitug
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena
7 BAB III METODE PENELITIAN A. Jeis Peelitia Peelitia ii merupaka jeis peelitia deskriptif-kuatitatif, karea melalui peelitia ii dapat dideskripsika fakta-fakta yag berupa kemampua siswa kelas VIII SMP
Lebih terperinciPENGARUH INFLASI TERHADAP KEMISKINAN DI PROPINSI JAMBI
Halama Tulisa Jural (Judul da Abstraksi) Jural Paradigma Ekoomika Vol.1, No.5 April 2012 PENGARUH INFLASI TERHADAP KEMISKINAN DI PROPINSI JAMBI Oleh : Imelia.,SE.MSi Dose Jurusa Ilmu Ekoomi da Studi Pembagua,
Lebih terperinciREGRESI DAN KORELASI
REGRESI DAN KORELASI Pedahulua Dalam kehidupa sehari-hari serig ditemuka masalah/kejadia yagg salig berkaita satu sama lai. Kita memerluka aalisis hubuga atara kejadia tersebut Dalam bab ii kita aka membahas
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciPerbandingan Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, dan Estimasi Method Of Moment
PRISMA 1 (2018) https://joural.ues.ac.id/sju/idex.php/prisma/ Perbadiga Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, da Estimasi Method Of Momet Muhammad Bohari Rahma, Edy Widodo
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 86-88 Latiha 2 Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b.
Lebih terperinciIII BAHAN DAN METODE PENELITIAN. Ternak yang digunakan dalam penelitian ini adalah kuda berjumlah 25
18 III BAHAN DAN METODE PENELITIAN 3.1 Baha Peelitia 3.1.1 Objek Peelitia Terak yag diguaka dalam peelitia ii adalah kuda berjumlah 25 ekor terdiri dari 5 jata da 20 betia dega umur berkisar atara 10 15
Lebih terperinciESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL. Nurul Muthiah, Raupong, Anisa Program Studi Statistika, FMIPA, Universitas Hasanuddin ABSTRAK
ESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL Nurul Muthiah, Raupog, Aisa Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK Regresi spasial merupaka pegembaga dari regresi liier klasik.
Lebih terperinciProbabilitas dan Statistika Korelasi dan Regresi. Adam Hendra Brata
Probabilitas da Statistika da Adam Hedra Brata Dua Peubah Acak dua perubah acah X da Y dega rata-rata da diberika oleh rumus : E(XY) - - - Sifat Sifat Sifat kovariasi utuk X da Y diskrit : f(, ) f(, )
Lebih terperinciREGRESI LINIER GANDA
REGRESI LINIER GANDA Secara umum, data hasil pegamata Y bisa terjadi karea akibat variabelvariabel bebas,,, k. Aka ditetuka hubuga atara Y da,,, k sehigga didapat regresi Y atas,,, k amu masih meujukka
Lebih terperinciBAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28
5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.
Lebih terperinciANALISIS REGRESI DAN KORELASI SEDERHANA
LATAR BELAKANG DAN KORELASI SEDERHANA Aalisis regresi da korelasi megkaji da megukur keterkaita seara statistik atara dua atau lebih variabel. Keterkaita atara dua variabel regresi da korelasi sederhaa.
Lebih terperinciBAB 2 LANDASAN TEORI. Statistika merupakan salah satu cabang penegtahuan yang paling banyak mendapatkan
BAB LANDASAN TEORI. Pegertia Regresi Statistika merupaka salah satu cabag peegtahua yag palig bayak medapatka perhatia da dipelajari oleh ilmua dari hamper semua bidag ilmu peegtahua, terutama para peeliti
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciPENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT
Prosidig Semiar Nasioal Matematika da Terapaya 06 p-issn : 0-0384; e-issn : 0-039 PENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT Liatus
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Disai Peelitia Tujua Jeis Peelitia Uit Aalisis Time Horiso T-1 Assosiatif survey Orgaisasi Logitudial T-2 Assosiatif survey Orgaisasi Logitudial T-3 Assosiatif survey Orgaisasi
Lebih terperinciSTATISTIKA NON PARAMETRIK
. PENDAHULUAN STATISTIKA NON PARAMETRIK Kelebiha Uji No Parametrik: - Perhituga sederhaa da cepat - Data dapat berupa data kualitatif (Nomial atau Ordial) - Distribusi data tidak harus Normal Kelemaha
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 85-88 Latiha 1 Pelajari data dibawah ii, tetuka depede da idepedet variabel serta a. Hitug Sum of for Regressio (X) b. Hitug
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciBAB III METODE PENELITIAN
36 BAB III METODE PENELITIAN A. Racaga Peelitia 1. Pedekata Peelitia Peelitia ii megguaka pedekata kuatitatif karea data yag diguaka dalam peelitia ii berupa data agka sebagai alat meetuka suatu keteraga.
Lebih terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciMakalah ANALISIS REGRESI DAN REGRESI GANDA
1 Makalah ANALISIS REGRESI DAN REGRESI GANDA Disusu oleh : 1. Rudii mulya ( 41610010035 ). Falle jatu awar try ( 41610010036 ) 3. Novia ( 41610010034 ) Tekik Idustri Uiversitas Mercu Buaa Jakarta 010 Rudii
Lebih terperinciMENENTUKAN KOEFISIEN DETERMINASI ANTARA ESTIMASI M DENGAN TYPE WELSCH DENGAN LEAST TRIMMED SQUARE DALAM DATA YANG MEMPUNYAI PENCILAN
Saitia Matematika ISSN: 337-9197 Vol. 0, No. 03 (014), pp. 5 35. MENENTUKAN KOEFISIEN DETERMINASI ANTARA ESTIMASI M DENGAN TYPE WELSCH DENGAN LEAST TRIMMED SQUARE DALAM DATA YANG MEMPUNYAI PENCILAN Sabam
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciBAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I
7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Metode Kuadrat Terkecil Aalisis regresi merupaka aalisis utuk medapatka hubuga da model matematis atara variabel depede (Y) da satu atau lebih variabel idepede (X). Hubuga atara
Lebih terperinciBAB III METODE PENELITIAN
6 BAB III METODE PENELITIAN 3.1 Desai Peelitia Meurut Kucoro (003:3): Peelitia ilmiah merupaka usaha utuk megugkapka feomea alami fisik secara sistematik, empirik da rasioal. Sistematik artiya proses yag
Lebih terperinciBab 7 Penyelesaian Persamaan Differensial
Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuha Sistem Sebelum melakuka deteksi da trackig obyek dibutuhka peragkat luak yag dapat meujag peelitia. Peragkat keras da luak yag diguaka dapat dilihat pada Tabel
Lebih terperinciUji apakah ada perbedaan signifikan antara mean masing-masing laboratorium. Gunakan α=0.05.
MA 8 STATISTIKA DASAR SEMESTER I /3 KK STATISTIKA, FMIPA ITB UJIAN AKHIR SEMESTER (UAS) Sei, Desember, 9.3.3 WIB ( MENIT) Kelas. Pegajar: Utriwei Mukhaiyar, Kelas. Pegajar: Sumato Wiotoharjo Jawablah pertayaa
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 1, 39-46, April 2002, ISSN :
JURNAL MATEMATKA DAN KOMPUTER Vol 5 No, 39-46, April 22, SSN : 4-858 MENCAR SOLUS PENAKSR PARAMETER PADA ANALSS VARANS DENGAN PENDEKATAN GENERAL NVERS Sukestiaro Jurusa Matematika FMPA Uiversitas Negeri
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciPENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON
E-Jural Matematika Vol., No., Mei 013, 6-10 ISSN: 303-1751 PENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON PUTU SUSAN PRADAWATI 1, KOMANG GDE SUKARSA, I GUSTI AYU MADE
Lebih terperinciBAB III METODOLOGI PENELITIAN. Variabel-variabel yang digunakan pada penelitian ini adalah:
BAB III METODOLOGI PENELITIAN 3. Variabel da Defiisi Operasioal Variabel-variabel yag diguaka pada peelitia ii adalah: a. Teaga kerja, yaitu kotribusi terhadap aktivitas produksi yag diberika oleh para
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-31
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 202) ISSN: 230-928X D-3 Optimasi Multirespo Metode Taguchi dega Pedekata Quality Loss Fuctio (Study Kasus Proses Pembakara CO da Temperatur Gas Buag Pada Boiler
Lebih terperinciBAB II TEORI DASAR. Definisi Grup G disebut grup komutatif atau grup abel jika berlaku hukum
BAB II TEORI DASAR 2.1 Aljabar Liier Defiisi 2. 1. 1 Grup Himpua tak kosog G disebut grup (G, ) jika pada G terdefiisi operasi, sedemikia rupa sehigga berlaku : a. Jika a, b eleme dari G, maka a b eleme
Lebih terperinciMODEL JUMLAH PENANGKAPAN IKAN LAUT DI PROVINSI JAWA TIMUR DENGAN METODE REGRESI LINIER BERTATAR
1 MODEL JUMLAH PENANGKAPAN IKAN LAUT DI PROVINSI JAWA TIMUR DENGAN METODE REGRESI LINIER BERTATAR Fui Rahayu Wilueg, Dra. Nuri Wahyuigsih [1] Jurusa Matematika, Fakultas Matematika da Ilmu Pegetahua Alam
Lebih terperinciProgram Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi
Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.
Lebih terperinciMasih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.
Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinciBAB II TINJAUAN PUSTAKA. dengan asumsi bahwa telah diketahui bentuk fungsi regresinya. atau dalam bentuk matriks dapat ditulis dengan:
BAB II TINJAUAN PUSTAKA 2.1 Regresi Parametrik Regresi parametrik merupaka metode statistika yag diguaka utuk megetahui pola hubuga atara variabel prediktor dega variabel respo, dega asumsi bahwa telah
Lebih terperinciSTATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA
STATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA OUTLINE LANJUTAN Peetua garis duga regresi dega Metode OLS kostata a da koefisie b Aalisis Varias komposisi variasi sekitar garis r da r Stadard
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TINJAUAN TEORITIS.1 Pegertia-pegertia Lapaga pekerjaa adalah bidag kegiata dari pekerjaa/usaha/ perusahaa/kator dimaa seseorag bekerja. Pekerjaa utama adalah jika seseorag haya mempuyai satu pekerjaa
Lebih terperinciIII. MATERI DAN METODE PENELITIAN. Penelitian telah dilakukan pada bulan November - Desember 2013 di
III. MATERI DAN METODE PENELITIAN 3.. Waktu da Tempat Peelitia telah dilakuka pada bula November - Desember 203 di peteraka Kambig yag ada di Kota Pekabaru Provisi Riau. 3.2. Alat da Baha Materi yag diguaka
Lebih terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinciIV. METODE PENELITIAN. berdasarkan tujuan penelitian (purposive) dengan pertimbangan bahwa Kota
IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia ii dilaksaaka di Kota Bogor Pemiliha lokasi peelitia berdasarka tujua peelitia (purposive) dega pertimbaga bahwa Kota Bogor memiliki jumlah peduduk yag
Lebih terperinciPENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA
PENAKSIRAN DAN PERAMALAN BIAYA Ari Darmawa, Dr. S.AB, M.AB Email: aridarmawa_fia@ub.ac.id A. PENDAHULUAN B. PENAKSIRAN DAN PRAKIRAAN FUNGSI BIAYA C. PENAKSIRAN JANGKA PENDEK - Ekstrapolasi sederhaa - Aalisis
Lebih terperincimempunyai sebaran yang mendekati sebaran normal. Dalam hal ini adalah PKM (penduga kemungkinan maksimum) bagi, ˆ ˆ adalah simpangan baku dari.
Selag Kepercayaa Cotoh Besar Jika ukura cotoh (sample size) besar, maka meurut Teorema Limit Pusat, bayak statistik megikuti/mempuyai sebara yag medekati ormal (dapat diaggap ormal). Artiya jika adalah
Lebih terperinciBAB III METODOLOGI PENELITIAN
14 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di IUPHHK-HA PT. Mamberamo Alasmadiri, Provisi Papua pada bula Jui higga Juli 2011. 3.2 Alat da Baha Alat da baha yag
Lebih terperinciPENGANTAR MODEL LINEAR Oleh: Suryana
PENGANTAR MODEL LINEAR Oleh: Suryaa Model liear meyagkut masalah statistik yag ketergatugaya terhadap parameter secara liear. Betuk umum model liear adalah 0 1X1... px p, dega = Variabel respo X i = Variabel
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciUniversitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas
Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga REGRESI DAN KORELASI Statistika da Probabilitas Kurva Regresi Mecari garis/kurva yag mewakili seragkaia titik data Ada dua cara utuk
Lebih terperinciIII. METODE PENELITIAN. Pembangunan Daerah (BAPPEDA) Provinsi NTB, BPS pusat, dan instansi lain
III. METODE PENELITIAN 3.1 Jeis da Sumber Data Data yag diguaka pada peelitia ii merupaka data sekuder yag diperoleh dari Bada Pusat Statistik (BPS) Provisi NTB, Bada Perecaaa Pembagua Daerah (BAPPEDA)
Lebih terperinciDistribusi Sampling (Distribusi Penarikan Sampel)
Distribusi Samplig (Distribusi Pearika Sampel) 1. Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciIII PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah
III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka
Lebih terperinciBAB II LANDASAN TEORI. regresi linier, metode kuadrat terkecil (MKT), uji simultan, uji asumsi regresi
BAB II LANDASAN TEORI Dalam peelitia ii diberika beberapa teori yag diperluka sebagai pedukug dalam pembahasa selajutya di ataraya adalah variabel radom, regresi liier, metode kuadrat terkecil (MKT), uji
Lebih terperinciREGRESI RIDGE ROBUST-M
REGRESI RIDGE ROBUST-M DENGAN PEMBOBOT WELSCH (Studi Kasus : Faktor-Faktor Yag Mempegaruhi Harga Jual Dagke Di Kecamata Cedaa, Kabupate Erekag) Nur Aliaa Majid, Raupog 2, Kresa Jaya 3. Program Studi Statistika,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Lokasi da Waktu Pegambila Data Pegambila data poho Pius (Pius merkusii) dilakuka di Huta Pedidika Guug Walat, Kabupate Sukabumi, Jawa Barat pada bula September 2011.
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Subjek Peelitia Peelitia ii dilaksaaka di kawasa huta magrove, yag berada pada muara sugai Opak di Dusu Baros, Kecamata Kretek, Kabupate Batul. Populasi dalam peelitia ii adalah
Lebih terperinciTaksiran Interval bagi Rata-rata Parameter Distribusi Poisson Interval Estimate for The Average of Parameter Poisson Distribution
Prosidig Statistika ISSN: 460-6456 Taksira Iterval bagi Rata-rata Parameter Distribusi Poisso Iterval Estimate for The Average of Parameter Poisso Distributio 1 Putri Aggita Nuraei, Teti Sofia Yati, 3
Lebih terperinciPERTEMUAN 13. VEKTOR dalam R 3
PERTEMUAN VEKTOR dalam R Pegertia Ruag Vektor Defiisi R Jika adalah sebuah bilaga bulat positif, maka tupel - - terorde (ordered--tuple) adalah sebuah uruta bilaga riil ( a ),a,..., a. Semua tupel - -terorde
Lebih terperinciDefinisi Integral Tentu
Defiisi Itegral Tetu Bila kita megedarai kedaraa bermotor (sepeda motor atau mobil) selama 4 jam dega kecepata 50 km / jam, berapa jarak yag ditempuh? Tetu saja jawabya sagat mudah yaitu 50 x 4 = 200 km.
Lebih terperinciPertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd
Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperincikesimpulan yang didapat.
Bab ii merupaka bab peutup yag merupaka hasil da kesimpula dari pembahasa serta sara peulis berdasarka kesimpula yag didapat. BAB LANDASAN TEORI. Kosep Dasar Peramala Peramala adalah kegiata utuk memperkiraka
Lebih terperinciBAB II METODOLOGI PENELITIAN. kualitatif. Kerangka acuan dalam penelitian ini adalah metode penelitian
BAB II METODOLOGI PEELITIA 2.1. Betuk Peelitia Betuk peelitia dapat megacu pada peelitia kuatitatif atau kualitatif. Keragka acua dalam peelitia ii adalah metode peelitia kuatitatif yag aka megguaka baik
Lebih terperinciBAB IV PEMECAHAN MASALAH
BAB IV PEMECAHAN MASALAH 4.1 Metodologi Pemecaha Masalah Dalam ragka peigkata keakurata rekomedasi yag aka diberika kepada ivestor, maka dicoba diguaka Movig Average Mometum Oscillator (MAMO). MAMO ii
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Saham Saham adalah surat berharga yag dapat dibeli atau dijual oleh peroraga atau lembaga di pasar tempat surat tersebut diperjualbelika. Sebagai istrumet ivestasi, saham memiliki
Lebih terperincisimulasi selama 4,5 jam. Selama simulasi dijalankan, animasi akan muncul pada dijalankan, ProModel akan menyajikan hasil laporan statistik mengenai
37 Gambar 4-3. Layout Model Awal Sistem Pelayaa Kedai Jamoer F. Aalisis Model Awal Model awal yag telah disusu kemudia disimulasika dega waktu simulasi selama 4,5 jam. Selama simulasi dijalaka, aimasi
Lebih terperinciMANAJEMEN RISIKO INVESTASI
MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya
Lebih terperinci