Mahyudi Program Studi Pendidikan Matematika FKIP Universitas Muhammadiyah Bengkulu
|
|
- Farida Jayadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENENTUAN TITIK-TITIK BATAS OPTIMUM STRATA PADA PENARIKAN CONTOH ACAK BERAPIS DENGAN PEMROGRAMAN DINAMIK (Kasus : Pengeluaran per Kapita Propinsi Jawa Timur Tahun 008) Mahyudi Program Studi Pendidikan Matematika FKIP Universitas Muhammadiyah Bengkulu didimahyudi1@gmail.com Abstract Optimum stratification is the method of choosing the best boundaries that make strata internally homogeneous, given some sample allocation. In order to make the strata internally homogenous, the strata should be constructed in such a way that the strata variances for the characteristic under study be as small as possible. This could be achieved effectively by having the distribution of the main study variable known and create strata by cutting the range of the distribution at suitable points. The problem of finding Optimum Strata Boundaries (OSB) is considered as the problem of determining Optimum Strata Widths (OSW). The problem is formulated as a Mathematical Programming Problem (MPP), which minimizes the variance of the estimated population parameter under Neyman allocation subject to the restriction that sum of the widths of all the strata is equal to the total range of the distribution. The distributions of the study variable are considered as continuous with standard normal density functions. The formulated MPPs, which turn out to be multistage decision problems, can then be solved using dynamic programming technique proposed by Bühler and Deutler (1975). After the counting process using C++ program received the width of each stratum. From these results the optimal boundary point can be determined for each stratum. For the two strata to get the optimal point on the boundary x 1 = For the formation of three strata obtained the optimal point on the boundary x 1 = and x = For the formation of four strata obtained optimal boundary point is x 1 = , x = and x 3 = In forming five strata obtained optimal boundary point x 1 = , x = , x 3 = and x 4 = The establishment of a total of six strata obtained the optimal point on the boundary x 1 = -1.67, x = , x 3 = 0.005, x 4 = and x 5 = Keywords : Stratified Random Sampling, Optimum Stratification, Standard Normal Distribution, Mathematical Programming, Dynamic Programming PENDAHUUAN Penarikan contoh (sampling) dalam survei adalah suatu proses untuk memilih sebagian anggota dari suatu populasi dengan prosedur tertentu sehingga dapat digunakan untuk menduga parameter populasi secara sah. Untuk mencapai tujuan tersebut diperlukan metode penarikan contoh yang sesuai. Salah satu teknik penarikan contoh adalah penarikan contoh acak berlapis (stratified random 18
2 sampling). Pada penarikan contoh acak berlapis, perlu diperhatikan peubah yang digunakan sebagai dasar pembentukan strata. Apabila peubah kualitatif digunakan untuk stratifikasi, pada umumnya pembentukan strata tidak terlalu mengalami masalah, misalnya berdasarkan tingkat pendidikan, pekerjaan dan jenis kelamin. Sebaliknya, jika peubah yang digunakan untuk stratifikasi adalah peubah kuantitatif maka diperlukan teknik tertentu untuk menentukan batas antar strata sesuai dengan kaidah teknik ini. Pertimbangan dasar yang diperhatikan dalam penentuan batas-batas optimum strata adalah bahwa anggota populasi dalam strata harus sehomogen mungkin dan antar strata seheterogen mungkin, dengan perkataan lain ragam dalam strata harus sekecil mungkin dibandingkan ragam antar strata. Masalah yang timbul adalah penentuan titik optimum batas stratifikasi yang akan membagi populasi menjadi dua atau lebih strata sehingga memenuhi kriteria di atas. Metode dalam penentuan titik batas optimum strata telah dikemukakan oleh beberapa peneliti. avallée dan Hidiroglou (1988) mengusulkan suatu algoritma untuk menentukan batas-batas strata suatu alokasi kuasa untuk contoh yang distrata dari unit-unit contoh yang tidak tentu. Hidiroglou dan Srinath (1993) dalam Khan (008) menyajikan suatu algoritma yang lebih umum, yaitu dengan memberikan nilai-nilai yang berbeda untuk mengoperasikan parameter-parameter yang menghasilkan alokasi kuasa, alokasi Neyman, atau gabungan dari alokasialokasi ini. Sweet dan Sigman (1995) dalam Khan (008) dan Rivest (00) meninjau kembali algoritma avallée dan Hidiroglou dan mengusulkan algoritma versi modifikasi yang menggabungkan hubungan berbeda antara stratifikasi dan peubah-peubah yang diteliti. Nicolini (001) mengusulkan suatu metode yang diberi nama Natural Class Method (NCM), untuk menentang metode Dalenius dan Hodges yang paling banyak digunakan, tetapi kedua metode tersebut tidak terbukti lebih efisien dari yang lain. ednicki dan Wieczorkowski (003) dalam Khan (008) mengajukan metode stratifikasi menggunakan metode simpleks dari Nelder dan Mead (1965) dalam Khan (008). Kemudian Kozak (004) menyajikan algoritma pencarian secara acak yang dimodifikasi sebagai metode stratifikasi optimum. Algoritma 19
3 Kozak benar-benar lebih cepat dan efisien dibandingkan dengan algoritma Rivest, dan ednicki dan Wieczorkowski dilihat dari kemampuan mengendalikan nilai yang lebih kecil pada fungsi objektif tetapi hal itu tidak dapat menjamin bahwa algoritma tersebut menunjukkan optimum global. Mengingat bahwa masalah penentuan batas optimum strata ekuivalen dengan masalah menentukan lebar optimum strata Khan et al. (00) dalam Khan (008), mengatakan bahwa masalah lebar optimum strata sebagai masalah pemrograman matematika. Khan et al. (00) menerapkan prosedurnya untuk menentukan batas optimum strata terhadap populasi yang memiliki sebaran uniform dan segitiga siku-siku. Kemudian Khan et al. (005) memperluas pendekatan pemrograman dinamik untuk menentukan batas optimum strata terhadap peubah eksponensial. Khan et al. (008) juga melakukan pendekatan pemrograman dinamik terhadap peubah yang memiliki sebaran normal baku. Salah satu pemrograman matematika yang dapat digunakan dalam menentukan lebar optimum strata adalah pendekatan pemrograman dinamik Bühler dan Deutler (1975). Formulasi masalah pemrograman matematika dengan meminimumkan ragam dari parameter populasi yang diduga berdasarkan alokasi Neyman dengan batasan bahwa jumlah lebar dari semua strata sama dengan total jarak dari sebaran peubah yang diamati. Penentuan Batas Optimum Strata Untuk Peubah Kuantitatif Misalkan b 0, b 1,, b adalah batas-batas strata. Strata h mengandung semua unit dengan satu nilai X dalam interval b, b untuk = 1,,, sehingga b 0 = min X dan b = max X + 1, dengan min X dan max X masing-masing adalah nilai minimum dan maksimum peubah stratifikasi (Baillargeon 010). Misalkan X adalah peubah acak, diskret atau kontinu dengan fungsi kepadatan peluang f x, a x b. Untuk menduga rataan populasi µ dengan contoh acak distratifikasi, X dipartisi menjadi strata a, x 1, x 1, x,, x, b, sehingga a = x 0 x 1 x,, x x = b (1) Anggap bahwa dari strata h ( h = 1,,..., ) mengandung N h unit, sebuah contoh berukuran n h dipilih dari y hj unit ( h = 1,,..., ; j = 1,,..., n h ). Kemudian 130
4 rataan stratifikasi x st = W x adalah dugaan tak bias untuk µ dengan ragam V x st = W σ W n 1 N () DenganW = N, x N = 1 n y n j, σ 1 N = y N j μ j j danμ = (Cochran 1977). N 1 N y j j Apabila fungsi frekuensi f x diketahui, nilai-nilai W h dan σ pada persamaan () dapat diperoleh dengan W = σ = x f x dx(3) x 1 x x f x dx μ W (4) x dengan μ = 1 W x xf x dx (5) x adalah rataan dan x, x adalah batas-batas dari strata ke- h. Kemudian persamaan () dibaca sebagai fungsi dari titik-titik batas strata dan ukuran contoh dengan V x st = V x st x 1,, x, n 1,, n. Jika n h ditetapkan, tujuan stratifikasi optimum adalah untuk menentukan titik-titik batas optimum strata x 1,, x sehingga V x st Selain itu, jika rasio pengambilan contoh n N adalah minimum. kecil atau pengambilan contoh dengan pengembalian, maka masalah pengoptimuman berikut diperoleh, tergantung pada tipe dari alokasi ukuran total contoh n = (Cochran 1977). 1. Alokasi proporsional n = n W Minimumkan W σ dengan kendala a = x 0 x 1 x,, x x = b (6) n pada strata. Alokasi sama n = n Minimumkan W σ dengan kendala a = x 0 x 1 x,, x x = b (7) 3. Alokasi Neyman n = Minimumkan n W σ W σ W σ dengan kendala a = x 0 x 1 x,, x x = b (8) Masalah pada persamaan (6) dan (8) memiliki struktur sebagai berikut : 131
5 Minimumkan x, x dengan kendala a = x 0 x 1 x,, x x = b (9) Bühler dan Deutler (1975) telah menyarankan suatu metode pengoptimuman rekursif untuk menyelesaikan persamaan (9) menggunakan teknik pemrograman dinamik sebagai berikut. Misalkan f(x) merupakan fungsi frekuensi dan x 0 dan x adalah nilai x terkecil dan terbesar. Jika rataan populasi diduga berdasarkan alokasi Neyman, maka masalah penentuan batas-batas strata adalah untuk memotong jarak, x x 0 = d (10) pada titik-titik tengah x 1 x,, x sehingga W σ pada persamaan (8) minimum. Perhatikan bahwa f(x) memiliki n fungsi bagianlinear atau non linear sebagai berikut : f x = g 1 x ; x 0 = a 0 x a 1 g x ; a 1 < x a (11) g n x ; a n < x a n = x Juga diasumsikan bahwa ada strata, l i jumlah strata yang dibentuk berdasarkan fungsi kepadatan g i x ; i = 1,,, n dan Jika f x n i l i =. pada persamaan (11) dapat diintegralkan, menggunakan pernyataan persamaan (3), (4) dan (5), W, σ dan μ diperoleh sebagai suatu fungsi dari titik-titik batas x dan x. Sehingga fungsi objektif pada persamaan (8) dapat dinyatakan sebagai fungsi dari titik-titik batas pada x dan x. Ambil x, x = W σ, sehingga masalah persamaan (8) dapat diperlakukan sebagai masalah optimasi untuk menentukan x 1, x,, x seperti dinyatakan pada persamaan (9). Ambil y = x x 0 yang menunjukkan lebar dari strata ke- (1,,, ). Dengan definisi dari y di atas, jarak dari sebaran yang diberikan pada persamaan (10) dinyatakan sebagai fungsi dari lebar strata sebagai y = x x = x x 0 = d (1) Stratifikasi ke- k titik x k ; k = 1,,..., 1 dinyatakan sebagai: x k = x 0 + y 1 + y + + y k = x k + y k yang merupakan fungsi lebar strata ke- k dan batas strata ke (k 1). 13
6 Perhatikan bahwa dengan menambahkan persamaan (1) sebagai batas/ kendala baru, masalah persamaan (9) dapat ditulis kembali sebagai masalah yang ekuivalen dengan penentuan lebar optimum strata sebagai berikut: Minimumkan y, x, dengan kendala y = d, dan y 0; = 1,,, (13) Nilai awal x 0 diketahui. Oleh karena itu, syarat pertama 1 y 1, x 0 pada fungsi objektif persamaan (13) adalah suatu fungsi dari y 1 itu sendiri. Jika y 1 diketahui, titik stratifikasi selanjutnya x 1 = x 0 + y 1 akan diketahui dan syarat kedua pada fungsi objektif y, x 1 akan menjadi fungsi dari y itu sendiri. Fungsi objektif merupakan fungsi y itu sendiri, sehingga masalah pemrograman matematika persamaan (13) dinyatakan sebagai: Minimumkan Φ y, dengan kendala y = d, dany 0; = 1,,, (14) Prosedur Solusi Menggunakan Teknik Pemrograman Dinamik Sebuah model pemrograman dinamik pada dasarnya adalah sebuah persamaan rekursif berdasarkan prinsip optimalisasi Bellman. Persamaan rekursif ini menghubungkan tahapan yang berbeda dalam suatu metode yang menjamin bahwa tiap tahap solusi layak optimal, juga optimal dan layak untuk semua masalah. Perhatikan submasalah berikut dari persamaan (14) untuk k(< ) strata k k pertama: Minimumkan y, dengan kendala y = d k, dan y 0; = 1,,, k (15) dengan d k < d adalah lebar total yang tersedia untuk bagian dalam k strata atau nilai tertentu pada k langkah. Catatan bahwa d k = d untuk k =. Fungsi transformasi diberikan oleh: d k = y 1 + y + + y k, d k = y 1 + y + + y k = d k y k, d k = y 1 y + + y k = d k y k, d = y 1 + y = d 3 y 3, d 1 = y 1 = d y, 133
7 Ambil Φ k d k persamaan (15), yaitu: Φ k d k = min sebagai notasi nilai minimum fungsi objektif dari k k y y = d k, dan y 0; = 1,,, k. Dari definisi Φ k d k tersebut, masalah pemrograman matematika persamaan (14) ekuivalen untuk menentukan Φ d secara rekursif dengan menentukan Φ k d k untuk k = 1,,, dan 0 d k d. Φ k d k = min k y k + k k y y = d k y k, dan y 0; = 1,,, k 1 Untuk suatu nilai tetap dari y k ; 0 y k d k Φ k d k = k y k k + min y = 1,,, k 1 k y = d k y k, y 0; Menggunakan prinsip pengoptimalan Bellman, diperoleh hubungan berulang dari teknik pemrograman dinamik sebagai berikut: min Φ k d k 0 y k d k k y k + Φ k d k y k, k (16) Untuk langkah pertama, yaitu untuk k = 1: Φ 1 d 1 = 1 d 1 y 1 = d 1, (17) dengan y 1 = d 1 adalah lebar optimum strata pertama. Hubungan persamaan (16) dan (17) diselesaikan secara rekursif untuk tiap k = 1,,, dan 0 d k d dan Φ d diperoleh. Dari Φ d, lebar optimum strata ke-, y, diperoleh. Dari Φ d y lebar optimum strata ke- -1, y, diperoleh dan begitu seterusnya sampai y 1 diperoleh. Pemrograman Matematika Untuk Sebaran Normal Misalkan peubah penelitian x memiliki sebaran normal baku dengan fungsi kepadatan peluang diberikan oleh: f x = 1 π exp x ; < x < Menurut Bühler dan Deutler (1975), dengan menggunakan definisi persamaan (3), (4) dan (5), dapat dilihat bahwa: W = erf y + x μ = exp x π erf y +x erf x (18) exp y +x erf x, dan 134
8 σ = π x exp x erf y + x (y + x ) exp y + x erf y + x +(y + x ) exp y +x exp x erf x xp y +x + π erf y +x π erf y +x erf x erf x x exp x erf x (19) dengan y = x x, erf x erf x = = 1,,,. x x π exp u du Dengan demikian, dengan menggunakan nilai pada persamaan (18) dan (19), masalah pemrograman matematika persamaan (14) dapat dinyatakan sebagai berikut: Minimumkan Sqrt 1 x π exp x x ) exp y +x erf y +x +(y + x ) exp y +x exp x π 1 erf y +x erf x exp y +x dan y 0; = 1,,, (0) (y + x exp x erf y +x dengan kendala erf x erf x dan y = d, dengan sqrt adalah square root, exp adalah eksponensial, dan erf adalah error function. METODE PENEITIAN Data Data yang digunakan dalam penelitian ini menggunakan data SUSENAS Propinsi Jawa Timur Tahun 008 berupa data pengeluaran per kapita penduduk sebanyak 8607 Kepala Rumah Tangga. Metode Penelitian Pembentukan strata dengan menggunakan teknik pemrograman dinamik terbagi menjadi beberapa tahapan sebagai berikut. Tahap 1. Penyusunan model/ fungsi objektif. angkah yang dilakukan pada tahap 1 adalah pembentukan fungsi objektif seperti pada persamaan (0) di mana fungsi kendala y = d, dengan d = x x 0. Kemudian tentukan fungsi lebar strata ke- ( 1), yaitu x. 135
9 Substitusikan nilai x ini ke dalam fungsi objektif yang telah disusun. Gunakan persamaan (16) dan (17) untuk mendapatkan persamaan rekursifnya. Tahap. Penyelesaian persamaan rekursif. berikut. angkah-langkah dalam penyelesaian persamaan rekursif adalah sebagai 1. Mulai dengan k = 1. Tetapkan Φ 0, d 0 = 0.. Hitung Φ 1 d 1, nilai minimum RHS (right hand side) dari persamaan rekursif yang diperoleh untuk y 1 = d 1, 0 y 1 d 1 dan 0 d 1 d. 3. Simpan nilai Φ 1 d 1 dan y Untuk k =, nyatakan peubah penjelas sebagai d k = d k y k. 5. Tetapkan Φ k d k = 0 jika y k > d k, di mana 0 d k d. 6. Hitung Φ k d k, nilai minimum RHS dari persamaan rekursif yang diperoleh untuk y k ; 0 y k d k. 7. Simpan nilai Φ k d k dan y k. 8. Untuk k 3,,, kembali ke langkah Pada k =, Φ d diperoleh sehingga nilai optimum y dari y diperoleh. 10. Pada k = 1, gunakan penghitungan mundur untuk d = d y, baca nilai dari Φ d, sehingga nilai optimum y dari y. 11. Ulangi langkah ke-10 sampai nilai optimum y 1 dari y 1 diperoleh dari Φ 1 d 1. Penyelesaian persamaan rekursif tersebut menggunakan Program C++. Tahap 3. Penghitungan nilai optimum fungsi objektif. Sebagai tahapan terakhir adalah menghitung nilai optimum fungsi objektif untuk setiap strata yaitu. y = W σ Untuk mengetahui karakteristik antar strata dilakukan pengujian kehomogenan ragam. Metode statistika untuk menguji kehomogenan ragam adalah uji khi-kuadrat yang dikenal dengan uji Bartlett. Hipotesis yang diuji pada uji Bartlett adalah: H 0 : σ 1 = σ = = σ i H 1 : paling sedikit ada satu pasang σ i σ i i = 1,,, k, untuk setiap i i, di mana Uji Bartlett dapat dilakukan untuk ulangan sama atau tidak sama. Uji khikuadarat untuk jumlah ulangan tidak sama adalah: 136
10 χ itung = 1 + db i lns gab db i lns i 1 3 k 1 1 db 1 (1) i db i dengan db i adalah derajat bebas strata ke-i, s i adalah ragam dari strata ke-i dan s gab adalah ragam gabungan untuk semua strata. Dengan kaidah keputusan sebagai berikut: Apabila χ itung > χ α,k, maka H 0 ditolak artinya kehomogenan ragam tidak dapat dipenuhi. Dan jika sebaliknya hipotesis kehomogenan ragam diterima. HASI DAN PEMBAHASAN Data Pengeluaran Per Kapita Propinsi Jawa Timur Tahun 008 Jawa Timur adalah provinsi yang terdiri dari 9 kabupaten dan 9 kota. Secara umum wilayah provinsi Jawa Timur dapat dibagi menjadi dua bagian besar yaitu Jawa Timur daratan dan Pulau Madura. uas wilayah Jawa Timur daratan hampir mencapai 90 persen dari luas keseluruhan, sedangkan wilayah Madura hanya sekitar 10 persen. Data yang digunakan pada penelitian ini adalah data pengeluaran per kapita penduduk Jawa Timur tahun 008 dengan jumlah contoh n = 8607 Kepala Rumah Tangga. Data ini diperoleh dari publikasi BPS dari hasil SUSENAS. Dari data tersebut dapat diperoleh informasi bahwa rata-rata pengeluaran per kapita penduduk Jawa Timur adalah Rp ,93 dan ragam Rp8.49 x Pengeluaran minimum adalah sebesar Rp41.349,94 dan pengeluaran maksimum sebesar Rp ,45. Setelah dilakukan uji kenormalan Kolmogorov Smirnov terhadap data pengeluaran per kapita tersebut, hasilnya menunjukkan bahwa adanya penyimpangan asumsi tesebut. Karena metode dalam penelitian ini memerlukan asumsi kenormalan, maka data penelitian tersebut harus ditransformasi, dalam hal ini menggunakan transformasi log. Penentuan Titik-titik Batas Optimum Strata Untuk data contoh pengeluaran per kapita (nilai setelah diubah menjadi normal standar) dengan n = 8607 diperoleh nilai terkecil dan nilai terbesar masing-masing adalah x 0 = dan x = Ini menunjukkan bahwa jarak dari distribusi adalah d = x x 0 =5.169 (-3.30) = Sehingga fungsi objektif persamaan (0) dapat dinyatakan sebagai: 137
11 Minimumkan Sqrt 1 x π exp x x ) exp y +x erf y +x +(y + x ) exp y +x erf x exp x π 1 erf x exp y +x dany 0; = 1,,, () Stratifikasi ke- (k-1) diberikan oleh = y 1 + y + + y k x exp x x k = x 0 + y 1 + y + + y k = d k 3.30 = d k y k 3.30 erf y +x erf x erf y +x (y + dengan kendala y = Substitusikan nilai x k kedalam persamaan (1) dan dengan mengunakan persamaan (16) dan (17), persamaan rekursif untuk menyelesaikan masalah pemrograman matematika persamaan (1) ditentukan sebagai berikut. Φ 1 d 1 = Sqrt Untuk tahap pertama (k = 1): 1 π d exp d exp exp erf d exp d erf d erf 3.30 erf d erf 3.30 erf d π exp exp d Pada y 1 = d 1 (3) Untuk tahap k =, 3,, 138
12 Φ k d k = min 0 y k d k Sqrt d k 3.30 exp d k exp d k y k 3.30 d k 3.30 exp d k 3.30 erf d k y k π d k y k 3.30 exp d k y k 3.30 erf d k 3.30 erf d k y k 3.30 erf d k y k 3.30 erf d k 3.30 d k y k erf d k exp d k y k 3.30 π xp d k Φk d k y k (4) Penyelesaian persamaan rekursif () dan (3) menggunakan pemrograman C++ suntuk menentukan lebar strata optimum y. Tabel 1 menunjukkan hasil dari penyelesaian ini disertai dengan nilai optimum fungsi objektif y = W σ untuk =, 3, 4, 5 dan 6. Tabel 1 Titik-titik batas optimum strata dari sebaran normal baku Jumlah Strata 3 4 ebar Optimum Strata (y ) y 1 =3.303 y =5.167 y 1 =.756 y.098 y 3 =4.617 y 1 =.43 y =0.873 y 3 =0.875 y 4 =4.91 Titik-titik Batas Optimum Strata (x = x + y ) x 0 = x 1 = 0.00 x = x 0 = x 1 = x =0.55 x = x 0 = x 1 = x =0.003 x 3 =0.878 x = Nilai Optimum Fungsi Objektif y = W σ y 1 =.06 y =0.765 y 3 =0.670 y 4 =0.767 y 5 =4.06 y 1 =.035 y =0.698 y 3 =0.574 x 0 = x 1 = x = x 3 =0.339 x x = x 0 = x 1 =-1.67 x = x 3 =
13 y 4 =0.574 y 5 =0.70 y 6 =3.888 x 4 =0.579 x 5.80 x = Pengujian Kehomogenan Ragam Hasil uji khi-kuadrat untuk setiap strata disajikan pada Tabel. Tabel Hasil uji khi-kuadrat untuk setiap jumlah strata Jumlah Strata Jumlah Contoh Tiap Strata n 1 = 4755 n = 385 n 1 = 74 n = 3683 n 3 = 00 n 1 = 1667 n = 3093 n 3 = 364 n 4 = 1483 n 1 = 983 n = 534 n 3 = 300 n 4 = 1668 n 5 = 11 n 1 = 606 n = 03 n 3 = 16 n 4 = 1711 n 5 = 14 n 6 = 908 Ragam Tiap Strata s 1 = 0.3 s = 0.58 s 1 = 0.13 s = 0.09 s 3 = 0.51 s 1 = 0.10 s = 0.06 s 3 = 0.06 s 4 = 0.48 s 1 = 0.09 s = 0.05 s 3 = 0.04 s 4 = 0.05 s 5 = 0.46 s 1 = 0.08 s = 0.04 s 3 = 0.03 s 4 = 0.03 s 5 = 0.39 s 6 = 0.44 Nilai χ itung P-value Dari Tabel terlihat bahwa untuk semua jumlah strata, menghasilkan nilai khi-kuadrat yang lebih besar daripada nilai khi-kuadrat tabel baik pada taraf nyata 5% maupun pada taraf nyata 1%. Ini berarti bahwa kehomogenan ragam ditolak, yaitu uji menunjukkan perbedaan yang nyata antara ragam-ragam pada setiap jumlah strata. Hasil ini juga menunjukkan bahwa ada perbedaan keragaman pada masing-masing strata. Hal ini berarti bahwa antar strata lebih bervariasi karakteristiknya (heterogen). Pembentukan Strata Pengeluaran Per Kapita Jawa Timur Tahun 008 ebar strata dan titik-titik batas optimum strata pada Tabel 1 merupakan hasil yang didapatkan dari data yang sudah ditransformasi. Untuk data pengeluaran per kapita Propinsi Jawa Timur Tahun 008 disajikan pada Tabel 3. Tabel 3 Titik-titik batas optimum strata pengeluaran per kapita Jawa Timur 008 Jumlah Strata ebar Optimum Strata (y ) Titik-titik Batas Optimum Strata Nilai Ragam Strata s 140
14 y 1 = y = y 1 = y = y 3 = y 1 = y = y 3 = y 4 = y 1 = y = y 3 = y 4 = y 5 = y 1 = y = y 3 = y 4 = y 5 = y 6 = x 0 = x 1 = x = x 0 = x 1 = 07.8 x = x = x 0 = x 1 = x = x 3 = x = x 0 = x 1 = x = x 3 = x 4 = x = x 0 = x 1 = x = x 3 = x 4 = x 5 = x = s 1 = s.81e+11 s 1 = s = s 3.746E+11 s 1 = s = s 3 = s 4 =.159E+11 s 1 = s = s 3 = s 4 = s 5 =.49E+11 s 1 = s = s 3 = s 4 = s 5 = s 6 =.774E+11 SIMPUAN DAN SARAN Simpulan Penentuan titik-titik batas optimum strata dapat dianggap sebagai masalah pemrograman matematika dan dapat diselesaikan dengan teknik pemrograman dinamik. Metode ini dapat diterapkan pada data dengan sebaran yang berbeda karena memiliki fungsi objektif yang berbeda pula sesuai dengan sebaran datanya. Metode ini memberikan hasil berupa lebar masing-masing strata. Oleh karena itu dapat ditentukan titik-titik batas optimum strata dan juga jumlah contoh pada masing-masing strata. Titik-titik batas yang diperoleh menghasilkan ragam di dalam strata sehomogen mungkin dan ragam antar strata seheterogen mungkin. Untuk dua strata diperoleh titik batas optimum pada x 1 = 0.00.Untuk pembentukan tiga strata diperoleh titik batas optimum pada x 1 = dan x = Untuk pembentukan sebanyak empat strata diperoleh titik batas optimum adalah x 1 = , x = dan x 3 = Pada pembentukan sebanyak lima strata diperoleh titik batas optimum x 1 = , x = , x 3 = dan x 4 = Sedangkan untuk pembentukan sebanyak enam strata diperoleh titik batas optimum pada x 1 = -1.67, x = , x 3 = 0.005, x 4 = dan x 5 =
15 Metode pemrograman dinamik ini juga memberikan nilai optimum fungsi objektif untuk tiap jumlah strata. Hasilnya menunjukkan bahwa semakin banyak jumlah strata maka nilai optimum fungsi ini akan semakin kecil. Nilai optimum fungsi objektif untuk jumlah strata, 3, 4, 5, dan 6 berturut-turut adalah 0.599, 0.44, 0.38, 0.67 dan 0.5. Saran Penentuan strata untuk peubah kuantitatif dengan metode pemrograman dinamik dapat menjadi salah satu alternatif dalam menentukan stratifikasi dalam penelitian survei dan dapat dilakukan untuk data dengan sebaran yang lain selain sebaran normal dengan penentuan sebarannya terlebih dahulu. DAFTAR PUSTAKA Aoyama H A Study of Stratified Random Sampling. Annals of The Institute of Statistical Mathematics 6:1-36. Bühler W and Deutler T Optimal Stratification and Grouping by Dynamic Programming. Metrika : BPS [Badan Pusat Statistik] Provinsi Jawa Timur Pendataan Potensi Desa 008 Propinsi Jawa Timur. Jawa timur: Badan pusat Statistik. Baillargeon S and Rivest P Univariate Stratification of Survey Populations with The Package Stratification. Paper in Progress. Cochran WG Sampling Techniques, 3rd Edition. New York: John Willey & Sons. Khan EA, Khan MGM, Ahsan MJ. 00. Optimum Stratification: A Mathematical Programming Approach. Culcutta Statistical Association Bulletin 5 (special): Khan MGM, Najmussehar, Ahsan MJ Optimum Stratification for Exponential Study Variable Under Neyman Allocation. Journal of Indian Society of Agriculture Statistics 59(): Khan MGM, Niraj Nand, Nesar Ahmad Determining The Optimum Strata Boundary Points Using Dynamic Programming. Survey Methodology 34: Kish Survey Sampling.New York: John Willey & Sons. Kozak M Optimal Stratification Using Random Search Method in Agricultural Surveys. Statistics in Transition 6(5): avallée P Two-way Optimal Stratification using Dynamic Programming. Procedings of The Section on Survey Research Methods; Virginia: avallée P, Hidiroglou M On The stratification of Skewed populations. Survey Methodology 14: evy, Paul S, Stanley Sampling of Populations Methods and Applications Third Edition.New York: John Willey & Sons. Nicolini G A Method to Define Strata Boundaries. Departmental Working Papers Department of Economics, University of Milan, Italy. 14
16 Rivest P. 00. A Generalization of avallée and Hidiroglou Algorithm for Stratification in Business Survey. Survey Methodology 8: Siagian P.006. Penelitian Operasional: Teori dan Praktek. UI-PRESS. 143
Mahyudi Universitas Muhammadiyah Bengkulu; Submitted : , Revised : , Accepted :
Vol. 6, No. 1, 015, Hal 43-51 Penentuan Titik-Titik Batas Optimum Strata pada Penarikan Contoh Acak Berlapis dengan Pemograman Dinamik (Kasus : Pengeluaran per Kapita Provinsi Jawa Timur Tahun 008) Mahyudi
Lebih terperinciPENENTUAN TITIK-TITIK BATAS OPTIMUM STRATA PADA PENARIKAN CONTOH ACAK BERLAPIS DENGAN PEMROGRAMAN DINAMIK
PENENTUAN TITIK-TITIK BATAS OPTIMUM STRATA PADA PENARIKAN CONTOH ACAK BERLAPIS DENGAN PEMROGRAMAN DINAMIK (Kasus : Pengeluaran per Kapita Propinsi Jawa Timur Tahun 2008) MAHYUDI SEKOLAH PASCASARJANA INSTITUT
Lebih terperinciTINJAUAN PUSTAKA ( ) ( ) ( )
TINJAUAN PUSTAKA Penarikan Contoh Acak Berlapis Penarikan contoh acak berlapis adalah suatu rancangan penarikan contoh acak yang membagi N unit dari populasi ke dalam L strata yang tidak saling tumpang
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Data Pengeluaran Per Kapita Propinsi Jawa Timur Tahun 2008 Jawa Timur adalah provinsi yang terdiri dari 29 kabupaten dan 9 kota. Secara umum wilayah provinsi Jawa Timur dapat dibagi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Revenue Management Belakangan ini revenue management telah mendapat perhatian dunia sebagai salah satu aplikasi dari operations research (OR) yang paling sukses. Revenue management
Lebih terperinciPENAKSIRAN RATAAN DAN VARIANSPOPULASI PADA SAMPEL ACAK TERSTRATIFIKA DENGAN AUXILIARY VARIABLE
Vol. 12, No. 1, 9-18, Juli 2015 PENAKSIRAN RATAAN DAN VARIANSPOPULASI PADA SAMPEL ACAK TERSTRATIFIKA DENGAN AUXILIARY VARIABLE Raupong, M. Saleh AF, Hasruni Satya Taruma Abstrak Penaksiran rataan dan variansi
Lebih terperincidimana n HASIL DAN PEMBAHASAN
5. Proses penghilangan data dilakukan secara acak untuk memenuhi asumsi mekanisme kehilangan data yang acak (MAR). 6. Ulangan yang digunakan sebanyak 1 kali pada setiap simulasi untuk memberikan peluang
Lebih terperinciPENAKSIR RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KURTOSIS PADA SAMPLING ACAK SEDERHANA
PENAKSIR RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KURTOSIS PADA SAMPLING ACAK SEDERHANA Erpan Gusnawan 1, Arisman Adnan 2, Haposan Sirait 2 1 Mahasiswa Program Studi S1 Matematika
Lebih terperinciAlgoritma Genetik: Alternatif Metode Penentuan Strata Optimum dalam Perancangan Survei
125 Algoritma Genetik: Alternatif Metode Penentuan Strata Optimum dalam Perancangan Survei 1 Yusma Yanti, 2 Septian Rahardiantoro 1 Program Studi Ilmu Komputer, Universitas Pakuan 2 Departemen Statistika,
Lebih terperinciMedan, Juli Penulis
9. Seluruh teman-teman seperjuangan di Ekstensi Matematika Statistika, dan semua pihak yang turut membantu menyelesaikan skripsi ini. Sepenuhnya penulis menyadari bahwa dalam penulisan skripsi ini masih
Lebih terperinciPenaksiran Mean Stratum pada Sampling Acak Stratifikasi dengan Menggunakan Metode Empirical Bayes
Penaksiran Mean Stratum pada Sampling Acak Stratifikasi dengan Menggunakan Metode Empirical Baes Sisca Agnessia Departemen Matematika, FMIPA UI, Kampus UI Depok 6 sisca.agnessia@ahoo.com Abstrak Dalam
Lebih terperinciESTIMASI PARAMETER µ DAN σ 2 PADA DISTRIBUSI EKSPONENSIAL TERGENERALISIR DUA VARIABEL MENGGUNAKAN FUNGSI PEMBANGKIT MOMEN SKRIPSI
ESTIMASI PARAMETER µ DAN σ 2 PADA DISTRIBUSI EKSPONENSIAL TERGENERALISIR DUA VARIABEL MENGGUNAKAN FUNGSI PEMBANGKIT MOMEN SKRIPSI GHAZALI WARDHONO 090823040 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN
Lebih terperinciPenerapan Pemrograman Dinamis dalam Perencanaan Produksi
Penerapan Pemrograman Dinamis dalam Perencanaan Produksi Yugowati Praharsi Abstrak Pemrograman dinamis merupakan salah satu alat bantu untuk mengambil keputusan yang tidak mempunyai formulasi baku untuk
Lebih terperinciJURNAL GAUSSIAN, Volume 2, Nomor 3, Tahun 2013, Halaman Online di:
JURNAL GAUSSIAN, Volume 2, Nomor 3, Tahun 2013, Halaman 209-218 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENGAMBILAN SAMPEL BERDASARKAN PERINGKAT PADA ANALISIS REGRESI LINIER SEDERHANA
Lebih terperinciPENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL
PENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL Ro fah Nur Rachmawati Jurusan Matematika, Fakultas Sains dan Teknologi, Binus University Jl.
Lebih terperinciPENDUGAAN ANGKA PUTUS SEKOLAH DI KABUPATEN SEMARANG DENGAN METODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIK PADA MODEL PENDUGAAN AREA KECIL SKRIPSI
PENDUGAAN ANGKA PUTUS SEKOLAH DI KABUPATEN SEMARANG DENGAN METODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIK PADA MODEL PENDUGAAN AREA KECIL SKRIPSI Disusun Oleh: NANDANG FAHMI JALALUDIN MALIK NIM. J2E 009
Lebih terperinciPROGRAM FRAKSIONAL LINIER DENGAN KOEFISIEN INTERVAL. Annisa Ratna Sari 1, Sunarsih 2, Suryoto 3. Jl. Prof. H. Soedarto, S.H. Tembalang Semarang
PROGRAM FRAKSIONAL LINIER DENGAN KOEFISIEN INTERVAL Annisa Ratna Sari 1, Sunarsih 2, Suryoto 3 1,2,3 Jurusan Matematika FSM Universitas Diponegoro Jl. Prof. H. Soedarto, S.H. Tembalang Semarang Abstract.
Lebih terperinciKEAKURATAN PENDUGA RASIO MENGGUNAKAN KOEFISIEN VARIASI SELURUH STRATA VARIABEL BANTU PADA SAMPEL ACAK STRATIFIKASI
KEAKURATAN PENDUGA RASIO MENGGUNAKAN KOEFISIEN VARIASI SELURUH STRATA VARIABEL BANTU PADA SAMPEL ACAK STRATIFIKASI oleh ATIKA OKTAFIANA M0110010 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciOPTIMASI PROGRAM LINIER PECAHAN DENGAN FUNGSI TUJUAN BERKOEFISIEN INTERVAL
Saintia Matematika Vol. XX, No. XX (XXXX), pp. 17 24. OPTIMASI PROGRAM LINIER PECAHAN DENGAN FUNGSI TUJUAN BERKOEFISIEN INTERVAL M Khahfi Zuhanda, Syawaluddin, Esther S M Nababan Abstrak. Beberapa tahun
Lebih terperinciMODUL TEORI ESTIMASI ATAU MENAKSIR TEORI ESTIMASI ATAU MENAKSIR
TEORI ESTIMASI ATAU MENAKSIR MODUL 9 TEORI ESTIMASI ATAU MENAKSIR. Pendahuluan Untuk menginginkan mengumpulkan populasi kita lakukan dengan statistik berdasarkan data yang diambil secara sampling yang
Lebih terperinciPEMECAHAN MASALAH PROGRAM LINIER BERKOEFISIEN INPUT PARAMETRIK MENGGUNAKAN PARAMETRIC LINEAR PROGRAMMING
Jurnal Teknik dan Ilmu Komputer PEMECAHAN MASALAH PROGRAM LINIER BERKOEFISIEN INPUT PARAMETRIK MENGGUNAKAN PARAMETRIC LINEAR PROGRAMMING (Solving The Linier Program with Parametric Input Coefficient Using
Lebih terperinciPenggunaan Statistik Tataan untuk Menentukan Median Contoh Acak dari Distribusi Eksponensial
Jurnal Penelitian Sains Volume 3 Nomer A) 3 Penggunaan Statistik Tataan untuk Menentukan Median Contoh Acak dari Distribusi Eksponensial Herlina Hanum Yuli Andriani dan Retno Jurusan Matematika FMIPA Universitas
Lebih terperinciPERBANDINGAN METODE SIMPLEKS DENGAN ALGORITMA TITIK INTERIOR DALAM PENYELESAIAN MASALAH PROGRAM LINIER SKRIPSI AGUSTINA ANGGREINI SITORUS
PERBANDINGAN METODE SIMPLEKS DENGAN ALGORITMA TITIK INTERIOR DALAM PENYELESAIAN MASALAH PROGRAM LINIER SKRIPSI AGUSTINA ANGGREINI SITORUS 120803060 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciOPTIMASI BIAYA PENGANGKUTAN MENGGUNAKAN PROGRAM LINEAR MULTIOBJEKTIF FUZZY (Studi Kasus pada PT. Sentosa Mulia Bahagia)
OPTIMASI BIAYA PENGANGKUTAN MENGGUNAKAN PROGRAM LINEAR MULTIOBJEKTIF FUZZY (Studi Kasus pada PT. Sentosa Mulia Bahagia) OPTIMIZING THE TRANSPORTATION COST USING FUZZY MULTIOBJECTIVE LINEAR PROGRAMMING
Lebih terperinciPROGRAM LINIER FUZZY PENUH DENGAN ALGORITMA MULTI OBJECTIVE LINEAR PROGRAMMING. Jl. Prof. H. Soedarto, S.H. Tembalang Semarang
PROGRAM LINIER FUZZY PENUH DENGAN ALGORITMA MULTI OBJECTIVE LINEAR PROGRAMMING Mohamad Ervan S 1, Bambang Irawanto 2, Sunarsih 1,2,3 Jurusan Matematika FSM Universitas Diponegoro Jl. Prof. H. Soedarto,
Lebih terperinciDAFTAR ISI LEMBAR PENGESAHAN... PERNYATAAN ORISINALITAS LAPORAN PENELITIAN... PERNYATAAN PUBLIKASI LAPORAN PENELITIAN... PRAKATA... ABSTRACT...
ABSTRAK Penelitian yang dilakukan untuk mengetahui metodologi pengembangan perangkat lunak apa yang banyak digunakan oleh software house di jakarta. Untuk mendapatkan data yang baik maka pengumpulan data
Lebih terperinciPENDUGAAN AREA KECIL TERHADAP PENGELUARAN PER KAPITA DI KABUPATEN SRAGEN DENGAN PENDEKATAN KERNEL SKRIPSI
PENDUGAAN AREA KECIL TERHADAP PENGELUARAN PER KAPITA DI KABUPATEN SRAGEN DENGAN PENDEKATAN KERNEL SKRIPSI Disusun Oleh : BITORIA ROSA NIASHINTA 24010211120021 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciPenerapan Model Frailty Weibull-Eksponensial pada Data Tabel Mortalitas Indonesia Tahun 1999
Prosiding Statistika ISSN: 2460-6456 Penerapan Model Frailty Weibull-Eksponensial pada Data Tabel Mortalitas Indonesia Tahun 1999 1 Anjalina Kusumawardhani, 2 Aceng Komarudin Mutaqin, 3 Lisnur Wachidah
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Program Dinamik
5 BAB 2 LANDASAN TEORI 2.1 Program Dinamik Pemrograman dinamik adalah suatu teknik matematis yang biasanya digunakan untuk membuat suatu keputusan dari serangkaian keputusan yang saling berkaitan. Pemrograman
Lebih terperinciPENENTUAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN DAN TITIK KESETIMBANGANNYA DALAM PORTOFOLIO HETEROGEN
PENENTUAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN DAN TITIK KESETIMBANGANNYA DALAM PORTOFOLIO HETEROGEN (PREMIUM PRICING BASED ON DEMAND FUNCTION AND EQUILIBRIUM POINT IN HETEROGENOUS PORTOFOLIO) Usep
Lebih terperinciAnalisis Model Regresi Linear Berganda dengan Metode Response Surface
Jurnal Gradien Vol. 10 No. 1 Januari 2014 : 957-962 Analisis Model Regresi Linear Berganda dengan Metode Response Surface * Henoh Bayu Murti, Dian Kurniasari, Widiarti Jurusan Matematika, Fakultas Matematika
Lebih terperinciRANCANGAN D-OPTIMAL UNTUK MODEL EKSPONENSIAL GENERAL. Abstract
Rancangan D-Optimal (Tatik Widiharih) RANCANGAN D-OPTIMAL UNTUK MODEL EKSPONENSIAL GENERAL Tatik Widiharih 1, Sri Haryatmi 2, Gunardi 3 1 Dosen Jurusan Statistika FSM UNDIP, widiharih@gmail.com 2 Dosen
Lebih terperinciKEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
KEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT Ro fah Nur Rachmawati Mathematics & Statistics Department, School of Computer Science, Binus
Lebih terperinciPENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 53 61 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA OLIVIA ATINRI,
Lebih terperinciDEFICIENCY PENAKSIR PARAMETER PADA DISTRIBUSI GAMMA
digilib.uns.ac.id DEFICIENCY PENAKSIR PARAMETER PADA DISTRIBUSI GAMMA oleh ANIS TELAS TANTI M0106003 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Pada bab ini akan diuraikan hasil penelitian yang telah dilakukan di SMP
BAB IV HASIL DAN PEMBAHASAN Pada bab ini akan diuraikan hasil penelitian yang telah dilakukan di SMP N 28 Padang, yang terdiri dari deskripsi data dan analisis data, penguraian hipotesis dan pembahasan
Lebih terperinciLINEAR PROGRAMMING-1
/5/ LINEAR PROGRAMMING- DR.MOHAMMAD ABDUL MUKHYI, SE., MM METODE KUANTITATIF Perumusan PL Ada tiga unsur dasar dari PL, ialah:. Fungsi Tujuan. Fungsi Pembatas (set ketidak samaan/pembatas strukturis) 3.
Lebih terperinciAPLIKASI PROGRAM INTEGER PADA PERUMAHAN BUMI SERGAI DI SEI RAMPAH
Saintia Matematika Vol. 2, No. 1 (2014), pp. 13 21. APLIKASI PROGRAM INTEGER PADA PERUMAHAN BUMI SERGAI DI SEI RAMPAH ERLINA, ELLY ROSMAINI, HENRY RANI SITEPU Abstrak. Kebutuhan akan rumah merupakan salah
Lebih terperinciESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK
ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK Adri Arisena 1, Anna Chadidjah 2, Achmad Zanbar Soleh 3 Departemen Statistika Universitas Padjadjaran 1 Departemen Statistika
Lebih terperinciTEKNIK SAMPLING DALAM PENELITIAN Oleh: Triyono 1
TEKNIK SAMPLING DALAM PENELITIAN Oleh: Triyono 1 Abstrak Penerapan rumus-rumus statistik parametrik dalam suatu penelitian menuntut dipenuhinya beberapa persyaratan, akan tetapi hal itu sering tidak dilakukan
Lebih terperinciSEBARAN PENARIKAN CONTOH (SAMPLING DISTRIBUTION)
SEBARAN PENARIKAN CONTOH (SAMPLING DISTRIBUTION) Andaikan ada suatu populasi dengan jumlah anggotanya sebanyak N diambil contoh sebanyak n. Apabila dari setiap kemungkinan contoh tersebut dihitung suatu
Lebih terperinciPENAKSIR UNTUK RASIO POPULASI DENGAN VARIABEL BANTU YANG DITRANSFORMASI PADA METODE PASCA STRATIFIKASI ABSTRACT
PEAKSIR UTUK RASIO POPULASI DEGA VARIABEL BATU YAG DITRASFORMASI PADA METODE PASCA STRATIFIKASI Marthel Lock, Arisman Adnan 2, Haposan Sirait 2 Mahasiswa Program Studi S Matematika 2 Dosen Jurusan Matematika
Lebih terperinciPENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 58 65 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA
Lebih terperinciPROGRAM PASCASARJANA MAGISTER MANAJEMEN STIE KEBANGSAAN
Populasi A complete set of elements (persons or objects) that possess some common characteristic defined by the sampling criteria established by the researcher Populasi adalah kumpulan individu sejenis
Lebih terperinciRegresi Cox pada Survei Kompleks (Studi Kasus: Lama Pemberian ASI)
Regresi Cox pada Survei Kompleks (Studi Kasus: Lama Pemberian ASI) Endah Budiarti 1 Septiadi Padmadisastra 2 Bertho Tantular 3 1,2,3 ProgramMagister Statistika Terapan, FMIPA, Universitas Padjadjaran Email:
Lebih terperinciAnalisis Data Panel Tidak Lengkap Model Komponen Error Dua Arah dengan Metode Minimum Variance Quadratic Unbiased Estimation (MIVQUE) SKRIPSI
Analisis Data Panel Tidak Lengkap Model Komponen Error Dua Arah dengan Metode Minimum Variance Quadratic Unbiased Estimation (MIVQUE) (Studi Kasus Model Return Saham Di BEJ) SKRIPSI Oleh: RATIH DWI ASTUTI
Lebih terperinciSTK 511 Analisis statistika. Materi 4 Sebaran Penarikan Contoh
STK 511 Analisis statistika Materi 4 Sebaran Penarikan Contoh 1 Pengantar Pada dasarnya data contoh diperoleh dengan dua cara: Data telah ada Teknik Penarikan Contoh Data belum tersedia Perancangan Percobaan
Lebih terperinciOPTIMASI DENGAN METODE DAKIAN TERCURAM
OPTIMASI DENGAN METODE DAKIAN TERCURAM Marwan Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Syiah Kuala, Jln. Syekh Abdur Rauf No. 3 Darussalam, Banda Aceh 23111 email:
Lebih terperinciJurnal Gradien Vol. 10 No. 1 Januari 2014 : 957-962 Analisis Model Regresi Linear Berganda dengan Metode Response Surface * Henoh Bayu Murti, Dian Kurniasari, Widiarti Jurusan Matematika, Fakultas Matematika
Lebih terperinciKOMBINASI PERSYARATAN KARUSH KUHN TUCKER DAN METODE BRANCH AND BOUND PADA PEMROGRAMAN KUADRATIK KONVEKS BILANGAN BULAT MURNI
Jurnal LOG!K@ Jilid 7 No 1 2017 Hal 52-60 ISSN 1978 8568 KOMBINASI PERSYARATAN KARUSH KUHN TUCKER DAN METODE BRANCH AND BOUND PADA PEMROGRAMAN KUADRATIK KONVEKS BILANGAN BULAT MURNI Khoerunisa dan Muhaza
Lebih terperinciINTERAKSI ANTARA PENGURANGAN WAKTU TUNGGU DAN BIAYA PEMESANAN PADA MODEL PERSEDIAAN DENGAN BACKORDER PRICE DISCOUNT DAN PENGENDALIAN FAKTOR PENGAMAN
INTERAKSI ANTARA PENGURANGAN WAKTU TUNGGU DAN BIAYA PEMESANAN PADA MODEL PERSEDIAAN DENGAN BACKORDER PRICE DISCOUNT DAN PENGENDALIAN FAKTOR PENGAMAN oleh NOVIAH EKA PUTRI NIM. M0109054 SKRIPSI ditulis
Lebih terperinciPEMILIHAN KOEFISIEN TERBAIK KUADRATUR KUADRAT TERKECIL DUA TITIK DAN TIGA TITIK. Nurul Ain Farhana 1, Imran M. 2 ABSTRACT
PEMILIHAN KOEFISIEN TERBAIK KUADRATUR KUADRAT TERKECIL DUA TITIK DAN TIGA TITIK Nurul Ain Farhana, Imran M Mahasiswa Program Studi S Matematika Dosen Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciUKURAN SAMPEL DAN DISTRIBUSI SAMPLING DARI BEBERAPA VARIABEL RANDOM KONTINU
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 3, o.1 (14), hal 1-6. UKURA SAMPEL DA DISTRIBUSI SAMPLIG DARI BEBERAPA VARIABEL RADOM KOTIU Muhammad urudin, Muhlasah ovitasari Mara, Dadan Kusnandar
Lebih terperinciKONVOLUSI DISTRIBUSI EKSPONENSIAL DENGAN PARAMETER BERBEDA
Jurnal Matematika UNAND Vol. No. 4 Hal. 9 ISSN : 33 9 c Jurusan Matematika FMIPA UNAND KONVOLUSI DISTRIBUSI EKSPONENSIAL DENGAN PARAMETER BERBEDA MARNISYAH ANAS Program Studi Magister Matematika, Fakultas
Lebih terperinciPelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi. Bertho Tantular 1)
Pelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi S-28 Bertho Tantular 1) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD berthotantular@gmail.com Abstrak Secara umum model
Lebih terperinciESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN
ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN Vania Mutiarani a, Adi Setiawan b, Hanna Arini Parhusip c a Program Studi Matematika FSM UKSW Jl. Diponegoro 52-6
Lebih terperinciSarimah. ABSTRACT
PENDETEKSIAN OUTLIER PADA REGRESI LOGISTIK DENGAN MENGGUNAKAN TEKNIK TRIMMED MEANS Sarimah Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciTeorema Newman Pearson
pengujian terbaik Andi Kresna Jaya andikresna@yahoo.com Jurusan Matematika October 6, 2014 Outline 1 Review 2 Uji dua sisi untuk mean 3 Teorema Neyman-Pearson Back Outline 1 Review 2 Uji dua sisi untuk
Lebih terperinciInferensia Statistik parametrik VALID?? darimana sampel diambil
Inferensia Statistik parametrik VALID?? Tergantung dari bentuk populasi Tergantung dari bentuk populasi darimana sampel diambil Uji kesesuaian (goodness of fit) ) untuk tabel frekuensi Goodness-of-fit
Lebih terperinciPENYELESAIAN MASALAH PEMROGRAMAN LINIER BILANGAN BULAT MURNI DENGAN METODE REDUKSI VARIABEL
Jurnal Matematika UNAND Vol. 3 No. 3 Hal. 17 5 ISSN : 303 910 c Jurusan Matematika FMIPA UNAND PENYELESAIAN MASALAH PEMROGRAMAN LINIER BILANGAN BULAT MURNI DENGAN METODE REDUKSI VARIABEL PESTI NOVTARIA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Tinjauan Pustaka 2.1.1 Pengertian, Struktur, Kelebihan dan Kekurangan, serta Potensi Dynamic Programming Dynamic Programming adalah suatu teknik kuantitatif yang digunakan untuk
Lebih terperinci(R.10) ESTIMASI TOTAL POPULASI DENGAN MENGGUNAKAN PENAKSIR GENERALIZED REGRESSION (GREG)
(R.10) ESTIMASI TOTAL POPULASI DENGAN MENGGUNAKAN PENAKSIR GENERALIZED REGRESSION (GREG) 1Agus Muslim, 2 Sutawanir Darwis, 3 Achmad Zanbar Soleh 1Mahasiswa Magister Statistika Terapan, Universitas Padjadjaran,
Lebih terperinciStaff Pengajar Jurusan Teknik Mesin, FT-Universitas Sebelas Maret Surakarta
DESAIN OPTIMASI UNGSI TAK LINIER MENGGUNAKAN METODE PENYELIDIKAN IBONACCI Yemi Kuswardi Nurul Muhayat Abstract: optimum design is an action to design the best product based on the problem. Theoretically,
Lebih terperinciStatistik Bisnis 1. Week 9 Discrete Probability
Statistik Bisnis 1 Week 9 Discrete Probability Random Variables Random Variables Discrete Random Variable Continuous Random Variable Wk. 9 Wk. 10 Probability Distributions Probability Distributions Wk.
Lebih terperinciPemrograman Linier (4)
Pemrograman Linier (4) Metode dua fase Ahmad Sabri Universitas Gunadarma, Indonesia Sesuai dengan namanya, metode dua fase menyelesaikan problem PL dalam dua tahap (fase): 1 Ubah model PL ke dalam bentuk
Lebih terperinciSTUDI SIMULASI : PERBANDINGAN UJI WELCH DAN UJI COHRAN- COX PADA MASALAH BEHRENS-FISHER
JMP : Vol. 9 No. 1, Juni 2017, hal. 61-68 STUDI SIMULASI : PERBANDINGAN UJI WELCH DAN UJI COHRAN- COX PADA MASALAH BEHRENS-FISHER Sudartianto Departemen Statistika, FMIPA UNPAD sudartianto@unpad.ac.id
Lebih terperinciMA5283 STATISTIKA Bab 3 Inferensi Untuk Mean
MA5283 STATISTIKA Bab 3 Inferensi Untuk Mean Orang Cerdas Belajar Statistika Silabus Silabus dan Tujuan Peubah acak kontinu, distribusi dan Tabel normal, penaksiran titik dan selang, uji hipotesis untuk
Lebih terperinciPEMBIAYAAN INTERNET MENGGUNAKAN FUNGSI UTILITAS COBB-DOUGLASS
Prosiding Semirata 2015 bidang Teknologi Informasi dan Multi Disiplin Universitas Tanjungpura Pontianak Hal 108-116 PEMBIAYAAN INTERNET MENGGUNAKAN FUNGSI UTILITAS COBB-DOUGLASS Indrawati 1*, Fitri Maya
Lebih terperincistatistika untuk penelitian
statistika untuk penelitian Kelompok Ilmiah Remaja (KIR) Delayota Experiment Team (D Expert) 2013 Freeaninationwallpaper.blogspot.com Apa itu Statistika? Statistika adalah ilmu yang mempelajari cara pengumpulan,
Lebih terperinciPENERAPAN PROSES POISSON NON-HOMOGEN UNTUK MENENTUKAN DISTRIBUSI PROBABILITAS KEDATANGAN NASABAH DI BNI BANJARBARU
tnp PENERAPAN PROSES POISSON NON-HOMOGEN UNTUK MENENTUKAN DISTRIBUSI PROBABILITAS KEDATANGAN NASABAH DI BNI BANJARBARU Mida Yanti 1 Nur Salam 1 Dewi Anggraini 1 Abstract: Poisson process is a special event
Lebih terperinciPENGOPTIMAN PENDAPATAN LAHAN PARKIR KENDARAAN BANDAR UDARA INTERNASIONAL LOMBOK MENGGUNAKAN METODE BRANCH AND BOUND
βeta p-issn: 2085-5893 / e-issn: 2541-0458 http://jurnalbeta.ac.id Vol. 5 No. 2 (Nopember) 2012, Hal. 99-107 βeta 2012 PENGOPTIMAN PENDAPATAN LAHAN PARKIR KENDARAAN BANDAR UDARA INTERNASIONAL LOMBOK MENGGUNAKAN
Lebih terperinciDeteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013)
Deteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013) Dwiningrum Prihastiwi, Dadang Juandi, Nar Herrhyanto
Lebih terperinciOPTIMALISASI JADWAL KUNJUNGAN EKSEKUTIF PEMASARAN DENGAN GOAL PROGRAMMING
OPTIMALISASI JADWAL KUNJUNGAN EKSEKUTIF PEMASARAN DENGAN GOAL PROGRAMMING Abstrak Oleh : Sintha Yuli Puspandari 1206 100 054 Dosen Pembimbing : Drs. Sulistiyo, M.T Jurusan Matematika Fakultas Matematika
Lebih terperinciDATA MINING. Pertemuan 4. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 4 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2015 Pre-Processing Agregasi (aggregation) Penarikan contoh (sampling)
Lebih terperinciPENGOPTIMAN PENDAPATAN LAHAN PARKIR KENDARAAN BANDAR UDARA INTERNASIONAL LOMBOK MENGGUNAKAN METODE BRANCH AND BOUND
PENGOPTIMAN PENDAPATAN LAHAN PARKIR KENDARAAN BANDAR UDARA INTERNASIONAL LOMBOK MENGGUNAKAN METODE BRANCH AND BOUND Siti Rahmatullah, Mamika Ujianita Romdhini, Marwan, Lailia Awalushaumi (Jurusan Matematika
Lebih terperinciINFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF
INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl
Lebih terperinciMETODE MODIFIKASI NEWTON DENGAN ORDE KONVERGENSI Lely Jusnita 1
METODE MODIFIKASI NEWTON DENGAN ORDE KONVERGENSI 1 + Lely Jusnita 1 1 Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Binawidya
Lebih terperinciPenyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks
Penyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks Dewi Erla Mahmudah 1, Ratna Dwi Christyanti 2, Moh. Khoridatul Huda 3,
Lebih terperinciSAMPLING 1). PENGUMPULAN DATA
Bagian-4.1 SAMPLING 1). PENGUMPULAN DATA Dalam analisis statistik, khususnya analisis secara inferensial, kita selalu mengolah data dan menganalisis data menjadi informasi yang berguna dalam mendukung
Lebih terperinciPENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1)
PENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1) Anang Kurnia Departemen Statistika FMIPA IPB Jl. Meranti, Wing 22 Level 4 Kampus IPB Darmaga, Bogor Email: anangk@ipb.ac.id
Lebih terperinciMODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 33 41 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 1, 1-10, April 2003, ISSN : OPTIMASI PORTOFOLIO INVESTASI DENGAN MENGGUNAKAN MODEL MARKOWITZ
JURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No., - 0, April 003, ISSN : 40-858 OPTIMASI PORTOFOLIO INVESTASI DENGAN MENGGUNAKAN MODEL MARKOWITZ Yayat Priyatna dan F. Sukono Jurusan Matematika FMIPA UNPAD Abstrak
Lebih terperinciPENENTUAN KEUNTUNGAN MAKSIMUM PADA PENJUALAN OLAHAN TAPE DENGAN MENGGUNAKAN METODE LAGRANGE (Studi Kasus: UD. Sari Madu)
PENENTUAN KEUNTUNGAN MAKSIMUM PADA PENJUALAN OLAHAN TAPE DENGAN MENGGUNAKAN METODE LAGRANGE (Studi Kasus: UD. Sari Madu) FEMY AYU ASTITI 1, NI MADE ASIH 2, I NYOMAN WIDANA 3 1, 2, 3 Jurusan Matematika
Lebih terperinciII. TINJAUAN PUSTAKA. Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E
5 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Peluang Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E adalah himpunan bagian dari ruang sampel. Peluang suatu kejadian P(E) adalah
Lebih terperinciSTATISTIKA DASAR MAF Dosen: Dr. Lutfi Rohman Wenny Maulina, M.Si
STATISTIKA DASAR MAF 1212 Dosen: Dr. Lutfi Rohman Wenny Maulina, M.Si Pokok Bahasan Pokok Bahasan KONTRAK PERKULIAHAN UTS 35% UAS 35% TUGAS/QUIZ 20% KEHADIRAN 10% REFERENSI: Walpole, Ronald E. 2011. Probability
Lebih terperinciBab 2 LANDASAN TEORI
Bab 2 LANDASAN TEORI 2.1. Penaksiran Parameter Jika adalah nilai parameter populasi yang belum diketahui harganya, maka dapat ditaksir oleh nilai statistik, dan disebut sebagai penaksir atau fungsi keputusan.
Lebih terperinciIII PEMBAHASAN. untuk setiap di dan untuk setiap, dengan. (Peressini et al. 1988)
4 untuk setiap di dan untuk setiap (Peressini et al 1988) Definisi 22 Teorema Deret Taylor Nilai hampiran f di x untuk fungsi di a (atau sekitar a atau berpusat di a) didefinisikan (Stewart 1999) 24 Kontrol
Lebih terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Jurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 204 ISSN 2085-7829 Perbandingan Aplikasi Metode Parametrik (Distribusi Log logistik) dan Non Parametrik (Nelson-Aalen Estimator) dalam Analisis Data Uji
Lebih terperinciProsiding Statistika ISSN:
Prosiding Statistika ISSN: 2460-6456 Distribusi Binomial Negatif-Lindley pada Data Frekuensi Klaim Asuransi Kendaraan Bermotor di Indonesia Binomial Negative-Lindley Distribution in the Frequency Data
Lebih terperinciTINJAUAN PUSTAKA Asuransi Kelompok Penyakit Lanjut Usia (Lansia) di Indonesia
3 TINJAUAN PUSTAKA Asuransi Asuransi berasal dari kata assurance atau insurance, yang berarti jaminan atau pertanggungan. Asuransi dalam Undang-Undang No.2 Th 1992 tentang usaha perasuransian adalah perjanjian
Lebih terperinciKONSEP DASAR SAMPLING
TEKNIK SAMPLING KONSEP DASAR SAMPLING LOGO HAZMIRA YOZZA IZZATI RAHMI HG JURUSAN MATEMATIKA FMIPA UNAND TEKNIK SAMPLING Metode pengambilan sebagian anggota populasi sedemikian rupa sehingga contoh yang
Lebih terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih terperinciLearning Outcomes Sebaran Kontinu Nilai Harapan dan Ragam Beberapa Sebaran Kontinu. Peubah Acak Kontinu. Julio Adisantoso.
Beberapa 27 April 2014 Beberapa Learning Outcome Outline Mahasiswa dapat mengerti dan menentukan peubah acak diskret Mahasiswa dapat memahami dan menghitung nilai harapan Mahasiswa dapat memahami dan menghitung
Lebih terperinciUji Hipotesis. Atina Ahdika, S.Si, M.Si. Universitas Islam Indonesia 2015
Uji Hipotesis Atina Ahdika, S.Si, M.Si Universitas Islam Indonesia 015 Definisi Hipotesis Suatu pernyataan tentang besarnya nilai parameter populasi yang akan diuji. Pernyataan tersebut masih lemah kebenarannya
Lebih terperinciBAB II LANDASAN TEORI. 2.1 Uji Hipotesis
BAB II LANDASAN TEORI Pada bab ini akan dibahas tentang pengujian hipotesis, metode klasifikasi berstruktur pohon, metode-metode statistika yang menjadi dasar pada metode QUEST, dan algoritme QUEST..1
Lebih terperinciPENERAPAN METODE GENERALIZED RIDGE REGRESSION DALAM MENGATASI MASALAH MULTIKOLINEARITAS
e-jurnal Matematika Vol. 2, No. 1, Januari 2013, 54-59 PENERAPAN METODE GENERALIZED RIDGE REGRESSION DALAM MENGATASI MASALAH MULTIKOLINEARITAS NI KETUT TRI UTAMI 1, I KOMANG GDE SUKARSA 2, I PUTU EKA NILA
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD
ESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD Fitra1, Saleh2, La Podje3 Mahasiswa Program Studi Statistika, FMIPA Unhas 2,3 Dosen Program Studi Statistika,
Lebih terperinciPERBANDINGAN EFISIENSI PENDUGA RASIO EKSPONENSIAL
perpustakaan.uns.ac.id PERBANDINGAN EFISIENSI PENDUGA RASIO EKSPONENSIAL MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK STRATIFIKASI Fatma Julita, Etik
Lebih terperinci6 Departemen Statistika FMIPA IPB
Suplemen Responsi Pertemuan ANALISIS DATA KATEGORIK (STK351) 6 Departemen Statistika FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referensi Waktu Uji Kebaikan Suai Khi- Kuadrat untuk Sebaran Kontinu dan Uji
Lebih terperinciStatistika Psikologi 2
Modul ke: Statistika Psikologi 2 Fakultas Psikologi Program Studi Psikologi Sampling, Sampling Distribution, Confidence Intervals, Effect Size, dan Statistical Power SAMPLING Teknik menentukan sampel dari
Lebih terperinci