BAB I PENDAHULUAN 1.1 Latar belakang Masalah
|
|
- Susanto Susman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB I PENDAHULUAN. Lata belakag Masalah Dalam pemasalaha pegelolaa da meeeme seigkali diumpai kegiata peamala, pedugaa, pekiaa, da laiya. Salah satu metode yag dapat diguaka utuk meyelesaika masalah tesebut adalah dega megguaka metode statistik. Metode statistika yag diguaka sagat begatug pada stuktu data atau bayakya vaiabel yag aka diamati. Salah satu metode yag dipakai utuk bayakya vaiabel lebih dai satu adalah aalisis egesi. Aalisis egesi adalah suatu metodologi statistika utuk mempediksi ilai dai satu atau lebih vaiabel espo (vaiabel depede) dai koleksi ilai vaiabel pedikto (vaiabel idepede). Aalisis ii uga dapat diguaka utuk mempediksi atau meamal pegauh dai vaiabel pedikto (vaiabel idepede) pada espo. Dalam aalisis egesi pu dipelaai bagaimaa vaiabel-vaiabel tesebut behubuga da diyataka dalam sebuah pesamaa matematik. Sayagya, istilah egesi, diambil dai udul pepe petama dai F. Galto yag tidak meuukka atau meggambaka petigya atau luasya cakupa aplikasi dai metodologi ii. Dalam aalisis egesi, ada dua eis vaiabel yaitu vaiabel bebas atau vaiabel pedikto (diotasika dega X) da vaiabel tak bebas atau vaiabel espo (diotasika dega ). Utuk melihat hubuga ataa vaiabel espo da seumlah vaiabel pedikto secaa simulta dapat diguaka aalisis egesi liie dega vaiabel espo diuku sekuagkuagya dalam skala iteval dam mempuyai distibusi omal. Pada aalisis egesi liie tebagi meadi dua, yaitu aalisis egesi liie sedehaa da aalisis egesi liie begada. ag membedaka keduaya adalah haya teletak pada vaiabel bebas atau vaiabel pediktoya, utuk aalisis egesi liie sedehaa vaiabel bebasya haya satu sedagka utuk aalisis egesi liie begada bayakya vaiabel bebas adalah lebih dai satu.
2 Tetapi bagaimaa dega bayakya vaiabel tak bebas atau vaiabel espo yag lebih dai satu. Oleh kaea itulah, kami mecoba utuk mempelaai lebih auh tetag model egesi liie multivaiat yag tedapat pada bab 7. Pada makalah ii, kami aka mecoba mediskusika model egesi liie begada utuk mempediksi espo tuggal. Model ii kemudia dipeumum utuk membahas pediksi dai bebeapa vaiabel depede (vaiabel espo). Pelakua peyigkata kita meyooti atau membahas asumsi-asumsi egesi da kosekuesiya, fomula alteatif dai model egesi, da aplikasi umum dai tekik egesi pada kasus yag tampakya bebeda.. Peumusa Masalah Bedasaka pemapaa diatas maka pemasalaha yag aka dibahas dalam peulisa ii adalah bagaimaa peelasa secaa tepeici megeai model egesi liie multivaiat pada bab7 tesebut..3 Batasa Masalah Dalam peulisa ii kami membatasi masalah sebagai beikut ; Pemapaa megeai model egesi liie multivaiat haya aka dibahas sesuai dega yag telah kami sampaika pada pesetasi yag telah kami lakuka..4 Tuua Peulisa Bedasaka umusa masalah diatas, maka tuua peulisa ii adalah utuk megetahui da mempelaai lebih ici megeai model egesi liie multivaiat.
3 3 BAB II MODEL REGRESI LINIER MULTIVARIAT Nama : Adzimattiu Luthfia Nim : MODEL REGRESI LINEAR KLASIK Model egesi liea dega espo tuggal mempuyai betuk Dega : vaiabel espo : vaiabel pedikto : paamete yag tidak diketahui : ilai eo (galat) dega obsevasi idepede pada da ilai yag diasosiasi dai i maka model legkap egesi liie bebetuk (7-) Dimaa eoya diasumsika memiliki sifat : (kosta) (7-) pesamaa (7-) dalam betuk matiks adalah (7-3) atau...,...,,...,, M k Cov Va E k, ), ( 3. ) (. ) (. z z z z z z z z z M M M L O K K M M M M ) ( ) ) (( )) ( ( ) (
4 dega sifatya :. E( ). Cov( ) Ι cotoh : Tetuka betuk matiks ika model egesi liea sesuai dega situasi pada cotoh 6.6 awab : Kita buat vaiabel boeka utuk megatasi 3 ata-ata populasi, µ µ τ, µ µ τ, daµ 3 µ τ 3, Kita tetuka Da z z z 3 ; ; ; ; ; ; Jika obsevasi beasal dai populasi Jika obsevasi beasal dai selai populasi Jika obsevasi beasal dai populasi Jika obsevasi beasal dai selai populasi Jika obsevasi beasal dai populasi 3 Jika obsevasi beasal dai selai populasi 3 lalu µ, τ, τ, 3 τ 3 3 3,,, 8 Ketika kita meyusu ilai-ilai obsevasi dai 3 populasi dalam baisa, kita dapatka vekto espo obsevasi da matiks desai 9 6 9, 3 ( 8x) (8x4).3 PENAKSIR KUADRAT TERKECIL y Misal b adalah ilai taksia utuk b b z... b z. pehatika pebedaa ataa y da ilai b b z... b z itu aka dihaapka ika b adalah vekto paamete sebeaya. Selisih y b b z... b z 4
5 tidak aka sama dega ol kaea ilai haapa espo befluktuasi. Metoda dai kuadat tekecil memilih b utuk memiimumka umlah kuadat S(b) ( y b b z... b z ) ( y b)( y b) Koefisie b dipilih bedasaka kiteia kuadat tekecil, da b disebut peaksi kuadat tekecil dai (b seig diotasika ). Simpaga y z disebut esidu. Hasil 7. Misal sebayak. Peaksi kuadat tekecil dai adalah ( ) y. Misal ŷ Hy diatika ilai tetetu dai y, dega H y y Ι ( ) y ( Ι H ) ( ) disebut matiks Hat. Residuya : [ ] y Memeuhi da y. Juga umlah kuadat esidu kuadat y ( y... ) z [ Ι ( ) ] y y y y Hasil 7. meuukka bahwa peaksi kuadat tekecil da esidu dapat dipeoleh dai desai matiks da espo y dega opeasi matiks sedehaa. Cotoh : hituglah, da umlah esidu kuadat utuk model z yag cocok dega data z 3 4 y Jawab : y
6 6 Sehigga Da pesamaa yag tepat adalah Vekto ilai taksia adalah maka umlah kuadat tekecilya adalah JUMLAH DEKOMPOSISI KUADRAT, adi umlah espo total kuadat memeuhi (7-4) kaea kolom petama dai adalah, kodisi memeuhi pesamaa atau....6 ) ( 7 5 y ) ( y y z y y y [ ] 6 ) ( y y y y ) )( ( ) ( ) ( y y y y y y y y y y y y y y y y
7 ika kedua sisi dai pesegi (7-4) dikuagi dasa dai umlah ata-ata kuadat atau y y y y y ( y ) dipeoleh dekomposisi umlah kuadat diatas meyaaka kualitas dai model yag tepat dapat diuku dega meghitug koefisie detemiasi yaitu y ŷ ( y y ) ( y y ) R ( y y ) ( y ( y y ) y ) GEOMETRI DARI KUADRAT TERKECIL bedasaka model egesi klasik z z E ( )... M M z E() adalah sebuah kombiasi liea dai kolom. Sepeti, membetuk model bidag dai semua kombiasi liea. Biasaya vekto obsevasi y tidak aka bebaig di dalam model bidag kaea ilai eo bukalah suatu kombiasi liea dai kolom., maka dai itu y Ketika obsevasi teadi, solusi kuadat tekecil dipeoleh dai vekto simpaga y - b (vekto obsevasi)-(vekto pada model bidag) paag kudat adalah S(b) kudat. Sepeti yag diilustasika pada gamba 7- (hal 93), ilai S(b) sekecil mugki ketika b dipilih maka b adalah titik pada model bidag yag palig dekat ke y. titik tedekat ke y teadi di uug dai poyeksi tegak y pada bidag. Maka dai itu y, utuk pemiliha b, y yag meupaka poyeksi dai y pada bidag tedii dai semua kombiasi liea dai kolom. vekto esidu tebetuk walaupu buka ak peuh. z z M z y y adalah tegak tehadap bidag. Geometi ii 7
8 Ketika memiliki ak peuh, opeasi poyeksi dituukka secaa aalitik sepeti pekalia oleh matik ( ). utuk melihatya, kita guaka spektum dekomposisi (-6) utuk meulis λ dimaa λ λ... λ > adalah ilai ee λee... λ e e eige dai da e, e,..., e adalah vekto eige yag bekoespodesi. Jika memiliki ak peuh maka ( ) ee ee... e e λ λ λ Pehatika q i i λ e yag meupaka sebuah kombiasi liie dai kolom. i i ki Maka q q λ λ e e ika i k atau ika i k. Maka dai itu, i k i k vekto secaa bebalasa tegak da memiliki uit paag. Kombiasi liie dai kolom. Da lagi ( ) λ i i e e Bedasaka hasil A. da defiisi A. poyeksi dai y pada kombiasi liie dai { q } i i q q q,,..., q adalah ( qi y) qi qiqi y ( ) y Jadi i i i i pekalia dega ( ) meecaaka sebuah vekto pada uag yag dibetuk oleh kolom. SIFAT SAMPLING DARI PENAKSIR KUADRAT TERKECIL KLASIK Hasil 7. Bedasaka model egesi liie umum pada (7-3), pesamaa kudat tekecil ( ) y mempuyai E ( ) da cov( ) ( ). Residu memiliki sifat E ( ) da cov( ) ( I H ) uga E ( ) ( ),adi membatasi s ( ) [ I ( ) ] [ I ] H Kita puyai E ( s ) da lagi da tidak bekoelasi. 8
9 Pesamaa kuadat tekecil memiliki vaias miimum yag petama kali ditetapka oleh Gauss. Hasil ii megeai peaksi bagus dai fugsi paametik liea dai betuk c c c... c utuk setiap c. Hasil 7.3 (Teoema Kuadat Tekecil Gauss) Misal dega E ( ) da cov( ) I da memiliki ak peuh. utuk setiap c, peaksi c dai c memiliki c c... c vaias sekecil mugki diataa semua peaksi liea dai betuk a a a... a yag tidak bias utuk c. Hasil yag kuat ii meyataka bahwa subtitusi dai utuk, meuu ke peaksi tebagus dai c utuk setiap c..4 KESIMPULAN TENTANG MODEL REGRESI.4. Kesimpula megeai paamete egesi. Sebelum kita dapat meetapka ati dai vaiabel utama dalam fugsi egesi E ( ) z... z kita haus meetuka distibusi sampig dai da umlah esidu kuadat omal. Hasil 7.4 Misal. Utuk itu kita asumsika memiliki distibusi dimaa memiliki ak peuh da bedistibusi omal N (, I ). Peaksi maximum Likelihood dai adalah sama dega peaksi kuadat tekecil. Da lagi, da didistibusika secaa idepede dai esidu ( ) bedistibusi (, ( ) ) N. Selautya bedistibusi dega χ adalah peaksi maximum Likelihood dai Ellipsoid kepecayaa utuk sagat mudah disusu. Hal ii dapat diyataka dalam batas dai matiks peaksi covaia s ( ) dega s /( ) 9
10 Hasil 7.5 Misal dimaa memiliki ak peuh da bedistibusi omal N (, I ). Daeah kepecayaa ( α) % utuk adalah ) ( ) ( ) s ( α) uga, iteval kepecayaa ( F, ( α) % utuk i adalah i ± Va ( i ) ( ) F, ( α), i,,, Dega V a( ) adalah eleme diagoal dai i s ( ) yag bekoespodesi ke i. Ellipsoid kepecayaa adalah pusat pada peaksi maximum Likelihood da oietasiya da ukua ditetuka oleh ilai eige da vekto eige dai. Jika ilai eige medekati ol, ellips kepecayaa aka sagat paag dalam aah dai vekto eige yag bekoespodesi. Paa paktisi seig megabaika sifat kepecayaa dai taksia iteval pada F hasil 7-5. meeka meggati ( ), dega ilai t, t ( / ) da α megguaka iteval ± t ( α ) V a( ) ketika mecai vaiabel pedikto utama. Cotoh: i i Bedasaka data pada tabel 7., model yag tepat adalah z z Pada data ii diguaka metoda kudat tekecil. Hasil pehituga kompute adalah.996 ( ) da ( ) y Jadi pesamaa yag tepat adalah z 45. z dega s 3473.
11 Jika esidu melewati pemeiksaa diagosa yag dielaska pada seksi 7.6, pesamaa yag tepat dapat diguaka utuk mempediksi haga ual dai umahumah di sekita bedasaka ukua da ilai yag ditetapka. Kita misalka 95% iteval kofidesi utuk ± t (.5) V a( ) 45..(85) atau ( ) 7 ± adalah Kaea iteval kofidesi memuat vaiabel z dapat dihilagka dai model egesi da aalisis diulag dega vaiabel pedikto tuggal z. Dibadig ukua tempat tiggal, kiaya ilai yag ditetapka meambah sedikit pegauh tehadap pediksi dai haga ual. Nama : Realita Raymuda Nim : Test asio likelihood utuk paamete Regesi Salah satu bagia dai aalisis egesi tekait dega meaksi pegauh vaiabel pedikto pada vaiabel espo. Hipótesis ol meyataka bahwa ada bagia dai i yag tidak bepegauh pada espo.vaiabel pedikto ii aka ditulis dega zq, zq,..., z. peyataa yag meyebutka zq, zq,..., z tidak mempegauhi espo ditulis dalam hipótesis statistika: H q q... Atulah () (( q ) ), M ( ( q )) ( ( q)) () (( q) ) Maka model egesi umum dapat ditulis sebagai: () [ M ] () () () Test asio likelihood Ho bedasaka pada:
12 Jumlah kuadat eksta SS ( ) SS ( ) ( y ) ( y ) ( y ) ( y ) Res Re s () () () Result 7.6 Misalka full ak da bedistibusi N (, I ). Test asio likelihood H q q... ekuivalet dega dega test Ho yag didasaka pada umlah kuadat pada pesamaa SS ( ) SS ( ) ( y ) ( y ) ( y ) ( y ) da Res Re s () () () ( )( ) /( ). s y y () Test asio likelihood meolak Ho ika: ( SSRe s ( ) SSRes ( )) /( q) > F s q, ( α ) Dimaa: s ( y )( y ) /( ) F ( ) q, α dimaa -q da -- adalah deaat bebasya. Cotoh 7.5 Laki-laki da peempua yag belaggaa meilai ata-ata pelayaa di tiga tempat pada sebuah daeah estoa yag luas. Rata-ata pelayaa dikovesika pada sebuah ilai ideks. Data disediaka pada tabel 7. dibawah. Data mempuyai 8 pelagga. Tiap data pada tabel dikategoika sesuai dega lokasi (,, 3) da eis kelami (laki-laki, peempua ). Tambahaya kombiasi ataa lokasi satu dega laki-laki ada lima espo, kombiasi lokasi dua dega peempua ada espo. Kemudia dipekealka tiga vaiabel dummy utuk lokasi da dua vaiabel dummy utuk eis kelami. Model egesi yag meghubugka ataa ideks pelayaa dega lokasi, eis kelami da kombiasiya dapat dibuat dalam suatu matiks:
13 Koefisie vekto [,,, 3, τ, τ, γ, γ, γ, γ, γ 3, γ 3] Desai matiks diatas tidak full ak, oleh pogam kompute dipeoleh: SSes ( ) Rak () 6, -Rak () Model petama dega haya megguaka 6 kolom petama dai, yaitu tapa mempetimbagka itekasi ataa eis kelami da lokasi kita peoleh da SS ( ) 349. es Dega -ak () Hipotesisya: H : γ γ... γ γ 3 3 Kemudia kita meghitug ilai F ( SSes ( ) SSes ( )) /(6 4) F s 3
14 ( SSes ( ) SSes ( )) / F SS ( ) / es (349, 977, 4) / F,89 977, 4 / Kesimpulaya, ata-ata pelayaa tidak dipegauhi oleh iteaksi dai lokasi dega eis kelami..5 Itefeesi dai Fugsi Regesi yag diestimasi Misalka sebuah model egesi memeuhi model kecocoka egesi, maka dapat diguaka utuk memecahka dua masalah pediksi. Misalka z z z meupaka ilai yag dipilih utuk vaiabel pedicto. Maka z da [ ],,..., dapat diguaka utuk :. Megestimasi fugsi egesi pada z Misalka meyataka ilai espo ketika vaiabel pedicto memiliki ilai z [ ] z z. Meuut model 7.3, maka ilai ekspektasi dai adalah :,,..., E( ) z... z z Estimasi ilai tekecilya adalah Result 7.7 z ( ) z. (7-8) Utuk model egesi liie pada model 7.3, z meupaka estimato liie yag tidak bias dai E(..) dega ilai vaiasi miimum, Va ( z ) z ( ) z. Jika eo bedisibusi omal, maka taaf kepecayaa ( α)% utuk E( ) z z ± adalah: α t ( z ( ) z ) s Dega t ( / ) α sebagai batas atas pecetil ke ( α / ) dai distibusi t da deaat bebas. 4
15 . Meamalka sebuah obsevasi bau pada z o Pediksi pada sebuah obsevasi, misalya o, pada zo [, z,..., z ] lebih tidak pasti daipada megestimasi ilai haapa dai o. Sesuai model egesi pada (7.3) z o Atau (Respo bau o ) (ilai haapa bau o pada z o ) (eo bau) Dimaa bedistibusi N(, ). Nilai mempegauhi ilai peaksi da s melalui ilai vaiabel espo, tetapi tidak mempegauhi ilai Result 7.8 Misalya dibeika model egesi liie (7.3), sebuah ilai obsevasi bau mempuyai pedikto tidak bias z z... z o Vaiasi dai galat amala, z adalah Va( z ) ( z ( ) z ) Ketika eo bedistibusi omal, maka sebuah iteval pediksi ( α)% utuk o dibeika sebagai beikut : α ( ( ) z ) ± t s z z Dega t ( / ) α sebagai batas atas pecetil ke ( α / ) dai distibusi t da deaat bebas. Iteval pediksi utuk o lebih luas dai iteval kepecayaa utuk megestimasi ilai dai fugsi egesi E( ) z. Petambaha ketidakpastia pada peamala o yag diepesetasika oleh tambaha kebeadaa s pada peyataa s ( z ( ) z ), datag dai kebeadaa istilah eo yag tidak dikeal atau diketahui 5
16 Cotoh kasus Sebuah peusahaa meyadai bahwa pembelia peagkat kompute hauslah telebih dahulu meaksi kebutuha masa depa meeka utuk meetuka peagkat tag tepat. Seoag ilmuwa kompute megumpulaka data dai tuuh peusahaa di tempat yag sama sehigga pesamaa peamala dai pemitaa peagkat keas kompute utuk ivetais maaeme dapat ditambah. Dataya disaika dalam tabel 7.3 Dega: z Pesaa pelagga (dalam ibua) z Jumlah ítem add-delete (dalam atusa) Waktu CPU (dalam am) Buatlah sebuah iteval kepecayaa 95% utuk ata-ata waktu CPU, E( ) z z pada z [,3, 7.5]. Buat uga iteval pediksi 95% utuk pemitaa bau fasilitas CPU yag bekoespodesi pada z yag sama. Tabel 7.3. Data Kompute z Pesaa pelagga z Jumlah ítem adddelete Waktu CPU Dega softwae, dipeoleh fugsi pesamaa egesi diestimasi: y 8.4.8z.4z 6
17 ( ).64.5 Dega s.4. z 8.4.8(3).4(7.5) 5.97 s ( z ( ) z ).4(.5898).7 t 4 (.5).776 Jadi, iteval kepecayaa utuk ata-ata waktu CPU pada z o adalah z ± t (.5) s z ( ) z 5.97 ±.776(.7) (5., 53.94) 4 Iteval pediksi 95% waktu CPU pada fasilitas bau dega syaat z o : s z ( ) z (.4)(.67).4 Maka: z ± t (.5) s z ( ) z 5.97 ±.776(.4) (.48.8, ).6 Pegeceka Model da Bebeapa Hal Dalam Regesi Apakah suatu model sudah cocok? Asumsika suatu model sudah bea, kita pelu megestimasi telebih dahulu fugsi egesi utuk membuat suatu keputusa. Tetulah sagat petig utuk memeiksa kecukupa model sebelum fugsi yag diestimasi meadi keputusa yag tetap. Semua ifomasi kekuagcocoka sampel tekadug pada Residual. y z... z y z... z... y z... z [ ( ) ] [ ] I y I H y 7
18 Jika modelya cocok, tiap esidual adalah estimato dai yag diasumsika meupaka vaiabel adom omal dega ata-ata ol da vaiasi. Bayak statistikawa megguaka diagosa gafik utuk memeiksa esidual yag didasaka pada esidual studet. Pesamaaya sebagai beikut:,,,..., s ( h ) Kita meghaapka esidual studet ii meupaka gambaa yag medekati distibusi omal dega ata-ata da vaiasi. Dega megguaka softwae statistika maka aka dipeoleh bebeapa gafik gambaa esidual sebagai beikut (hal.39). Plot esidual,,dega ilai pediksi, y z... z Kemugkiaaya aka tampak sepeti pada gamba 7. a da 7. b. ii meuukka model egesi kita ada yag kuag tepat. Bisa disebabka oleh kesalaha peghituga atau vaiabel itesepya dikeluaka dai model. Hal lai adalah kemugkia vaiasi eo yag tidak kosta yag meyebabka esidualya membetuk sepeti coog. Adaya fluktuasi yag besa pada ilai-ilai eo. Utuk mempebaiki atau megkoeksi maka dilakuka tasomasi da atau pedekata bobot kuadat tekecil. Tetapi kedua hal ii tidak dielaska lebih laut pada bahasa ii. Gambaa gafik yag ideal dituukka pada gamba 7. d. Plot esidual,,dega sebuah vaiabel pediksi, z, poduk dai vaiabel pedikto misalya zz atau z. Jika hasil dai aálisis ii meghasilka gafik sepeti gamba 7. c maka model egesi yamg kita peoleh masih belum baik. Situasi ii meyaaka kita utuk meambah vaiabel pedikto lai pada model kita. 3. Q-Q plot da histogam. Utuk membaca hasil yamg dipeoleh pada aálisis ii kita bisa membaca aálisis yag ada pada bab 4.6 8
19 4. Plot esidual dega waktu. Jika data yag kita peoleh sudah teuut secaa koologis, plot esidual dega waktu maka aka mugki mucul fomula yag sistematis. (dalam hal ii mugki aka mucul asosiasi ataa eo). Tambahaya, esidual yag betambah seiig dega waktu megidikasika keteikata yag kuat Bebeapa pemasalaha tambaha pada Regesi liie. Pemiliha vaiabel pedikto dai sebuah himpua yag sagat besa Pada paktek sehai-hai, tekadag sagat sulit utuk membuat fomula yag tepat utuk fugsi egesi lie secaa lagsug. Petayaaya adalah vaiabel pedicto maa yag haus dimasukka pada model? Betuk egesi sepeti apa yag haus dibetuk? Ketika kita memiliki sebuah himpua vaiabel pedikto yag sagat besa (bayak), semua vaiabel ii tidak bisa dimasukka dalam fugsi egesi. Pogam kompute meyediaka caa utuk memilih himpua bagia vaiabel pedikto yag tebaik dai himpua yag tesedia. Pada pogam kompute aka meyediaka gamba plot ( C, p) dimaa C p p -(-p) Model yag tebaik dapat dilihat dai koodiat ( C, p) sekita. Koliie Jika tidak full ak, bebeapa kombiasi liie misalya a, haus ol. Pada situasi ii, kolom-kolom dikataka koliie. Hal ii megakibatka tidak memiliki ives. Pada kebayaka model egesi keadaa a tidak mugki tepat sama dega ol. Jadi aka mucul kombiasi liie kolom pada dega ilai dipesekitaa ol. Hal ii aka meyebabka kesulita bagi kita utuk medeteksi kesigifikaa koefisie paamete pada model egesi. Hal ii dapat diatasi dega:. Meghapus pasaga pedikto yag bekoelasi kuat p 45 9
20 . Meghubugka vaiabel espo dega kompoe utama vaiabel pedikto. 3. Bias yag disebabka oleh model yag kuag tepat. Misalka bebeapa vaiabel pedicto yag petig dikeluaka dai model egesi yag diauka. Misalka model yag tepat dega [ M ] dega ak da () M () (( q) ) (( q ) ) ( ) ( ( q )) ( ( q)) ( ) () () E( ) Dimaa: Va( ) I Bagaimaapu, peyelidik tapa megetahui telah memeuhi sebuah model haya dega megguaka q vaiabel pedikto. Peaksi kuadat tekecil dai adalah. dega situasi ketika modelya bea, ( ). Kemudia, tidak sama E( ) ( ) E( ) ( ) ( E( )) () () () Jadi, adalah peaksi bias dai. Hal ii meyebabka taksia kuadat tekecil dai meadi meyesatka. Nama : Adila Sady Wuladai Nim : Regesi Liie begada multivaiat Regesi begada multivaiat meupaka hubuga ataa m espo,,,..., m da vaiabel pediktoya,,...,, masig-masig espo diasumsika memeuhi model egesi :
21 z... z z... z M z... z m m m m m m Pesamaa eo [ ],,..., dega E( ) da Va ( ). z, z,..., z Utuk pecobaa ke, vaiabel pedictoya adalah pesamaaya adalah m,,..., m,,...,. Dega model matikya : z z... z z z... z M M O M z z... z ( x( )) Dega pesamaa matiks, himpua, da himpua eoya adalah... m... M M O M... m m () M () M... M ( m) ( xm )... m... M M O M... m m () M () M... M ( m) (( ) xm)
22 da... m... M M O M... m m () M () M... M ( m) ( xm ) L L M L Model egesi liie multivaiatya adalah ( xm ) ( x ( )) (( ) xm ) ( xm ) dega E( ) ; Cov ( ( i), ( k) ) iki i, k,,..., m ( i) Ket : m umlah obsevasi ke paamete yag tidak diketahui Utuk i espo, maka modelya megikuti : i,,, m ( i ) ( i ) ( i ) ^ Sepeti pada espo meadi ( i) ( ) ( i) Sehigga dipeoleh : ^ Nilai pediksiya : Residualya : ^ ^ ( ) ^ ^ [ I ( ) ]
23 umlah kuadat esidualya da coss-poductya : cotoh 7.8 Hitug ilai ^, ^, da ^ dega :,,,5 Diguaka data dua espo da pada cotoh 7.3 dega dataya sebagai beikut : z 3 4 y y Peyelesaia : ( ) 9 4 da () 5 y Sehigga 6 5 () ( ) y() Pada cotoh 7.3 () ( ) y() 3
24 Sehigga dipeoleh () () ( ) y() y M () M y z da Setelah melakuka pehituga diatas dipeoleh pesamaa y z Matiks ilai taksia adalah da Sehigga Kaea da 4 Jadi sum of squae da coss-poductsya memeuhi : 4
25 Latiha 7.9 halama 35 Dibeika data dega satu vaiabel pedicto z da dua espo da z - - y y Dega Hitug matiks utuk,, 3, 4, 5,da esidual, dega [ y M y ] Peyelesaia : da Sehigga y() y() ( ) 5
26 () ( ) y() ( ) () y() Sehigga dipeoleh () () ( ) y() y M () 5 5 M Setelah melakuka pehituga diatas dipeoleh pesamaa y z da y z 8 Matiks ilai taksia adalah da
27 Sehigga maka Pekiaa Kuadat Tekecil Utuk pekiaa kuadat tekecil detemia [ M M... M ] meuut ( ) () ( m) model egesi begada multivaiate dega full ak () <, adalah Da Residual Cov ( E atau E ( ) ( ( i) ) ( i) ( i ), ( k ) ) ik ( ) i, k,,, [... ) () M M ( m ) ] ( M memeuhi E ) da E( ( i) ( k) ) ( ) ik ( ( i) adi E ( ) da E( ) ( ) Maka, da tidak bekoelasi. 7
28 Pekiaa Maximum Likelihood Misal model egesi begada multivaiate ( xm ) ( x ( )) (( ) xm ) ( xm ) dega full ak (), > ( ) m da missal eo bedistibusi omal. Maka ^ ( ) adalah pekiaa maksimum likelihood dai da yag bedistibusi omal dega ( ) E da Cov ( ( i ), ( k ) ) ik ( ). idepedet dai pekiaa maksimum likelihood da defiit positif dibeika oleh ^ ( )( ) da adalah distibusi W ^ (. ). Tes asio likelihood utuk paamete egesi Tes ii meupaka asio likelihood utuk bayak espo, dega hipotesis bahwa espo tidak begatug pada dega H dimaa : () ( x( q )) ( x( q)),..., q, q, sehigga () (( q ) xm) () (( q) xm) M, secaa umum model dapat ditulis : () E ( ) [ M ] () () () 8
29 H, : () dega H () da tes asio likelihood dai )( bedasaka pada umlah yag tekait dalam umlah kuadat eksta da cosspoducts )( ) ( ) Dimaa ^ () ( () () ^ ( ) () ^ ( ) da ^ ( )( () ( )) Dai asio likelihood ( Λ ) dapat mempelihatka hubuga umum vaia, adi : Λ max (). max L(. (), ) L(, ) Equivalet dega statistic Wilks Lambda : / Λ dapat dipeguaka. L( (), ) L(, ) / Hasil 7. Misal model egesi begada multivaiate ( xm ) ( x ( )) (( ) xm ) ( xm ) dega full ak (), > ( ) m da misal eo bedistibusi omal. Dega H, ^ adalah distibusi W (. ) secaa : () bebas adalah ( ) dimaa distibusiya W ) q(. dai H equivalet dega tolak H utuk besa ilai dai :. Tes asio likelihood 9
30 L Λ L L ( ) utuk besa ilaiya buah maka statistikya : ( m q ) L Megguaka pedekata chi kuadat dega deaat bebasya m(-q). cotoh 7.9 cotoh ii meupaka lauta yag dibeika pada cotoh sebelumya yaitu pada cotoh 7.5. Dega megguaka pogam compute, sehigga dipeoleh : esidual sum of squaes 977,39,7 da coss puducts,7 5,95 exta sum of squaes 44,76 46,6 46,6 366, da coss puducts ( ) Misal () adalah matiks utuk iteaksi paamete dua espo. Diketahui pada cotoh sebelumya bahwa ilai 8 yag dapat dikategoika tidak telalu besa, sehigga dipeoleh hipotesis : H : () H : () Dega ilai alfa sebesa,5, dapat diui : ( m q ) l ( ) 3
31 8 5 ( 5 3 ) l(765) 3,8 Dega megguaka pedekata chi-kuadat, dipeoleh ilai pada tabel chikuadat dega deaat bebas sebesa m ( -q ) () 4 adalah 9,49. Sehigga ilai hitug aka lebih kecil daipada ilai pada tabel yaitu 3,8 < χ.(,5) 9,49. 4 Utuk kiteia hitugya maka H ditolak pada ilai alfa sebesa 5%. Sehigga ilai (), atiya ilai koefisie utuk () beati da hubuga iteaksi tidak dibutuhka. Nama : Siti uegsih Nim : Kosep Dai Regesi Liie Model egesi liie klasik meghubugka ataa suatu vaiabel teikat da kumpula vaiabel pedikto z, z, z. Model egesi megaggap bahwa vaiabel acak begatug pada vaiabel tetap z. Rata-ata ya diasumsika sebagai fugsi liie dega koefisie egesi,,...,. Aggaplah bahwa,,,..., adalah vaiabel acak yag mempuyai o distibusi sama tidak haus omal, dega vekto ata-ata µ da matix ( ) covaiat patisi µ da Σ kita tulis sebagai beikut ( ) ( ) µ ( ) µ da µ ( ) Σ ( ) ( ) Σ ( ) ( ) dega,,..., Dalam mempediksi vaiabel teikat diguaka pedikto liie b b b b b dega pediksi eoya yaitu 3
32 pedictio eo - b - b - - b - b - b kaea eo ii besipat acak, biasaya utuk memilih b da b dega memiimumka Mea squae eo E( - b - b ) Mea squae eo ii begatug pada distibusi besama dai da melalui paamete µ da Σ Akibat 7. Pedikto liie dega koefisie µ µ, Memilki ata-ata kuadat miimum diataa semua pedikto liie espo da memiliki mea squae eo yaitu Juga E( ) E( µ ( µ )) µ ( µ ) adalah pedikto liie yag memiliki koelasi maksimum dega Co Co b b (, ) max (, ) Koelasi ataa vaiabel teikat dega pedikto liie tebaikya disebut koeffisie koelasi multiple populasi yag diotasika sebagai ρ ( ) kuadat dai koeffisie ii ρ disebut koeffisie detemiasi populasi, ilai dai ( ) ρ koeffisie koelasi adalah aka kuadat positif ya yaitu ( ). Koeffisie detemiasi memiliki itepetasi petig. Dai akibat 7. mea squae eo megguaka utuk meamalka adalah ( ρ ( )) 3
33 Jika ika ρ tidak ada kekuata pediksi dalam, pebedaa yag sagat besa ( ) ρ megakibatka dapat dipediksi dega tepat. ( ) Cotoh 7. Dibeika vekto ata-ata da matik kovaia dai,, 5 µ yy µ µ da Σ Tetuka a). pedikto Liie tebaik b). mea squae eo c). koeffisie koelasi multiple peyelesaia 7 3, 4, 6 3, 6, 4 5 [ ] 3 µ µ a). Jadi pedikto liie tebaikya adalah 3 b). mea squae eoya,4,6 [ ] 3 7,6,4 c). koeffisie koelasi multipleya ρ ( ) 3,548 Pembatasa pedikto liie dekat dihubugka dega assumsi omalitas, khususya misalka kita puya bedistibusi N ( µ, ) M 33
34 maka distibusi besyaat dai dega mempehatika ilai z, z,,z adalah N ( µ ( z µ ), ) ata-ata dai distibusi besyaat ii adalah pedikto liie dalam akibat 7. adalah E z z z z (,,..., ) µ ( µ z ) z da kita meyimpulka E( z, z,..., z ) adalah pedikto liie tebaik dai ketika populasiya adalah N ( µ ),. Ekspektasi besyaat ii disebut fugsi egesi liie. Ketika populasi tidak omal, fugsi egesi E( z, z,..., z ) tidak haus bebetuk. Namu, dapat dituuka bahwa E( z, z,..., z ) apapu z betukya, utuk mempediksi adalah dega mea squae eo tekecil. Keutugaya pegoptimala diataa semua estimato yag dimiliki dega pedikto liie adalah ketika populasiya omal. Akibat 7.3 Aggaplah bahwa distibusi besama dai da adalah N (, ) µ misalka µ S S da S S S vekto ata-ata sampel da matik kovaia sampel beukua dai suatu populasi, peaksi maksimum likelihood dai koeffisie pedikto liieya adalah S s, s S akibatya peaksi likelihood utuk fugsi liieya adalah ( ) z s S z Peaksi maximum lilkelihood dai mea sque eoya ( s s S s ) E adalah 34
35 Biasaya dega meubah pembagi dai ke -( ) dalam estimato dai meas squae eo dipeoleh peaksi tak bias yaitu ( ) ( s s S s ) Cotoh 7. Hasil compute data cotoh 7.6. dega data 7 obsevasi pada (CPU Time),, membeika vekto ata-ata sampel da matik kovaia sampel yaitu 5, 44 y µ 3, 4 da 3, ,93 48,763 35,983 syy s Σ 48, , 8,34 s S 35,983 8, 34 3, 657 assumsika bedistibusi omal besama. Tetuka fugsi egesi da mea squae eoya.? Peyelesaia Dai akibat 7.3 peaksi maksimum likelihoodya adalah, 38, 64 48, 763, 79 S s, 64, , 983, 4 [ ] 3, 4 3,547 5, 44, 79, 4 8, 4 y z adi fugsi egesiya adalah z 8,4,8 z, 4z mea squae eoya adalah ( s s S s ) 6, 38, 64 48, ,93[ 48, ,983] 7, 64, ,983,894 Pediksi utuk bebeapa vaiabel 35
36 Peluasa dai akibat sebelumya utuk pediksi bebeapa vaiabel teikat,,..., m hampi dekat. Peluasa utuk populasi omal aggaplah bahwa ( m ) ( ) µ ( m ) bedistibusi N m ( µ, ) dega µ µ ( ) da ( m m) ( m ) ( m) ( ) Ekspektasi besyaat dai [ ],,..., m atas seumlah ilai vaiabel pedikto z, z,..., z adalah E z z z µ z µ,,..., ( ) ilai haapa besyaat ii, diaggap suatu fugsi atas z, z,..., z yag disebut dega egesi multivaiate dai vekto dalam. Fugsi ii tedii dai m egesi uivaiat. Cotohya vekto ata-ata besyaat dai kompoe petama adalah µ ( z µ ) E( z, z,..., z ) yag memiimumka mea squae eo dai pediksi. Ukua m matik disebut matik koeffisie egesi. Kesalaha dai vekto pediksiya kuadat haapa da matiks coss poduk adalah µ ( µ ) mempuyai E µ ( µ ) µ ( µ ) ( ) ( ) kaea µ da Σ tidak diketahui secaa khusus, maka haus dipekiaka dai sampel acak dalam uuta meyusu pedikto liie multivaiate da meetuka haapa kesalaha pediksi. Akibat
37 adalah Aggaplah da bedistibusi N ( µ, ). Regesi dai vekto dalam m z z ( z ) µ µ µ kuadat haapa da matiks coss poduk utuk eoya adalah E ( )( ) bedasaka sampel acak ukua, estimato maximum likelihood utuk fugsi egesiya adalah Da estimato likelihood dai ( ) z S S z adalah Peaksi tak bias dai adalah ( s S S S ) ( )( ) ( S S S S ) Cotoh 7.3 Dai hasil kompute data cotoh 7.6 da cotoh 7. utuk (CPU time) da (Disc I/O Capacity)., dibeika da dipeoleh 5, 44 y 37, 79 µ 3, 4 3, , 93 48,556 48, , 983 S 48,556 37, 49 8, 976 4, 558 yy S Σ S S 48, 763 8, , 8, 34 35,983 4, 558 8, 34 3, 657 diasumsika bedistibusi omal tetuka fugsi egesiya? 37
38 z y S S ( z z ) 5, 44 48, , 983, 38, 64 z 3, 4 37, 79 8, 976 4, 558, 64, 8644 z 3,547 5, 44, 79( z 3, 4), 4( z 3,547) 37, 79, 54( z 3, 4) 5, 665( z 3, 547) sehigga pedicto mea squae eo miimum dai da adalah 5, 44, 79( z 3, 4), 4( z 3,547) 8, 4, 8z, 4z 37, 79, 54( z 3, 4) 5, 665( z 3,547) 4,4, 5z 5, 67z peaksi maksimum likelihood dai kuadat haapa da matik coss podukya dibeika oleh ( S S S S ) 6 467,93 48,536 48, ,983, 38, 64 48, 763 8, ,536 37, 49 8,976 4,558, 64, ,983 4,558 6,43,4,894,893 7, 4, 57, 893, 5 hasil peaksia petama fugsi egesi 8, 4,8 z, 4z membeika mea squae eo,894 hasil yag sama dega cotoh 7. utuk kasus espo tuggal. Kita lihat bahwa data dapat dipediksi dai dai vaiable espo petama memilki eo yag lebih kecil dibadigka dega oleh espo kedua. Kovaia,893 meuuka pediksi yag telalu auh dai CPU time yag cedeug ditemai oleh capasitas disk. Akibat 7.4 meyataka bahwa assumsi dai distibusi omal multivaiate besama utuk kumpula,,..., m,,,..., mudah utuk mempediksi pesamaa Dega catata megikuti y z... z y z... z M M M y z... z m m m m 38
39 . Nilai z, z,..., z yag sama diguaka utuk mempediksi tiap ilai i.. ik dipekiaka utuk eti (, ) utuk i, k. i k pada matik koeffisie egesi Koefisie Koelasi Pasial Aggaplah pasaga kesalaha µ ( µ ) µ ( µ ) dipeoleh dai megguaka pedikto liie tebaik da hubugaya ditetuka dai matik kovaia kesalaha pegukua hubuga ataa da setelah meghapus pegauh dai,,...,. koeffisie koelasi pasial ataa da dega meghapuska,,..., oleh ρ s yag dipekiaka oleh s s Dimaa ik adalah eti (, ) i k dalam matik hubuga koeffisie koelasi pasial sampel adalah Dega s dega (, ) ik s s s i k eleme dai S S S S dega asumsi da memiliki distibusi omal multivaiate besama. Koeffisie koelasi pasial sampel diatas adalah peaksi maximum likelihood utuk populasiya. 39
40 .9 Membadigka Dua Peumusa dai Model Regesi Betuk Rata-ata yag dikoeksi dai Model Regesi Utuk bebeapa vaiabel espo, model egesi multiple meegaska bahwa z z... Vaiabel pedikto dapat dipusatka dega meguagi ata-ataya. Cotohya z ( z z ) z da kita dapat meulis ( z... z ) ( z z )... ( z z ) ( z z )... ( z z ) Dega ( z... z ) Desai matik ata-ata yag dikoeksi dihubugka dega pegulaga pembetuka paamete adalah z z L z z z z z z L M M O M z z L z z c ag maa kolom masig-masig tegak luus tehadap kolom petama kaea ( z z ), i,,..., Selautya tetuka c c dega c Jadi c c i i I I I c ci cc cc I y y ( cc) c y M ( cc) c y ( ) c y c c 4
41 Dega demikia koeffisie egesi [ ],,..., peaksi tak biasya ditaksi oleh ( ) y c c c da ditaksi oleh y. Kaea koeffisie,,..., tetap tidak beubah oleh peggatia paamete peaksi tebaikya dihitug dai desai matiks c sama dega yag dihitug desai matik Sehigga, keadaa c,,..., adalah pedicto liie dai dapat ditulis sebagai ( ) ( ) y z z y y ( ) ( z z ) dega c c c c z z ( z z, z z,..., z z ) akhiya Va( ) Cov(, ) c ( cc) Cov(, ) ( c Cov c ) ( cc) Ulasa: Model Regesi Multiple Multivaiate meghasilka desai matik ataata yag dikoeksi sama utuk setiap espo. Peaksia kuadat tekecil utuk koeffisie vecto ( i ) utuk vaiable espo ke-i dibeika oleh y ( i) ( i), i,,..., m ( cc) c y( i) Rumus-umus yag behubuga Ketika vaiable,,,..., bedistibusi omal besama, kita meetuka bahwa pedikto peaksi dai adalah ) z y s S ( z z ) µ ( z µ ). dai betuk ata-ata yag dikoeksi pada model egesi peaksi liie tebaik dai pedikto adalah y c ( z z ) dega y da dai pesamaa sebelumya y ( ) maka dipeoleh hubuga c c c c s S y ( ) c c c oleh kaea itu teoi omal ata-ata besyaat da model egesi klasik memilki pedikto liie yag tepatya sama. 4
42 Meskipu dua peumusa dai masalah pediksi liie meghasilka pesamaa pedicto yag sama, pada dasaya adalah bebeda, pada model egesi klasik vaiable iput diassumsika ditetuka oleh ekpeimet, pada model egesi liie ilai dai vaiable pedicto adalah vaiable acak yag dipeoleh dihubugka dega ilai dai vaiable espo. Assumsi utuk pedekata kedua lebih ketat tapi tapi meghasilka pedicto optimal diataa semua piliha daipada melalui pedicto liie yag aag. Rumus umus yag behubuga dega egesi liie multivaiat secaa keseluuha ádalah sebagai beikut : Kasus Uivaiat Tedapat satu vaiable espo utuk seumlah data maka z L z z z L M M M O M M M z L z model pesamaaya ( ) ( ( ) (( ) ) ( ) dega metode kuadat tekecil peaksi : ( ) y koefisie detemiasi : R ( y y) ( y y) iteval kepecayaa : α ± t Va ( ) i i Test Hipotesis H : (,,..., ) i H : i 4
43 Statistik ui F SSR SSE ( ) Dega SSR ( ) ( ) y y SSE y y y Kiteia tolak H ika F > F α,, (Reced;33) Kasus Multivaiat Misalka utuk vaiable espo sebayak atau tedapat da da 3 vaiabel pedicto maka y y z z z3 y y z z z 3 M M M M M M M M y y z z z ika teadapat m vaiable espo da vaiable pedicto z, maka tedapat seumlah pesamaa model egesi : z... z z... z M M M z... z m m m m m dega [ ] mempuyai E ( ), Va ( ),,..., m model Regesi Liea Multivaiatya adalah ( m ) ( ( )) (( ) m) ( m ) dega ( ( ) ) ( ( ) ( ) ) E, Cov, I i, k,,... m i i k ik dega megguaka peaksia kuadat tekecil peaksi : ( ) dega () () L ( m ) da ( ) dega () () L ( m ) 43
44 esidualya adalah dega matik kovaiaya iteval kepecayaa : ( α)% cofidece ellipsoid utuk ( ) ( ) z adalah m ( ) z z z z z z F m, m( α ) m ( ) ( ) ( ) ( α)% iteval kepecayaa simulta utuk E( ) z adalah ( i) ( i) m( ) z ( i) ± Fm, m( α ) z( ) z ii i,,..., m m Test Hipotesis H : (,,..., ) i H : i statistik ui Λ E E H dega E H y y kiteia Tolak H ika Λ Λ α, m,, dimaa m meuuka bayakya vaiable, meuuka bayakya vaiable. Dalam tabel Wilks Lambda m meyataka p, meyataka V H da -- meyataka V E (Reced;344) Kosep Regesi Liie Utuk Kasus Uivaiat µ ( ) Misalka tedapat,,,..., dega µ µ ( ) da Σ ( ) ( ) Σ ( ) ( ) dimaa,,..., 44
45 pedikto liieya adalah dega koefisie µ µ, memiliki mea squae eo yaitu E( ) E( µ ( µ )) koelasi ataa vaiabel teikat dega pedikto liie tebaikya disebut koeffisie koelasi multiple populasi yag diotasika sebagai ρ ( ) kuadat dai koeffisie ii ρ disebut koeffisie detemiasi populasi, ilai dai ( ) koeffisie koelasi adalah aka kuadat positif ya yaitu ρ ( ). Utuk Kasus Multivaiat Misalka teadapat,,..., m,,,..., bedistibusi N m ( µ, ) µ ( m ) dega µ da µ ( ) ( m m) ( m ) ( m) ( ) egesi dai vekto dalam adalah µ µ µ µ z z ( z ) kuadat haapa da matiks coss poduk utuk eoya adalah E ( )( ) bedasaka sampel acak ukua, estimato maximum likelihood utuk fugsi egesiya adalah da estimato likelihood dai Koeffisie Koelasi Pasial ( ) z S S z adalah ( s S S S ) Aggaplah pasaga kesalaha µ ( µ ) µ ( µ ) 45
46 dipeoleh dai megguaka pedikto liie tebaik da hubugaya ditetuka dai matik kovaia kesalaha koeffisie koelasi pasial sampel adalah Cotoh : Dibeika Peyelesaia: z,,,3, 4 y,4,3,8,9 y Aka ditetuka,,,3, s s z s z tetuka model pesamaa egesi multivaiatya Dai pesoala diatas maka diyataka dalam betuk matiksya adalah Selautya cai ( ) 3 ( ) dipeoleh 5 5,6,,, Selautya aka ditetuka ( ) da ( ) () () () () 46
47 () () ( ) ( ) () () () (),6, 5,6, 5,, 7,, Sehigga dipeoleh z z Jadi matiks () () Peaksia paamete Hipotesis Statistik ui Λ E E H dega E H y y
48 X 3 y y 5 [ 5 ] E X Λ E H y y , bedasaka tabel Wilks lambda dipeoleh Λ α, m,, Λ,5;;;3, 5 (Tabel A.9 Wilks Lambda;567) kiteia Tolak H ika Λ Λ α, m,, kaea Λ > Λ α, m,, yaitu,65>,5 kesimpulaya H diteima, adi koeffisie tidak beati pada kedua pesamaa diatas. 48
49 Nama : Siti Habsah NIM : Aalisis Jalu Metode aalisis alu dikembagka oleh ahli geetika Sewel Wight pada 98-9 utuk meelaska hubuga sebab akibat dalam geetika populasi. Aplikasi aalisis aluya pada 95 utuk megawetka da memoopoli hagahaga tuut mempakasai pegguaa pesamaa stuktual dalam ekoomi. Tuua aálisis alu (atau aálisis pesamaa stuktual) utuk meyediaka peelasa yag logis dai koelasi yag diobsevasi dega megkostuksi model hubuga sebab da akibat ataa vaiabel-vaiabel. Koefisie koelasi sigifika yag tidak meuukka hubuga sebab akibat telah ditegaska bekali-kali pada diskusi koelasi, seigkali dega cotoh meggelika sepeti asosiasi positif diataa peuala peme kaet da da agka kimialitas. Tetu saa sebuah koelasi yag diobsevasi tidak peah bisa diguaka sebagai bukti hubuga sebab akibat. Agume meyakika utuk sebab akibat dapat dikostuksi dai ifeesi statistik besama dalil yag meyataka hubuga yag dikembagka dai ilmu pegetahua dai subek masalah da pegetia yag behubuga. Misalya teoi klasik tetag sifatsifat haga, keaika haga agug meaikka pemitaa da meuuka suplai. Dalam hal ii vaiabel pemitaa da suplai dipelakuka sebagai peyebab peubaha haga agug. Ketika satu vaiabel X medahului vaiabel lai pada suatu waktu, dapat disimpulaka X meyebabka X. Secaa diagam kita dapat meulis X X. Dega megikutsetaka eo є dalam hubuga, diagam aluya adalah X Dalam hubuga model liie, X dimaa sekaag X adalah vaiabel peyebab yag tidak dipegauhi oleh vaiabel lai. Gagasa hubuga sebab akibat ataa X da X meghauska semua fakto peyebab lai yag 49
50 mugki, dikesampigka. Secaa statistik, kita meetapka bahwa X da tidak bekoelasi, dimaa meuukka akibat besama dai semua vaiabel tidak teuku yag dapat mempegauhi X da X. Lebih spesifik lagi, egesi ditulis dalam betuk baku dega otasi yag elas atau (7-7) Walaupu eo dalam betuk baku, memiliki sebuah koefisie. Dalam model baku, paamete koefisie alu biasa disebut p. Model dalam (7-7) megakibatka Pesamaa kedua meyataka bahwa kesimpula semetaa diagam alu itu sedii legkapya ditetuka oleh vaiabel-vaiabel yag di tuukka kaea kostibusi pada vaiasi beumlah satu. Secaa matematis, sama logisya utuk meumuska bahwa X meyebabka X atau meumuska model ketiga yag memuat sebuah fakto yag behubuga, cotohys F 3 yag betaggug awab atas koelasi yag diobsevasi ataa X da X. Dalam kasus teakhi, koelasi ataa X da X adalah palsu da buka sebuah koelasi sebab akibat. Diagam aluya adalah X F 3 dimaa kita mempehitugka eo lagi dalam hubuga. Dalam hubuga vaiabel-vaiabel baku, model liie yag diakibatka oleh diagam alu di atas meadi X 5
51 (7-7) Dega eo baku da tidak bekoelasi satu sama lai dega F 3. Akibatya, koelasi dihubugka dega koefisie alu oleh da Model sebab akibat yag diumuska dalam (7-7) bebeda dai model dalam (7-7) maka tidak megeutka bahwa hubuga ataa koelasi da koefisie alu bebeda. Aalisis alu beisi dua kompoe utama: () diagam alu, da () dekomposisi koelasi yag diobsevasi ke seumlah hubuga koefisie alu yag mewakili alu-alu sedehaa da gabuga... Pegkostuksia Diagam Jalu Sebuah pebedaa dibuat diataa vaiabel-vaiabel yag tidak dipegauhi oleh vaiabel-vaiabel lai dalam sistem (vaiabel eksoge) da vaiabel-vaiabel yag dipegauhi oleh vaiabel-vaiabel lai (vaiabel edoge). Dega masigmasig vaiabel-vaiabel teikat teakhi dihubugka sebuah esidual. Atua tetetu meetuka peggambaa sebuah diagam alu. Tada paah meuukka sebuah alu. Diagam alu dikostuksi sebagai beikut:. Tada paah luus meuukka hubuga sebab ataa vaiabel-vaiabel exogeous atau peataa dega satu vaiabel teikat atau lebih. Tada paah luus uga meghubugka kesalaha (vaiabel esidue) dega semua vaiabel edogeous masig-masig 3. Tada paah kuva dega uug paah gada digamba diataa masigmasig pasaga vaiabel bebas (edoge) yag memiliki koelasi tidak ol. 5
52 Tada paah kuva utuk koelasi megidikasika koefisie koelasi alami simetis. Hubuga-hubuga lai yag lagsug, sepeti diidikasika oleh tada paah dega uug tuggal. Ketika megkostuksi diagam alu, biasaya megguaka vaiabelvaiabel yag telah baku yag memiliki ata-ata da vaiasi. Dalam koteks egesi begada, modelya adalah atau dimaa koefisie alu, γk γγ (7-73) p adalah koefisie egesi utuk k kk pedikto baku da p. γ γγ Utuk meilustasika pegkostuksia diagam alu, petama kita gamba diagam yag meelaska egesi begada dega vaiabel pedikto 3. Ketika masig-masig k dipelakuka sebagai vaiabel peyebab, koelasi ataa pasaga vaiabel-vaiabel eksoge dituukka oleh tada paah bebetuk kuva dega uug gada. Tada paah luus beagkat dai masigmasig vaiabel peyebab ke. Eo da masig-masig k (diasumsika) tidak bekoelasi sehigga tidak ada tada paah yag meghubugka vaiabelvaiabel ii. Diagam alu utuk vaiabel pedikto 3 dibeika dalam gamba 7.6 p p 3 p 3 p Gamba 7.6 5
53 Kesedehaaa lai, masih meaik, kodisi model aalisis fakto dega satu fakto biasa yag tidak diobsevasi. Meuut model ii, fakto tuggal tidak diobsevasi, F, betaggug awab atas koelasi ataa vaiabel espo, model dapat ditulis dalam hubuga vaiabel-vaiabel baku F,,, 3, da,, 3 sebagai (7-74) dimaa F,,, da 3 semuaya tidak bekoelasi. Diagam alu dituukka dalam gamba 7.7. P F P F P F P 3F 3 P 3 3 Gamba 7.7 Pegkostuksia diagam alu dapat membatu peeliti bepiki bea tetag sebuah masalah da meggambaka kompoe-kompoe petig koelasi yag diobsevasi. 53
54 .. Dekomposisi Koelasi yag Diobsevasi Estimasi koefisie alu aka memugkika kita meaksi pegauh lagsug da tidak lagsug dimaa satu vaiabel memiliki pegauh pada vaiable lai. Dai model liie yag meyataka hubuga sebab, kita dapat meemuka peyataa yag meghubugka koefisie alu da koelasi. Cotoh 7.6 (Aalisis Jalu dai Model Regesi) Dai betuk baku model egesi begada ([lihat (7-73)], koelasi ataa da masig-masig k dapat di dekomposisi sebagai beikut ρ Co (, k ) Cov pγi i, k pγi ρik i i γ k, k,,..., (7-75) Juga, ketika diagam alu memuat diiya sedii sehigga ditetuka oleh vaiabel-vaiabel dalam diagam, kita meemuka pesamaa detemiasi legkap. Va( ) Va pi i p pi ρik pk p i i k p i p i ρ ik p k p i i k i Vaiasi Poposi vaiasi Poposi vaiasi yg total yg lagsug dibeika disebabka itekoelasi oleh koefisie alu ataa vaiabel teikat Keadaa ρ [ ρ ρ,..., ρ ] T, matiks x { } [ p p p ] T,, (7-76) Poposi vaiasi disebabka eo ρ da ρ ik p,...,. Pesamaa (7-75) dapat ditulis dalam otasi matiks sebagai ρ ρ p, sehigga p ρ ρ Selai itu, eo yag beasal dai(7-76) meadi p dalam (7-73) memiliki vaiasi p, Va( ) p p ρ Kuadat koefisie alu ρ ρ ρ p p dihubugka pada koefisie koelasi begada kaea 54
55 p p ( ρ ρ ρ ) ρ ( ) Utuk data kompute cotoh 7.6, kita megauka diagam alu beikut bedasaka dugaa hubuga sebab akibat ataa,, da : p p Diagam ii membawa pada model liie (dalam betuk vaiabel-vaiabel baku) pi p p Akibatya, pesamaa (7-75) da (7-76) meadi da ρ ρ ) p ( p ρ p ρ p () sustitusi koelasi koelasi-koelasi cotoh (lihat cotoh 7. utuk S).997,. 45, da. 39 utuk bayakya populasi yag bekoespodesi dia atas, kita dapat megestimasi koefisie alu p da p dega meyelesaika. 997 p. 39p p p Secaa ekivale, kita dapat megguaka p p p Akhiya ( ) p p p pρ p Va ρ ρ p ρ p [ ]. Dega demikia koelasi yag diobsevasiataa espo CPU time da vaiabel pedikto pemitaa da peambaha-peghapusa item 55
56 dapat didekmposisi ke dalam bagia-bagia yag mewakili pegauh lagsug da tidak lagsug. Cotohya, secaa lagsug mempegauhi (diwakili oleh koefisie alu p da uga mempegauhi secaa tidak lagsug melalui (dituukka oleh hubuga poduk ρ p. Dega mesubstitusi bilagabilaga pada diagam alu, kita puya Tepat megguaka sebuah tabel utuk meuukka pegauh dekomposisi vaiabel-vaiabel pedikto pada espo. Idiect effect Diect effect Total effect (odes) (add-del items) Pehatika bahwa koefisie alu meguku pegauh lagsug k pada adalah koefisie egesi utuk vaiabel-vaiabel baku. Cotoh 7.7 (Aalisis Jalu dai Model Aalisis Fakto dega Satu Fakto Biasa) Model fakto tuggal dalam (7-74) utuk 3 vaiabel espo meghasilka hubuga utuk dekomposisi koelasi yag diobsevasi. ρ ik ( i k ) Cov( pif F pi i p kf F pk k ) pif pkf Co,, i k,, 3, i k da pesamaa detemiasi legkap ( ) Va( p p ) p p Va k kf k k k kf k k 56
57 Eam pesamaa ii dega mudah diselesaika utukkoefisie alu dalam betuk koelasi yag diestimasi. Cotoh 8.4 membeika matiks kovaia cotoh S utuk dimesi tiga (of tutle shells), yag maa kita meetuka.95, 3.94, da 4.9. dega memgasumsika fakto tuggal (ptumbuha) meebabka shell dimesios, kita bisa meulis. 95 p F p F. 94 adi p F p 3F (.95)(.94) p p p p.9 F F F 3F p F p F p3f. 9 p p F 3F da p. 99. Juga p pf. 7, da p. 9. Dega caa yag F sama, p (.95)(.9) /(.94). 959, p (.959). 83, p 3 F.95, da p. 3 F 3. Semua koefisie alu utuk faktu biasa adalah besa dibadigka koefisie alu eo. Ii meyataka sebuah mekaisme sebab akibat kuat ika model sebab akibat ii tepat. Tambaha, koefisie alu hampi sama, walaupu l(legth) dipegauhi lebih sedikit oleh F. Diagam alu dega koefisie alu yag diestimasi ditampilka beikut. p kf F Utuk meyimpulka, aalisis alu megambil teoi-teoi substasif utuk pemitaa-pemitaa sebab da megguaka diagam alu utuk meemuka dekomposisi koelasi yag diobsevasi tehadap pegauh lagsug 57
58 da tidak lagsug. Koefisie-koefisie alu membatu meetuka petigya pegauh-pegauh lagsug da tidak lagsug. Kesimpula aalisis alu aka begatug hubuga sebab akibat yag diasumsika 58
59 BAB III KESIMPULAN MODEL REGRESI LINIER MULTIVARIAT Kasus Uivaiat Tedapat satu vaiable espo utuk seumlah data maka z L z z z L M M M O M M M z L z model pesamaaya ( ) ( ( ) (( ) ) ( ) dega metode kuadat tekecil peaksi : ( ) y koefisie detemiasi : R ( y y) ( y y) iteval kepecayaa : α ± t Test Hipotesis i Statistik ui i Va ( ) i i H : (,,..., ) H : F SSR SSE ( ) Dega SSR ( ) ( ) y y SSE y y y Kiteia tolak H ika F > F α,, (Reced;33) 59
60 Kasus Multivaiat Misalka utuk vaiable espo sebayak atau tedapat da da 3 vaiabel pedicto maka y y z z z3 y y z z z 3 M M M M M M M M y y z z z ika teadapat m vaiable espo da vaiable pedicto z, maka tedapat seumlah pesamaa model egesi : z... z z... z M M M z... z m m m m m dega [ ] mempuyai E ( ), Va ( ),,..., m model Regesi Liea Multivaiatya adalah ( m ) ( ( )) (( ) m) ( m ) dega ( ( ) ) ( ( ) ( ) ) E, Cov, I i, k,,... m i i k ik dega megguaka peaksia kuadat tekecil peaksi : ( ) dega () () L ( m ) da ( ) dega () () L ( m ) esidualya adalah dega matik kovaiaya iteval kepecayaa : ( α)% cofidece ellipsoid utuk ( ) ( ) z adalah m ( ) z z z z z z F m, m( α ) m ( ) ( ) ( ) 6
61 ( α)% iteval kepecayaa simulta utuk E( ) z adalah ( i) ( i) m( ) z ( i) ± Fm, m( α ) z( ) z ii i,,..., m m Test Hipotesis H : (,,..., ) i H : i statistik ui Λ E E H dega E H y y kiteia Tolak H ika Λ Λ α, m,, dimaa m meuuka bayakya vaiable, meuuka bayakya vaiable. Dalam tabel Wilks Lambda m meyataka p, meyataka V H da -- meyataka V E (Reced;344) Kosep Regesi Liie Utuk Kasus Uivaiat µ ( ) Misalka tedapat,,,..., dega µ µ ( ) da Σ ( ) ( ) Σ ( ) ( ) dimaa pedikto liieya adalah koefisie µ µ, memiliki mea squae eo yaitu,,..., dega E( ) E( µ ( µ )) koelasi ataa vaiabel teikat dega pedikto liie tebaikya disebut koeffisie koelasi multiple populasi yag diotasika sebagai ρ ( ) 6
62 kuadat dai koeffisie ii ρ disebut koeffisie detemiasi populasi, ilai dai ( ) koeffisie koelasi adalah aka kuadat positif ya yaitu ρ ( ). Utuk Kasus Multivaiat Misalka teadapat,,..., m,,,..., bedistibusi N m ( µ, ) µ ( m ) dega µ da µ ( ) ( m m) ( m ) ( m) ( ) egesi dai vekto dalam adalah µ µ µ µ z z ( z ) kuadat haapa da matiks coss poduk utuk eoya adalah E ( )( ) bedasaka sampel acak ukua, estimato maximum likelihood utuk fugsi egesiya adalah da estimato likelihood dai Koeffisie Koelasi Pasial ( ) z S S z adalah ( s S S S ) Aggaplah pasaga kesalaha µ ( µ ) µ ( µ ) dipeoleh dai megguaka pedikto liie tebaik da hubugaya ditetuka dai matik kovaia kesalaha koeffisie koelasi pasial sampel adalah s s s 6
63 Aalisis alu Tuua aálisis alu (atau aálisis pesamaa stuktual) utuk meyediaka peelasa yag logis dai koelasi yag diobsevasi dega megkostuksi model hubuga sebab da akibat ataa vaiabel-vaiabel. Aalisis alu beisi dua kompoe utama: () diagam alu, da () dekomposisi koelasi yag diobsevasi ke seumlah hubuga koefisie alu yag mewakili alu-alu sedehaa da gabuga. Koelasi ataa da masig-masig k dapat di dekomposisi sebagai beikut ρ Co (, k ) Cov pγi i, k pγi ρik i i γ k, k,,..., da pesamaa detemiasi legkap Va( ) Va pi i p pi ρik pk p i i k p i p i ρ ik p k p i i k i Dai kedua pesamaa tesebut kita dapat meetuka besa koefisia alu. 63
Deret Bolak-balik (Alternating Series) Deret bolak-balik adalah deret yang suku-sukunya berganti tanda. Sebagai contoh,
Deet Bolak-balik Alteatig Seies Deet bolak-balik adalah deet yag suku-sukuya begati tada. Sebagai cotoh, + 4 + + + Deet bolak-balik beikut: = + a, dega a positif, kovege jika memeuhi dua syaat i. Setiap
Lebih terperinciKORELASI DAN REGRESI BERGANDA
KORELASI DAN REGRESI BERGANDA KORELASI BERGANDA Koelasi begada meupaka alat uku megeai hubuga yag tejadi ataa vaiabel depede () dega dua atau lebih vaiabel idepede,. Dega koelasi begada kekuata atau keeata
Lebih terperinciBAB III PENAKSIR DERET FOURIER. Dalam statistika, penaksir adalah sebuah statistik (fungsi dari data sampel
BAB III PENAKSIR DERET FOURIER 3. Peaksi Dalam saisika, peaksi adalah sebuah saisik (fugsi dai daa sampel obsevasi) yag diguaka uuk meaksi paamee populasi yag idak dikeahui (esimad) aau fugsi yag memeaka
Lebih terperinciPERBANDINGAN PENAKSIR REGRESI LINIER SEDERHANA PADA SAMPLING BERPERINGKAT, SAMPLING EKSTRIM BERPERINGKAT DAN SAMPLING MEDIAN BERPERINGKAT
PBANDINGAN PENAKSIR REGRESI LINI SEDHANA PADA SAMPLING BPINGKAT, SAMPLING EKSTRIM BPINGKAT DAN SAMPLING MEDIAN BPINGKAT E. W. Aitoag *, Haiso, R. Efedi Mahasiswi Pogam S Matematika Dose Juusa Matematika
Lebih terperinci4. KOMBINATORIKA ... S 1. S n S 2. Gambar 4.1
4. KOMBINATORIKA 4. Atua Utuk Suatu Peistiwa Evet sesuatu yag tejadi. Jika peistiwa A dapat tejadi dalam m caa da peistiwa B dapat tejadi dalam N caa, maka tedapat (m, ) caa kedua peistiwa tejadi besama-sama.
Lebih terperinciRegresi 4/13/2015 REGRESI LINEAR BERGANDA DAN REGRESI (TREND) NONLINEAR HUBUNGAN LEBIH DARI DUA VARIABEL REGRESI LINEAR BERGANDA
4/3/05 REGRESI LINER BERGND DN REGRESI (TREND) NONLINER Oleh : Fauza mi Sei, 3 pil 05` GDL (07.30-0.50) Regesi Dai deajat (pagkat) tiap peuah eas Liie (ila pagkatya ) No-liie (ila pagkatya uka ) Dai ayakya
Lebih terperinciStatistika Non Parametrik
. Pedahulua Statistika No Paametik Kelebiha Uji No Paametik: - Pehituga sedehaa da cepat - Data dapat beupa data kualitatif (Nomial atau Odial) - Distibusi data tidak haus Nomal Kelemaha Uji No Paametik:
Lebih terperinciBAB 2 TINJAUAN TEORITIS
BAB TINJAUAN TEORITIS.. Aalisis Koelasi Aalisis koelasi adalah metode statistika yag diguaka utuk meetuka kuatya atau deajat huuga liie ataa dua vaiael atau leih. Semaki yata huuga liie (gais luus), maka
Lebih terperinciTINJAUAN PUSTAKA. Pada bab ini akan diberikan beberapa konsep dasar, istilah istilah dan definisi
II. TINJAUAN PUSTAKA Pada bab ii aka dibeika bebeapa kosep dasa, istilah istilah da defiisi yag eat kaitaya dega masalah yag haus dibahas yaitu megeai bayakya caa megkostuksi Dyck path dega pajag k upstokes
Lebih terperinciSIFAT SIFAT RUANG VEKTOR ATAS LAPANGAN
SIFAT SIFAT RUANG VEKTOR ATAS LAPANGAN Dose Pegampu : Pof. D. Si Wahyui DISUSUN OLEH: Nama : Muh. Zaki Riyato Nim : 02/156792/PA/08944 Pogam Studi : Matematika JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN
Lebih terperincip q r sesuai sifat operasi hitung bentuk pangkat
Adi Nuhidayat, S.Pd PEMBAHASAN SALAH SATU PAKET SOAL UN MATEMATIKA SMK KELOMPOK PARIWISATA, SENI DAN KERAJINAN, TEKNOLOGI KERUMAHTANGGAAN, PEKERJAAN SOSIAL, DAN ADMINISTRASI PERKANTORAN TAHUN PELAJARAN
Lebih terperinciMOMEN, KEMIRINGAN, DAN KURTOSIS
00 MOMEN, KEMIRINGAN, DAN KURTOSIS Achmad Samsudi, S.Pd., M.Pd. Juusa Pedidika Fisika FPMIPA Uivesitas Pedidika Idoesia /8/00 MODUL MOMEN, KEMIRINGAN, DAN KURTOSIS Achmad Samsudi, S.Pd., M.Pd. Pedahulua
Lebih terperinciPENGARUH KEMAMPUAN AKADEMIK DAN JENIS KELAMIN TERHADAP LAMANYA MASA STUDI MAHASISWA MENGGUNAKAN METODE ANALISIS REGRESI LINIER BERGANDA.
PENGARUH KEMAMPUAN AKADEMIK DAN JENIS KELAMIN TERHADAP LAMANYA MASA STUDI MAHASISWA MENGGUNAKAN METODE ANALISIS REGRESI LINIER BERGANDA. Wachyudi Duda, Kuiati, da Ai Adiyati. Pogam Studi Matematika Fakultas
Lebih terperinciSIFAT SIFAT RUANG VEKTOR ATAS LAPANGAN (FIELD)
SIFAT SIFAT RUANG VEKTOR ATAS LAPANGAN (FIELD) Muhamad Zaki Riyato NIM: 02/156792/PA/08944 E-mail: zaki@mail.ugm.ac.id http://zaki.math.web.id Dose Pembimbig: Pof. D. Si Wahyui Pedahulua Sebelum melagkah
Lebih terperinciANALISIS REGRESI BERGANDA
Matei kuliah Aalisis Multivaiat Aalisis Regesi Begada : Tekik Idusti WiMa Madiu ANALISIS REGRESI BERGANDA Cotoh : Dai hasil peelitia dipeoleh data seagai eikut : Aalisis : 3 0 7 7 3 3 5 4 4 7 6 4 5 3 8
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 terperinciUNIVERSITAS GUNADARMA POLA, BARISAN DAN DERET BILANGAN BAHAN AJAR. Oleh : Muhammad Imron H. Modul Barisan dan Deret Hal. 1
BAHAN AJAR POLA, BARISAN DAN DERET BILANGAN Oleh : Muhammad Imo H 0 Modul Baisa da Deet Hal. BARISAN DAN DERET A. POLA BILANGAN. Pegetia Baisa Bilaga Baisa bilaga adalah uuta bilaga-bilaga dega atua tetetu.
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 terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakag Dalam keadaa dimaa meghadapi persoala program liier yag besar, maka aka berusaha utuk mecari peyelesaia optimal dega megguaka algoritma komputasi, seperti algoritma
Lebih terperinciMenentukan Pembagi Bersama Terbesar dengan Algoritma
Meetuka Pembagi Besama Tebesa dega Algoitma Macelius Hey M. (135108) Pogam Studi Tekik Ifomatika Sekolah Tekik Elekto da Ifomatika Istitut Tekologi Badug, Jl. Gaesha 10 Badug 4013, Idoesia 135108@std.stei.itb.ac.id
Lebih terperinciBAB 1 PENDAHULUAN. statistik dipergunakan untuk mencapai hasil yang dapat diramalkan.
BAB PENDAHULUAN.. Lata Belakag Tidak seoagpu yag dapat meamalka apa yag aka tejadi dimasa yag aka datag secaa sempua, meskipu dega megguaka bebagai alat aalisis. Setiap amala yag dilakuka tidak telepas
Lebih terperinciPELUANG. Terjadinya 2 kemungkinan kejadian yaitu : AB, AC, AD, BA, BC, BD, CA, CB, CD, DA, DB, DC = 12 kemungkinan. Prinsip/kaidah perkalian:
isip/kaidah pekalia: ELUANG Jika posisi /tempat petama dapat diisi dega caa yag bebeda, tempat kedua dega caa, da seteusya, sehigga lagkah ke ada caa maka bayakya caa utuk megisi tempat yag tesedia adalah
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 terperinciBAB X. PELUANG. Terjadinya 2 kemungkinan kejadian yaitu : AB, AC, AD, BA, BC, BD, CA, CB, CD, DA, DB, DC = 12 kemungkinan. Prinsip/kaidah perkalian:
isip/kaidah pekalia: BAB X. ELUANG Jika posisi /tempat petama dapat diisi dega caa yag bebeda, tempat kedua dea caa, da seteusya, sehigga lagkah ke ada caa maka bayakya caa utuk megisi tempat yag tesedia
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
Lebih terperinciBAB III METODE PENELITIAN. bertujuan untuk mengetahui hubungan antara dua variabel atau lebih (Sugiyono,
BAB III METODE PENELITIAN 3.1 Desai Peelitia Peelitia ii adalah peelitia asosiatif/hubuga yaitu peelitia betujua utuk megetahui hubuga ataa dua vaiabel atau lebih (Sugiyoo, 01).Selajutya, utuk pedekata
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 2 LANDASAN TEORI
Bab LANDASAN TEORI Vaiabel Vaiabel adalah suatu sebuta ag dapat dibei ilai agka (kuatitatif) atau ilai mutu (kualitatif) Vaiabel meupaka pegelompoka secaa logis dai dua atau lebih atibut dai objek ag diteliti
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 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 terperinciPemetaan Linear Yang Mengawetkan Invers Drazin Matriks Atas Lapangan
Pemetaa Liea Yag Megawetka Ives azi Matiks Atas Lapaga ibeika matiks x atas lapaga Sutopo Juusa Matematika Fakultas Matematika da Pegetahua Alam Uivesitas Gadjah Mada sutopo_mipa@ugm.ac.id Abstact F lapaga
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 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 terperinciESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika
Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
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 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 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 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 terperinciBAB X. PELUANG. Terjadinya 2 kemungkinan kejadian yaitu : AB, AC, AD, BA, BC, BD, CA, CB, CD, DA, DB, DC = 12 kemungkinan. Prinsip/kaidah perkalian:
isip/kaidah pekalia: BAB X. ELUANG Jika posisi /tempat petama dapat diisi dega caa yag bebeda, tempat kedua dea caa, da seteusya, sehigga lagkah ke ada caa maka bayakya caa utuk megisi tempat yag tesedia
Lebih terperinciPengujian Hipotesis Komperatif 2 sampel Independen
Statistika No Paametik A Tugas Kategoi : Kelompok Pegujia Hipotesis Kompeatif sampel Idepede Kelompok ELSA RESA SARI ( H 5 309 ) SARINA ( H 5 3 ) Taggal Tugas : 03 Apil 07 Taggal Kumpul : 0 Apil 07 DEPARTEMEN
Lebih terperinciBAB VIII KONSEP DASAR PROBABILITAS
BAB VIII KONSEP DASAR PROBABILITAS 1.1. Pedahulua Dalam pertemua ii Ada aka mempelajari beberapa padaga tetag permutasi da kombiasi, fugsi da metode perhituga probabilitas, da meghitug probabilitas. Pada
Lebih terperinci4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN
4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN Saat asumsi keormala tidak dipuhi maka kesimpula yag kita buat berdasarka suatu metod statistik yag mesyaratka asumsi keormala meadi tidak baik, sehigga mucul
Lebih terperinciPIRAMIDA PASCAL: SUATU PENGEMBANGAN SEGITIGA PASCAL
PIRAMIDA PASCAL: SUATU PENGEMBANGAN SEGITIGA PASCAL I Waya Pua Astawa SMKN Abag, Kab. Kaagasem, Bali Abstact. The ability to expad ad geealize is oe of the most impotat facilities a teache ca help a studet
Lebih terperinciEKSISTENSI INVERS GRUP DARI MATRIKS BLOK. Mahasiswa Program S1 Matematika 2
ESSTENS NVERS GRU DR TRS LO Riaa Wedya Rola ae usaii ahasiswa ogam S atematika Dose Juusa atematika Fakultas atematika da lmu egetahua lam ampus iawidya ekabau 89 doesia email: iaa_wedya@yahoocom STRCT
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 terperinciIII. METODE PENELITIAN. kelas VIII semester ganjil SMP Sejahtera I Bandar Lampung tahun pelajaran 2010/2011
III. METODE PENELITIAN A. Latar Peelitia Peelitia ii merupaka peelitia yag megguaka total sampel yaitu seluruh siswa kelas VIII semester gajil SMP Sejahtera I Badar Lampug tahu pelajara 2010/2011 dega
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
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 terperinciDISTRIBUSI SAMPLING. Oleh : Dewi Rachmatin
DISTRIBUSI SAMPLING Oleh : Dewi Rachmati Distribusi Rata-rata Misalka sebuah populasi berukura higga N dega parameter rata-rata µ da simpaga baku. Dari populasi ii diambil sampel acak berukura, jika tapa
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 5. MODEL RELIABILITAS PARAMETRIK
BAB 5. MODEL RELIABILITAS PARAMETRIK Pehituga Laju Hazad dega Peyesoa Sebagaimaa dibahas di bab, laju hazad utuk suatu iteval waktu adalah asio ataa bayakya keusaka yag tejadi selama iteval waktu da bayakya
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 terperinciII. TINJAUAN PUSTAKA. Secara umum apabila a bilangan bulat dan b bilangan bulat positif, maka ada tepat = +, 0 <
II. TINJAUAN PUSTAKA 2.1 Keterbagia Secara umum apabila a bilaga bulat da b bilaga bulat positif, maka ada tepat satu bilaga bulat q da r sedemikia sehigga : = +, 0 < dalam hal ii b disebut hasil bagi
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 terperinciSEBARAN t dan SEBARAN F
SEBARAN t da SEBARAN F 1 Tabel uji t disebut juga tabel t studet. Sebara t pertama kali diperkealka oleh W.S. Gosset pada tahu 1908. Saat itu, Gosset bekerja pada perusahaa bir Irladia yag melarag peerbita
Lebih terperinci= Keterkaitan langsung ke belakang sektor j = Unsur matriks koefisien teknik
Aalisis Sektor Kuci Dimaa : KLBj aij = Keterkaita lagsug ke belakag sektor j = Usur matriks koefisie tekik (b). Keterkaita Ke Depa (Forward Ligkage) Forward ligkage meujukka peraa suatu sektor tertetu
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jeis Peelitia Jeis peelitia yag peulis lakuka adalah peelitia kuatitatif, kaea peelitia ii betujua utuk megetahui adaya koelasi ataa tigkat kecedasa (IQ), motivasi bepestasi,
Lebih terperinciBAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA DAN FAKTOR DISKON
BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARA DAN FAKTOR DIKON 3.1 Ecoomic Order Quatity Ecoomic Order Quatity (EOQ) merupaka suatu metode yag diguaka utuk megedalika
Lebih terperinci1 n MODUL 5. Peubah Acak Diskret Khusus
ODUL 5 Peubah Acak Diskret Khusus Terdapat beberapa peubah acak diskret khusus yag serig mucul dalam aplikasi. Peubah Acak Seragam ( Uiform) Bila X suatu peubah acak diskret dimaa setiap eleme dari X mempuyai
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 terperinciProgram Perkuliahan Dasar Umum Sekolah Tinggi Teknologi Telkom. Barisan dan Deret
Program Perkuliaha Dasar Umum Sekolah Tiggi Tekologi Telkom Barisa da Deret Barisa Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) a Fugsi tersebut
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 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 terperinciBAB III METODE PENELITIAN. Dipilihnya Bappeda Kabupaten Labuhanbatu Selatan sebagai objek penelitian
37 BAB III METODE PENELITIAN 3.. Tempat da Waktu Peelitia Peelitia ii dilaksaaka di Bappeda Kabupate Labuhabatu Selata. Dipilihya Bappeda Kabupate Labuhabatu Selata sebagai objek peelitia kaea peeliti
Lebih terperinciBAB I KONSEP DASAR PERSAMAAN DIFERENSIAL
BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah
Lebih terperincii adalah indeks penjumlahan, 1 adalah batas bawah, dan n adalah batas atas.
4 D E R E T Kosep deret merupaka kosep matematika yag cukup populer da aplikatif khusuya dalam kasus-kasus yag meyagkut perkembaga da pertumbuha suatu gejala tertetu. Apabila perkembaga atau pertumbuha
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 terperinciPERHITUNGAN BIAYA TAMBAHAN DALAM PENDANAAN PROGRAM PENSIUN DENGAN METODE ACCRUED BENEFIT COST
Buleti Ilmiah Mat. Stat. da Teapaya (Bimaste) Volume 03, No.1 (2014), hal 63 68. PERHITUNGAN BIAYA TAMBAHAN DALAM PENDANAAN PROGRAM PENSIUN DENGAN METODE ACCRUED BENEFIT COST Septiaa, Dada Kusada, Neva
Lebih terperinciPedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai
PENGUJIAN HIPOTESIS Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai ilai-ilai parameter populasi,
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 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 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 terperinciII. LANDASAN TEORI. Pada bab ini akan diberikan beberapa istilah, definisi serta konsep-konsep yang
II. LANDASAN TEORI Pada bab ii aka diberika beberapa istilah, defiisi serta kosep-kosep yag medukug dalam peelitia ii. 2.1 Kosep Dasar Teori Graf Berikut ii aka diberika kosep dasar teori graf yag bersumber
Lebih terperinciPENGUJIAN HIPOTESA BAB 7
PENGUJIAN IPOTESA BAB 7 Pedahulua ipotesis ( upo : lemah, Thesis : peryataa ) Diartika :. Peryataa yag masih lemah kebearaya da perlu dibuktika. Dugaa yag sifatya masih semetara ipotesis ii perlu utuk
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 terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciBAB XII ANALISIS JALUR (PATH ANALYSIS) APA SIH?
BAB XII ANALISIS JALUR (PATH ANALYSIS) APA SIH? KONSEP DASAR Path analysis meupakan salah satu alat analisis yang dikembangkan oleh Sewall Wight (Dillon and Goldstein, 1984 1 ). Wight mengembangkan metode
Lebih terperinci2 BARISAN BILANGAN REAL
2 BARISAN BILANGAN REAL Di sekolah meegah barisa diperkealka sebagai kumpula bilaga yag disusu meurut "pola" tertetu, misalya barisa aritmatika da barisa geometri. Biasaya barisa da deret merupaka satu
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tujua Peelitia Peelitia ii bertujua utuk megetahui apakah terdapat perbedaa hasil belajar atara pegguaa model pembelajara Jigsaw dega pegguaa model pembelajara Picture ad Picture
Lebih terperinciBARISAN DAN DERET. Nurdinintya Athari (NDT)
BARISAN DAN DERET Nurdiitya Athari (NDT) BARISAN Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) = a Fugsi tersebut dikeal sebagai barisa bilaga
Lebih terperinciRange atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu
BAB 4 UKURAN PENYEBARAN DATA Pada Bab sebelumya kita telah mempelajari beberapa ukura pemusata data, yaitu ukura yag memberika iformasi tetag bagaimaa data-data ii megumpul atau memusat Pada bagia Bab
Lebih terperinciBAB I PENDAHULUAN. Integral adalah salah satu konsep penting dalam Matematika yang
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Itegral adalah salah satu kosep petig dalam Matematika yag dikemukaka pertama kali oleh Isac Newto da Gottfried Wilhelm Leibiz pada akhir abad ke-17. Selajutya
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya. Model Sistem dalam Persamaan Keadaan
Istitut Tekologi Sepuluh Nopember Surabaya Model Sistem dalam Persamaa Keadaa Pegatar Materi Cotoh Soal Rigkasa Latiha Pegatar Materi Cotoh Soal Rigkasa Istilah-istilah Dalam Persamaa Keadaa Aalisis Sistem
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 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 terperincioleh hasil kali Jika dan keduanya fungsi yang dapat didiferensialkan, maka
Itegral etu Jika fugsi kotiu yag didefiisika utuk, kita bagi selag mejadi selag bagia berlebar sama Misalka berupa titik ujug selag bagia ii da pilih titik sampel di dalam selag bagia ii, sehigga terletak
Lebih terperinciBAB I PENDAHULUAN. A. Latar Belakang Masalah
BAB I PENDAHULUAN A. Latar Belakag Masalah Struktur alabar adalah suatu himpua yag di dalamya didefiisika suatu operasi bier yag memeuhi aksioma-aksioma tertetu. Gelaggag ( Rig ) merupaka suatu struktur
Lebih terperinciMAKALAH ALJABAR LINEAR SUB RUANG VEKTOR. Dosen Pengampu : Darmadi, S.Si, M.Pd
MAKALAH ALJABAR LINEAR SUB RUANG VEKTOR Dose Pegampu : Darmadi, S.Si, M.Pd Disusu : Kelas 5A / Kelompok 5 : Dia Dwi Rahayu (084. 06) Hefetamala (084. 4) Khoiril Haafi (084. 70) Liaatul Nihayah (084. 74)
Lebih terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
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 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 terperinciCATATAN KULIAH Pertemuan I: Pengenalan Matematika Ekonomi dan Bisnis
CATATAN KULIAH Pertemua I: Pegeala Matematika Ekoomi da Bisis A. Sifat-sifat Matematika Ekoomi 1. Perbedaa Matematika vs. Nomamatematika Ekoomi Keutuga pedekata matematika dalam ilmu ekoomi Ketepata (Precise),
Lebih terperinciKUNCI JAWABAN UJI KOPETENSI SEMESTER 1 A.
KUNCI JWN UJI KOPETENSI SEMESTER. Piliha Gada. Jawaba: b Titik da G mempuyai fase sama sebab aahya sama (ke atas) da beada di atas gais setimbag (sb x).. Jawaba: d Gelmbag elektmagetik adalah gelmbag yag
Lebih terperinciIII. METODOLOGI PENELITIAN. Menurut Suharsimi Arikunto (2006:136) metode penelitian adalah cara yang
III. METODOLOGI PENELITIAN A. Metode Peelitia Meuut Suhasimi Aikuto (006:136) metode peelitia adalah caa yag diguaka oleh peeliti dalam megumpulka data peelitia, dapat beupa agket, wawacaa, pegamata atau
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
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 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 terperinciModul Kuliah statistika
Modul Kuliah statistika Dose: Abdul Jamil, S.Kom., MM SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER MUHAMMADIYAH JAKARTA Bab 2 Populasi da Sampel 2.1 Populasi Populasi merupaka keseluruha pegamata
Lebih terperinci