KAJIAN EFEK KEMENJULURAN DAN KURTOSIS PADA UJI-t CONTOH TUNGGAL
|
|
- Erlin Sumadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 KAJIAN EFEK KEMENJULURAN DAN KURTOSIS PADA UJI-t CONTOH TUNGGAL Oleh: Retno Wulan Sari G DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 006
2 ABSTRAK RETNO WULAN SARI. Kajian Efek Kemenjuluran dan Kurtosis pada Uji-t Contoh Tunggal. Dibimbing oleh KUSMAN SADIK dan ERFIANI. Data contoh yang diambil dari suatu populasi dapat digunakan untuk mengkaji karakteristik dari populasi asal. Uji-t contoh tunggal digunakan untuk menguji nilai tengah satu populasi dengan mengasumsikan data berasal dari sebaran normal. Kondisi sesungguhnya banyak dijumpai data dengan bentuk yang tidak mengikuti sebaran normal. Ketidaknormalan sebaran ini dipengaruhi oleh dua hal, yaitu kemenjuluran (skewness) dan kurtosis. Tujuan penelitian ini untuk melihat pengaruh kemenjuluran dan kurtosis terhadap performa uji-t berdasarkan pergeseran nilai tengah dan arah ujinya. Penelitian dilakukan dengan membandingkan tingkat nyata dan kuasa uji-t dari sebaran yang memiliki kemenjuluran dan kurtosis nol (normal) dengan sebaran yang memiliki koefisien kemenjuluran dan kurtosis positif. Khi -Kuadrat (db, 4, 6, 8) mewakili sebaran dengan kemenjuluran dan kurtosis positif sedangkan sebaran normal campuran mewakili sebaran kurtosis positif (kurtosis mendekati 1,, 3, 4, dan 5) dengan nilai kemenjuluran nol. Simulasi dilakukan dengan memperhatikan tiga faktor, yaitu p ergeseran pada hipotesis nol (d), ukuran contoh (n), dan arah pengujian. Tingkat nyata pada sebaran dengan kemenjuluran positif lebih besar dari a untuk uji satu arah ke kiri dan uji dua arah, sedangkan uji satu arah ke kanan memiliki tingkat nyata yang lebih kecil. Kuasa uji yang dihasilkan dari sebaran ini tidak simetrik, pada nilai pergeseran yang sama kuasa uji ke kanan lebih besar daripada ke kiri. Tingkat nyata pada sebaran dengan kurtosis positif sedikit lebih rendah dari a, terutama untuk n yang kecil. Semakin besar n semakin menghilangkan pengaruh dari kurtosis pada tingkat nyata. Tingkat nyat a uji satu arah lebih mendekati nilai a dibandingkan dengan uji dua arah. Kuasa uji dari sebaran ini bersifat simetrik, arah dari pergeseran tidak mempengaruhi nilai dari kuasa uji. Efek dari kurtosis kurang mempengaruhi performa uji-t bila dibandingkan efek kemenjuluran.
3 KAJIAN EFEK KEMENJULURAN DAN KURTOSIS PADA UJI-t CONTOH TUNGGAL Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Oleh: Retno Wulan Sari G DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 006
4 Judul : KAJIAN EFEK KEMENJULURAN DAN KURTOSIS PADA UJI-t CONTOH TUNGGAL Nama : Retno Wulan S ari NRP : G Menyetujui : Pembimbing I, Pembimbing II, Kusman Sadik, S.Si, M.Si Dr. Ir. Erfiani, M.Si NIP NIP Mengetahui : Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Dr. Ir. Yonny Koesmaryono, MS NIP Tanggal Lulus:
5 RIWAYAT HIDUP Penulis dilahirkan di Tangerang pada tanggal 7 Maret 1983 sebagai anak kedua dari tiga bersaudara, putri pasangan bapak Suhartoyo dan ibu Suratmi. Penulis menyelesaikan pendidikan dasar di SD Negeri Sudimara III Ciledug pada tahun 1995, kemudian SLTP Negeri 3 Tangerang pada tahun 1998, SMU Negeri Tangerang pada tahun 001, dan pada tahun yang sama penulis diterima sebagai mahasiswa di Departemen Statistika FMIPA IPB, melalui jalur Ujian Masuk Perguruan Tinggi Negeri (UMPTN) dengan mata kuliah sosial ekonomi sebagai penunjang. Selama kuliah, penulis aktif di kepanitiaan antara lain Matematika Ria, Try Out SMP- SMU, dan Munaslub Statistika. Penulis juga pernah menjadi pengurus dalam Himpro Gamma Sigma Beta masa kepengurusan Penulis melaksanakan Praktik Lapang di PT. Jasa Marga (Persero), pada tanggal 1 Februari 005 sampai dengan 1 April 005.
6 PRAKATA Syukur alhamdulillah penulis ucapkan hanya kepada Allah SWT atas segala rahmat dan karunia-nya sehingga karya ilmiah ini dapat diselesaikan. Tema yang menjadi pilihan dalam penelitian yang dilaksanakan sejak Juni 005 ini ialah pengkajian pengaruh ketidaknormalan data, dengan judul Kajian Efek Kemenjuluran dan Kurtosis pada Uji -t Contoh Tunggal. Ucapan terima kasih penulis sampaikan pada Bapak Kusman Sadik, S.Si, M.Si dan Ibu Dr. Ir. Erfiani, M.Si selaku pembimbing, atas segala bantuan, saran, kritik, dan waktu yang diberikan selama proses penulisan karya ilmiah ini. Terima kasih yang tak kalah besar juga penulis ucapkan kepada: 1. Bapak dan Ibu, atas doa, cinta, dan pengorbanan yang telah diberikan selama ini. Kiki, Mba Eka, Mas Budi, serta Danang dan Bagas.. Bapak Bagus, Bapak Farid, dan Ibu Utami untuk bantuan dan diskusi-diskusinya. 3. Keluarga besar Heru Budiarso dan Slamet Hirman. 4. Maulana Christanto dan keluarga besar Lily Prabowo. Terima kasih untuk dukungan, semangat, dan cinta tanpa batasnya. 5. Yulin, Renti, Puput, Sita, Pika, Yuan, Yhan, Sigit, Dadang, Dion, dan Faishal untuk proses pembelajaran bagaimana menjadi sahabat yang baik. 6. Saras, Adit, dan Angga atas kesediaannya menjadi pembahas dalam seminar penulis. 7. Seno atas bantuannya dalam proses pencarian literatur. 8. Kak Irfan untuk semua ilmu dan pengalaman yang diberikan. 9. Tyo, Novi, Gatik, Topan, Ihyak, Rio, dan seluruh angkatan 38 lainnya. Empat tahun yang tidak akan terlupakan. 10. Bu Dede, Bu Sulis, Bu Mar, Pak Sudin, Pak Iyan, Durrohman, dan Pak Herman, untuk bantuan akademis yang diberikan. 11. Rosid, Irene, dan semua adik kelas 39, 40, dan 41. Semoga karya ilmiah ini dapat bermanfaat. Bogor, Januari 006 Retno Wulan Sari
7 DAFTAR ISI Halaman DAFTAR TABEL... vi DAFTAR GAMBAR... DAFTAR LAMPIRAN... vi vi PENDAHULUAN Latar Belakang... 1 Tujuan... 1 TINJAUAN PUSTAKA Sebaran Data... 1 Sebaran Campuran (Mixture Distribution)... Kuasa Uji ( Power of Test)... Uji-t Contoh Tunggal... 3 BAHAN DAN METODE... 3 HASIL DAN PEMBAHASAN Kemenjuluran... 5 Kurtosis KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN... 15
8 DAFTAR TABEL Halaman 1. Struktur data pada penelitian Tingkat nyata K1, K, K3, K4, dan Nor pada berbagai arah uji dan ukuran contoh Nilai kuasa uji-t pada K1, K, K3, dan K4, n= Nilai kuasa uji-t pada K1, K, K3, dan K4, n= Nilai kuasa uji-t pada K1, K, K3, dan K4, n= Tingkat nyata NC1, NC, NC3, NC4, NC5, dan Nor pada berbagai arah uji dan ukuran contoh Kuasa uji-t pada NC1, NC, NC3, NC4, dan NC5, n= Kuasa uji-t pada NC1, NC, NC3, NC4, dan NC5, n= Kuasa uji-t pada NC1, NC, NC3, NC4, dan NC5, n= DAFTAR GAMBAR 1. Tahap -tahap yang dilakukan pada penelitian Plot K1, K, K3, K4, dan Nor Plot K4 dengan pergeseran -0.5s dan 0.5s Tingkat nyata pada Nor dan K1 pada berbagai arah uji dan ukuran contoh Kuasa uji dua arah pada Nor dan K1, n= Kuasa uji satu arah ke kanan pada Nor dan K1, n= Kuasa uji satu arah ke kiri pada Nor dan K1, n= Efek dari arah dan besar nilai pergeseran terhadap kemenjuluran statistik-t pada K1, n= Plot NC1, NC, NC3, NC4, NC5 dan Nor Plot NC1 dengan pergeseran -0.5s dan 0.5s Kuasa uji dua arah pada NC5 dan Nor, n= DAFTAR LAMPIRAN 1. Nilai simulasi koefisien kurtosis pada berbagai kombinasi sebaran normal campuran Simulasi kekonvergenan tingkat nyata uji-t dua arah pada sebaran normal saat tidak ada pergeseran pada nilai tengah Diagram alir algoritma untuk menduga nilai kuasa uji Kuasa uji-t pada K1, K, K3, dan K4, n=30 dan Kuasa uji-t pada NC1, NC, NC3, NC4, dan NC5, n=30 dan Makro SAS pendugaan nilai kuasa uji-t satu arah ke kanan pada sebaran khi-kuadrat... 1
9 9 PENDAHULUAN Latar Belakang Data contoh yang diambil dari suatu populasi dapat digunakan untuk mengkaji karakteristik dari populasi asal. Salah satu karakteristik populasi yang menarik untuk dikaji adalah nilai tengah atau pemusatan data, oleh sebab itu dilakukanlah pengujian hipotesis bagi nilai tengah. Uji-t Student contoh tunggal (one-sample Student s t-test) merupakan salah satu metode yang digunakan untuk melakukan pengujian terhadap nilai tengah satu populasi. Uji ini mengasumsikan data contoh beras al dari populasi yang menyebar normal. Pada kondisi sesungguhnya banyak dijumpai data yang memiliki bentuk tidak simetrik dan tidak normal. Kemenjuluran (skewness) dan kurtosis merupakan dua hal yang mempengaruhi bentuk sebaran, sehingga merupakan hal yang menarik untuk ditelaah lebih lanjut mengenai pengaruh keduanya terhadap performa uji-t. Reineke, Bagget, & Elfessi (003) menyatakan bahwa distribusi statistik t mewarisi kemenjuluran yang berlawanan dengan populasi asal. Hubungan ini dipengaruhi oleh pergeseran pada populasi asalnya, karena itu arah dari pergeseran dianggap penting saat populasi yang digunakan pada uji-t berasal dari populasi yang menjulur. Tujuan Tujuan dari penelitian ini untuk melihat pengaruh kurtosis dan kemenjuluran terhadap tingkat nyata dan kuasa dari uji-t contoh tunggal berdasarkan pergeseran nilai tengah dan arah dari pengujian. TINJAUAN PUSTAKA Sebaran Data Sebaran peluang sangat penting dalam analisis statistika, dengan diketahuinya sebaran peluang pada suatu populasi pengamatan maka inferensia akan mudah dilakukan. Secara umum karakteristik dari sebaran frekuensi data dapat dilihat dari empat hal yaitu posisi pusat, keragaman, kemenjuluran dan kurtosis. Sebaran normal merupakan contoh sebaran simetrik dengan kemenjuluran dan kurtosis bernilai nol. Sedangkan nilai kemenjuluran yang positif dapat dijumpai salah satunya pada sebaran khi-kuadrat. Kurtosis lebih menunjukkan ukuran ketidaknormalan pada sebaran, salah satu sebaran dengan koefisien kurtosis positif adalah sebaran normal campuran, yang merupakan campuran dari sebaran normal baku dengan sebaran normal (0,s ). Kemenjuluran Setiap data yang simetrik memiliki kemenjuluran yang mendekati nol. Nilai negatif dari kemenjuluran mengindikasikan bahwa data menjulur ke kiri, artinya sebagian besar data bernilai lebih rendah dari rataannya. Sebaliknya nilai positif dari kemenjuluran mengindikasikan bahwa data menjulur ke kanan, artinya sebagian besar data nilainya lebih tinggi dari rataannya. Kendal & Stuart (1977) menyat akan bahwa koefisien kemenjuluran, yang dilambangkan? 1 atau ß 1 dapat dihitung dari rumus berikut: dengan: µ 3 = E (X-E(X)) 3 µ = E (X-E(X)) µ γ 1 = β1 = µ 3 3 Sedangkan statistik yang mengukur koefisien kemenjuluran (Susetyo & Aunuddin 199) adalah: ( n 1)( n ) n i= 1 dimana: x : rata-rata contoh x i : contoh ke i s : simpangan baku contoh Kurtosis n ( ) x x Kurtosis adalah ukuran yang menentukan puncak dan ekor dari suatu sebaran. Sebaran dengan puncak yang tinggi (kurtosis>0) disebut leptokurtic, puncak yang datar (kurtosis<0) disebut platykurtic, dan yang menyebar normal (kurtosis=0) disebut mesokurtic. Susetyo & Aunuddin (199) menyatakan bahwa sebaran dengan ekor yang panjang akan memiliki nilai i s 3 3
10 10 kurtosis positif sedangkan jika ekornya pendek nilai kurtosisnya akan negatif. Ukuran kurtosis dapat dihitung dengan rumus: µ 4? = ß 3 = 3 µ dengan: µ 4 = E (X-E(X)) 4 Sedangkan statistiknya: n( n + 1) ( n 1)( n )( n 3) n i= 1 ( x i x) s 4 4 3( n 1)( n 1) ( n )( n 3) Sehingga kemenjuluran dan kurtosis dari sebaran khi-kuadrat adalah: 8r? 1 = 3 r 48r + 1r? = 4r 1 = r 3 Sebaran Campuran (Mixture Distribution) Titterington, Smith, dan Makov (1985) menyatakan jika peubah acak X yang nilainya tercakup didalam ruang contoh? dan sebarannya bisa dinyatakan dalam bentuk: dimana p dan ( x θ ) π f ( xθ ) ( χ ) p x) = π f x ( 1 1 j > k 0, j = 1,,..., k; p p = 1 ( ) 0, f ( x) dx = 1, j = 1 k f j j,...,? Dalam kasus ini dapat dikatakan bahwa X mengikuti sebaran campuran terhingga (finite mixture distribution) yang selanjutnya akan disebut sebagai sebaran campuran. Parameter π 1, π, K, π k disebut sebagai proporsi komponen dalam campuran dan f 1( ), f( ), K, fk ( ) adalah komponen dalam campuran, serta? j adalah parameter dari f j ( ). Secara khusus sebaran campuran dari dua komponen normal dengan nilai tengah sama dapat ditulis sebagai berikut: p ( x ) = pf ( x µ, s 1 ) + ( 1 p ) f ( x µ, s ) k k j dengan ( x µ, σ ); j = 1, φ melambangkan fungsi kepekatan normal tunggal dengan rataan µ dan ragam σ j. Quandt & Ramsey (1978) menuliskan fungsi di atas dengan cara lain, yaitu: X ~ N( µ, s 1 ) dengan peluang π dan X ~ N( µ, s ) dengan peluang( 1 π ) Dengan konsep ini juga maka Fowlkes (1979) membangkitkan data dari sebaran campuran dari dua komponen normal dengan cara berikut. Pertama, membangkitkan satu bilangan, U, dari sebaran Seragam (0,1). Jika U p, satu bilangan dibangkitkan dari sebaran N ( µ,s 1 ); tetapi jika U > p maka satu bilangan akan dibangkitkan dari sebaran N ( µ,s ). Kuasa Uji (power of test) Kendal & Stuart (1973) menyatakan bahwa untuk menguji suatu hipotesis yang berbasis contoh acak diperlukan pembagian ruang contoh (W) menjadi dua daerah. Jika contoh yang teramati x jatuh pada salah satu dari daerah ini, katakan w, maka hipotesis akan ditolak; jika x jatuh pada daerah komplemennya, W-w, maka hipotesis harus diterima. w dikenal sebagai daerah kritik dari suatu uji dan W-w disebut sebagai daerah penerimaan. Jika distribusi peluang dari pengamatan dibawah hipotesis yang diuji (H 0 ) diketahui, nilai w dapat ditentukan, sehingga jika H 0 diketahui benar, peluang untuk menolak H 0 sama dengan nilai a, dapat ditulis sebagai berikut: a = P {x w H 0 } Nilai a disebut juga sebagai size dari suatu uji atau juga tingkat nyata (level of significance), merupakan kesalahan tipe I yang mungkin kita lakukan. Sedangkan kesalahan tipe II disebut sebagai ß yaitu kesalahan menerima H 0 yang salah. Peluang dari ß merupakan fungsi dari H 1 (hipotesis alternatif), yaitu: ß = P {x W-w H 1 } Peluang komplemen dari ß yang juga merupakan fungsi dari H 1 disebut sebagai kuasa uji (power of test), yaitu: 1- ß = P {x w H 1 }
11 11 Jika kuasa pengujian rendah maka kemungkinan besar percobaan yang dilakukan memberikan kesimpulan yang salah. Semakin jauh perbedaan nilai parameter dengan nilai yang dihipotesiskan maka nilai ß akan semakin kecil dan sebaliknya, sehingga kuasa uji tersebut akan meningkat. Galat jenis I dan galat jenis II saling berhubungan. Menurunnya peluang yang satu akan menaikkan peluang yang lain, tetapi dengan meningkatkan ukuran contoh (n) akan memperkecil keduanya secara bersama-sama (Walpole 1988). Tingkat nyata pada simulasi adalah proporsi menolak hipotesis nol terhadap banyaknya iterasi saat kondisi pergeseran (d/s) sama dengan nol. Sedangkan kuasa uji adalah proporsi menolak hipotesis nol terhadap banyaknya iterasi pada kondisi pergeseran (d/s) tidak sama dengan nol. Uji-t Contoh Tunggal Hipotesis: 1. H 0 : µ = µ 0 vs H 1 : µ < µ 0 (uji satu arah). H 0 : µ = µ 0 vs H 1 : µ > µ 0 (uji satu arah) 3. H 0 : µ = µ 0 vs H 1 : µ? µ 0 (uji dua arah) Statistik uji: x µ 0 t hitung = s n dengan derajat bebas n-1 dimana: x : rataan contoh s : standar deviasi contoh n : ukuran contoh Hipotesis nol akan ditolak saat: 1. t hitung < t a, db= n 1. t hitung > t a, db= n 1 3. thitung > tα, db= n 1 Uji-t untuk contoh tunggal biasanya digunakan sebagai pengganti uji z saat n kecil dan s tidak diketahui (Steel & Torrie 1976). BAHAN DAN METODE Data bagi penelitian ini merupakan hasil simulasi dengan menggunakan perangkat lunak SAS 8.. Struktur data yang digunakan dapat dilihat pada Tabel 1: Tabel 1 Struktur data pada penelitian Khikuadrat Parameter v Kemenjuluran Kurtosis Kode 6 K K K K4 Normal Campuran p µ 1= µ s 1 s NC NC NC NC NC5 µ s Normal Nor Tahap-tahap yang dilakukan pada penelitian ditunjukkan pada Gambar 1.
12 1 Pembangkitan sebaran normal campuran Penentuan parameter sebaran normal campuran berdasarkan nilai koefisien kurtosisnya Penentuan besar iterasi yang digunakan, mengacu pada kekonvergenan terhadap nilai tertentu Menghitung nilai tingkat nyata dan kuasa ujit contoh tunggal dari berbagai kode Gambar 1 Tahap-tahap yang dilakukan pada penelitian. Pada tahap pertama dilakukan pembangkitan sebaran normal campuran, algoritma yang digunakan adalah sebagai berikut: 1. Bangkitkan satu bilangan U~Uniform (0,1).. Jika U p, bangkitkan satu bilangan dari sebaran Normal (0,1). 3. Jika U > p, bangkitkan satu bilangan dari 0, s. sebaran Normal ( ) 4. Ulangi langkah 1-3 sebanyak n= kali sehingga didapat buah data yang menyebar CN. Tahap kedua dilakukan simulasi penentuan nilai kurtosis. Tahap ini dilakukan karena sulit menurunkan momen dari sebaran normal campuran untuk menghitung nilai kurtosis. Oleh sebab itu simulasi dilakukan pada berbagai kombinasi parameter p dan s untuk mendapatkan nilai koefisien kurtosis yang diinginkan. Algoritma simulasi yang digunakan adalah sebagai berikut: 1. Set p=1.. Set s =. 3. Bangkitkan satu bilangan U~Uniform (0,1). i. Jika U 1, bangkitkan satu bilangan dari sebaran Normal (0,1). ii. Jika U > 1, bangkitkan satu bilangan 0,. dari sebaran Normal ( ) 4. Ulangi langkah kali, sehingga didapat data menyebar CN. 5. Hitung nilai koefisien kurtosis CN dari langkah Ulangi langkah 3-5 dengan mengganti nilai s=.5,.5,...,4. 7. Ulangi langkah -6 dengan mengganti nilai p=0.9, 0.8,..., Ulangi langkah kali. Tahap ketiga dilakukan untuk melihat pada nilai iterasi berapa simulasi dirasa sudah mampu memberikan hasil yang diinginkan (konvergen pada nilai tertentu). Algoritma penentuan iterasi yang digunakan adalah sebagai berikut: 1. Set i=100.. H 0 : µ=m. 3. Bangkitkan data populasi yang menyebar normal dengan nilai harapan m, sebesar a. Ambil contoh dari langkah 3 sebesar n=0. b. Lakukan pengujian terhadap H 0 : µ = m vs H 1 : µ (<,>, )m, dengan statistik uji: x m t hitung : s n sehingga akan menghasilkan keputusan menolak atau menerima H 0. c. Ulangi langkah a & b 100 kali.
13 13 4. Tingkat nyata: jumlah tolak H 0 / Ulangi langkah 3 & 4 30 kali. 6. Hitung rata-rata dan std. deviasi dari 30 kali pengulangan. 7. Ulangi langkah 1-6 dengan mengganti i=100, 500, 1000, 000, 500, 5000, 6000, 7500, 10000, 1000, 15000, 17500, Tahap keempat yang merupakan tahap akhir adalah perhitungan nilai tingkat nyata dan kuasa uji untuk berbagai set data yang digunakan. Algoritmanya adalah sebagai berikut: 1. Set m H 0 : µ=m, dimana H 0 dianggap berada dibawah populasi yang menyebar normal.. Set d a. Set nilai µ=m*, dimana m*=m+(ds). b. Bangkitkan data populasi dengan sebaran tertentu benar, dengan nilai harapan m*, sebesar c. Ambil contoh dari langkah b sebesar n. d. Lakukan pengujian pada taraf 5 % terhadap H 0 : µ=m vs H 1 : µ(?,>,<)m, dengan statistik uji: t hitung : x m s n sehingga menghasilkan keputusan menolak atau menerima H 0. e. Ulangi langkah c & d sebanyak kali. 3. Kuasa uji t: jumlah tolak H 0 / Ulangi langkah kali. Tiga faktor yang diperhatikan pada penelitian ini adalah: 1. Pergeseran pada hipotesis nol (d) Nilai pergeseran yang digunakan adalah 0.5s sampai dengan 1.75s, dengan kenaikan 0.5, pada kedua arah pergeseran, dimana s adalah simpangan baku dari populasi yang digunakan.. Ukuran contoh (n) Ukuran contoh yang diamati yaitu 10, 0, 30, 60, dan 100, pemilihan ukuran contoh ini dilakukan sehingga dirasa dapat mewakili ukuran contoh kecil sampai besar 3. Arah pengujian Seluruh data akan di uji pada ketiga kemungkinan arah pengujian yaitu dua arah (H 1 :µ?µ 0 ), satu arah ke kanan (H 1 : µ>µ 0 ), dan satu arah ke kiri (H 1 : µ<µ 0 ). HASIL DAN PEMBAHASAN Hasil pembangkitan data tahap kedua dapat dilihat pada Lampiran 1. Beragam nilai kurtosis yang didapat merupakan statistik dari bilangan normal campuran yang telah diulang sebanyak 30 kali. Selanjutnya nilai kurt osis yang dipilih adalah nilai yang mendekati nilai 1,, 3, 4, dan 5, nilai ini dipilih secara subyektif. Lampiran memperlihatkan hasil simulasi pada tahap ketiga, nilai iterasi terlihat memenuhi kriteria kekonvergenan simulasi yang mengacu pada nilai 0.05 dengan nilai standar deviasi paling rendah. Nilai 0.05 ini merupakan nilai tingkat nyata yang diharapkan dari uji-t saat data berasal dari sebaran normal. Diagram alir bagi tahap keempat dapat dilihat pada Lampiran 3. Nilai tingkat nyata akan dibandingkan dengan a yang ditetapkan pada awal pengujian karena suatu uji dikatakan masih cukup baik untuk sebaran tertentu jika tingkat nyata untuk uji bagi sebaran tertentu tersebut masih sangat dekat dengan nilai a yang ditetapkan. Nilai kuasa uji tidak dibandingkan karena penelitian ini hanya menggunakan satu uji, yang lebih ditekankan adalah pengetahuan tentang perilaku kuasa uji-t pada berbagai set data yang digunakan. Kemenjuluran Gambar memperlihatkan plot K1, K, K3, dan K4 serta Nor. Nor mewakili sebaran dengan bentuk simetrik dan normal, sedangkan K1 sampai dengan K4 mewakili bentuk sebaran yang tidak simetrik dengan nilai koefisien kemenjuluran positif. K1 terlihat lebih asimetrik bila dibandingkan dengan K, K3, dan K4. Gambar Plot K1, K, K3, K4, dan Nor.
14 14 nyata dari Nor selalu mendekati nilai 0.05 pada seluruh arah uji. tingkat nyata n Gambar 3 Plot K4 dengan pergeseran -0.5s dan 0.5s. Gambar 3 menunjukkan plot dari K4 saat tidak ada pergeseran nilai tengah dan K4 saat terjadi pergeseran nilai tengah sebesar 0.5s pada kedua arah pergeseran. a. Tingkat Nyata Larsen & Marx (001) menyatakan jika nilai tengah pada hipotesis alternatif sama dengan nilai tengah pada hipotesis nol maka nilai 1-β akan sama dengan nilai α, hal ini terjadi saat d/s bernilai nol. Gambar 4 menunjukkan tingkat nyata uji satu arah ke kiri untuk K1 selalu lebih besar a yang telah ditetapkan, yaitu 0.05, sebaliknya pada uji satu arah ke kanan tingkat nyata ujinya selalu lebih kecil dari Reineke, Bagget, & Elfessi (003) menyatakan hal ini dapat terjadi karena selang t yang dibangun pada populasi yang menjulur ke kanan akan memiliki batas atas dan batas bawah yang berada di sebelah kiri dari selang t pada populasi normal. Berkaitan dengan pengujian hipotesis hal ini dapat diartikan, peluang aktual yang lebih besar dari tingkat nominal pada ekor atas, menghasilkan lebih sedikit penolakan, sebaliknya peluang aktual yang lebih rendah pada ekor bawah, menghasilkan lebih banyak penolakan daripada jika populasi dari sebaran normal untuk uji satu arah. Pada uji dua arah dimana nilai tingkat nyata yang dihasilkan pada K1 sedikit lebih tinggi dibandingkan a yang ditetapkan berkaitan dengan kemenjuluran ke kiri pada distribusi penarikan contoh dari statistik t. Saat area di bawah kurva dari t statistik yang berada di sebelah kanan nilai kritik pada ekor atas menurun, area di bawah kurva yang di sebelah kiri akan naik pada jumlah yang lebih besar, sehingga jumlah kedua area tersebut akan melebihi nilai a. Tingkat Nor dua arah Nor satu arah ke kanan Nor satu arah ke kiri K1 dua arah K1 satu arah ke kanan K1 satu arah ke kiri Gambar 4 Tingkat nyata pada Nor dan K1 pada berbagai arah uji dan ukuran contoh. Hal yang harus diperhatikan jika data yang dimiliki berasal dari populasi yang menjulur, dalam hal ini menjulur ke kanan, adalah harus hati-hati dalam menetapkan nilai a. Jika uji-t, contohnya uji dua arah pada a=5%, dilakukan pada data yang menjulur, tingkat kesalahan yang dilakukan sebenarnya lebih besar dari 5%. Berdasarkan hasil simulasi pada K1 untuk n=10, tingkat kesalahan yang sebenarnya mencapai nilai 10%. Hal ini dapat juga diartikan bahwa uji-t yang digunakan pada data yang menjulur akan lebih cenderung menyatakan adanya perbedaan nilai tengah walaupun sebenarnya tidak ada. Pada uji satu arah ke kiri, kesalahan yang terjadi justru lebih besar, yaitu hampir mencapai 14%, sehingga tingkat kesalahan yang terjadi dalam pengambilan keputusan akan lebih besar lagi. Belawanan dengan uji satu arah ke kiri yang cenderung akan lebih sering menolak H 0, uji satu arah ke kanan yang digunakan pada data yang menjulur akan cenderung menerima H 0. Jika pada pengujian ditetapkan a=5% dengan n=10, maka sebenarnya a yang dipergunakan lebih rendah, kira-kira hanya %. Kesimpulan yang diambil akan cenderung menyatakan tidak ada perbedaan nilai tengah, walaupun sebenarnya ada. Pada Tabel untuk uji dua arah, semakin besar K maka tingkat nyata yang dihasilkan akan menurun menuju ke nilai 0.05, begitu pula dengan uji satu arah ke kiri. Kedua pola tersebut berkebalikan dengan pola tingkat nyata pada uji satu arah ke kanan dimana semakin bes ar K akan menaikkan nilai tingkat nyata menuju Nilai n yang semakin besar akan menyebabkan tingkat nyata semakin cepat menuju 0.05 pada seluruh K. Tingkat nyata pada Nor terlihat mendekati 0.05 pada seluruh nilai n.
15 15 Tabel Tingkat nyata uji K1, K, K3, K4, dan Nor pada pada berbagai arah uji dan ukuran contoh Kode n H 1: µ? µ 0 H 1: µ > µ 0 H 1: µ < µ 0 K K K K Nor K K K K Nor K K K K Nor K K K K Nor K K K K Nor b. Kuasa Uji Saat terjadi pergeseran nilai tengah, kuasa uji-t dua arah Nor tidak selalu lebih besar dari kuasa uji-t dua arah dari K1. Gambar 5 memperlihatkan kuasa uji-t dari Nor dan K1 untuk n=0. Kuasa uji K1 lebih besar nilainya dibandingkan dengan kuasa uji Nor saat terjadi pergeseran ke kanan dimana nilai pergeserannya lebih besar sama dengan 0.5s, hal ini berlanjut hingga pergeseran mencapai nilai 1σ, di atas nilai ini baik kuasa uji Nor maupun kuasa uji K1 akan bernilai satu. Pada nilai pergeseran kecil yaitu lebih rendah sama dengan 0.5s, nilai kuasa uji K1 lebih kecil bila dibandingkan dengan nilai kuasa uji Nor. Pada pergeseran ke kiri kuasa uji Nor lebih besar dari K1 saat nilai pergeseran lebih besar sama dengan -0.75s, saat pergeseran lebih kecil sama dengan -0.5s berlaku sebaliknya yaitu nilai kuasa uji K1 lebih besar dari kuasa uji Nor. power power power d/sigma Nor Gambar 5 Kuasa uji dua arah pada Nor dan K1, n=0. Pada kondisi yang sama kuasa untuk uji satu arah ke kanan Nor lebih besar dari K1 pada pergeseran yang kecil, hanya sampai nilai 0.5s, selebihnya nilai Nor akan lebih kecil dari K1 (Gambar 6), dan semakin besar nilai pergeseran akan membuat nilai kuasa Nor dan K1 semakin mendekati nilai satu. Kuasa uji satu arah ke kiri Nor lebih besar dari K1 pada pergeseran yang besar, dan sebaliknya pada pergeseran yang kecil (Gambar 7) d/sigma Nor Gambar 6 Kuasa uji satu arah ke kanan pada Nor dan K1, n= d/sigma Nor Gambar 7 Kuasa uji satu arah ke kiri pada Nor dan K1, n=0. K1 K1 K1
16 16 koef. kemenjuluran d/sigma Gambar 8 Efek dari arah dan besar nilai pergeseran terhadap kemenjuluran statistik-t pada K1, n=0. Di bawah hipotesis nol, distribusi penarikan contoh dari statistik-t t = n( x µ 0 ) / s, 0 menjulur ke kiri ketika populasi asal menjulur ke kanan, dan sebaliknya. Hubungan ini dipengaruhi oleh pergeseran pada populasi asal. Gambar 8 menunjukkan hasil simulasi pada pergeseran -1.8s hingga 1.8s dengan kenaikan 0.s, terlihat bahwa pergeseran ke kiri menyebabkan nilai kemenjuluran yang lebih negatif pada t 0, sedangkan pergeseran ke kanan akan meningkatkan koefisien kemenjuluran lebih cepat, bahkan menuju nilai kemenjuluran yang positif (Reineke, Bagget, & Elfessi, 003). Berdasarkan kondisi tersebut arah dari pergeseran jelas penting saat populasi asal bersifat menjulur. Uji-t yang dilakukan pada data menjulur, dalam hal ini menjulur ke kanan, membuat pergeseran nilai tengah ke kanan lebih bisa terdeteksi dibandingkan pergeseran nilai tengah ke kiri. Kondisi tersebut dapat terjadi karena pergeseran ke kanan menghasilkan koefisien kemenjuluran yang lebih besar, sehingga kuasa ujinya lebih besar, sementara pergeseran ke kiri menurunkan nilai koefisien kemenjuluran, menyebabkan turunnya kuasa uji-t. Contohnya, pergeseran 0.5s akan menghasilkan kuasa uji sekitar 0.8, sedangkan pergeseran -0.5s menghasilkan kuasa uji 0.7. Nilai koefisien kemenjuluran untuk pergeseran tersebut masingmasing mendekati 0 dan Tabel 3, 4. dan 5 menunjukkan nilai kuasa uji-t pada K1, K, K3, dan K4 pada berbagai arah uji dengan n=10, 0, dan 100. Pada uji dua arah dengan n=10, pergeseran ke kiri akan menurunkan nilai kuasa uji dengan bertambahnya K, hal ini terjadi hingga -0.75s, diatas -0.75s yang terjadi adalah sebaliknya, semakin besar K maka kuasa uji juga akan bertambah besar. Tabel 3 Nilai kuasa uji-t pada K1, K, K3, dan K4, n=10 d/s K1 K K3 K4? > <? > <? > <? > < Keterangan:?: H 1 : µ? µ 0, >: H 1 : µ > µ 0, <: H 1 : µ < µ 0
17 17 Tabel 4 Nilai kuasa uji-t pada K1, K, K3, dan K4, n=0 d/s K1 K K3 K4? > <? > <? > <? > < Keterangan:?: H 1 : µ? µ 0, >: H 1 : µ > µ 0, <: H 1 : µ < µ 0 Tabel 5 Nilai kuasa uji-t pada K1, K, K3, dan K4, n=100 d/s K1 K K3 K4? > <? > <? > <? > < Keterangan:?: H 1 : µ? µ 0, >: H 1 : µ > µ 0, <: H 1 : µ < µ 0
18 18 Pada pergeseran ke kanan nilai kuasa uji akan naik seiring dengan bertambahnya K hingga nilai pergeseran 0.5s, dan sebaliknya untuk nilai pergeseran yang lebih besar. Pada pergeseran 1.5s seluruh kuasa uji bernilai satu. Pola ini berlaku pada seluruh nilai n dengan batas pergeseran yang berbeda untuk naik turunnya nilai kuasa uji, semakin besar nilai n crossover yang terjadi akan semakin cepat. Pada n=0 kuasa uji akan menurun seiring bertambahnya K hingga -0.5s, diatas nilai pergeseran tersebut yang terjadi adalah sebaliknya. Pada pergeseran ke kanan kuasa uji akan naik saat K juga naik hingga 0.5s, selebihnya kuasa uji akan turun saat K naik, namun saat pergeseran 1s kuasa uji K1, K, K3, dan K4 bernilai satu. Penambahan nilai n akan menaikkan seluruh nilai kuasa uji, untuk n=100 nilai kuasa uji relatif seragam pada seluruh K, kuasa uji mencapai nilai satu pada pergeseran 0.5s dan -0.75s. Lampiran 4 memuat nilai kuasa uji K untuk nilai n=30, dan 60. Kuasa uji satu arah akan memiliki pola dan batas pergeseran yang relatif sama dengan kuasa uji dua arah, yang berbeda hanya besar nilai dari kuasa ujinya. Uji satu arah memiliki kuasa uji yang lebih besar dari uji dua arah, dan pada uji satu arah, kuasa uji satu arah ke kanan memiliki kuasa uji yang lebih besar dibandingkan dengan uji satu arah ke kiri. Kurtosis Bentuk sebaran yang memiliki nilai koefisien kurtosis positif dicirikan oleh puncak yang tinggi dan ekor yang panjang, semakin tinggi nilai kurtosis maka akan semakin tinggi puncak atau semakin panjang ekornya. Gambar 9 memperlihatkan overlay dari NC1, NC, NC3, NC4, dan NC5 serta Nor. Gambar 9 Plot NC1, NC, NC3, NC4, NC5 dan Nor. Bentuk sebaran normal campuran 1 dengan pergeseran 0.5s pada kedua arah pergeseran ditunjukkan oleh Gambar 10. Gambar 10 Plot NC1 dengan pergeseran -0.5s dan 0.5s. a. Tingkat Nyata Tabel 6 Tingkat nyata NC1, NC, NC3, NC4, NC5, dan Nor pada berbagai arah uji dan ukuran contoh Kode n H 1: µ? µ 0 H 1: µ > µ 0 H 1: µ < µ 0 NC NC NC NC NC Nor NC NC NC NC NC Nor NC NC NC NC NC Nor NC NC NC NC NC Nor NC NC NC NC NC Nor
19 19 Tabel 6 memperlihatkan bahwa tingkat nyata untuk uji dua arah pada NC1, NC, NC3, NC4, dan NC5 cenderung sedikit lebih rendah dari a yang telah ditetapkan, kecuali untuk NC1 saat n=30 yang nilainya sedikit lebih tinggi dari NC1 secara seragam memberikan tingkat nyata yang lebih mendekati 0.05 bila dibandingkan dengan NC, NC3, NC4, dan NC5 saat nilai n=10, 0 dan 30. Semakin besar n semakin kecil perbedaan tingkat nyata pada tiap NC dan membuat semua tingkat nyata semakin mendekati nilai Tingkat nyata pada uji satu arah relatif lebih mendekati 0.05 bila dibandingkan dengan uji dua arah pada n kecil. Pada n yang besar tingkat nyata bagi uji satu arah relatif sama dengan uji dua arah. b. Kuasa Uji Pengaruh pergeseran terhadap nilai kuasa uji-t dua arah pada NC5 terlihat simetrik, arah pergeseran tidak mempengaruhi nilai kuasa uji yang dihasilkan, pergeseran ke kiri dan pergeseran ke kanan akan memberikan nilai kuasa yang relatif sama. Saat pergeseran kecil, NC5 untuk n=10 memberikan nilai kuasa uji-t yang lebih besar dari Nor, hal ini terjadi hingga pergeseran 0.75σ, baik ke arah kanan maupun ke kiri. Kuasa uji antara NC5 dan Nor relatif sama ketika nilai pergeseran -1σ dan 1s sedangkan di atas nilai tersebut yang berlaku adalah kebalikannya, dimana kuasa uji Nor lebih besar dari kuasa uji NC5 (Gambar 11). power shift/sig Nor Gambar 11 Kuasa uji dua arah pada NC5 dan Nor, n=10. Tabel 7 menunjukkan nilai kuasa uji-t pada NC untuk n=10. Pada pergeseran yang kecil semakin besar NC akan memperbesar nilai kuasa uji, hal ini terjadi hingga pergeseran bernilai -0.75s dan 0.75s. Saat pergeseran bernilai -1s dan 1s nilai kuasa uji relatif sama, kecuali pada NC5 yang kuasa ujinya relatif lebih tinggi dari NC lainnya. Pada nilai pergeseran yang lebih besar kuasa uji akan menurun seiring dengan meningkatnya NC. NC5 Tabel 7 Kuasa uji-t pada NC1, NC, NC3, NC4, dan NC5, n=10 d/s NC1 NC NC3 NC4 NC5? > <? > <? > <? > <? > < Keterangan:?: H 1 : µ? µ 0, >: H 1 : µ > µ 0, <: H 1 : µ < µ 0
20 0 Tabel 8 Kuasa uji-t pada NC1, NC, NC3, NC4, dan NC5, n=0 d/s NC1 NC NC3 NC4 NC5? > <? > <? > <? > <? > < Keterangan:?: H 1 : µ? µ 0, >: H 1 : µ > µ 0, <: H 1 : µ < µ 0 Tabel 9 Kuasa uji-t pada NC1, NC, NC3, NC4, dan NC5, n=100 d/s NC1 NC NC3 NC4 NC5? > <? > <? > <? > <? > < Keterangan:?: H 1 : µ? µ 0, >: H 1 : µ > µ 0, <: H 1 : µ < µ 0
21 1 Kuasa uji dua arah saat nilai n=0 berpola mirip dengan kuasa uji saat n=10, yang berbeda adalah nilai yang menjadi batas pergeseran. Pada n=0 nilai kuasa uji akan naik seiring dengan naiknya NC hingga pergeseran -0.5s dan 0.5s, di atas nilai pergeseran tersebut kuasa uji akan turun saat NC bertambah, kecuali pada NC4 saat pergeseran -0.75s yang nilai kuasa ujinya justru naik. Seluruh nilai kuasa uji NC relatif seragam pada n=100, pergeseran yang lebih besar atau sama dengan 0.75s pada kedua arah akan menghasilkan nilai satu pada kuasa uji seluruh NC. Nilai kuasa uji satu arah lebih besar daripada nilai kuasa uji dua arah. Pola kuasa uji pada uji satu arah sama dengan pola kuasa uji pada dua arah unt uk semua NC. Lampiran 5 berisi nilai kuasa uji dari NC pada n=30, dan 60. Hasil simulasi yang diperoleh dari penelitian ini senada dengan hasil simulasi yang dilakukan oleh Rhiel & Chaffin (1996). Pada jurnalnya Rhiel & Chaffin mensimulasikan kuasa uji-t pada sebaran normal dan normal campuran dengan kurtosis 4.69 hanya pada pergeseran 0.5s dan 1s. Kuasa uji untuk sebaran normal pada pergeseran 0.5s dan 1s masing-masing adalah 0.56 dan 0.99, sedangkan untuk sebaran normal campuran adalah 0.61 dan Nilai ini mendekati nilai simulasi kuasa uji untuk Nor dan NC5 pada kondisi yang sama. Secara keseluruhan terlihat bahwa nilai tingkat nyata dan kuasa uji-t lebih dipengaruhi ketidaksimetrikan yang ada pada K, sedangkan NC yang bersifat tidak normal namun bersifat simetrik cenderung memiliki tingkat nyata dan kuasa uji yang mendekati tingkat nyata dan kuasa uji dari Nor. Sehingga dapat disimpulkan bahwa uji-t lebih dipengaruhi oleh kemenjuluran (ketidaksimetrikan) dibandingkan dengan kurtosis (ketidaknormalan). Bahkan jika keduanya ada secara bersamaan dalam satu sebaran maka efek dari kurtosis cenderung dapat diabaikan (Sophister 198; Neyman & Pearson 198; Nair 1941; Cressie 1980; Chaffin & Rhiel 1993, diacu dalam Rhiel & Chaffin 1996). Semakin besar nilai n akan menghilangkan pengaruh dari kemenjuluran dan kurtosis, hal ini sesuai dengan teorema dalil limit pusat yang menyatakan bahwa nilai tengah suatu contoh yang terdiri dari n buah nilai peubah acak yang menyebar secara tidak normal, akan tetapi menyebar secara identik (dengan kata lain X 1, X,, X n memiliki fungsi kepekatan yang sama) serta bebas stokastik terhadap sesamanya, penyebarannya akan mendekati sebaran normal dengan bertambah besarnya nilai n atau ukuran contoh (Nasoetion & Rambe 1984). KESIMPULAN DAN SARAN KESIMPULAN Tingkat nyata uji-t satu arah ke kiri pada sebaran dengan kemenjuluran positif akan menghasilkan tingkat nyata yang lebih besar dibandingkan dengan nilai a yang ditetapkan, hal ini berkebalikan dengan uji satu arah ke kanan yang tingkat nyatanya lebih rendah. Tingkat nyata uji dua arah juga lebih besar dari a, namun tidak sebesar uji satu arah ke kiri. Hal ini disebabkan oleh distribusi penarikan contoh dari statistik-t yang mewarisi kemenjuluran yang berlawanan dari populasi as alnya. Kuasa uji pada sebaran dengan kemenjuluran positif bersifat asimetrik, pergeseran ke kanan menghasilkan kuasa uji yang lebih besar daripada pergeseran ke kiri. Semakin tinggi kemenjuluran semakin tinggi kuasa uji pada pergeseran ke kanan, sedangkan pada pergeseran ke kiri semakin tinggi kemenjuluran akan menurunkan nilai kuasa uji. Tingkat nyata pada sebaran dengan kurtosis positif sedikit lebih rendah dari a, terutama untuk n yang kecil. Tingkat nyata uji satu arah lebih mendekati nilai a dibandingkan dengan uji dua arah. Kuasa uji dari sebaran ini bersifat simetrik. Semakin tinggi kurtosis akan menaikkan nilai kuasa uji pada pergeseran kecil, sedangkan pada pergeseran yang besar terjadi hal yang berkebalikan dimana semakin tinggi kurtosis akan menaikkan nilai kuasa uji-t. Kemenjuluran lebih memberikan efek terhadap distribusi-t dibandingkan dengan kurtosis. Nilai n yang bertambah besar akan menghilangkan pengaruh kemenjuluran dan kurtosis pada sebaran. SARAN Karena berbagai keterbatasan, penelitian ini tidak menggunakan sebaran dengan nilai koefisien kemenjuluran dan kurtosis yang negatif, hal ini mungkin akan memberikan pengaruh yang berbeda terhadap tingkat nyata dan kuasa uji. Perbandingan uji-t dengan uji nilai tengah lain yang ada juga akan memberikan informasi tambahan mengenai efek kemenjuluran dan kurtosis. Penurunan momen
22 secara teoritis dari sebaran normal campuran juga diharapkan lebih mampu memberikan hasil yang akurat tentang koefisien kurtosis serta pengaruhnya terhadap distribusi statistik-t. DAFTAR PUSTAKA Fowlkes EB Some methods for studying the mixture of two normal (lognormal) distributions. Journal of the American Statistical Association. 74: Kendall M, Stuart A The Advanced Theory of Statistics. Volume ke-, Inference and Relationship. Ed ke-3. New York: Hafner Publishing Company. Kendall M, Stuart A The Advanced Theory of Statistics. Volume ke-1, Distribution Theory. Ed ke-4. New York: Macmillan Publishing Co.,Inc. Larsen RJ, Marx ML An Introduction to Mathematical Statistics and Its Applications. Ed ke-3. New Jersey: Prentice- Hall, Inc. Nasoetion AH, Rambe A. Teori Statistika. Jakarta: Bhratara Karya Aksara. Quandt RE, Ramsey JB Estimating mixture of normal distributions and switching regressions. Journal of the American Statistical Association. 73: Reineke DM, Baggett J, Elfessi A A note on the effect of skewness, kurtosis, and shifting on one-sample t and sign tests. Journal of Statistics Education 11(3).[terhubungberkala]. org/publications/jse/v11n3/reineke.html [4 Mei 005]. Rhiel GS, Chaffin WW An Investigation of the large-sample/smallsample approach to the one-sample test for a mean (sigma unknown). Journal of Statistics Education 4(3).[terhubung berkala]. /rhiel.html [4 Mei 005]. Susetyo B, Aunuddin Petunjuk Laboratorium Penggunaan Komputer Mikro untuk Biologi Lingkungan. Bogor: Depdikbud Dikti Pusat Antar Universitas Ilmu Hayat. Institut Pertanian Bogor. Titterington DM, Smith AFM, Makov UE Statistical Analysis of Finite Mixture Distributions. Chichester: John Wiley & Sons. Walpole Pengantar Statistika. Ed ke-3. Sumantri B, penerjemah; Jakarta: PT Gramedia Pustaka Utama. Terjemahan dari: Introduction to Statistics 3 rd edition.
23 LAMPIRAN 16
24 17 Lampiran 1 Nilai simulasi koefisien kurtosis pada berbagai kombinasi sebaran normal campuran Phi s Kurtosis * Phi s Kurtosis * * * * * Nilai koefisien kurtosis statistik dari sebaran normal campuran yang dipilih untuk digunakan pada penelitian
25 18 Lampiran Simulasi kekonvergenan uji t arah pada sebaran normal saat tidak ada pergeseran pada nilai tengah Tingkat Nyata Iterasi Rata-rata St.dev
KAJIAN PENDEKATAN REGRESI SINYAL P-SPLINE PADA MODEL KALIBRASI. Oleh : SITI NURBAITI G
KAJIAN PENDEKATAN REGRESI SINYAL P-SPLINE PADA MODEL KALIBRASI Oleh : SITI NURBAITI G14102022 DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2007 ABSTRAK SITI
Lebih terperinciMETODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE
METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2010 RINGKASAN
Lebih terperinciKajian Beberapa Uji Kenormalan dan Kaitannya dengan Asumsi Kenormalan pada Beberapa Uji Statistika
Kajian Beberapa Uji Kenormalan dan Kaitannya dengan Asumsi Kenormalan pada Beberapa Uji Statistika Agus Santoso e-mail : aguss@mail.ut.ac.id (Jurusan Statistika FMIPA Universitas Terbuka) Abstract T-test
Lebih terperinciDISTRIBUSI ERLANG DAN PENERAPANNYA. Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS
DISTRIBUSI ERLANG DAN PENERAPANNYA Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS nia.rini.purita2316@gmail.com, getut.uns@gmail.com ABSTRAK
Lebih terperinciHASIL DAN PEMBAHASAN. Metode Bootstrap
Metode Bootstrap Setelah didapatkan hasil dari pengukuran sensitivitas harga, lalu diamati perilaku dari APR dan diduga selang kepercayaan dengan menggunakan metode bootstrap nonparametrik, dengan pengulangan
Lebih terperinciBAB III UJI STATISTIK DAN SIMULASI. Menggunakan karakteristik dari distribusi tersebut dan transformasi / = ( ) (3.1.1) / = ( ) (3.1.
11 BAB III UJI STATISTIK DAN SIMULASI 3.1 Interval Kepercayaan Sebuah interval kepercayaan terdiri dari berbagai nilai-nilai bersama-sama dengan persentase yang menentukan seberapa yakin bahwa parameter
Lebih terperinciPEMODELAN DATA PANEL SPASIAL DENGAN DIMENSI RUANG DAN WAKTU TENDI FERDIAN DIPUTRA
PEMODELAN DATA PANEL SPASIAL DENGAN DIMENSI RUANG DAN WAKTU TENDI FERDIAN DIPUTRA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 RINGKASAN TENDI
Lebih terperinciSTATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI 2 TIN 4004 Kontrak Perkuliahan Pertemuan & Materi RPKPS Penilaian Tugas, short quiz (30%) Quiz 1 & 2 (40%) UAS (30%) Referensi Montgomery, D.C, George C. Runger. Applied Statistic and
Lebih terperinciANALISIS KORELASI KANONIK ANTARA CURAH HUJAN GCM DAN CURAH HUJAN DI INDRAMAYU. Oleh : Heru Novriyadi G
ANALISIS KORELASI KANONIK ANTARA CURAH HUJAN GCM DAN CURAH HUJAN DI INDRAMAYU Oleh : Heru Novriyadi G4004 PROGRAM STUDI STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
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 terperinciSILABUS. 5. Evaluasi a. Kehadiran = 10% b. Tugas = 20% c. UTS = 30% d. UAS = 40%
0 SILABUS 1. Identitas Mata Kuliah Nama Mata Kuliah : Statistika Matematik 1 Kode Mata Kuliah : MT 404 Jumlah SKS : 3 Semester : 6 Kelompok Mata Kuliah : Mata Kuliah Keahlian (MKK) Program Studi Jurusan/Program
Lebih terperinciSTATISTIKA II (BAGIAN
STATISTIKA II (BAGIAN - ) Oleh : WIJAYA email : zeamays_hibrida@yahoo.com FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 008 Wijaya : Statistika II (Bagian-) 0 VI. PENGUJIAN HIPOTESIS Hipotesis
Lebih terperinciSTATISTIKA. Statistika pengkuantifikasian (pengkuantitatifan) hasil-hasil pengamatan terhadap kejadian, keberadaan, sifat/karakterisitik, tempat, dll.
STATISTIKA Statistika pengkuantifikasian (pengkuantitatifan) hasil-hasil pengamatan terhadap kejadian, keberadaan, sifat/karakterisitik, tempat, dll. Statistika deskriptif: pencatatan dan peringkasan hasil
Lebih terperinciHASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut:
. Menyiapkan gugus data pencilan dengan membangkitkan peubah acak normal ganda dengan parameter µ yang diekstrimkan dari data contoh dan dengan matriks ragam-peragam yang sama dengan data contoh. Proses
Lebih terperinciFAKULTAS KEGURUAN DAN ILMU PENDIDIKIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON
S T A T I S T I K A Oleh : WIJAYA email : zeamays_hibrida@yahoo.com FAKULTAS KEGURUAN DAN ILMU PENDIDIKIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2010 Wijaya : Statistika 0 I. PENDAHULUAN Statistika adalah
Lebih terperinciPenggunaan Statistika dalam Penelitian
Penggunaan Statistika dalam Penelitian Yusuf Hartono FKIP Unsri Disajikan pada Pelatihan Metodologi Penelitian Palembang, 17 Mei 2017 Yusuf Hartono (FKIP Unsri) Penggunaan Statistika dalam Penelitian 1
Lebih terperinciHUKUM ITERASI LOGARITMA. TUGAS AKHIR untuk memenuhi sebagian persyaratan memperoleh gelar sarjana sains SORTA PURNAWANTI NIM.
HUKUM ITERASI LOGARITMA TUGAS AKHIR untuk memenuhi sebagian persyaratan memperoleh gelar sarjana sains SORTA PURNAWANTI NIM. 00290 PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciPERTEMUAN 2 STATISTIKA DASAR MAT 130
PERTEMUAN 2 STATISTIKA DASAR MAT 130 Data 1. Besaran Statistika berbicara tentang data dalam bentuk besaran (dimensi) Besaran adalah sesuatu yang dapat dipaparkan secara jelas dan pada prinsipnya dapat
Lebih terperinciPendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi
Statistika, Vol. No., Mei Pendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi MARZUKI, HIZIR SOFYAN, ASEP RUSYANA Jurusan Matematika FMIPA Universitas Syiah Kuala Jl.
Lebih terperinciBAB I PENDAHULUAN. dapat dianggap mendekati normal dengan mean μ = μ dan variansi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Matematika merupakan salah satu cabang ilmu pengetahuan yang melambangkan kemajuan zaman. Oleh karena itu matematika banyak digunakan oleh cabang ilmu lain
Lebih terperinciSTATISTIKA. Muhamad Nursalman Pendilkom/Ilkom UPI
STATISTIKA Muhamad Nursalman Pendilkom/Ilkom UPI 1 Daftar Isi Bab 1 Peluang Bab Peubah Acak Bab 3 Distribusi Peluang Diskret Bab 4 Distribusi Peluang Kontinu Bab 5 Fungsi Peubah Acak Bab 6 Teori Penaksiran
Lebih terperinciKEEFEKTIFAN PRAUJIAN NASIONAL MATEMATIKA TAHUN AKADEMIK 2004/2005 (Studi Kasus di SMK Negeri dan Swasta di Jakarta Selatan 06)
KEEFEKTIFAN PRAUJIAN NASIONAL MATEMATIKA TAH AKADEMIK 4/5 (Studi Kasus di SMK Negeri dan Swasta di Jakarta Selatan 6) Abdul Hoyyi Staf Pengajar Program Studi Statistika FMIPA DIP Abstract National pre-exam
Lebih terperinciSATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
Mata Kuliah Kode / SKS Program Studi Fakultas : Statistika 2 / Probabilitas Terapan : IT012249 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1. Distribusi sampling populasi, sampel, tehnik
Lebih terperinciUmmu Kalsum UNIVERSITAS GUNADARMA
Ummu Kalsum UNIVERSITAS GUNADARMA 2016 Inferensia Statistika : Mencakup semua metode yang digunakan untuk penarikan kesimpulan atau generalisasi mengenai populasi dengan melakukan pengambilan sampel (sampling)
Lebih terperinciUji Permutasi untuk Masalah Dua Sampel Saling Bebas: Studi Kasus di LAFI-DITKES AD Bandung Jawa Barat
Statistika, Vol. 8 No., 9 7 Nopember 8 Uji Permutasi untuk Masalah Dua Sampel Saling Bebas: Studi Kasus di LAFI-DITKES AD Bandung Jawa Barat Danang Setiawan dan Aceng K. Mutaqin Program Studi Statistika
Lebih terperinciKEEFEKTIFAN PRAUJIAN NASIONAL MATEMATIKA TAHUN AKADEMIK 2004/2005 (Studi Kasus di SMK Negeri dan Swasta di Jakarta Selatan 06)
KEEFEKTIFAN PRAUJIAN NASIONAL MATEMATIKA TAH AKADEMIK 4/5 (Studi Kasus di SMK Negeri dan Swasta di Jakarta Selatan 6) Abdul Hoyyi Staf Pengajar Program Studi Statistika FMIPA DIP Abstract National pre-exam
Lebih terperinciTerima hipotesis Tidak membuat kesalahan Kesalahan tipe II Tolak hipotesis Kesalahan tipe I Tidak membuat kesalahan
PENGUJIAN HIPOTESIS Hipotesis Statistik adalah pernyataan atau dugaan mengenai satu atau lebih populasi. Dengan mengambil suatu sampel acak dari populasi tersebut dan menggunakan informasi yang dimiliki
Lebih terperinciMANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO
MANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2011 RINGKASAN MAGRI HANDOKO. Manajemen
Lebih terperinciPengujian Hipotesis. Oleh : Dewi Rachmatin
Pengujian Hipotesis Oleh : Dewi Rachmatin Hipotesis Suatu anggapan yang mungkin benar atau tidak mengenai suatu populasi atau lebih Akan digunakan istilah diterima atau ditolak pada bagian ini Penolakan
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 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 terperinciMATRIKS SATUAN ACARA PERKULIAHAN MATA KULIAH PROBABILITA TERAPAN (SI) KODE / SKS: KD / 3 SKS
Minggu Pokok Bahasan ke dan TIU 1. 1.Distribusi sampling Memberi penjelasan tentang populasi, sampel, tehnik pengambilan sampel., serta distribusi sampling ratarata Sub Pokok Bahasan dan Sasaran Belajar
Lebih terperinciPERBANDINGAN KUASA WILCOXON RANK SUM TEST DAN PERMUTATION TEST DALAM BERBAGAI DISTRIBUSI TIDAK NORMAL
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 139 146 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN KUASA WILCOXON RANK SUM TEST DAN PERMUTATION TEST DALAM BERBAGAI DISTRIBUSI TIDAK NORMAL
Lebih terperinciHETEROSKEDASTISITAS DALAM ANALISIS REGRESI LINIER SKRIPSI. Oleh: YOGIE DANA INSANI NIM
HETEROSKEDASTISITAS DALAM ANALISIS REGRESI LINIER SKRIPSI Diajukan Untuk Memenuhi Persyaratan Penyelesaian Program Sarjana Sains Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciPENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH
PENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
Lebih terperinciTATAP MUKA IV UKURAN PENYIMPANGAN SKEWNESS DAN KURTOSIS. Fitri Yulianti, SP. MSi.
TATAP MUKA IV UKURAN PENYIMPANGAN SKEWNESS DAN KURTOSIS Fitri Yulianti, SP. MSi. UKURAN PENYIMPANGAN Pengukuran penyimpangan adalah suatu ukuran yang menunjukkan tinggi rendahnya perbedaan data yang diperoleh
Lebih terperinciANALISIS DATA SECARA RANDOM PADA APLIKASI MINITAB DENGAN MENGGUNAKAN DISTRIBUSI PELUANG
LAPORAN RESMI PRAKTIKUM PENGANTAR METODE STATISTIKA MODUL 3 ANALISIS DATA SECARA RANDOM PADA APLIKASI MINITAB DENGAN MENGGUNAKAN DISTRIBUSI PELUANG Oleh : Diana Nafkiyah 1314030028 Nilamsari Farah Millatina
Lebih terperinciPengaruh Bimbingan Belajar terhadap Nilai Mahasiswa dengan Uji Permutasi
Statistika, Vol. No., 39 50 Mei 0 Pengaruh Bimbingan Belajar terhadap Nilai Mahasiswa dengan Uji Permutasi Jurusan Matematika FMIPA Universitas Syiah Kuala Jl. Syech Abdul Rauf No. 3 Darussalam, Banda
Lebih terperinciSATUAN ACARA PERKULIAHAN MATA KULIAH : STATISTIKA DASAR (3 SKS) KODE MATA KULIAH : MT308
JURUSAN PENDIDIKAN MATEMATIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA SATUAN ACARA PERKULIAHAN MATA KULIAH : STATISTIKA DASAR (3 SKS) KODE MATA KULIAH : MT308 MINGGU KE POKOK & SUB POKOK BAHASAN 1 PENDAHULUAN
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 terperinciPENERAPAN DAN PERBANDINGAN CARA PENGUKURAN RESPON PADA ANALISIS KONJOIN
PENERAPAN DAN PERBANDINGAN CARA PENGUKURAN RESPON PADA ANALISIS KONJOIN (Studi Kasus: Preferensi Mahasiswa Statistika IPB Angkatan 44, 45, dan 46 terhadap Minat Bidang Kerja) DONNY ARIEF SETIAWAN SITEPU
Lebih terperinciREGRESI KEKAR SIMPANGAN MUTLAK TERKECIL DENGAN MODIFIKASI SIMPLEKS MUHAMMAD YUSUF DWIHARJANGGI
REGRESI KEKAR SIMPANGAN MUTLAK TERKECIL DENGAN MODIFIKASI SIMPLEKS MUHAMMAD YUSUF DWIHARJANGGI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ABSTRAK
Lebih terperinciMODEL REGRESI LOGISTIK UNTUK KEJADIAN INFEKSI LUKA OPERASI NOSOKOMIAL ANTON
MODEL REGRESI LOGISTIK UNTUK KEJADIAN INFEKSI LUKA OPERASI NOSOKOMIAL ANTON DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2006 Untuk Mama dan Andri Aku tahu
Lebih terperinciSyllabus Statistika Dasar Semester Ganjil 2012/2013 Prodi Informatika FMIPA Unsyiah
Syllabus Statistika Dasar Semester Ganjil 2012/2013 Prodi Informatika FMIPA Unsyiah Nama mata kuliah Statistika Dasar SKS 3 (2 1) Kode INF-201 Prasyarat Matematika Dasar 1 Dosen Pengasuh Kelas A : DR.
Lebih terperinciPENYELESAIAN MASALAH PENGIRIMAN PAKET KILAT UNTUK JENIS NEXT-DAY SERVICE DENGAN MENGGUNAKAN TEKNIK PEMBANGKITAN KOLOM. Oleh: WULAN ANGGRAENI G
PENYELESAIAN MASALAH PENGIRIMAN PAKET KILAT UNTUK JENIS NEXT-DAY SERVICE DENGAN MENGGUNAKAN TEKNIK PEMBANGKITAN KOLOM Oleh: WULAN ANGGRAENI G54101038 PROGRAM STUDI MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciSTK511 Analisis Statistika. Pertemuan 4 Sebaran Penarikan Contoh
STK511 Analisis Statistika Pertemuan 4 Sebaran Penarikan Contoh Konsep Dasar Suatu statistik, misalnya, adalah fungsi dari peubah acak sering kita tulis. Idea dasaranya : Karena adalah peubah acak, maka
Lebih terperinciHipotesis. Penerimaan hipotesis menunjukkan bahwa tidak cukup petunjuk untuk mempercayai sebaliknya
Hipotesis Suatu anggapan yang mungkin benar atau tidak mengenai suatu populasi atau lebih Digunakan istilah diterima atau ditolak untuk suatu hipotesis Penolakan suatu hipotesis berarti menyimpulkan bahwa
Lebih terperinciSTATISTIKA I. Ari Wibowo, MPd Prodi PAI Jurusan Tarbiyah STAIN Surakarta. Kode Matakuliah: PAI111, 2sks Tujuan Instruksional Umum:
STATISTIKA I Ari Wibowo, MPd Prodi PAI Jurusan Tarbiyah STAIN Surakarta Kode Matakuliah: PAI111, 2sks Tujuan Instruksional Umum: Setelah mengikuti mata kuliah ini selama satu semester, mahasiswa akan dapat
Lebih terperinciPenentuan Momen ke-5 dari Distribusi Gamma
Jurnal Penelitian Sains Volume 6 Nomor (A) April 0 Penentuan Momen ke-5 dari Distribusi Gamma Robinson Sitepu, Putra B.J. Bangun, dan Heriyanto Jurusan Matematika Fakultas MIPA Universitas Sriwijaya, Indonesia
Lebih terperinciPERBANDINGAN BAGAN KENDALI T 2 HOTELLING KLASIK DENGAN T 2 HOTELLING PENDEKATAN BOOTSTRAP PADA DATA BERDISTRIBUSI NON-NORMAL MULTIVARIAT
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 17 4 ISSN : 303 910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN BAGAN KENDALI T HOTELLING KLASIK DENGAN T HOTELLING PENDEKATAN BOOTSTRAP PADA DATA BERDISTRIBUSI
Lebih terperinciMA2081 STATISTIKA DASAR. Utriweni Mukhaiyar 1 November 2012
Uji Hipotesis MA081 STATISTIKA DASAR MA081 STATISTIKA DASAR Utriweni Mukhaiyar 1 November 01 Pengertian Hipotesis adalah suatu anggapan yang mungkin benar atau tidak mengenai satu populasi atau lebih yang
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 terperinciStatistik Dasar. 1. Pendahuluan Persamaan Statistika Dalam Penelitian. 2. Penyusunan Data Dan Penyajian Data
Statistik Dasar 1. Pendahuluan Persamaan Statistika Dalam Penelitian 2. Penyusunan Data Dan Penyajian Data 3. Ukuran Tendensi Sentral, Ukuran Penyimpangan 4. Momen Kemiringan 5. Distribusi Normal t Dan
Lebih terperinciHASIL DAN PEMBAHASAN. Eksplorasi Pola Spektrum
konsentrasi. Konsentrasi kafein terbagi menjadi 6 konsentrasi, sehingga dari masing-masing komponen diperoleh 24 kombinasi konsentrasi. c. Campuran senyawa tiga komponen, yaitu Vitamin B1, Vitamin B6,
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 terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS)
FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS) Yuditia Ari Prabowo, Yuliana Susanti, dan Santoso Budi Wiyono
Lebih terperinciANALISIS PERIODISITAS SUHU DAN TEKANAN PARAS MUKA LAUT DI INDONESIA DAN HUBUNGANNYA DENGAN AKTIVITAS MATAHARI R. HIKMAT KURNIAWAN
ANALISIS PERIODISITAS SUHU DAN TEKANAN PARAS MUKA LAUT DI INDONESIA DAN HUBUNGANNYA DENGAN AKTIVITAS MATAHARI R. HIKMAT KURNIAWAN DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciLANDASAN TEORI. Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu.
II. LANDASAN TEORI Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu. Distribusi ini merupakan distribusi fungsi padat yang terkenal luas dalam bidang matematika. Distribusi gamma
Lebih terperinciPengujian Hipotesis. 1. Pendahuluan. Topik Bahasan:
Topik Bahasan: Pengujian Hipotesis. Pendahuluan Hipotesis pernyataan yang merupakan pendugaan berkaitan dengan nilai suatu parameter populasi (satu atau lebih populasi) Kebenaran suatu hipotesis diuji
Lebih terperinci4 HASIL DAN PEMBAHASAN
16 4 HASIL DAN PEMBAHASAN Pada bab ini dibahas mengenai kajian simulasi dan kajian terapan. Simulasi dilakukan untuk mengevaluasi penduga yang diperoleh dengan menggunakan metode pendugaan klasik dan metode
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam bab ini akan dijelaskan mengenai teori-teori yang mendukung dalam
4 II. TINJAUAN PUSTAKA Dalam bab ini akan dijelaskan mengenai teori-teori yang mendukung dalam menentukan momen, kumulan, dan fungsi karakteristik dari distribusi log-logistik (α,β). 2.1 Distribusi Log-Logistik
Lebih terperinciDISTRIBUSI NORMAL. RatuIlmaIndraPutri
DISTRIBUSI NORMAL RatuIlmaIndraPutri Distribusi normal menggunakan variabel acak kontinu. Distribusi normal sering disebut DISTRIBUSI GAUSS. Distribusi ini merupakan salah satu yang paling penting dan
Lebih terperinciSATUAN ACARA PERKULIAHAN MATA KULIAH PROBABILITA TERAPAN (IA) KODE / SKS : KD / 3 SKS
1 1. Distribusi Sampling TIU : Memberi penjelasan tentang populasi, sampel, teknik pengambilan sampel, serta distribusi sampling rata-rata 2 1.2. Distribusi Sampling Rata-rata 1.1. Konsep Dasar Sampling
Lebih terperinciPENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM
BIAStatistics (2015) Vol. 9, 2, hal. 28-32 PENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM Munawar Jurusan Matematika FMIPA Universitas Syiah
Lebih terperinciPEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG. Indahwati, Yenni Angraeni, Tri Wuri Sastuti
S-25 PEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG Indahwati, Yenni Angraeni, Tri Wuri Sastuti Departemen Statistika FMIPA IPB Email : Indah_stk@yahoo.com Abstrak Pemodelan multilevel adalah
Lebih terperinciKEKONSISTENAN PENDUGA FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR. Oleh: LIA NURLIANA
KEKONSISTENAN PENDUGA FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR Oleh: LIA NURLIANA PROGRAM STUDI MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciII. TINJAUAN PUSTAKA. Untuk menguji kesamaan dari beberapa nilai tengah secara sekaligus diperlukan
II. TINJAUAN PUSTAKA 2.1 Analisis Ragam Klasifikasi Satu Arah Untuk menguji kesamaan dari beberapa nilai tengah secara sekaligus diperlukan sebuah teknik yang disebut analisis ragam. Analisis ragam adalah
Lebih terperinciBEBERAPA DISTRIBUSI PELUANG KONTINU. Normal, Gamma, Eksponensial, Khi-Kuadrat, Student dan F
BEBERAPA DISTRIBUSI PELUANG KONTINU Normal, Gamma, Eksponensial, Khi-Kuadrat, Student dan F Distribusi Normal Distribusi yang terpenting dalam bidang statistika, penemu : DeMoivre (733) dan Gauss Bergantung
Lebih terperinciSENSITIFITAS MODEL GARCH UNTUK MENGATASI HETEROKEDASTIK PADA DATA DERET WAKTU
SENSITIFITAS MODEL GARCH UNTUK MENGATASI HETEROKEDASTIK PADA DATA DERET WAKTU Asep Saefuddin, Anang Kurnia dan Sutriyati Departemen Statistika FMIPA IPB Ringkasan Data deret waktu pada bidang keuangan
Lebih terperinciREGRESI LINIER NONPARAMETRIK DENGAN METODE THEIL
Jurnal Matematika UNAND Vol. 2 No. 3 Hal. 167 174 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND REGRESI LINIER NONPARAMETRIK DENGAN METODE THEIL ALDILA SARTI Program Studi Matematika, Fakultas Matematika
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Distribusi Normal Salah satu distribusi frekuensi yang paling penting dalam statistika adalah distribusi normal. Distribusi normal berupa kurva berbentuk lonceng setangkup yang
Lebih terperinciSTATISTIKA II Distribusi Sampling. (Nuryanto, ST., MT)
STATISTIKA II Distribusi Sampling (Nuryanto, ST., MT) 1. Pendahuluan Bidang Inferensia Statistik membahas generlisasi/penarikan kesimpulan dan prediksi/ peramalan. Generalisasi dan prediksi tersebut melibatkan
Lebih terperinciANALISIS PENERAPAN METODE KUADRAT TERKECIL DAN REGRESI KOMPONEN UTAMA DALAM MULTIKOLINEARITAS OLEH : GUGUN M. SIMATUPANG
ANALISIS PENERAPAN METODE KUADRAT TERKECIL DAN REGRESI KOMPONEN UTAMA DALAM MULTIKOLINEARITAS OLEH : GUGUN M. SIMATUPANG PROGRAM PASCASARJANA INSTITUT PERTANIAN BOGOR 2002 ABSTRAK GUGUN M. SIMATUPANG.
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 terperinciJurnal Gradien Vol. 10 No. 1 Januari 2014 : 963-966 Pendugaan Galat Baku Nilai Tengah Menggunakan Metode Resampling Jackknife dan Bootstrap Nonparametric dengan Software R 2.15.0 * Septiana Wulandari,
Lebih terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
Lebih terperinciBAB 7 DISTRIBUSI-COMPOUND DAN GENERALIZED SPASIAL MUHAMMAD NUR AIDI
7.1. Pendahuluan BAB 7 DISTRIBUSI-COMPOUND DAN GENERALIZED SPASIAL MUHAMMAD NUR AIDI Pada bab sebelumnya, penyebaran spatial (konfigurasi spasial) dimana ditunjukan sebagai ragam sampel quadran. Bab ini
Lebih terperinciMODUL II DISTRIBUSI PELUANG DISKRIT DAN KONTINU
DISTRIBUSI PELUANG DISKRIT DAN KONTINU A. TUJUAN PRAKTIKUM Melalui praktikum Modul II ini diharapkan praktikan dapat: 1. Mengenal jenis dan karakteristik dari beberapa distribusi peluang. 2. Menguji dan
Lebih terperinciSTATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 3 Outline: Uji Hipotesis: Uji t Uji Proportional Referensi: Johnson, R. A., Statistics Principle and Methods, 4 th Ed. John Wiley & Sons, Inc., 2001. Walpole, R.E.,
Lebih terperinciTEORI RESIKO ELEMENTER
TEORI RESIKO ELEMETER Ringkasan: Pada bagian ini, kita mengembangkan beberapa hubungan antara cadangan, premi, biaya keamanan dan tingkat retensi yang berguna untuk asuransi umum. Hubungan ini didasarkan
Lebih terperinciPENGGEROMBOLAN DUA TAHAP DESA-DESA DI JAWA TENGAH ALIFTA DIAH AYU RETNANI
PENGGEROMBOLAN DUA TAHAP DESA-DESA DI JAWA TENGAH ALIFTA DIAH AYU RETNANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2012 RINGKASAN ALIFTA DIAH AYU RETNANI.
Lebih terperinciS T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON
S T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2011 PENGUJIAN HIPOTESIS V. PENGUJIAN HIPOTESIS Hipotesis adalah jawaban sementara terhadap suatu masalah. Setiap
Lebih terperinciDistribusi Peluang Kontinyu STATISTIK INDUSTRI 1. Distribusi Peluang Kontinyu. Distribusi Diskrit Uniform. Distribusi Diskrit Uniform 13/11/2013
3//203 STATISTIK INDUSTRI Agustina Eunike, ST., MT., MBA Rata-rata dan Variansi Rumus Umum: Distribusi Peluang Diskrit dan Kontinyu UNIFORM Distribusi Diskrit Uniform Distribusi Diskrit Uniform Contoh:
Lebih terperinciUJI RATAAN UJIVARIANSI MA 2081 STATISTIKA DASAR UTRIWENI MUKHAIYAR A PRIL 2011
Uji Hipotesis UJI RATAAN UJIVARIANSI MA 081 STATISTIKA DASAR UTRIWENI MUKHAIYAR A PRIL 011 Pengertian Hipotesisadalah i suatu anggapan yang mungkin benar atau tidak mengenai satu populasi atau lbih lebih
Lebih terperinci4/16/2009. H 0 ditolak. H 0 tidak ditolak. ditolak. P(menolak H 0 H 0 benar) keputusan benar. = galat lttipe II = β. P(tidak menolak H 0 H 0 salah)
4/6/9 Galat (error) Uji Hipotesis H ditolak H benar H salah a P(menolak H H benar) galat tipe I keputusan benar MA 8 Statistika Dasar Kamis, 6 Februari 9 H tidak ditolak keputusan benar P(tidak menolak
Lebih terperinciPENYAJIAN DATA. Etih Sudarnika Laboratorium Epidemiologi Fakultas Kedokteran Hewan IPB
PENYAJIAN DATA Etih Sudarnika Laboratorium Epidemiologi Fakultas Kedokteran Hewan IPB Proses Pengumpulan Data???? Pencatatan Data Numerik Variable Record ID Nama Spesies Hasil Uji HI 1 Ahmad Ayam broiler
Lebih terperinciPENGUJIAN HIPOTESIS. Langkah-langkah pengujian hipótesis statistik adalah sebagai berikut :
PENGUJIAN HIPOTESIS A. Pengertian Pengujian Hipotesis Hipotesis berasal dari bahasa Yunani, yaitu hupo dan thesis. Hupo berarti lemah, kurang, atau di bawah dan thesis berarti teori, proposisi, atau pernyataan
Lebih terperinciPenentuan Daerah Kritis Terbaik dengan Teorema Neyman- Pearson
Vol. 6, No.1, 44-48, Juli 2009 Penentuan Daerah Kritis Terbaik dengan Teorema Neyman- Pearson Georgina M. Tinungki Abstrak Terdapat beberapa metode untuk membangun uji statistik yang baik, diantaranya
Lebih terperinciPERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI. Abstrak
PERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI Dwi Yuli Rakhmawati, Muhammad Mashuri 2,2) Institut Teknologi Sepuluh Nopember dwiyuli_rakhmawati@yahoo.com,
Lebih terperinciSTATISTIK PERTEMUAN XI
STATISTIK PERTEMUAN XI Topik Bahasan: Analisis Ragam (ANOVA) Universitas Gunadarma 1. Pendahuluan Metode hipotesis dengan menggunakan distribusi z dan distribusi t efektif untuk uji hipotesis tentang perbedaan
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 terperinciPENERAPAN METODE PENGGEROMBOLAN BERDASARKAN GAUSSIAN MIXTURE MODELS DENGAN MENGGUNAKAN ALGORITMA EXPECTATION MAXIMIZATION ULA SUSILAWATI
PENERAPAN METODE PENGGEROMBOLAN BERDASARKAN GAUSSIAN MIXTURE MODELS DENGAN MENGGUNAKAN ALGORITMA EXPECTATION MAXIMIZATION ULA SUSILAWATI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciBAB 1 PENDAHULUAN. 1.1.Latar Belakang
BAB 1 PENDAHULUAN 1.1.Latar Belakang Setiap universitas berusaha meningkatkan mutu lulusannya agar mereka mampu bersaing di era globalisasi. (USU) merupakan salah satu Perguruan Tinggi Negeri di kota Medan
Lebih terperinciS T A T I S T I K A OLEH : WIJAYA
S T A T I S T I K A OLEH : WIJAYA email : zeamays_hibrida@yahoo.com FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2009 IV. PENDUGAAN PARAMETER Populasi Sampling Sampel N n Rata-rata : μ Simp.
Lebih terperinciBAB IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1. Waktu dan Tempat Penelitian Penelitian dilaksanakan pada bulan Maret hingga April 2011 dengan lokasi penelitian berada di Hutan Pendidikan Gunung Walat, Kabupaten Sukabumi.
Lebih terperinciSILABUS MATA KULIAH. Pengalaman Pembelajaran
SILABUS MATA KULIAH Program Studi : Teknik Industri Kode Mata Kuliah : TKI-204 Nama Mata Kuliah : Statistika Industri Jumlah SKS : 2 Semester : III Mata Kuliah Pra Syarat : TKI-110 Teori Probabilitas Deskripsi
Lebih terperinciBAB 9 DISTRIBUSI PELUANG KONTINU
BAB 9 DISTRIBUSI PELUANG KONTINU A. Pengertian Distribusi Peluang Kontinu Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh semua nilai pada skala kontinu. Ruang sampel kontinu adalah
Lebih terperinciTidur Malam. 2. Nyatakan hipotesis nol dan hipotesis alternatif untuk menginvestigasi pertanyaan ini. Hipotesis Nol :
Tidur Malam Langkah 1. Tanyakan Pertanyaan Pengamatan Seberapa banyak murid di sekolah Anda yang tidur malam seperti ini? Cobalah untuk membuat pertanyaan yang lebih spesifik dan tanyakan tentang malam
Lebih terperinciS T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON
S T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2010 PENDUGAAN PARMETER IV. PENDUGAAN PARAMETER Populasi N Sampling Sampel n Rata-rata : μ Simp. Baku : σ Ragam
Lebih terperinciPOLA SEBARAN DATA SPEKTROSKOPI UV-VIS DAN SIMULASI DATA BERMODUS WIWIK INDRIANINGSIH
POLA SEBARAN DATA SPEKTROSKOPI UV-VIS DAN SIMULASI DATA BERMODUS WIWIK INDRIANINGSIH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009 RINGKASAN WIWIK
Lebih terperinci