PEMODELAN DAN SIMULASI TINGGI GENANGAN BANJIR DI KECAMATAN GUBENG KOTA SURABAYA MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS
|
|
- Hartanti Kartawijaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PEMODELAN DAN SIMULASI TINGGI GENANGAN BANJIR DI KECAMATAN GUBENG KOTA SURABAYA MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS Ratri Enggar Pawening 1, Joko Lianto Buliali 2, Ahmad Saikhu 2 Mahasiswa Jurusan Teknik Informatika 1, Dosen Pembimbing 2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember ratrie_enggar@yahoo.com Abstrak Salah satu pemanfaatan teknologi informasi adalah untuk melakukan prediksi tinggi genangan banir. Dengan menganalisis data-data faktor penyebab banir, yaitu mencari korelasi antara ketinggian banir dengan seumlah tautan, kemudian mengintegrasikan ke dalam Sistem Informasi Geografis (SIG) maka dapat diprediksi tingginya genangan banir di suatu daerah, sehingga proses pengambilan keputusan dalam mengantisipasi banir bisa dilakukan auh hari. Tugas akhir ini dibuat untuk melakukan analisis statistik terhadap data faktor-faktor alam yang diduga menadi penyebab banir (curah huan, kelembaban udara, temperatur, dan pasang air laut) dalam sebuah model matematis. Model matematis tersebut selanutnya digunakan di dalam SIG untuk proses simulasi menghitung tinggi genangan banir di wilayah Kecamatan Gubeng Kota Surabaya pada musim huan. Hasil korelasi antar variabel prediktor menunukkan adanya kasus multikolinearitas, untuk itu pembuatan model dilakukan dengan menggunakan metode principal component regression. Ada dua model yang diuicobakan dalam tugas akhir ini. Berdasarkan nilai RMSE, RMSPE, MAPE, dan U, hasil regresi menunukkan bahwa model yang terbaik adalah model yang menambahkan sebuah faktor pengaruh yaitu tinggi genagan banir pada hari sebelumnya. Hasil validasi model untuk RMSE adalah ,RMSPE adalah , MAPE adalah , dan U adalah Model terbaik mempunyai nilai R %. Penggunaan Sistem Informasi Geografis mempermudah dalam memvisualisasikan hasil rata-rata perhitungan tinggi genangan untuk melakukan prediksi daerah rawan banir. Hasil simulasi perhitungan tinggi genangan banir dimana data input merupakan hasil pembangkitan bilangan acak berdasarkan data hasil pengamatan menunukkan bahwa rata-rata tinggi genangan banir di Kecamatan Gubeng sebesar cm. Kata kunci : Pemodelan dan Simulasi, Principal Component Regression, Prediksi Tinggi Banir. 1. PENDAHULUAN Pesatnya perkembangan teknologi informasi memberikan kemudahan untuk melakukan penelitian terhadap kondisi alam. Data-data dan informasi yang diperlukan dalam penelitian dapat diperoleh dengan lebih mudah. Kemudahan lainnya uga teradi dalam proses analisa serta pengambilan keputusan. Dengan pemanfaatan teknologi ini diharapkan lebih banyak lagi hasil-hasil penelitian yang bermanfaat untuk diterapkan dalam kehidupan manusia. Salah satu pemanfaatan teknologi informasi adalah untuk melakukan prediksi tinggi genangan banir sehingga dapat memberikan kemudahan dalam mengantisipasi teradinya banir. Dengan menganalisis data-data faktor penyebab banir, yaitu mencari korelasi antara ketinggian banir dengan seumlah tautan, kemudian mengintegrasikan ke dalam Sistem Informasi Geografis (SIG) maka dapat diprediksi tingginya genangan banir di suatu daerah, sehingga proses pengambilan keputusan dalam mengantisipasi banir bisa dilakukan auh hari. Menurut Kasi Informasi dan Observasi BMG Tanung Perak, ada dua faktor yang menyebabkan banir besar melanda Surabaya, yaitu tingginya curah huan dan teradinya air pasang laut di sekitar Surabaya. Huan merupakan proses siklus air karena air laut yang menguap membentuk awan. Temperatur udara yang tinggi menyebabkan penguapan air laut menadi tinggi sehingga kelembaban udara meningkat. Hal inilah yang meyebabkan curah huan terutama di Indonesia menadi tinggi (Rovicky, 2009). Tugas akhir ini dibuat untuk melakukan analisis statistik terhadap data faktor-faktor alam yang diduga menadi penyebab banir (curah huan, kelembaban udara, temperatur, dan pasang air laut) dalam sebuah model matematis. Model matematis tersebut selanutnya digunakan di dalam SIG untuk proses simulasi menghitung tinggi genangan banir di wilayah Kecamatan Gubeng Kota Surabaya pada musim huan. Penelitian untuk menentukan daerah rawan banir pernah dilakukan oleh Nugraha (2009), dimana metode prediksinya menggunakan multi criteria, yaitu dengan melakukan pembobotan terhadap indikator banir. Tugas akhir ini diharapkan bisa menyempurnakan proses perhitungan dalam memprediksi banir sehingga dapat menadi bagian dari keseluruhan sistem yang pada akhirnya menghasilkan sebuah rekomendasi keputusan penanggulangan banir pada daerah yang diprediksi sebagai area rawan banir di Kota Surabaya. 1
2 Rangkaian dari sisitem ini terdiri dari sub sistemsub sistem yang mendukungnya. Pada sub sistem analisis data, data temporal dari BMG dianalisis untuk mengetahui data tersebut berdistribusi normal multivariate atau tidak (Purbowati, 2009). Pada sub sistem pembangkitan bilangan acak dilakukan proses membangkitkan suatu bilangan acak yang dikerakan menggunakan linear congruential generator dan inverse transform untuk pembangkitan variasi acaknya (Wiarini, 2009). Pada sub sistem Sistem Informasi Geografis (SIG) dilakukan pembuatan SIG untuk menentukan daerah rawan banir di Kota Surabaya. Metode yang dilakukan untuk menentukan area rawan banir adalah menggunakan multi criteria (Nugraha, 2009). Pada sub sistem decission support system dilakukan analisis solusi penanggulangan banir pada daerah yang tingkat kerawanan banirnya tinggi. Solusi ini direkomendasikan menggunakan decission tree (Natalia, 2009). Sub sistem-sub sistem yang sudah disebutkan di atas sudah dikembangkan oleh penelitipeneliti sebelumnya. Mulai Deskripsi dan identifikasi Data Standarisasi variabel X menadi Z Membuat matriks korelasi antar variabel prediktor Menghitung eigen value dan eigen vector Menghitung proporsi dan kumulatif Menghitung nilai variabel baru W 1 Menentukan umlah komponen yang akan digunakan Melakukan regresi OLS dengan variabel respon Y R 2 > 75% Selesai Ya Transformasi variabel W menadi X asal Tidak Tambah umlah komponen yang digunakan 2. TUJUAN PEMBUATAN TUGAS AKHIR Tuuan dari tugas akhir ini adalah mencari model matematis untuk mengetahui tinggi genangan banir yang diduga dipengaruhi oleh faktor-faktor alam antara lain curah huan, kelembaban, temperatur, dan pasang air laut, dengan studi kasus di Kecamatan Gubeng Kota Surabaya dan mengimplementasikannya ke dalam program SIG untuk selanutnya dilakukan proses simulasi. 3. METODOLOGI Metode yang digunakan dalam proses pemodelan adalah menggunakan principal component regression yang ditunukkan dalam Gambar 1. 1 Gambar 1 Diagram alir principal component regression Langkah-langkah pembuatan model menggunaan Principal Component Regression adalah : 1. Mendeskripsikan dan mengidentifikasi data, yaitu dengan mendeskripsikan karakteristik data melalui mean dan varian serta mengidentifikasi hubungan antar variabel. 2. Menstandarisasi variabel X menadi Z dengan persamaan (1) 3. Membuat matriks korelasi antar variabel prediktor. 4. Menghitung eigen value dan eigen vector dari matriks korelasi. 5. Membangkitkan variabel baru yang saling independen, dimana (2) 6. Menentukan umlah komponen yang akan digunakan berdasarkan kriteria nilai proporsi kumulatif eigen value lebih dari 75%. (3) 7. Melakukan regresi Ordinary Least Square (OLS) antara Y dengan komponen yang dipilih. 8. Dengan melihat nilai R-Squarenya, apabila nilainya kurang dari dari 75% maka dilakukan penambahan komponen, apabila sudah lebih dari 75% maka tidak perlu melakukan penambahan komponen. 9. Mengubah variabel komponen hasil regresi ke dalam bentuk X yang asli, dengan cara mensubstitusikan variabel komponen dengan nilai Z (variabel prediktor yang sudah terstandarisasi). 2
3 Penguian terhadap model dilakukan dengan : 1. Ui Parameter Ada dua macam penguian dalam ui parameter, yaitu ui serentak dan ui parsial. Pada ui serentak, statitik ui yang digunakan adalah F hitung. Data input yang digunakan dalam ui serentak adalah ditunukkan dalam Tabel 1. Tabel 1 Input ui serentak NO Nama Input Keterangan 1. y pengamatan aktual 2. y prediksi 3. Mean y 4. n Jumlah pengamatan 5. k Jumlah variabel prediktor Output ui serentak ini adalah F hitung. Hipotesis : H 0 : H 1 : minimal ada satu 0, =1, 2,..., k Apabila F hitung > F α,(k,n-k-1), maka tolak H 0. Apabila menggunakan P-value, ika P-value < α maka H 0 ditolak, artinya parameter signifikan secara serentak. Data input yang digunakan dalam ui parsial ditunukkan dalam Tabel 2. Tabel 2 Input ui parsial NO Nama Input Keterangan 1. Nilai dugaan 2. Simpangan baku Output ui parsial ini adalah t hitung. Hipotesis : H 0 : 0 H 1 : 0, =0, 1, 2,..., k Apabila t hitung > t (α,n-k-1) maka tolak H 0. Apabila menggunakan P-value, ika P-value < α maka tolak H 0, artinya sudah signifikan. 2. Validasi Model Untuk melakukan validasi model, dalam tugas akhir ini menggunakan kriteria nilai sebagai berikut : a. Root Mean Square Error (RMSE) b. Root Mean Square Percent Error (RMSPE) c. Theil s Inequality Coefficient (U) d. Mean Absolute Percentage Error (MAPE) e. R 2 (koefisien determinasi) Model dikatakan baik apabila RMSE, RMSPE, MAPE bernilai kecil, R 2 bernilai besar setidaknya lebih dari 0,75; dan U bernilai antara 0-1 dan yang paling mendekati 0. Diagram alir proses pembuatan Sistem Informasi Geografis ditunukkan dalam Gambar 2. Mulai Peta kecamatan Seleksi Kecamatan Gubeng Simulasi tinggi genangan banir Visualisasi hasil simulasi Selesai Gambar 2 Perancangan SIG Langkah-langkah pembuatan Sistem Informasi Geografis adalah sebagai berikut : 1. Memasukkan peta kecamatan di Surabaya (file.shp) ke dalam program ArcView. 2. Melakukan seleksi kecamatan sampel, yakni kecamatan Gubeng yang kemudian diadikan sebuah theme baru. 3. Melakukan simulasi tinggi genangan banir. Hasil rancangan pemodelan pada sub bab 3.3 diaplikasikan pada proses ini sebagai fungsi untuk menghitung tinggi genangan banir. Data input yang digunakan dalam proses penghitungan adalah data hasil pembangkitan bilangan acak. 4. Hasil simulasi akan divisualisasikan ke dalam peta sesuai dengan besarnya tinggi genangan yang telah dikalkulasi. Variabel-variabel input yang diperlukan dalam proses simulasi ini adalah curah huan, kelembaban, temperatur, dan pasang air laut. Gambar 3 menunukkan diagram alir proses simulasi tinggi genangan banir. 3
4 MULAI Model data Nilai variabel inputan Menghitung tinggi genangan Klasifikasi tinggi genangan Update property legend Matriks korelasi untuk model 1 menyatakan bahwa ada hubungan yang erat antara Y dengan X1. Hal ini ditunukkan dengan nilai korelasi yang besar, yaitu 0,9393. Hubungan antar variabel prediktor uga terdapat nilai yang menyatakan adanya korelasi yang tinggi yaitu antara variabel prediktor X2 dengan vaiabel prediktor X3 sebesar -0,7422. Adanya sebuah hubungan yang erat antar variabel prediktor inilah yang menadi indikasi adanya kasus multikolinearitas. Teknik regresi yang dipakai untuk menangani kasus multikolinearitas ini adalah dengan menggunakan principal component regression. Ui coba pemilihan komponen utama untuk proses regresi adalah sebagai berikut : a. 3 Komponen utama (komponen 1,2, dan 3) Hasil regresi apabila menggunakan 3 komponen utama ditunukkan dalam Gambar 4. SELESAI Gambar 3 Simulasi tinggi genangan Besarnya tinggi genangan yang diperoleh dari hasil perhitungan selanutnya diklasifikasikan ke dalam 3 kelompok yang ditunukkan dalam Tabel 3. Tabel 3 Klasifikasi tinggi genangan banir NO Klasifikasi Keterangan cm banir kecil cm banir sedang cm banir besar Selanutnya hasil pengklasifikasian ini digunakan sebagai property untuk meng-update legenda. 4. UJI COBA DAN EVALUASI Dalam perkembangan pembuatan tugas akhir, terdapat sebuah faktor yang diduga mempunyai pengaruh terhadap ketinggian banir, yaitu nilai ketinggian banir pada hari sebelumnya. Untuk itu ada 2 model yang akan dilakukan ui coba, tuuannya agar model-model tersebut bisa dibandingkan untuk mendapatkan model yang terbaik. Model 1 Data yang diperlukan dalam proses ui coba ditunukkan dalam Tabel 4. Tabel 4 Data ui coba NO Jenis Model Data Ui Coba 1. Model 1 Data tinggi genangan, curah huan, kelembaban, dan temperatur 2. Model 2 Data tinggi genangan, curah huan, kelembaban, temperatur, ketinggian banir hari sebelumnya Gambar 4 Hasil ui 3 komponen utama Pada ui parsial, hasil dari statistik ui distribusi t menunukkan bahwa semua parameter signifikan terhadap model secara individu. Hal ini uga ditunukkan oleh p-value untuk masing-masing variabel bernilai 0. Sedangkan pada ui serentak menggunakan statistik ui distribusi F yang menunukkan bahwa parameter signifikan terhadap model. Parameter yang dihasilkan dari model regresi adalah ditunukkan dalam Tabel 5. Tabel 5 Parameter regresi 3 komponen utama Parameter Nilai β β β β Dari parameter yang ditunukkan dalam Tabel 5 persamaan yang diperoleh: Y = 3, W W W 3 Dimana W 1 = variabel komponen 1, W 2 = variabel komponen 2, dan W 3 = variabel komponen 3. Dengan mentransformasikan variabel komponen 4
5 ke dalam bentuk X asal, maka didapatkan persamaan sebagai berikut : Y = X X X X 4 Nilai R 2 pada model ini > 75% yaitu sebesar 88,66% sehingga tidak perlu dilakukan penambahan komponen. Model 2 1. Ui coba 3 komponen utama Hasil regresi apabila menggunakan 3 komponen utama ditunukkan dalam Gambar 5. Gambar 6 Hasil ui 4 komponen utama Gambar 5 Hasil ui 3 komponen utama Pada ui parsial, hasil dari statistik ui distribusi t menunukkan bahwa semua parameter signifikan terhadap model secara individu. Hal ini uga ditunukkan oleh p-value untuk masing-masing variabel bernilai 0. Sedangkan pada ui serentak menggunakan statistik ui distribusi F yang menunukkan bahwa parameter signifikan terhadap model. Parameter yang dihasilkan dari model regresi ditunukkan dalam Tabel 6. Tabel 6 Parameter regresi 3 komponen utama Parameter Model β β β β Dari parameter dalam Tabel 6 persamaan yang diperoleh : Y = 3, W W W 3 Dimana W 1 = variabel komponen 1, W 2 = variabel komponen 2, dan W 3 = variabel komponen 3. Nilai R 2 pada model ini < 75% yaitu sebesar 45,80% sehingga perlu dilakukan penambahan komponen. 2. Ui coba 4 komponen utama Hasil regresi apabila menggunakan 4 komponen ditunukkan dalam Gambar 6. Pada ui parsial, hasil dari statistik ui distribusi t menunukkan bahwa semua parameter signifikan terhadap model secara individu. Hal ini uga ditunukkan oleh p-value untuk masing-masing variabel bernilai 0. Sedangkan pada ui serentak menggunakan statistik ui distribusi F yang menunukkan bahwa parameter signifikan terhadap model. Parameter yang dihasilkan dari model regresi ditunukkan dalam Tabel 7. Tabel 7 Parameter regresi 4 komponen utama Parameter Model β β β β β Dari parameter tersebut persamaan yang diperoleh: Y = 3, W W W 3 + 3,7653W 4 Dimana W 1 = variabel komponen 1, W 2 = variabel komponen 2, W 3 = variabel komponen 3, W 4 = variabel komponen 4. Nilai R 2 pada model ini > 75% yaitu sebesar 88,99% sehingga tidak perlu dilakukan penambahan komponen. Dengan mentransformasikan variabel komponen ke dalam bentuk X asal, maka didapatkan persamaan sebagai berikut : Y = X X X X X 5 Untuk mencari model terbaik, maka perlu dilakukan validasi model. Hasil validasi model ditunukkan dalam Tabel 8. Tabel 8 Validasi model Model 1 Model 2 RMSE RMSPE MAPE
6 U R Dari Tabel 8 dapat disimpulkan bahwa model 2 memiliki nilai RMSE, RMSPE, MAPE, dan U yang lebih kecil dibandingkan dengan model 1, sedangkan nilai R 2 pada model 2 lebih besar daripada R 2 model 1. Berdasarkan keterangan tersebut dapat disimpulkan bahwa model 2 lebih baik dibandingkan dengan model 1. Selanutnya model 2 tersebut akan digunakan dalam proses simulasi pada SIG. Sistem Informasi Geografis Pada skenario 1 proses yang diuicobakan adalah bagaimana ika pengguna melakukan input satu persatu untuk memprediksi tinggi genangan banir di daerah Gubeng. Pada skenario 2 penguian dilakukan untuk mendapatkan tinggi genangan yang dipengaruhi oleh curah huan, kelembaban, temperatur, pasang air laut, dan ketinggian pada hari sebelumnya. Data input tersebut adalah data hasil pengamatan nyata. Pada skenario 3 penguian dilakukan untuk variabel mempunyai 87 baris data ui, hal ini dimaksudkan agar hasil ui coba dapat dibandingkan pada penguian skenario 2. Data input pada penguian skenario 3 ini merupakan hasil pembangkitan bilangan acak berdasarkan data hasil pengamatan. Pada skenario 4 penguian dilakukan untuk variabel mempunyai 87 baris data, dimana data input merupakan hasil pembangkitan bilangan acak dengan menaikkan standar deviasi pada variabel curah huan sebesar 25%. Pada skenario 5 penguian dilakukan untuk variabel mempunyai 87 baris data, dimana data input merupakan hasil pembangkitan bilangan acak dengan menaikkan nilai rata-rata variabel curah huan sebesar 25%. Pada skenario 6 penguian dilakukan untuk variabel mempunyai 87 baris data, dimana data input merupakan hasil pembangkitan bilangan acak dengan menaikkan nilai rata-rata dan standar deviasi variabel curah huan sebesar 25%. Hasil evaluasi dari percobaan yang sudah dilakukan adalah : 1. Untuk membandingkan hasil skenario 2 dengan skenario 3 dilakukan ui anova dengan hipotesis H 0 : μ 1 = μ 2 H 1 : μ 1 μ 2 Hasil perhitungan didapatkan nilai F hitung = 0,2799, F tabel = 3,314. Karena F hitung < F tabel maka pada pada taraf α sebesar 0,05 terima H 0. Sehingga dapat disimpulkan bahwa hasil ui skenario 2 sama dengan hasil ui skenario Hasil ui coba skenario 4 diperoleh nilai rata-rata tinggi genangan sebesar 4, Pada saat standar deviasi variabel curah huan naik 25%, hal ini dapat mempengaruhi kenaikan rata-rata tinggi genangan sebesar 0, Hasil ui coba skenario 5 diperoleh nilai rata-rata tinggi genangan sebesar 4, Dengan menaikkan nilai rata-rata variabel curah huan sebesar 25% akan menyebabkan kenaikan pada nilai rata-rata tinggi genangan sebesar 0, Hasil ui coba skenario diperoleh nilai rata-rata tinggi genangan sebesar 5, Dengan menaikkan nilai rata-rata dan standar deviasi variabel curah huan sebesar 25% akan menyebabkan kenaikan pada nilai rata-rata tinggi genangan sebesar 0, KESIMPULAN DAN SARAN Kesimpulan 1. Nilai korelasi yang tinggi antar variabel prediktor (antara kelembaban dan temperatur) sebesar - 0,7422 mengindikasikan adanya kasus multikolinearitas, untuk itu perlu penanganan dengan menggunakan principal component regression. 2. Model yang dipilih adalah model yang mempunyai tingkat error paling kecil, dimana mempunyai variabel prediktor curah huan, kelembaban, temperatur, pasang air laut, dan ketinggian banir pada hari sebelumnya. Model ini lebih baik daripada model yang tidak menyertakan variabel ketinggian banir pada hari sebelumnya. Hal ini dibuktikan pada proses validasi dimana model mempunyai RMSE, RMSPE, MAPE, dan U lebih kecil dengan nilai masing-masing 1,6543; 0,0973; 1,0433; dan 0, Model regresi yang dihasilkan mempunyai nilai R 2 sebesar 88,99%. Hal ini berarti tinggi genangan banir dapat diterangkan oleh variabel curah huan, kelembaban, temperatur, pasang air laut, dan ketinggian banir hari sebelumnya sebesar 88,99%. 4. Dengan mensimulasikan pola perubahan curah huan yang tidak menentu, ui coba yang dilakukan adalah dengan meningkatkan nilai rata-rata variabel curah huan dari data aslinya. Ketika nilai rata-rata curah huan naik 20% pada standar deviasi yang sma maka diperoleh nilai rata-rata ketinggian banir sebesar 4, Ketika standar deviasi curah huan dinaikkan 25% pada rata-rata yang tetap maka didapatkan nilai rata-rata ketinggian banir sebesar 4, Ketika rata-rata dan standar deviasi curah huan dinaikkan 25% maka nilai rata-rata ketinggian banir yang diperoleh sebesar 5,
7 5. Penggunaan Sistem Informasi Geografis mempermudah dalam memvisualisasikan hasil rata-rata perhitungan tinggi genangan untuk melakukan prediksi daerah rawan banir. 6. SARAN 1. Untuk mendapatkan hasil pemodelan yang baik diperlukan pemilihan variabel-variabel prediktor yang benar-benar berpengaruh terhadap variabel respon. Untuk itu pada penelitian lebih lanut dapat menambahkan variabel lain yang mempunyai pengaruh kuat terhadap tinggi genangan banir. 2. Pada tugas akhir ini penelitian dalam melakukan proses pemodelan dan simulasi terbatas pada satu kecamatan, yaitu Kecamatan Gubeng. Untuk pengembangan lebih lanut diharapkan dapat melakukan pemodelan dan simulasi untuk seluruh kecamatan di Surabaya, sehingga hasil simulasi dapat digunakan untuk menentukan area rawan banir di Kota Surabaya. Sridadi, Bambang, Pemodelan dan Simulasi Sistem Teori, Aplikasi dan Contoh Program dalam Bahasa C, Informatika, Sulaiman, Wahid, Analisis Regresi Menggunakan SPSS Contoh Kasus dan Pemecahannya, ANDI, Wiarini, Putu Pitri, Pembangkitan Bilangan Acak untuk Data Temperatur dan Kelembaban Kota Surabaya, [Tugas Akhir], Institut Teknologi Sepuluh Nopember, DAFTAR PUSTAKA Anderson, Hair, Tatham, Black, Multivariate Data Analysis, Prentice-Hall International, Drapper, NR & Smith, H, Analisis Regresi Terapan, Edisi Kedua, PT Gramedia Pustaka Utama, Jakarta, Law, Averil M. and W. David Kelton, Simulation Modeling and Analysis Third Edition, McGraw-Hill, Natalia, Deasy Astrid, Penerapan Decissiekomendasi Solusi Penanggulangan Banir, [Tugas Akhir], Institut Teknologi Sepuluh Nopember, Nugraha, Surya Agung Ika, Sistem Informasi Geografis Pendukung Penentuan Daerah Rawan Banir Studi Kasus Kota Surabaya, [Tugas Akhir], Institut Teknologi Sepuluh Nopember, Puntodewo. A, S. Dewi, Tarigan. J, Sistem Informasi Geografis Untuk Pengelolaan Sumber Daya Alam, Center for International Forestry Research, Bogor Barat, Purbowati, Aeng Mumpuni, Pemodelan Data Curah Huan, Temperatur, Kelembaban Udara, serta Pasang Surut Air Laut Harian Kota Surabaya, [Tugas Akhir], Institut Teknologi Sepuluh Nopember, Rencher, A.C, Multivariate Statistical Inference and Application, Wiley-Interscience Publication, Brigham, Rovicky, Prakiraan Huan dan Peramalan Banir, akiraan-huan-dan-peramalan-banir, diakses pada 21 Desember Sembiring. K, Aplikasi Sistem Informasi Penanggulangan Bencana di Indonesia, Lomba Karya Tulis Mahasiswa, Sembiring, RK, Analisis Regresi, Edisi ke-2, Penerbit ITB,
PEMODELAN DAN SIMULASI TINGGI GENANGAN BANJIR DI KECAMATAN GUBENG KOTA SURABAYA MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS
PEMODELAN DAN SIMULASI TINGGI GENANGAN BANJIR DI KECAMATAN GUBENG KOTA SURABAYA MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS Penyusun Tugas Akhir : Ratri Enggar Pawening/5107100613 Pembimbing I Dr. Ir. Joko
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2 Analisis Korelasi Analisis korelasi adalah alat statistik yang dapat digunakan untuk mengetahui deraat hubungan linear antara satu variabel dengan variabel lain (Algifari, 997)
Lebih terperinciPENERAPAN METODE REGRESI GULUD DAN REGRESI KOMPONEN UTAMA DALAM MENGATASI PENYIMPANGAN MULTIKOLINEARITAS PADA ANALISIS REGRESI LINEAR BERGANDA
PENERAPAN METODE REGRESI GULUD DAN REGRESI KOMPONEN UTAMA DALAM MENGATASI PENYIMPANGAN MULTIKOLINEARITAS PADA ANALISIS REGRESI LINEAR BERGANDA Sri Siska Wirdaniyati 1), Edy Widodo ) 1) Mahasiswa Prodi
Lebih terperinciAPLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2
Lebih terperinciUniversitas Negeri Malang
1 Penerapan Metode Regresi New Stepwise untuk Mengetahui Faktor- Faktor yang Mempengaruhi Kekuatan Metallic Box (Studi Kasus di PT. PINDAD (Persero) Turen) Universitas Negeri Malang E-mail: Nisahidayatul@gmail.com
Lebih terperinciBab V Validasi Model
Bab V Validasi Model 5.1 Pengujian Model Seperti yang telah dijelaskan sebelumnya, pengujian model sistem dinamik menyangkut tiga aspek yaitu : (1) pengujian struktur model; (2) pengujian perilaku model;
Lebih terperinciPENDEKATAN REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAH TANGGA UNTUK PENDIDIKAN DI JAWA TIMUR
PENDEKATAN REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAH TANGGA UNTUK PENDIDIKAN DI JAWA TIMUR Neser Ike Cahyaningrum 1307100012 Dosen Pembimbing Dr. Dra. Ismaini Zain, M.Si AGENDA
Lebih terperinciBAB II KAJIAN TEORI. Sebuah Matriks adalah susunan segi empat siku-siku dari bilangan-bilangan.
BAB II KAJIAN TEORI A. Matriks 1. Definisi Matriks Sebuah Matriks adalah susunan segi empat siku-siku dari bilangan-bilangan. Bilangan-bilangan dalam susunan tersebut dinamakan entri dalam matriks (Howard
Lebih terperinciBab IV. Metode dan Model Penelitian
Bab IV Metode dan Model Penelitian 4.1 Spesifikasi Model Sesuai dengan tinjauan literatur, hal yang akan diteliti adalah pengaruh real exchange rate, pertumbuhan ekonomi domestik, pertumbuhan ekonomi Jepang,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi merupakan bentuk analisis hubungan antara variabel prediktor
8 BAB 2 LANDASAN TEORI 2.1 Pengertian Analisis Regresi Analisis regresi merupakan bentuk analisis hubungan antara variabel prediktor (variabel independent) dengan variabel outcome (variabel dependen) untuk
Lebih terperinciV. HASIL DAN PEMBAHASAN
44 V. HASIL DAN PEMBAHASAN 5.1 Analisis Integrasi Pasar (keterpaduan pasar) Komoditi Kakao di Pasar Spot Makassar dan Bursa Berjangka NYBOT Analisis integrasi pasar digunakan untuk mengetahui bagaimana
Lebih terperinciPemodelan Faktor-Faktor yang Mempengaruhi Produksi dan Mutu Tembakau Temanggung dengan Kombinasi antara Generalized Least Square dan Regresi Ridge
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 12) ISSN: 2301-928X D-1 Pemodelan Faktor-Faktor yang Mempengaruhi Produksi dan Mutu Tembakau Temanggung dengan Kombinasi antara Generalized Least Square
Lebih terperinciMETODE PENELITIAN. A. Variabel Penelitian dan Definisi Operasional. Untuk memperjelas dan memudahkan pemahaman terhadap variabelvariabel
43 III. METODE PENELITIAN A. Variabel Penelitian dan Definisi Operasional Untuk memperjelas dan memudahkan pemahaman terhadap variabelvariabel yang akan dianalisis dalam penelitian ini, maka perlu dirumuskan
Lebih terperinciVI. ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI USAHA PEMBESARAN LELE DUMBO DI CV JUMBO BINTANG LESTARI
VI. ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI USAHA PEMBESARAN LELE DUMBO DI CV JUMBO BINTANG LESTARI 6.1. Analisis Fungsi Produksi Model fungsi produksi yang digunakan adalah fungsi Cobb Douglas. Faktor-faktor
Lebih terperinciModel Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur M.Fariz Fadillah Mardianto,
Lebih terperinciSTK 511 Analisis statistika. Materi 7 Analisis Korelasi dan Regresi
STK 511 Analisis statistika Materi 7 Analisis Korelasi dan Regresi 1 Pendahuluan Kita umumnya ingin mengetahui hubungan antar peubah Analisis Korelasi digunakan untuk melihat keeratan hubungan linier antar
Lebih terperinciJMP : Volume 6 Nomor 1, Juni 2014, hal REGRESI LINEAR BIVARIAT SIMPEL DAN APLIKASINYA PADA DATA CUACA DI CILACAP
JMP : Volume 6 Nomor 1, Juni 014, hal. 45-5 REGRESI LINEAR BIVARIAT SIMPEL DAN APLIKASINYA PADA DATA CUACA DI CILACAP Saniyah dan Budi Pratikno Program Studi Matematika Fakultas Sains dan Teknik Universitas
Lebih terperinciANALISA FAKTOR-FAKTOR YANG MEMPENGARUHI HASIL PRODUKSI PADI DI DELI SERDANG. Riang Enjelita Ndruru,Marihat Situmorang,Gim Tarigan
Saintia Matematika Vol. 2, No. 1 (2014), pp. 71 83. ANALISA FAKTOR-FAKTOR YANG MEMPENGARUHI HASIL PRODUKSI PADI DI DELI SERDANG Riang Enjelita Ndruru,Marihat Situmorang,Gim Tarigan Abstrak. Penyediaan
Lebih terperinciHASIL DAN PEMBAHASAN
18 HASIL DAN PEMBAHASAN Eksplorasi data Tahap pertama dalam pembentukan model VAR adalah melakukan eksplorasi data untuk melihat perilaku data dari semua peubah yang akan dimasukkan dalam model. Eksplorasi
Lebih terperinciBAB 3 METODE PENELITIAN. Wilayah dan pengumpulan data yang diambil adalah di Kabupaten Bekasi
BAB 3 METODE PENELITIAN 3.1 Wilayah dan Pengumpulan Data Wilayah dan pengumpulan data yang diambil adalah di Kabupaten Bekasi yang terdiri dari 23 Kecamatan. Lokasi masing-masing kecamatan dapat dilihat
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. belajar kimia SMA Negeri 1 Jogonalan Kabupaten Klaten.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Hasil Penelitian 1. Diskripsi Data Diskripsi hasil penelitian ini didasarkan pada skor dari kuesioner yang digunakan untuk mengetahui pengaruh motivasi dan iklim
Lebih terperinciMetode Regresi Ridge dengan Iterasi HKB dalam Mengatasi Multikolinearitas
Vol. 14, No. 1, 93-99, Juli 2017 Metode Regresi Ridge dengan Iterasi HKB dalam Mengatasi Multikolinearitas Nurhasanah Abstrak Regresi berganda dengan peubah bebas saling berkorelasi (multikolinearitas)
Lebih terperinciPENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
Lebih terperinciBAB II LANDASAN TEORI. : Ukuran sampel telah memenuhi syarat. : Ukuran sampel belum memenuhi syarat
BAB II LANDASAN TEORI 2.1. Uji Kecukupan Sampel Dalam melakukan penelitian ini yang berhubungan dengan kecukupan sampel maka langkah awal yang harus dilakukan adalah pengujian terhadap jumlah sampel. Pengujian
Lebih terperinciUniversitas Negeri Malang E-mail: livia.mat09@gmail.com
1 APLIKASI ANALISIS REGRESI KOMPONEN UTAMA TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI PENYAKIT DIABETES MELLITUS (Studi Kasus di Puskesmas Tempeh Kab. Lumajang) Universitas Negeri Malang E-mail: livia.mat09@gmail.com
Lebih terperinciPRINCIPAL COVARIATE REGRESSION PADA DATA RUNTUN WAKTU
PRINCIPAL COVARIATE REGRESSION PADA DATA RUNTUN WAKTU Nuruma Nurul Malik 1, Fevi Novkaniza 2 Departemen Matematika FMIPA UI, Depok Email korespondensi : fevi.novkaniza@sci.ui.ac.id Abstrak Pada suatu data
Lebih terperinciIV. METODOLOGI PENELITIAN. Penelitian ini akan dilaksanakan di Pulau Untung Jawa Kabupaten
IV. METODOLOGI PENELITIAN 4.1 Lokasi dan Waktu Penelitian ini akan dilaksanakan di Pulau Untung Jawa Kabupaten Kepulauan Seribu, Provinsi DKI Jakarta. Pemilihan lokasi dilakukan secara sengaja (purposive
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
J u r n a l E K B I S / V o l. V I / N o. / e d i s i M a r e t 2 0 2 379 ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi yang berarti peramalan, penaksiran, atau pendugaan pertama kali diperkenalkan pada tahun 1877 oleh Sir Francis Galton (1822-1911) sehubungan dengan penelitiannya
Lebih terperinciRegresi Linier Berganda
Regresi Linier Berganda Regresi Berganda Contoh Menguji hubungan linier antara variabel dependen (y) dan atau lebih variabel independen (x n ) Hubungan antara suhu warehouse dan viskositas cat dengan jumlah
Lebih terperinciOleh : Fuji Rahayu W ( )
Oleh : Fuji Rahayu W (1208 100 043) JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2012 Indonesia sebagai negara maritim Penduduk Indonesia
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. maka di kembangkan kerangka pemikiran penelitian sebagai berikut: ketinggian
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran dan Hipotesis 3.1.1 Kerangka Pemikiran Berdasarkan kerangka teori yang telah dijelaskan pada gambaran umum objek, maka di kembangkan kerangka pemikiran
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
25 BAB V HASIL DAN PEMBAHASAN 5.1 Pemilihan Pohon Contoh Pohon contoh yang digunakan dalam penelitian ini jenis keruing (Dipterocarpus spp.). Pemilihan pohon contoh dilakukan secara purposive pada RKT
Lebih terperinciMETODE PARTIAL LEAST SQUARES UNTUK MENGATASI MULTIKOLINEARITAS PADA MODEL REGRESI LINEAR BERGANDA
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 3 (2014), hal 169 174. METODE PARTIAL LEAST SQUARES UNTUK MENGATASI MULTIKOLINEARITAS PADA MODEL REGRESI LINEAR BERGANDA Romika Indahwati,
Lebih terperinciBAB III METODE PENELITIAN. metode analisis data serta pengujian hipotesis.
BAB III METODE PENELITIAN Pada bab 3 ini akan dijelaskan mengenai metode penelitian yang meliputi populasi dan sampel penelitian, data dan sumber data, variabel operasional, metode analisis data serta
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Waktu dan Tempat Penelitian Data yang akan digunakan dalam Penelitian ini adalah data Sekunder yang berupa Perputaran Piutang,Perputaran Persediaan (persediaan bahan baku,
Lebih terperinci1. PENDAHULUAN. [8 Januari 2006] 1 ( )
1. PENDAHULUAN 1.1. Latar Belakang Informasi ramalan curah hujan sangat berguna bagi petani dalam mengantisipasi kemungkinan kejadian-kejadian ekstrim (kekeringan akibat El- Nino dan kebanjiran akibat
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
34 BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Analisis Statistik Deskriptif Analisis data yang dilakukan dalam bab ini pada dasarnya dapat dikelompokkan menjadi dua bagian. Bagian pertama merupakan analisis
Lebih terperinciAnalisis Regresi: Regresi Linear Berganda
Analisis Regresi: Regresi Linear Berganda Pengantar Pada sesi sebelumnya kita hanya menggunakan satu buah X, dengan model Y = b 0 + b 1 X 0 1 Dalam banyak hal, yang mempengaruhi X bisa lebih dari satu.
Lebih terperinciPertemuan 4-5 ANALISIS REGRESI SEDERHANA
Pertemuan 4-5 ANALISIS REGRESI SEDERHANA Metode Kuadrat Terkecil (OLS) Persoalan penting dalam membuat garis regresi sampel adalah bagaimana kita bisa mendapatkan garis regresi yang baik yaitu sedekat
Lebih terperinciPENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO 2 dan Gross Nation Product di Malaysia, Bhutan, dan Nepal)
PENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO dan Gross Nation Product di Malaysia, Bhutan, dan Nepal) Yanti I 1, Islamiyati A, Raupong 3 Abstrak Regresi geometrik
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
61 BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Statistik Deskriptif Statistik deskripsi menjelaskan karakteristik dari masing-masing variabel yang terdapat dalam penelitian, baik variabel dependen maupun independen
Lebih terperincimenggunakan analisis regresi dengan metode kuadrat terkecil. Model analisis data panel yang dievaluasi kemudian adalah model gabungan, model
4 kurang dari 10, maka peubah bebas tersebut tidak mengalami masalah multikolinearitas dengan peubah bebas lainnya. Selanjutnya Uji ARCH atau White digunakan untuk menguji asumsi kehomogenan ragam sisaan.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
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 terperinciPEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI PADI DI JAWA TIMUR TAHUN 2012 DENGAN KASUS PENCILAN DAN AUTOKORELASI ERROR
L/O/G/O SEMINAR HASIL TUGAS AKHIR PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI PADI DI JAWA TIMUR TAHUN 2012 DENGAN KASUS PENCILAN DAN AUTOKORELASI ERROR Oleh: Ria Dosen Pembimbing: Dra. Wiwiek Setya
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
43 BAB 4 ANALISIS DAN PEMBAHASAN 4.1 Deskriptif Sampel 1. Gambaran Umum Sampel Perusahaan manufaktur merupakan perusahaan yang kegiatan utamanya adalah memproduksi atau membuat bahan baku menjadi barang
Lebih terperinci1 Pendahuluan. 1.1 Latar Belakang Masalah
1 Pendahuluan 1.1 Latar Belakang Masalah Kebutuhan masyarakat akan perkiraan cuaca terutama curah hujan ini menjadi sangat penting untuk merencanakan segala aktifivitas mereka. Curah hujan juga memiliki
Lebih terperinciBAB III GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
BAB III GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) 3.1 Data Spasial Data spasial memuat informasi tentang atribut dan informasi lokasi. Sedangkan data bukan spasial (aspatial data) hanya memuat informasi
Lebih terperinciPERBANDINGAN HASIL ESTIMASI PARAMETER GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) DENGAN VARIABEL EKSOGEN BERTIPE METRIK
PERBANDINGAN HASIL ESTIMASI PARAMETER GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) DENGAN VARIABEL EKSOGEN BERTIPE METRIK Reza Mubarak ) dan Suhartono ) ) Program Pasca Sarjana Jurusan Statistika, Institut
Lebih terperinciHipotesis adalah suatu pernyataan tentang parameter suatu populasi.
PERTEMUAN 9-10 PENGUJIAN HIPOTESIS Hipotesis adalah suatu pernyataan tentang parameter suatu populasi. Apa itu parameter? Parameter adalah ukuran-ukuran. Rata-rata penghasilan karyawan di kota binjai adalah
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PARTISIPASI PEREMPUAN DALAM PEREKONOMIAN RUMAH TANGGA DI KOTA SEMARANG MENGGUNAKAN REGRESI TOBIT
Analisis Faktor-Faktor yang Mempengaruhi Partisipasi Perempuan dalam Perekonomian Rumah Tangga di Kota Semarang Menggunakan Regresi Tobit ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PARTISIPASI PEREMPUAN
Lebih terperinciIV. METODE PENELITIAN. Penelitian ini dilakukan di Desa Purwasari, Kecamatan Dramaga
IV. METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian Penelitian ini dilakukan di Desa Purwasari, Kecamatan Dramaga Kabupaten Bogor, Propinsi Jawa Barat. Pemilihan lokasi dilakukan secara sengaja dengan
Lebih terperinciSKRIPSI PENGARUH ANGKATAN KERJA YANG BEKERJA DAN LEMBAGA PELATIHAN KERJA TERHADAP PDRB KABUPATEN/KOTA DI JAWA TIMUR MENGGUNAKAN REGRESI SPASIAL
SKRIPSI PENGARUH ANGKATAN KERJA YANG BEKERJA DAN LEMBAGA PELATIHAN KERJA TERHADAP PDRB KABUPATEN/KOTA DI JAWA TIMUR MENGGUNAKAN REGRESI SPASIAL Disusun Oleh : CLAYREN NATHANNIEL 5303012017 JURUSAN TEKNIK
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN. penelitian ini meliputi jumlah sampel (N), nilai minimum, nilai maksimum,
44 BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Analisis Statistik Deskriptif Berdasarkan hasil analisis statistik deskriptif, maka pada Tabel 4.1 berikut ini akan ditampilkan karakteristik sample yang digunakan
Lebih terperinciMETODE PENELITIAN. wilayah Kecamatan Karawang Timur dijadikan sebagai kawasan pemukiman dan
IV. METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian Penelitian ini merupakan studi kasus yang dilakukan di Kecamatan Karawang Timur, Kabupaten Karawang. Pemilihan lokasi tersebut didasarkan atas wilayah
Lebih terperinciPEMBAHASAN ... (3) RMSE =
7 kemampuan untuk mengikuti variasi hujan permukaan. Keterandalan model dapat dilihat dari beberapa parameter, antara lain : Koefisien korelasi Korelasi dinyatakan dengan suatu koefisien yang menunjukkan
Lebih terperinciBAB IV ANALISA DAN PEMBAHASAN
BAB IV ANALISA DAN PEMBAHASAN A. Statistik Deskriptif. Statistik deskriptif adalah ilmu statistik yang mempelajari cara-cara pengumpulan, penyusunan dan penyajian data suatu penilaian. Tujuannya adalah
Lebih terperinciBAB IV HASIL PENELITIAN
BAB IV HASIL PENELITIAN A. Deskripsi Data 1. Keadaan Wilayah Provinsi Jawa Timur merupakan salah satu provinsi yang berada di Pulau Jawa dan merupakan provinsi paling timur di Pulau Jawa. Letaknya pada
Lebih terperinciLEAST SQUARE AND RIDGE REGRESSION ESTIMATION ABSTRAK ( ) = ( + ) Kata kunci: regresi linear ganda, multikolinearitas, regresi gulud.
1 LEAST SQUARE AND RIDGE REGRESSION ESTIMATION ABSTRAK Metode kuadrat terkecil atau Ordinary Least Square (OLS) merupakan suatu metode penaksiran koefisien regresi yang paling sederhana. Jika diantara
Lebih terperinciBAB 2 LANDASAN TEORI. berkenaan dengan studi ketergantungan dari suatu varibel yaitu variabel tak bebas (dependent
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Istilah regresi pertama kali diperkenalkan oleh Francis Galton. Menurut Galton, analisis regresi berkenaan dengan studi ketergantungan dari suatu varibel yaitu
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Analisis Hasil Penelitian 1. Statistik Deskriptif Statistik deskriptif menggambarkan tentang ringkasan data-data penelitian seperti jumlah data, rata-rata, nilai
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Banyak metode yang dapat digunakan untuk menganalisis data atau informasi pada suatu pengamatan. Salah satu metode statistik yang paling bermanfaat dan paling sering
Lebih terperinciFakultas Ilmu dan Teknologi Kebumian
Fakultas Ilmu dan Teknologi Kebumian Program Studi Meteorologi PENERBITAN ONLINE AWAL Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan
Lebih terperinciStatistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak
BAB 2 LANDASAN TEORI 2.1 Pengertian Analisis Regresi Statistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak mendapatkan perhatian dan dipelajari oleh ilmuan dari hampir semua ilmu bidang
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Untuk menguji apakah alat ukur (instrument) yang digunakan memenuhi
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Hasil uji itas dan Reliabilitas Untuk menguji apakah alat ukur (instrument) yang digunakan memenuhi syarat-syarat alat ukur yang baik, sehingga mengahasilkan
Lebih terperinciMagister Manajemen Univ. Muhammadiyah Yogyakarta
Analisis Regresi Linier Wihandaru Sotya Pamungkas Pendahuluan 1 Pendahuluan A. Pengertian Regresi dan Korelasi Istilah regresi diperkenalkan oleh Francis Galton tahun 1886 diperkuat oleh Karl Pearson tahun
Lebih terperinciBab IV. Pembahasan dan Hasil Penelitian
Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
BAB IV ANALISIS DAN PEMBAHASAN Pada bab ini akan dijelaskan mengenai proses dan hasil serta pembahasan dari pengolahan data yang telah dilakukan. Sebagai alat bantu analisis digunakan software SPSS versi
Lebih terperinciBAB IV PENGUMPULAN DATA
BAB IV PENGUMPULAN DATA Pengumpulan data yang dilakukan dibatasi hanya di dalam wilayah Jabodetabek. Data yang dikumpulkan terdiri atas data primer maupun data sekunder. Data primer meliputi kriteria drainase
Lebih terperinciBAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel
BAB LANDASAN TEORI.1 Pengertian Regresi Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut dengan
Lebih terperinciBAB 11 ANALISIS REGRESI LINIER BERGANDA
BAB 11 ANALISIS REGRESI LINIER BERGANDA Selain regresi linier sederhana, metode regresi yang juga banyak digunakan adalah regresi linier berganda. Regresi linier berganda digunakan untuk penelitian yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Konsep Dasar Statistika Statistik adalah ilmu yang mempelajari tentang seluk beluk data, yaitu tentang pengumpulan, pengolahan, penganalisisa, penafsiran, dan penarikan kesimpulan
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder tingkat kabupaten/kota tahun 2010, yang bersumber dari Badan Pusat Statistik (BPS), Kementerian
Lebih terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan fungsional antara variabel respon dengan satu atau beberapa variabel prediktor.
Lebih terperinciPemodelan Faktor-faktor yang Mempengaruhi Produksi Padi di Jawa Timur Tahun 2012 dengan Kasus Pencilan dan Autokorelasi Error
Pemodelan Faktor-faktor yang Mempengaruhi Produksi Padi di Jawa Timur Tahun 22 dengan Kasus Pencilan dan Autokorelasi Error Ria Kumala Dewi dan Wiwiek Setya Winahju Statistika, FMIPA, Institut Teknologi
Lebih terperinciVol.17 No.2. Agustus 2015 Jurnal Momentum ISSN : X
PREDIKSI PERKEMBANGAN BEBAN LISTRIK SEKTOR RUMAH TANGGA DI KABUPATEN SIJUNJUNG TAHUN 2013-2022 DENGAN SIMULASI SPSS Erhaneli *, Oki Irawan ** *) Dosen Jurusan Teknik Elektro **) Mahasiswa Jurusan Teknik
Lebih terperinciREGRESI LINIER BERGANDA
REGRESI LINIER BERGANDA 1. PENDAHULUAN Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal
Lebih terperinciAnalisis Data Hubungan Antar Variabel Sebagai Metode Alternatif Penentukan Hubungan Kausalitas
Analisis Data Hubungan Antar Variabel Sebagai Metode Alternatif Penentukan Hubungan Kausalitas Citra Kurniawan, S.T., M.M Studi Teknik Elektronika Sekolah Tinggi Teknik Malang ABSTRAK Penelitian yang menggunakan
Lebih terperinciPEMODELAN DAN PEMETAAN ANGKA BUTA HURUF PROVINSI JAWA TIMUR DENGAN PENDEKATAN REGRESI SPASIAL. Bertoto Eka Firmansyah 1 dan Sutikno 2
PEMODELAN DAN PEMETAAN ANGKA BUTA HURUF PROVINSI JAWA TIMUR DENGAN PENDEKATAN REGRESI SPASIAL Bertoto Eka Firmansyah dan Sutikno Mahasiswa Jurusan Statistika, ITS, Surabaya Dosen Pembimbing, Jurusan Statistika,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam
Lebih terperinciPENGUJIAN HETEROSKEDASTISITAS PADA REGRESI EKSPONENSIAL DENGAN MENGGUNAKAN UJI PARK
PENGUJIAN HETEROSKEDASTISITAS PADA REGRESI EKSPONENSIAL DENGAN MENGGUNAKAN UJI PARK Asmin MM. 1, Saleh M., Islamiyati A. 3 Abstrak Model eksponensial merupakan regresi non linier yang dapat diubah bentuknya
Lebih terperinciREGRESI LINIER GANDA. Fitriani Agustina, Math, UPI
REGRESI LINIER GANDA 1 Pengertian Regresi Linier Ganda Merupakan metode yang digunakan untuk memodelkan hubungan linear antara variabel terikat dengan dua/lebih variabel bebas. Regresi linier untuk memprediksi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Metode penelitian adalah langkah atau prosedur yang akan dilakukan dalam pengumpulan data atau informasi empiris guna memecahkan permasalahan dan menguji hipotesis penelitian.
Lebih terperinciREGRESI KUADRAT TERKECIL PARSIAL UNTUK STATISTICAL DOWNSCALING
REGRESI KUADRAT TERKECIL PARSIAL UNTUK STATISTICAL DOWNSCALING Aji Hamim Wigena Departemen Statistika, FMIPA Institut Pertanian Bogor Jakarta, 23 Juni 2011 Pendahuluan GCM (General Circulation Model) model
Lebih terperinciTEKNIK PRODUKSI DAN MATERIAL KELAUTAN PROGRAM PASCA SARJANA TEKNOLOGI KELAUTAN INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
Makalah: ANALISIS ERGONOMI DENGAN TIME MOTION STUDY TERHADAP PERBAIKAN METODE KERJA PADA PEKERJAAN LAS DI GALANGAN KAPAL OLEH: RINA HARYANI NRP. 4107203703 TEKNIK PRODUKSI DAN MATERIAL KELAUTAN PROGRAM
Lebih terperinciS 10 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis)
PROSIDING ISBN : 978 979 6353 6 3 S 0 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis) Wirayanti ), Adi Setiawan ), Bambang Susanto
Lebih terperinciBAB IX ANALISIS REGRESI
BAB IX ANALISIS REGRESI 1. Model Analisis Regresi-Linear Analisis regresi-linear adalah metode statistic yang dapat digunakan untuk mempelajari hubungan antarsifat permasalahan yang sedang diselidiki.
Lebih terperinciPemetaan dan Pemodelan Tingkat Partisipasi Angkatan Kerja (TPAK) Perempuan di Provinsi Jawa Timur dengan Pendekatan Model Probit
JURNAL SAINS DAN SENI POMITS Vol. 2, No. 2, (2013) ISSN: 2337-3520 (2301-928X Print) D-159 Pemetaan dan Pemodelan Tingkat Partisipasi Angkatan Kera (TPAK) Perempuan di Provinsi Jawa Timur dengan Pendekatan
Lebih terperinciSIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS
SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI A. Persamaan Regresi Linear Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk mengetahui pola hubungan antara dua atau lebih variabel. Analisis regresi
Lebih terperinciPENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA
KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
BAB V HASIL DAN PEMBAHASAN 5.1 Pemilihan Pohon Contoh Pengambilan data pohon contoh ini dilakukan secara purposive sampling pada areal petak tebangan dan areal pembuatan jalan. Pengukuran dilakukan pada
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN Dalam bab ini penulis akan menerangkan mengenai hasil penelitian yang telah dilakukan atas data sekunder yaitu berupa komponen-komponen laporan keuangan yang diperoleh
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 I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
1 BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Analisis regresi merupakan salah satu analisis yang paling populer dan digunakan secara luas. Analisis regresi diterapkan tidak hanya oleh para statistisi
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction).
Lebih terperinciBAB II METODE ANALISIS DATA. memerlukan lebih dari satu variabel dalam membentuk suatu model regresi.
10 BAB II METODE ANALISIS DATA 2.1 Pengertian Regresi Berganda Banyak data pengamatan yang terjadi sebagai akibat lebih dari dua variabel, yaitu memerlukan lebih dari satu variabel dalam membentuk suatu
Lebih terperinci