ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI POLINOMIAL LOKAL

Ukuran: px
Mulai penontonan dengan halaman:

Download "ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI POLINOMIAL LOKAL"

Transkripsi

1 IdoMS Joural o Statstcs Vol., No. 1 (014), Page ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI POLINOMIAL LOKAL Supart 1, Bud Warsto, Moc Abdul Mukd 3 1,,3 Staf Jurusa Statstka, FSM, UNDIP E-mal: 1 supartsudargo@yaoo.co.d, budwrst@gmal.com, 3 mamukd@yaoo.com Abstract Te flato data s oe of facal tme seres data wc as g volatlty. Costrat suc assumptos are ot met, ofte cause problems f te data s modeled usg parametrc models (AR, MA ad ARIMA). Te oparametrc metods, wc do ot requre strct assumptos as well as te parametrc metod are te developed. Some oparametrc models tat ca be used to model te data are kerel, sple ad polyomal local regresso model. Te am of ts study s to aalyze te flato Idoesa wt local polyomal regresso model. Ts model s appled o data before te crease of te electrcty basc tarff ad te fuel prces 013 ad tereafter. Te goodess of local polyomal regresso model are determed by te local pot, polyomal order, wegtg fucto ad te badwdt. However, te most domat factors are local pot ad te badwdt. I ts study, te local pot ad te optmal badwdt are determed by mmzg te Geeralzed Cross Valdato (GCV). By modellg aual flato data December 006 to December 013 ad cosderg te magtude of flato Jauary to Marc 014, estmato of te target flato 014 set by te govermet amouted to ( )% caot be aceved. It caused by govermet polces wc rase te prce of electrcty basc tarff sce te begg of 013 ad te crease of fuel prces md-013. Te forecastg of Idoesa s flato 014 s rougly about 7 %. Keywords: flato, local polyomal, GVC Abstrak Data flas merupaka sala satu data rutu waktu fasal yag mempuya sfat volatltas tgg, segga jka data dmodelka dega model parametrk (AR, MA da ARIMA) serg megalam kedala karea ada asums yag tdak dpeu. Kemuda dkembagka metode oparametrk yag tdak megaruska adaya asums yag ketat sepert alya metode parametrk. Beberapa model oparametrk yag dapat dguaka utuk memodelka data adala model regres kerel, sple da polomal lokal. Peelta bertujua utuk melakuka aalss flas d Idoesa dega model regres polomal lokal megguaka data sebelum da sesuda ada keaka TDL da BBM Tau 013. Kebaka model regres polomal lokal dtetuka ole ttk 65

2 66 Supart, Bud Warsto, Moc Abdul Mukd lokal, order polomal, fugs pembobot yag dguaka da lebar badwdtya. Namu yag palg doma adala ttk lokal da lebar badwdtya. Pada peelta peetua ttk lokal da lebar badwdt optmal dega memmalka Geeralzed Cross Valdato (GCV). Dega memodelka data flas taua (Idoesa) Desember 006 Desember 013, da mempertmbagka besarya flas bula Jauar Maret 014, dperkraka target flas tau 014 yag tela dtetapka pemerta sebesar ( )% tdak dapat tercapa. Tdak tercapaya target flas tau 014 sebaga akbat dar adaya kebjaka pemerta yag meakka arga tarf dasar lstrk (TDL) sejak awal tau 013 da keaka arga BBM pada pertegaa tau 013. Predks flas Idoesa tau 014 kra-kra sektar 7 %. Kata Kuc: flas, polomal lokal, GCV. 1. Pedaulua Data flas merupaka sala satu data rutu waktu fasal yag mempuya sfat volatltas tgg, segga jka data dmodelka dega model parametrk (AR, MA da ARIMA) serg megalam kedala karea ada asums yag tdak dpeu. Model parametrk yag berkembag utuk megatas adaya volatltas data adala model ARCH da GARCH. Model parametrk alteratf pu mas memerluka asums ormaltas dalam dataya da serg tdak dpeu ole data fasal. Kemuda dkembagka metode oparametrk yag tdak megaruska adaya asums yag ketat sepert alya metode parametrk. Beberapa model oparametrk yag dapat dguaka utuk memodelka data flas adala model regres kerel (Supart,dkk [9]), model regres Sple (Supart [8]) da model polomal lokal. Meurut Buyam da Dala [1], model flas Idoesa terbak dega Box Jeks megguaka data flas taua adala model AR() dega predks flas pada tau 009 sebesar 10.48%. Teryata asl predks sagat jau dega data aktual flas tau 009 yag besarya aya.78%. Dega memodelka data flas taua d Idoesa Desember 006 Desember 013 megguaka model regres kerel dperole asl predks flas tau 009 sebesar.56% (Supart,dkk [9]). Dalam al pemodela megguaka model oparametrk (Kerel), predksya leb medekat asl aktual. Pemodela regres megguaka metode kerel yag dkeal dega estmator Nadaraya-Watso (N-W) merupaka kasus kusus dar model polomal lokal yatu model polomal lokal dega orde 1 atau kosta lokal. Dega megguaka model regres kerel (N-W), predks flas tau 014 sebesar 6.4% (Supart,dkk ([9]). Dega megguaka model polomal lokal utuk memodelka data flas taua perode Desember 006 Desember 013, akaka model kosta local (model regres kerel N-W) merupaka model terbak? Dalam makala peuls melakuka kaja tetag pemodela flas d Idoesa megguaka model regres polomal lokal dega fugs pembobot kerel Gauss dega pemla model optmalya megguaka metode optmas Geeralzed Cross Valdato (GCV) serta melakuka aalss flas sebelum da setela ada kebjaka pemerta meakka TDL da BBM 013.

3 Aalss Data Iflas d Idoesa Megguaka Model Regres Tjaua Pustaka.1. Pegerta da Idkator Iflas Secara sederaa flas dartka sebaga megkatya arga-arga secara umum da terus meerus. Keaka arga dar satu atau dua barag saja tdak dapat dsebut flas kecual bla keaka tu meluas (atau megakbatka keaka arga) pada barag laya. Kebalka dar flas dsebut deflas (BI[6]). Idkator yag serg dguaka utuk megukur tgkat flas adala Ideks Harga Kosume (IHK). Perubaa IHK dar waktu ke waktu meujukka pergeraka arga dar paket barag da jasa yag dkosums masyarakat. Sejak Jul 008, paket barag da jasa dalam kerajag IHK tela dlakuka atas dasar Surve Baya Hdup (SBH) Tau 007 yag dlaksaaka ole Bada Pusat Statstk (BPS). Iflas yag dukur dega IHK d Idoesa dkelompoka ke dalam 7 kelompok/sektor pegeluara (berdasarka te Classfcato of dvdual cosumpto by purpose - COICOP), yatu Kelompok Baa Makaa; Kelompok Makaa Jad, Muma, da Tembakau; Kelompok Perumaa; Kelompok Sadag; Kelompok Keseata; Kelompok Peddka da Ola Raga; da Kelompok Trasportas da Komukas (BI[4])... Peetapa Target Iflas Target atau sasara flas merupaka tgkat flas yag arus dcapa ole Bak Idoesa, berkoordas dega Pemerta. Peetapa sasara flas berdasarka UU megea Bak Idoesa dlakuka ole Pemerta. Sasara flas yag dtetapka ole Pemerta utuk perode , masg-masg sebesar 4,5%, 4,5%, 4,5%, da 4% masg-masg dega devas ±1% (BI [4] da PMK [7]). Sasara flas tersebut darapka dapat mejad acua bag pelaku usaa da masyarakat dalam melakuka kegata ekoomya ke depa segga tgkat flas dapat dturuka pada tgkat yag reda da stabl. Pemerta da Bak Idoesa aka seatasa berkomtme utuk mecapa sasara flas yag dtetapka tersebut melalu koordas kebjaka yag kosste dega sasara flas tersebut. Sala satu upaya pegedala flas meuju flas yag reda da stabl adala dega membetuk da megaraka ekspektas flas masyarakat agar megacu pada sasara flas yag tela dtetapka (BI [4])..3. Model Regres oparametrk Model regres oparametrk adala Y g(x ),=1,,, (1) dega X adala varabel predktor, Y merupaka varabel respo da g(x ) merupaka fugs regres rataa E Y X yag tak dketau. Semetara dasumska sebaga kesalaa pegamata yag merupaka varabel radom depede dega mea 0 da vara ( Hardle [3] ). Pedekata oparametrk dlakuka jka asums betuk g tdak dketau. Dalam al, dasumska bawa betuk g termuat dalam kelas fugs mulus, artya mempuya turua kotyu atau dapat dtegralka secara kuadrat.

4 68 Supart, Bud Warsto, Moc Abdul Mukd.4. Regres Kerel Dberka data pegamata depede (X,Y ) 1 mempuya model (1). Jka W (x) barsa bobot-bobot postp segga W (x) 1, maka estmator wegted least square (WLS) dar g adala ĝ(x) 1 1 W (x)y. () Suatu fugs K(.) dsebut fugs kerel jka K fugs kotu, berarga rl, smetrs, terbatas da K(y)dy 1. Beberapa coto fugs kerel dataraya Kerel Seragam (uform), kerel segtga, kerel Epaeckov da kerel Gauss (Hardle [3]). Secara umum estmator regres kerel dar g adala estmator kuadrat terkecl dega fugs bobot W (x) tergatug pada kerel K. Jka destas X tak dketau, Hardle [3] K (x X ) memberka bobot W (x)= dega f (x) f (x) K (x X ) da K (u) K( u 1 1 ), segga estmator kerel dar regres g adala -1 K (x X )Y =1 ĝ (x) = (3) -1 K (x X ) =1 Estmator (3) dkeal dega estmator Nadaraya-Watso (N-W) da dapat dtuls sebaga K (x X )Y K (X X j)y j =1 j=1 ĝ (x) = atau ĝ (X H Y ) = [ ] j j dega j1 K (x X ) K (X X ) [H] j =1 X X j K = X X K k = 1 k k=1 merupaka eleme ke j dar matrk Hat H. k

5 Aalss Data Iflas d Idoesa Megguaka Model Regres x Keefektfa fugs bobot W dar pegalus kerel dbetuk ole kerel K da barsa badwdt, ole karea tu utuk selajutya W x dsmbolka dega W x. Ketepata estmas kurva regres ĝ x buka aya bergatug pada badwdt saja, tetap bergatug dar pasaga (K, ). Namu pemla kerel K tdak memberka pegaru besar sepert alya la badwdt ya. Pemla badwdt yag terlalu besar aka memberka kurva estmas yag over smoot sedagka pemla yag terlalu kecl aka memberka kurva estmas yag uder smoot. Ole karea tu perlu dpl la yag optmal utuk medapatka kurva estmas yag optmal..5. Regres Polomal Lokal Fugs polomal lokal megadops dar perluasa deret Taylor d sektar x o. Jka g(x) memlk (m+1) turua pada ttk x 0, maka perluasa dar deret Taylor utuk x yag berada d sektar x 0 adala : g(x) = g(x 0 ) + g (x 0 )(x x 0 ) + g (x 0 )! (x x 0 ) + + g(m) (x 0 ) (x x m! 0 ) m + o((x x 0 ) m+1 ) Meurut Fa da Gjbels [], model regres polomal lokal order m+1 dmodelka sebaga berkut Y = g(x ) + ε (4) dega g(x ) = m j=0 β j (X x 0 ) j, β j = g(j) (x o ), utuk j = 0,1,,m da =1,,,. j! Dalam betuk matrk model (4) dapat dtuls Y = Xβ + ε dega : 1 (X 1 x 0 ) (X 1 x 0 ) (X 1 x 0 ) m X = 1 (X x 0 ) (X x 0 ) (X x 0 ) m ( 1 (X x 0 ) (X x 0 ) (X x 0 ) m ) Y 1 β 0 ε 1 Y Y = ( β ) ; β = ( 1 ε )daε = ( ) Y β m ε Estmas dar model (5) adala Y = g (X) = Xβ. Parameter β bergatug pada ttk x 0 yag dsebut sebaga ttk lokal. Utuk medapatka parameter β destmas megguaka wegted least square (WLS) dega memmumka : m j=0 L = {Y β j (X x 0 ) j } K ( X x 0 =1 ) (6) dega merupaka badwdt yag megotrol ukura persektara ttk lokal x 0. Permasalaa wegted least square pada (6) dalam betuk matrk dapat dtuls mejad L =(Y Xβ) T W(Y Xβ) (7) degaw merupaka matrks dagoal bobot yag berukura x : (5)

6 70 Supart, Bud Warsto, Moc Abdul Mukd W = dag {K ( X x 0 )} ; = 1,,.., Solus dar persamaa (7) dberka β = (X T WX) 1 X T WY. Jad estmas model regres polomal lokal adala Y = g (X) = X(X T WX) 1 X T WY = HY dega H=X(X T WX) 1 X T W (matrk Hat). Ketepata estmas kurva regres g (X) bergatug pada order polomal, bobot kerel yag dguaka, lebar badwdt da ttk lokal x 0. Sepert alya pada regres kerel, pemla bobot kerel K da order polomal tdak memberka pegaru besar sepert alya la badwdt. Sedagka pemla aka megotrol ttk lokal x 0. Pemla badwdt yag terlalu besar aka memberka kurva estmas yag over smoot sedagka pemla yag terlalu kecl aka memberka kurva estmas yag uder smoot. Ole karea tu perlu dpl la yag optmal utuk medapatka kurva estmas yag optmal. Terkat dega model regres polomal lokal, teryata model regres kerel (Estmator Nadaraya-Watso) merupaka model regres polomal lokal yag aya memuat kosta lokal. Jad jka g(x) aya memuat kosta lokal, maka dega memmumka L = =1{Y X x βo} K ( X x ) aka megaslka = merupaka estmator regres kerel N-W (3). 0 =1 K( )Y X x K( ) =1 =1 K =1 K (x - X )Y (x -X ). I tak la.6. Pemla badwdt optmal Dalam model regres kerel maupu regres polomal lokal, pemla badwdt memegag peraa petg dalam meetuka model optmal. Beberapa metode optmas utuk medapatka optmal dataraya metode CV (Cross Valdato) da GCV (Geeralzed Cross Valdato) (Takezawa[10]). Metode optmas CV adala meml la optmal yag memmalka la CV yatu 1 CV Y ĝ X dega X 1 ĝ merupaka estmas leave oe-out berdasarka pada pegalusa regres dega meglagka sala satu pegamata yatu pegamata ke-. Dega modfkas pegalusa tersebut maka terbetuk fugs cross valdas yak : Y ĝ 1 1 CV Y ĝ X [H] dega [H] adala eleme ke dar matrk at H. X

7 Aalss Data Iflas d Idoesa Megguaka Model Regres Sedagka optmas GCV adala meml optmal yag memmalka la GCV dega la GCV dperole dar la CV dega meggat [H] dega rumus GCV [H] Y ĝ X MSE [H] 1. 1 [H] segga.7. Pemodela Data Rutu Waktu dega metode oparametrk Pada dasarya (X,Y ), = 1,,..., dalam pemodela regres adala salg depede. Namu dalam praktekya serg djumpa bawa asums depedes data tsb tdak dpeu msalya dalam kasus pegamata data yag tela dcatat dalam uruta waktu dar suatu obyek peelta yag maa respo obyek sekarag tergatug dar respo sebelumya. Ole karea tu perlu dsusu suatu pemodela data yag asums depedes dataya tdak dpeu. Meurut Hardle [3], ada 3 kosep dasar matematka yag medasarar pemodela, yatu: 1. Model (S) : Suatu barsa stasoer {(X,Y ), =,3,...} (bole depede stokastk) tela dobservas da aka destmas g(x) = EY X x. Model (T) : Suatu rutu waktu { Z, > 1} tela dobservas da aka dpredks Z +1 dega E Z Z x g(x) = Model (C) : Error observas {e } dalam model regres dega racaga tetap Y g(/) e, membetuk barsa varabel radom yag berkorelas. Meurut Hardle [3], permasalaa model (T) dapat dpetaka dega permasalaa dalam model (S) dega medefska dalam rutu waktu {Z, > 1}, la lag Z -1 sebaga X da la Z sebaga Y. Selajutya masala predks Z +1 dar {Z }, =1,,..., dapat dpadag sebaga masala pemulusa regres utuk {(X,Y ), =,3,...} = {(Z -1,Z ), =,3,...}. Jad masala E Y X x utuk rutu waktu dua dmes predks {Z } ekvale dega megestmas g(x) = {(X,Y ), =,3,...}. Selajutya fugs g destmas dega metode oparametrk. 3.Metode Peelta Data yag dguaka adala data flas Idoesa taua mula Desember 006 Desember 013 yag dambl dar stus resm Bak Idoesa [5]. Pada dasarya data flas merupaka data rutu waktu yag aka daalss megguaka pemodela regres polomal lokal dega batua software R. Karea data flas { Z, = 1,,,85} merupaka data rutu waktu, maka utuk memodelka data flas megguaka regres kerel, data tersebut duba mejad data {(X,Y ), =,3,...} = {(Z -1,Z ), =,3,...} dega = 85. Jad masala predks E Y X x utuk rutu waktu dua dmes {(X,Y ), = {Z } sama dega megestmas g(x) =

8 7 Supart, Bud Warsto, Moc Abdul Mukd,3,...85}. Selajutya fugs g destmas dega model polomal lokal megguaka fugs pembobot kerel Gauss da pemla model optmalya megguaka krtera GCV mmum. 4. Hasl da Pembaasa Data flas yag dguaka adala data flas taua pada bula Desember Desember 013 yag dgambarka dalam scatter plot gambar 1. Sedagka flas taua sejak dsajka dalam gambar. Grafk flas umum dalam 3 tau terakr dberka pada gambar 3. Iflas mmum sebesar.41 % terjad pada bula November 009, sedagka flas maksmum sebesar 1.14 % terjad pada bula September 008. Iflas tertgg pada tau 008 ketka Idoesa terjad krss moeter. Perlu dgarsbawa bawa sejak awal tau 013 Pemerta Idoesa membuat kebjaka utuk meakka tarf dasar lstrk (TDL) secara bertaap da keaka Baa Bakar Myak (BBM). Tepatya ada keaka TDL pada bula Jauar, Aprl, Jul da Oktober 013 da keaka BBM pada bula Ju 013. Dar gambar terlat bawa efek kebjaka pemerta tersebut megakbatka ada keakka flas yag sgfka pada flas tau 013 dbadgka tau sebelumya. Dampak keaka TDL yag dmula awal tau 013 tdak sebesar dampak keaka BBM pada pertegaa tau 013 (tabel 1). Berdasarka klasfkas dar ketuju sektor/komodt yag membagu flas d Idoesa (gambar 4) terlat dampak kebjaka pemerta (pegamata selama 3 tau terakr) dalam meakka TDL da BBM 013 megakbatka keakka flas yag sgfka dalam sektor Trasportas, Komukas da Jasa Keuaga; Baa Makaa; Perumaa, Ar,Lstrk, Gas da Baa Bakar; da. Sektor Makaa Jad, Muma, Rokok da Tembakau. flas (%) Waktu () Gambar 1. Data flas Desember 006 Desember 013

9 Iflas (%) Iflas (%) Aalss Data Iflas d Idoesa Megguaka Model Regres Tau Gambar. Iflas umum tau Tau Baa Makaa Makaa Jad, Muma, Rokok, da Tembakau Perumaa, Ar, Lstrk, Gas, da Baa Bakar Sadag Keseata Peddka, Rekreas da Olaraga Traspor, Komukas, da Jasa Keuaga Gambar 3. Grafk flas 7 sektor komodt dalam 3 tau terakr Data flas bula Desember 006 Desember 013 dola dega program R megguaka model regres polomal lokal dega fugs pembobot kerel Gauss

10 74 Supart, Bud Warsto, Moc Abdul Mukd megaslka GCV mmum sebesar dcapa pada badwdt optmal sebesar 5.8 dega ttk lokal x 0 =.4 da order polomal m+1 = segga model optmal yag terbetuk adala model ler lokal : g (x) = (x-.4) Pada model optmal dperole la MSE sebesar Sedagka pada model regres kerel megguaka fugs kerel Gauss dperole badwt optmal = 0.57 dega GCV mmum sebesar da MSE sebesar [Supart, dkk [9]). Dlat dar besarya GCV da ddukug dega la MSE dar kedua model optmal, maka model ler lokal merupaka model terbak dalam regres polomal lokal utuk data flas d Idoesa. Perbadga data flas aktual da predks flas predks megguaka model ler lokal dsajka dalam tabel da gambar 4. Secara vsual, terlat predks megguaka model ler lokal leb medekat data aktual. Berkut tabel perbadga model polomal lokal da N-W. Tabel 1. Perbadga Model Polomal Lokal da Model Kerel (N-W) Order Polomal Lokal (m Model Polomal Lokal Badwdt da ttk lo optmal =.07 x 0 = 6.79 = 5.8 x 0 =.4 = 10 x 0 = 8.84 = 10 x 0 = 7.47 =10 x 0 =.4 GCV Mmum MSE Regres Kerel (N-W) =

11 Aalss Data Iflas d Idoesa Megguaka Model Regres Bula Tabel. Perbadga flas aktual da predks flas Jauar 01- Jauar 014 Iflas aktu Model Kerel N-W Iflas Predks Model Lokal Ler Jauar Februar Maret Aprl Me ju Jul Agustus September Oktober November Desember Jauar Februar Maret Aprl Me Ju Jul Agustus September Oktober November Desember Jauar

12 76 Supart, Bud Warsto, Moc Abdul Mukd Iflas (%) o : data aktual : predks ler lokal : predks kerel N-W Waktu () Gambar 4. Grafk data flas Jauar Desember 013 da predksya Dar data aktual pada tau 01 meujukka bawa target flas pada tau 01 sebesar ( )% dapat tercapa. Demka juga dar asl predks tau 01 megguaka model polomal lokal, target tsb dapat tercapa. Sedagka dar data aktual da asl predks tau 013 meujukka bawa target flas sebesar (4.5+1)% tdak dapat tercapa. Demka juga, dar asl predks tau 014 dperkraka target flas tau 014 sebesar (4.5+1)% sult utuk dcapa. Berkut grafk predks flas pada bula Jauar Desember tau 014.

13 Iflas (%) Aalss Data Iflas d Idoesa Megguaka Model Regres ,60 8,40 8,0 8,00 7,80 7,60 7,40 7,0 7,00 6,80 6,60 Gambar 5. Grafk predks flas Jauar Desember Kesmpula Berdasarka pemodela data flas aktual bula Desember 006 Desember 013, secara aktual da predks meujukka bawa target flas tau 01 dapat tercapa sedagka target flas tau 013 tdak tercapa. Dar asl predks, target flas tau 014 mas sult utuk dcapa. Kebjaka pemerta dalam keaka arga tarf dasar lstrk (TDL) sejak awal tau 013 da keaka BBM pada pertegaa tau 013 member dampak tdak tercapaya target flas pada tau 013 da 014. Namu dampak keaka flas yag dsebabka ole keaka BBM leb besar dar dampak keaka TDL. Keaka flas yag sgfka berturut-turut terjad pada sektor Trasportas, Komukas da Jasa Keuaga; Baa Makaa; Perumaa, Ar, Lstrk, Gas da Baa Bakar; da. Sektor Makaa Jad, Muma, Rokok da Tembakau. Predks flas d Idoesa tau 014 megguaka model lokal ler sektar 7%. Daftar pustaka [1] Buyam da Dala,N., Estmas Iflas d Idoesa Dega Megguaka Metodolog Box Jeks. Natoal Jourals, volume 18 o., 011. [] Fa, J. da Gjbels, I., Local Polyomal Modelg ad Its Applcatos, Capma & Hall, Lodo,1997. [3] Hardle, W., Appled Noparametrc Regresso, Cambrdge Uversty Press., New York, [4] ttp://

14 78 Supart, Bud Warsto, Moc Abdul Mukd (Dakses pada taggal 0 Aprl 014) [5] ttp:// ( Dakses pada taggal 0 Aprl 014) [6] ttp:// (Dakses pada taggal 0 Aprl 014) [7] PMK No.66/PMK.011/01 taggal 30 Aprl 01 [8] Supart, Aalss Data Iflas D Idoesa Megguaka Model Regres Sple, Jural Meda Statstka ISSN: , Vol. 6 No.1, 013. [9] Supart, Warsto, B. da Mukd, M.A., Aalss Data Iflas D Idoesa Sebelum da Sesuda Keaka TDL da BBM Tau 013 Megguaka Model Regres Kerel, Koferes Nasoal Matematka ke XVII ITS, Surabaya Ju 014. [10] Takezawa, K., Itroducto to Noparametrc Regresso. New Jersey: Jo Wley & Sos,Ic., 006.

PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE. Suparti 1 dan Tarno 2

PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE. Suparti 1 dan Tarno 2 Pemodela Data (Supart) PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE Supart 1 da Taro 2 1 Staf Jurusa Statstka FSM UNDIP,

Lebih terperinci

ANALISIS DATA INFLASI DI INDONESIA PASCA KENAIKAN TDL DAN BBM TAHUN 2013 MENGGUNAKAN MODEL REGRESI KERNEL. Suparti 1

ANALISIS DATA INFLASI DI INDONESIA PASCA KENAIKAN TDL DAN BBM TAHUN 2013 MENGGUNAKAN MODEL REGRESI KERNEL. Suparti 1 Aalss Data (Supart) ANALISIS DATA INFLASI DI INDONESIA PASCA KENAIKAN TDL DAN BBM TAHUN 013 MENGGUNAKAN MODEL REGRESI KERNEL Supart 1 1 Staf Pegajar Jurusa Statstka Udp e-mal : supartsudargo@yaoo.co.d

Lebih terperinci

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo Estmas Regres Deret Fourer ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo 2 ) Jurusa Matematka, FMIPA, Udp 2) Jurusa Ped. Matematka, FPMIPA, IKIP PGRI, Semarag

Lebih terperinci

ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI KERNEL

ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI KERNEL ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI KERNEL Supart 1, Da Saftr 1, Ica Puspta Sar 2 da Alvta Racma Dev 3 1) Staf Jurusa Statstka Udp 2) Alum Maasswa Jurusa Statstka Udp 3) Maasswa

Lebih terperinci

PEMULUSAN SEBARAN DATA MENGGUNAKAN PENAKSIR KERNEL NADARAYA-WATSON DAN LINIER LOKAL UNTUK KERNEL NORMAL. Sudarno 1.

PEMULUSAN SEBARAN DATA MENGGUNAKAN PENAKSIR KERNEL NADARAYA-WATSON DAN LINIER LOKAL UNTUK KERNEL NORMAL. Sudarno 1. PROSIDING SEMINAR NASIONAL STATISTIA UNIVERSITAS DIPONEGORO ISBN: 978-979-97-- PEMULUSAN SEBARAN DATA MENGGUNAAN PENASIR ERNEL NADARAA-WATSON DAN LINIER LOAL UNTU ERNEL NORMAL Sudaro ) Program Stud Statstka

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

Estimasi Densitas Mulus dengan Metode Wavelet. (Wavelet Method in Smooth Density Estimation)

Estimasi Densitas Mulus dengan Metode Wavelet. (Wavelet Method in Smooth Density Estimation) Supart da Subaar Estmas Destas Mulus dega Metode Wavelet (Wavelet Method Smooth Desty Estmato) Oleh Supart ) da Subaar ) Let X Abstract =,,, be depedet observato data from a dstrbuto wth a ukow desty fucto

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa

Lebih terperinci

PEMILIHAN VARIABEL DAN REDUKSI DIMENSI DALAM REGRESI NONPARAMETRIK BERDIMENSI BESAR

PEMILIHAN VARIABEL DAN REDUKSI DIMENSI DALAM REGRESI NONPARAMETRIK BERDIMENSI BESAR PEMILIHAN VARIABEL DAN REDUKSI DIMENSI DALAM REGRESI NONPARAMETRIK BERDIMENSI BESAR Eva Yat Sregar Dose Program Stud Peddka Matematka STKIP Tapaul Selata Jl. Suta Muammad Arf Kel. BatagAyum Jae Padagsdmpua

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

REGRESI LINEAR SEDERHANA

REGRESI LINEAR SEDERHANA REGRESI LINEAR SEDERHANA MODUL Dra. Sr Pagest, S.U. PENDAHULUAN A alss regres merupaka aalss statstk yag mempelajar ubuga atara dua varabel atau leb. Dalam aalss regres lear dasumska berlakuya betuk ubuga

Lebih terperinci

BAB IV HASIL PENELITIAN. Hasil penelitian ini berdasarkan data yang diperoleh dari kegiatan penelitian

BAB IV HASIL PENELITIAN. Hasil penelitian ini berdasarkan data yang diperoleh dari kegiatan penelitian BAB IV HASIL PENELITIAN Hasl peelta berdasarka data yag dperole dar kegata peelta yag tela dlaksaaka ole peelt d MTs Salafya II Radublatug Blora pada kelas VIII A tau ajara 1 11. Data asl peelta tersebut

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

KARAKTERISTIK INFLASI KOTA-KOTA DI INDONESIA BAGIAN BARAT

KARAKTERISTIK INFLASI KOTA-KOTA DI INDONESIA BAGIAN BARAT Prosdg Semar Nasoal Sas da Peddka Sas I, Fakultas Sas da Matematka, UKSW Salatga, 2 Ju 204, Vol 5, No., ISSN :2087-0922 KARAKTERISTIK INFLASI KOTA-KOTA DI INDONESIA BAGIAN BARAT Ad Setawa Program Stud

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

Lebih terperinci

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah

Lebih terperinci

JMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb.

JMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb. JMP : Volume Nomor, Oktober 009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK Agust Trpea Br.Sb. Fakultas Sas da Tekk, Uverstas Jederal Soedrma Purwokerto, Idoesa

Lebih terperinci

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama. BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah

Lebih terperinci

Analisis Korelasi dan Regresi

Analisis Korelasi dan Regresi Aalss Korelas da Regres Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uad LOGO www.themegaller.com LOGO Data varat Data dega dua varael Terhadap satu pegamata dlakuka pegukurapegamata terhadap varael

Lebih terperinci

PEMODELAN GENERAL REGRESSION NEURAL NETWORK UNTUK PREDIKSI TINGKAT PENCEMARAN UDARA KOTA SEMARANG

PEMODELAN GENERAL REGRESSION NEURAL NETWORK UNTUK PREDIKSI TINGKAT PENCEMARAN UDARA KOTA SEMARANG PEMODELAN GENERAL REGREION NEURAL NETWORK UNTUK PREDIKI TINGKAT PENCEMARAN UDARA KOTA EMARANG Bud Warsto 1, Agus Rusgyoo 1 da M. Aff Amrllah 1 Program tud tatstka FMIPA UNDIP Alum Program tud tatstka FMIPA

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Pada bab aka mejelaska megea beberapa ladasa teor utuk meerapka regres oparametrk yatu regres oparametrk Sple kuadratk da Thel.. Dervatf Defs. Spegel (986 :58 ) Msalka y f (x) adalah

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas

Lebih terperinci

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi. Mea utuk Data Tuggal Des. Jka suatu sampel berukura dega aggota x1, x, x3,, x, maka mea sampel ddesska : 1... N 1 Mea utuk Data Kelompok Des Mea dar data yag dkelompoka adalah : x x 1 1 1 dega : x = ttk

Lebih terperinci

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI MINGGU KE-0 HUBUNGAN ANTAR KONVERGENSI Hubuga atar koverges Hrark atar koverges dyataka dalam teorema berkut. Teorema Msalka X da X, X, X 3,... adalah varabel radom yag ddefska pada ruag probabltas yag

Lebih terperinci

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1 Itegras Metode Itegral Rema Metode Itegral Trapezoda Metode Itegral Smpso Itegras Permasalaa Itegras Pertuga tegral adala pertuga dasar yag dguaka dalam kalkulus, dalam bayak keperlua. Itegral secara det

Lebih terperinci

REGRESI NONPARAMETRIK KERNEL ADJUSTED. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan

REGRESI NONPARAMETRIK KERNEL ADJUSTED. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan JMP : Volume 7 Nomor, Ju 05, hal. - 0 REGRESI NONPARAMETRIK KERNEL ADJUSTED Novta Eka Chadra Uverstas Islam Darul Ulum Lamoga ovtaekachadra@gmal.com Sr Haryatm da Zulaela Jurusa Matematka FMIPA UGM ABSTRACT.

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

KERNEL ORDER TINGGI UNTUK ESTIMASI VALUE AT RISK (VaR) MANAJEMEN RESIKO TENAGA KERJA

KERNEL ORDER TINGGI UNTUK ESTIMASI VALUE AT RISK (VaR) MANAJEMEN RESIKO TENAGA KERJA KERNEL ORDER TINGGI UNTUK ESTIMASI VALUE AT RISK (VaR) MANAJEMEN RESIKO TENAGA KERJA Zulfkar Sstem Ifromas da Tekk Iformatka STMIK Bahrul Ulum Jombag Emal: zulfkarda@gmal.com ABSTRAK Implkas dar maeeme

Lebih terperinci

PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE VALIDASI-SILANG (STUDI KASUS DI KOTA SEMARANG)

PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE VALIDASI-SILANG (STUDI KASUS DI KOTA SEMARANG) Prosdg SPMIPA pp 185-191 006 ISBN : 979704470 PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE VALIDASI-SILANG (STUDI KASUS DI KOTA SEMARANG) Taro Program Stud Statstka FMIPA UNDIP Semarag

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

REGRESI NONPARAMETRIK SPLINE UNTUK DATA BERAT BADAN BALITA MENURUT UMUR DI KABUPATEN BOJONEGORO TAHUN 2010

REGRESI NONPARAMETRIK SPLINE UNTUK DATA BERAT BADAN BALITA MENURUT UMUR DI KABUPATEN BOJONEGORO TAHUN 2010 REGRESI NONPARAMETRIK SPLINE UNTUK DATA BERAT BADAN BALITA MENURUT UMUR DI KABUPATEN BOJONEGORO TAUN Mahasswa Yulda Federka 9 5 6 Dose Pembmbg Ir. Mutah Salamah,M.Kes da Jerry Dw T.P.,S.S,M.S ABSTRAK Pertumbuha

Lebih terperinci

ANALISIS REGRESI SEMIPARAMETRIK PADA KASUS HILANGNYA RESPON

ANALISIS REGRESI SEMIPARAMETRIK PADA KASUS HILANGNYA RESPON ANALISIS REGRESI SEMIPARAMERIK PADA KASUS HILANGNA RESPON Irma ahya ), I Nyoma Budatara ), da Kartka Ftrasar ) ) Jurusa Matematka FMIPA, Uverstas Haluoleo Kedar ) Jurusa Statstka FMIPA, IS Sukollo Surabaya

Lebih terperinci

X a, TINJAUAN PUSTAKA

X a, TINJAUAN PUSTAKA PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel

Lebih terperinci

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode BAB II ANDASAN TEORI. Regres Noparametrk Metode statstka oparametrk merupaka metode statstka ag dapat dguaka dega megabaka asums-asums ag meladas pegguaa metode statstk parametrk. Terutama ag berkata dega

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( ) Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga

Lebih terperinci

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2 INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas

Lebih terperinci

MODEL SPLINE DENGAN ERROR BERKORELASI. Nalim, I Nyoman Budiantara dan Kartika Fitriasari Jurusan Statistika ITS Kampus ITS Sukolilo Surabaya 60111

MODEL SPLINE DENGAN ERROR BERKORELASI. Nalim, I Nyoman Budiantara dan Kartika Fitriasari Jurusan Statistika ITS Kampus ITS Sukolilo Surabaya 60111 MODEL SPLINE DENGAN ERROR BERKORELASI Nalm I Nyoma Budatara da Kartka Ftrasar Jurusa Statstka ITS Kampus ITS Sukollo Surabaya 60 Abstract Sple smoothg s a popular method for estmatg the fucto oparametrc

Lebih terperinci

BAB III REVIEW SIFAT- SIFAT STATISTIK PENDUGAAN TIPE KERNEL BAGI FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN PERIODE GANDA

BAB III REVIEW SIFAT- SIFAT STATISTIK PENDUGAAN TIPE KERNEL BAGI FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN PERIODE GANDA 9 BAB III REVIEW SIFAT- SIFAT STATISTI PENDUGAAN TIPE ERNE BAGI FUNGSI INTENSITAS PROSES POISSON PERIODI DENGAN PERIODE GANDA 3. Perumua Peduga Malka adala proe Poo ag damat pada terval [0] dega fug teta

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan III BAHAN/OBJEK DAN METODE PENELITIAN 3.1. Baha da Alat Peelta 3.1.1. Baha Peelta Objek yag dguaka dalam peelta adalah 50 ekor sap Pasuda jata da beta dewasa dega umur -3 tahu da tdak butg utuk meghdar

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

Lebih terperinci

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data //203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura

Lebih terperinci

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS LGORITM MENENTUKN HIMPUNN TERBESR DRI SUTU MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar Program Stud Matematka FMIP UNDIP JlProfSoedarto SH Semarag 575 bstract Ths research dscussed about how to obtaed

Lebih terperinci

KARAKTERISTIK INFLASI BULANAN KOTA-KOTA DI INDONESIA TAHUN

KARAKTERISTIK INFLASI BULANAN KOTA-KOTA DI INDONESIA TAHUN KARAKTERISTIK INFLASI BULANAN KOTA-KOTA DI INDONESIA TAHUN 009 03 S - Ad Setawa Program Stud Matematka Fakultas Sas da Matematka Uverstas Krste Satya Wacaa, Jl. Dpoegoro 5-60 Salatga 507 Emal : ad_seta_03@yahoo.com

Lebih terperinci

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

BAB III UKURAN PEMUSATAN DATA BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah

Lebih terperinci

X, Y, yang diasumsikan mengikuti model :

X, Y, yang diasumsikan mengikuti model : PERBANDINGAN MODEL REGRESI NONPARAMETRIK DENGAN REGRESI SPLINE DAN KERNEL Lls Laome Jurusa Matematka FMIPA Uverstas Haluoleo Kedar 933 emal : ls@yaoo.com Abstrak Tulsa membaas model regres oarametrk utuk

Lebih terperinci

BAB III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka

Lebih terperinci

b) Untuk data berfrekuensi fixi Data (Xi)

b) Untuk data berfrekuensi fixi Data (Xi) B. Meghtug ukura pemusata, ukura letak da ukura peyebara data serta peafsraya A. Ukura Pemusata Data Msalka kumpula data berkut meujukka hasl pegukura tgg bada dar orag sswa. 0 cm 30 cm 5 cm 5 cm 35 cm

Lebih terperinci

PENDEKATAN ESTIMATOR KERNEL UNTUK ESTIMASI DENSITAS MULUS

PENDEKATAN ESTIMATOR KERNEL UNTUK ESTIMASI DENSITAS MULUS J. Pjar MIPA Vol. V No. September : 8-85 ISSN 97-7 PENDEATAN ESTIMATOR ERNEL UNTU ESTIMASI DENSITAS MULUS Lala Hayat Program Std Peddka Matematka PMIPA FIP Uverstas Mataram Jl. Majapat No. 6 Mataram 835

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk

Lebih terperinci

BAB 1 STATISTIKA RINGKASAN MATERI

BAB 1 STATISTIKA RINGKASAN MATERI BAB STATISTIKA A RINGKASAN MATERI. Pegerta Data adalah kumpula keteraga-keteraga atau catata-catata megea suatu kejada, dapat berupa blaga, smbol, sat atau kategor. Masg-masg keteraga dar data dsebut datum.

Lebih terperinci

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari: 5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

Penyelesaian Sistem Persamaan Linier Kompleks Dengan Invers Matriks Menggunakan Metode Faddev (Contoh Kasus: SPL Kompleks dan Hermit)

Penyelesaian Sistem Persamaan Linier Kompleks Dengan Invers Matriks Menggunakan Metode Faddev (Contoh Kasus: SPL Kompleks dan Hermit) Jural Sas Matematka da Statstka, Vol., No. I, Jauar ISSN - Peyelesaa Sstem Persamaa Ler Kompleks Dega Ivers Matrks Megguaka Metode Faddev Cotoh Kasus: SPL Kompleks da Hermt F. rya da Tka Rzka, Jurusa Matematka,

Lebih terperinci

InfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 4, No.2, September 2015

InfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 4, No.2, September 2015 IftyJural Ilmah Program Stud Matematka STKIP Slwag Badug, Vol 4, No., September 015 UJI KOEFISIEN VARIANSI KONSTAN DALAM REGRESI NONPARAMETRIK Oleh: Asr Ode Samura Tadrs Matematka, IAIN Terate asrsamura@gmal.com

Lebih terperinci

BAB II LANDASAN TEORI. teori dan definisi mengenai variabel random, regresi linier, metode kuadrat

BAB II LANDASAN TEORI. teori dan definisi mengenai variabel random, regresi linier, metode kuadrat BAB II LANDASAN TEORI Sebaga pedukug dalam pembahasa selajutya, dperluka beberapa teor da defs megea varabel radom, regres ler, metode kuadrat terkecl, peguja asums aalss regres, outler, da regres robust.

Lebih terperinci

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel BAB LANDASAN TEORI.1 Pegerta Regres Regres dalam statstka adalah salah satu metode utuk meetuka tgkat pegaruh suatu varabel terhadap varabel yag la. Varabel yag pertama dsebut dega bermacam-macam stlah:

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah

Lebih terperinci

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA, Fakultas MIPA, Uverstas Neger Yogyakarta, 4 Me ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Ksmat Jurusa Peddka

Lebih terperinci

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar

Lebih terperinci

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Koferes Nasoal Tekk Spl 3 (KoNTekS 3) Jakarta, 6 7 Me 009 WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Maksum Taubrata Program Stud Tekk Spl, Uverstas Krste Maraatha Badug Jl.

Lebih terperinci

ABSTRAK. Ika Dewi Ariyanti 1 dan Sutikno 2

ABSTRAK. Ika Dewi Ariyanti 1 dan Sutikno 2 Pemodela Aomal Luas Pae Pad da Curah Huja Terbobot (Weghted Rafall Idex) dega Pedekata Robust Bootstrap LTS (Stud Kasus: Pemodela Luas Pae d Kabupate Subag) Ika Dew Aryat da Sutko Mahasswa S Statstka ITS,

Lebih terperinci

REGRESI SEDERHANA Regresi

REGRESI SEDERHANA Regresi P a g e REGRESI SEDERHANA.. Regres Istlah regres dkemukaka utuk pertama kal oleh seorag atropolog da ahl meteorology Fracs Galto dalam artkelya Famly Lkeess Stature pada tahu 886. Ada juga sumber la yag

Lebih terperinci

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut 3/9/202 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas

Lebih terperinci

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE) Jural Matematka Mur da Terapa Vol. 4 No. esember : 4 - ANALISIS REGRESI LINEAR BERGANA ENGAN SATU VARIABEL BONEKA (UMMY VARIABLE Tat Krsawardha Nur Salam da ew Aggra Program Stud Matematka Uverstas Lambug

Lebih terperinci

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE

PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE ESTIMATION OF PARAMETER REGRESION MODEL USING BOOTSTRAP AND JACKKNIFE Hed (Staf Pegajar UP MKU Poltekk Neger Badug)

Lebih terperinci

Volume 1, Nomor 2, Desember 2007

Volume 1, Nomor 2, Desember 2007 Volume, Nomor, Desember 007 Barekeg, Desember 007. hal.-7 Vol.. No. ESTIMASI PARAMETER DISTRIBUSI EKPONENSIAL PADA LOKASI TERBATAS (Estmatg Parameter Dstrbuto Expoetal At Fte Locato MOZART W TALAKUA, JEFRI

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

Peramalan Kebutuhan Listrik Dengan Model Harvey

Peramalan Kebutuhan Listrik Dengan Model Harvey Peramala Kebutuha Lstrk Dega Model Harvey Oleh: Ley Setyag B. (30600006) Pembmbg: Prof. Drs. Nur Irawa, M.IKom, Ph.D Latar Belakag Jumlah Peduduk Megkat Produks megkat Supply < Demad Kebutuha Barag Megkat

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakag Masalah Regres merupaka suatu metode statstka yag dguaka utuk meyeldk pola hubuga atara dua atau lebh varabel.betuk atau pola hubuga varabelvarabel tersebut dapat ddetfkas

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

TINJAUAN PUSTAKA Evaluasi Pengajaran

TINJAUAN PUSTAKA Evaluasi Pengajaran TINJAUAN PUSTAKA Evaluas Pegajara Evaluas adalah suatu proses merecaaka, memperoleh da meyedaka formas yag sagat dperluka utuk membuat alteratf- alteratf keputusa. Dalam hubuga dega kegata pegajara evaluas

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci