Reduksi Data Luaran GCM Stasiun Amahai Dengan Menggunakan Analisis Komponen Utama
|
|
- Glenna Budiono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Reduksi Data Luaran GCM Stasiun Amahai Dengan Menggunakan Analisis Komponen Utama Ferry Kondo Lembang Jurusan Matematika FMIPA UNPATTI Abstrak Reduksi dimensi adalah bagian penting bagi prosedur menganalisis data berdimensi tinggi (ukuran besar). Didalam pemodelan statistika, reduksi dimensi dikenal sebagai teknik preprocessing suatu model yang akan dikembangkan. Data luaran Global Circulation Model (GCM) memiliki ukuran dimensi data yang tinggi (besar) disebabkan GCM adalah suatu model berbasis komputer yang terdiri atas berbagai persamaan numerik dan deterministik yang terpadu dan mengikuti kaidah-kaidah fisika dimana GCM mampu menduga perubahan unsur-unsur cuaca dalam bentuk luaran grid-grid yang berukuran km menurut lintang dan bujur. Oleh karena itu, pada penelitian ini digunakan metode Analisis Komponen Utama (AKU) sebagai salah satu metode reduksi dimensi yang populer dalam ilmu statistika. Metode reduksi AKU diyakini mampu mempertahankan keragaman variabel asal sehingga keaslian data asal masih tetap ada disebabkan total keragaman yang dipakai adalah 90% untuk mendapatkan komponen utama yang optimal. Adapun domain grid data luaran GCM yang dipakai sebagai sampel penelitian adalah domain grid 3x3, 8x8, dan 12x12. Hasil penelitian menunjukkan bahwa total variabel prediktor yang dihasilkan dengan metode AKU pada domain grid 3 3 adalah 17 variabel, domain 8 8 adalah 34 variabel, dan domain adalah 48 variabel. Semakin luas domain maka semakin banyak komponen utama yang dipakai untuk memperoleh keragaman lebih dari 90%. Kata Kunci: GCM, Analisis Komponen Utama, Keragaman 1. Pendahuluan Sampai saat ini, GCM (General Circulation Models) diakui banyak pihak sebagai alat penting dalam upaya memahami sistem iklim. GCM mampu menduga perubahan unsur-unsur cuaca dalam bentuk luaran grid-grid yang berukuran km menurut lintang dan bujur (von Stroch et al dalam Sutikno, 2008). Ukuran-ukuran grid yang besar ini tentu saja seringkali menjadi masalah bagi beberapa peneliti yang berkecimpung dibidang klimatologi dalam memprediksikan iklim maupun cuaca. Untuk daerah-daerah dengan topografi yang kompleks, di sepanjang garis pantai, dan daerah-daerah dengan tutupan lahan yang sangat heterogen, seperti Indonesia model GCM hasilnya kurang sensitif. Model GCM yang sesuai diterapkan di Indonesia adalah model dengan resolusi horisontal yang tinggi dan skema konveksi yang komprehensif. Untuk itu perlu diupayakan suatu teknik reduksi dimensi untuk memperkecil ukuran grid-grid pada data luaran GCM sehingga memudahkan peneliti yang ada untuk memprediksi iklim dan cuaca secara tepat. Pada penelitian Manorang, et.al (2009) membandingkan metode AKU dan AKU Kernel untuk mereduksi dimensi data luaran GCM Kabupaten Indramayu. Berdasarkan penelitian yang dilakukan Manorang, et al, metode reduksi dimensi AKU memberikan hasil yang lebih baik dari metode AKU Kernel. Tertarik dengan penelitian Manorang, maka dalam penelitian ini digunakan metode reduksi dimensi AKU. Tujuan dari penelitian ini adalah mengkaji prosedur dan hasil metode AKU untuk mereduksi dimensi data luaran GCM stasiun Kairatu. Kriteria yang digunakan pada pereduksian adalah jumlah komponen utama optimal yang 33
2 digunakan mampu menjelaskan lebih besar sama dengan 90% keragaman dari keragaman total. Penelitian ini diharapkan dapat digunakan BMKG untuk kajian dampak iklim dengan basis data luaran GCM, khususnya dalam penggunaan reduksi dimensi AKU. Tinjauan Pustaka Analisis Komponen Utama (AKU) Analisis Komponen Utama adalah struktur yang menjelaskan varian kovarian yang terdiri atas sedikit kombinasi linier dari variabel asal (Johnson dan Wichern, 1998). Sharma (1996) menyatakan AKU adalah teknik untuk membentuk linier komposit variabel baru dari variabel asal. Sehingga variabel baru itu nantinya merupakan ringkasan/susutan dari variabel asal dengan tetap mampu menjelaskan semaksimal mungkin variabel asalnya. Jadi secara umum AKU adalah meringkas/menyusut variabel untuk lebih mempermudah interpretasi. Variabel baru yang dihasilkan maksimal sebanyak variabel asalnya. Secara gometrik, AKU untuk menentukan sekumpulan sumbu ortogonal yang baru. Penjelasannya sebagai berikut : 1. Koordinat observasi pada sumbu akan menunjukkan nilai bagi variabel baru. Sumbu baru ini (variabel baru yang terbentuk) disebut PCs dan nilai pada PCs ini disebut principal components scores. 2. Setiap variabel baru adalah kombinasi linier dari variabel asal. 3. Variabel baru pertama (PC ke-1) memuat varian maksimum data. 4. Variabel baru kedua (PC ke-2) memuat varian maksimum yang tidak termuat oleh variabel baru pertama (PC ke-1). 5. Variabel baru ke-p (PC ke-p) memuat varian maksimum yang tidak termuat dalam variabel baru sebelumnya (PC ke-1 sampai PC ke- (p-1)). 6. Variabel baru yang terbentuk tidak berkorelasi. Secara aljabar AKU adalah kombinasi linier dari p variabel random X 1, X 2,, X p. Kombinasi linier ini adalah seleksi dari koordinat baru dari rotasi variabel asal (X 1, X 2,, X p ) sebagai sumbu koordinat (Johnson dan Wichern,1998). Sumbu baru ini mampu menjelaskan variasi maksimum dan menghasilkan penjelasan yang lebih simpel dan hemat dari struktur kovarian. Global Circulation Model (GCM) GCM adalah suatu model berbasis komputer yang terdiri atas berbagai persamaan numerik dan deterministik yang terpadu dan mengikuti kaidah-kaidah fisika. Model ini menduga perubahan unsur-unsur cuaca dalam bentuk luaran grid-grid yang berukuran km menurut lintang dan bujur (von Stroch et al dalam Sutikno, 2008). GCM merupakan suatu alat penting dalam studi keragaman iklim dan perubahan iklim (Zorita dan Storch, 1999). Namun informasi GCM masih berskala global dan tidak untuk fenomena skala lebih kecil (lokal), sehingga sulit untuk memperoleh langsung informasi berskala lokal dari GCM. Resolusi GCM terlalu rendah untuk memprediksi iklim lokal yang dipengaruhi oleh sirkulasi atmosfir dan parameter lokal seperti topografi dan tataguna lahan, tetapi GCM masih mungkin digunakan untuk memperoleh informasi skala lokal atau regional bila teknik downscaling digunakan (Fernandez, 2005 dalam Wigena, 2006) 34
3 3. Metodologi Data yang digunakan adalah data sekunder yang diperoleh dari data luaran GCM model CSIRO-Mk3. Domain GCM yang digunakan adalah domain 3x3, pada posisi LS LS, BT BT, domain 8x8, pada posisi LS, BT BT; dan domain 12x12, pada posisi LU LS, BT BT. Lokasi domain yang diambil adalah pada stasiun Amahai. Variabel prediktor meliputi: precipitable water (prw), tekanan permukaan laut (slp), komponen angin meridional (va), komponen zonal (ua), ketinggian geopotensial (zg), dan kelembaban spesifik (hus). Ketinggian (level) adalah 850 hpa, 500 hpa, dan 200 hpa. Tabel 1 Variabel Prediktor yang diambil dari model luaran CSIRO-Mk3 dan pengkodingan. Tahapan analisis data dalam penelitian ini yaitu : 1. Melakukan reduksi dimensi. Metode reduksi dimensi yaitu Analisis Komponen Utama. Berikut akan diuraikan langkah-langkah analisisnya: 1. Anggap sekumpulan observasi x j, dimana j: 1,2,...,m pada input data R n. 2. Untuk satuan variabel asal tidak sama, seringkali dilakukan pembakuan (stadardization) dulu sebelum dibuat matriks varian-kovarian. Sehingga x j Membuat matrik Varian Kovariansi Σ. 4. Menentukan nilai akar karakteristik (eigen value) dengan menghitung I Menentukan jumlah komponen utama yang dibangkitkan (dengan melihat nilai eigen value). Keragaman yang lebih dari 90% menunjukkan banyaknya komponen utama yang harus dibangkitkan. 6. Menghitung nilai komponen utama (scores) dari model komponen utama Y a ' i i X, dimana a i adalah eigenvektor. PEMBAHASAN Pra-pemrosesan Pemodelan Statistical Downscaling Pra-pemrosesan pemodelan Statistical Downscaling (SD) adalah salah satu tahapan yang mengkaji luasan dan lokasi grid domain GCM yang optimum untuk penyusunan pemodelan SD. Pra-pemrosesan pemodelan SD berupa reduksi dimensi. Reduksi dimensi pada penelitian ini menggunakan metode AKU. Reduksi dimensi dilakukan pada variabel luaran GCM di setiap level, yaitu permukaan, 200 hpa, 500 hpa, dan 850 hpa serta dilakukan pada setiap domain. Pada setiap hasil reduksi (per n j 1 35
4 level) diambil satu atau lebih komponen utama dengan keragaman lebih dari 90% sebagai variabel prediktor. 4.2 Hasil Reduksi Dimensi menggunakan Metode AKU Reduksi dimensi dengan metode AKU pada variabel HUSS ditunjukkan pada Tabel 2. Tabel 2 memberikan informasi kumulatif proporsi komponen utama variabel HUSS pada masing-masing grid. Tabel 2 Nilai Eigen dan Kumulatif Proporsi Metode AKU pada Variabel HUSS domain 3 3, 8 8, dan Keterangan: Kum= Kumulatif proporsi keragaman Tabel 2 memberikan informasi bahwa jumlah komponen utama yang mempunyai keragaman 90% pada domain 3 3, , masing-masing adalah 1, 3, dan 5. Hal ini menunjukkan semakin luas domain maka semakin banyak komponen utama (PC) yang dipakai dan sebaliknya. Situasi ini mungkin tidak berlaku bagi variabel luaran GCM yang lain. Variabel luaran GCM yang satu dengan yang lain memiliki karakteristik yang berbeda-beda. Hal ini dimungkinkan karena setiap variabel luaran GCM memiliki level/ketinggian yang berbeda-beda pula. Plot scores komponen utama variabel HUSS ditunjukkan pada gambar 1. Gambar 1 Plot scores variabel HUSS (a) Domain 3 3,(b) Domain 8 8, dan (c) Domain
5 Gambar 1 memperlihatkan plot komponen utama masing-masing domain. Domain 3x3 dan 12x12 cenderung memiliki bentuk plot yang hampir menumpuk pada satu sisi. Sedangkan domain 8x8 memiliki bentuk plot yang menyebar secara merata. Reduksi dimensi dengan metode PCA pada berbagai variabel luaran GCM selain variabel HUSS, dapat dilakukan dengan cara yang sama dengan reduksi dimensi PCA pada variabel HUSS. Tabel 3 memperlihatkan jumlah komponen utama dengan keragaman 90% untuk setiap variabel luaran GCM pada domain 3 3, 8 8, dan Tabel 3 Jumlah PC dan Kumulatif Proporsi dengan Metode AKU pada Berbagai Variabel Luaran GCM. Keterangan: Kum= Kumulatif proporsi keragaman Total variabel prediktor yang dihasilkan dengan metode AKU pada domain 3 3 adalah 17 variabel, domain 8 8 adalah 34 variabel, dan domain adalah 48 variabel. Dapat disimpulkan bahwa semakin luas domain maka semakin banyak komponen utama yang dipakai untuk memperoleh keragaman lebih dari 90%. Semakin sedikit jumlah komponen dan mempunyai persentase keragaman yang besar menunjukkan antar variabel (grid) memiliki hubungan sangat erat dan sebaliknya. Kesimpulan dan Saran Kesimpulan Berdasarkan hasil analisis dan pembahasan didapatkan beberapa kesimpulan : Prosedur mendapatkan komponen utama (PC) pada metode AKU dengan total variabel prediktor yang dibangkitkan dengan metode PCA pada domain 3 3 adalah 17 variabel, pada domain 8 8 adalah 34 variabel, dan pada domain adalah 48 variabel. Hal ini menunjukkan bahwa semakin luas domain maka semakin banyak komponen utama yang dipakai untuk memperoleh keragaman lebih dari 90%. Saran Beberapa saran yang dapat direkomendasikan dalam memperbaiki penelitian ini diantaranya: 1. Untuk mendapatkan reduksi variabel yang lebih baik perlu diperhatikan karakteristik dari data GCM. 2. Dapat dilanjutkan untuk memodelkan curah hujan di Amahai dengan menganalisis hubungan antara curah hujan bulanan dengan data luaran GCM. 37
6 Daftar Pustaka Johnson, R.A and Wichern, D.W. (1998). Applied Multivariate Statistical Analysis. 5th Ed. New Jersey: Prentice Hall. Jolliffe, I.T. (1986). Principal Component Analysis, Second Ed. New York: Springer-Verlag. Khotimah, K, Sutikno, Otok, W.B (2009). Reduksi Dimensi Robust Dengan Estimator MCD Untuk Pra- Pemrosesan Data Pemodelan Statistical Downscaling. Prosiding Seminar Nasional Matematika dan Pendidikan Matematika 8 Agustus 2009 UNESA. Surabaya. Manorang Y, Sutikno, Setiawan, Otok WB, (2009). Analisis Komponen Utama Kernel Untuk Pra Pemrosesan Pemodelan Statistical Downscaling. Prosiding Seminar Nasional Matematika dan Pendidikan Matematika 8 Agustus 2009 UNESA. Surabaya. Sutikno. (2008). Statistical Downscaling Luaran GCM dan Pemanfaatannya untuk Peramalan Produksi Padi Disertasi. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Wigena, A.H. (2006). Pemodelan Statistical Downscaling dengan Regresi Projection Pursuit untuk Peramalan Curah Hujan Bulanan Disertasi. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Zorita, E. and von Storch, H., (1999): The analog method as a simple statistical downscaling technique: comparison with more complicated method, Journal of Climate, 12,
7 Profil Penulis Ferry Kondo Lembang Pada Tanggal 16 Februari 1984, Penulis dilahirkan di Kota Ambon sebagai anak ketiga dari empat bersaudara. Pendidikan formal penulis berawal di TK Efata Hative Kecil Kota Ambon selama satu tahun, dilanjutkan pada SDN 2 Hative Kecil Kota Ambon. SLTP negeri 3 Ambon merupakan lanjutan pendidikan formal penulis setelah menamatkan pendidilan di Sekolah Dasar. Pada Tahun 2001, setelah lulus dari SMA Negeri 5 Ambon, penulis melanjutkan pendidilan S1 di Jurusan Matematika UNPATTI. Setelah lulus S!, pada tahun 2008 penulis melanjutkan pendidikan pada Strata 2 (S2) pada Jurusan Statistika ITS Surabaya. Sampai sekarang penulis berstatus Dosen tetap pada jurusan matematika FMIPA UNPATTI dengan mengampuh beberapa mata kuliah Statistika diantaranya Metode Statistika, Statistika Matematika 1, dan Analisis Multivariat. 39
TUGAS AKHIR. Metode Regresi Kuadrat Terkecil Parsial Untuk Pra-Pemrosesan Data Luaran GCM CSIRO Mk-3
TUGAS AKHIR Metode Regresi Kuadrat Terkecil Parsial Untuk Pra-Pemrosesan Data Luaran GCM CSIRO Mk-3 Oleh: Alin Fitriani 1306 100 066 Pembimbing: Dr.Ir. Setiawan, M.S NIP 198701 1 001 JURUSAN STATISTIKA
Lebih terperinciPEMODELAN STATISTICAL DOWNSCALING LUARAN GCM DENGAN METODE PRINCIPAL COMPONENT REGRESSION (PCR) DAN PROJECTION PURSUIT REGRESSION (PPR)
PEMODELAN STATISTICAL DOWNSCALING LUARAN GCM DENGAN METODE PRINCIPAL COMPONENT REGRESSION (PCR) DAN PROJECTION PURSUIT REGRESSION (PPR) 1 Meika Anitawati, 2 Sutikno 1 Mahasiswa Jurusan Statistika FMIPA-ITS
Lebih terperinciSeminar Hasil. oleh: Ferry Kondo Lembang Dosen Pembimbing: Dr.Ir. Setiawan, M.S Dr.Sutikno, S.Si, M.Si
Seminar Hasil Pendekatan Regresi Bayes PCA untuk pemodelan Statistical Downscaling Luaran GCM (Studi kasus : Data Curah Hujan Bulanan Stasiun Ambon, Pontianak, dan Indramayu) oleh: Ferry Kondo Lembang
Lebih terperinci5. HUBUNGAN ANTARA PEUBAH-PEUBAH PENJELAS GCM CSIRO Mk3 DAN CURAH HUJAN BULANAN
5. HUBUNGAN ANTARA PEUBAH-PEUBAH PENJELAS GCM CSIRO Mk3 DAN CURAH HUJAN BULANAN 5.1 Pendahuluan Dalam pemodelan statistical downscaling (SD), khususnya fungsi transfer diawali dengan mencari model hubungan
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 terperinci1. PENDAHULUAN 1.1 Latar belakang
1. PENDAHULUAN 1.1 Latar belakang Sampai saat ini, GCM (general circulation models) diakui banyak pihak sebagai alat penting dalam upaya memahami sistem iklim. GCM dipandang sebagai metode yang paling
Lebih terperinciANALISIS KORELASI KANONIK ANTARA CURAH HUJAN GCM DAN CURAH HUJAN DI INDRAMAYU. Oleh : Heru Novriyadi G
ANALISIS KORELASI KANONIK ANTARA CURAH HUJAN GCM DAN CURAH HUJAN DI INDRAMAYU Oleh : Heru Novriyadi G4004 PROGRAM STUDI STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPRA-PEMPROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DISKRIT
TUGAS AKHIR - ST 1325 PRA-PEMPROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DISKRIT ANGGREINI SUPRAPTI NRP 1305 100 005 Dosen Pembimbing Dr. Sutikno, S.Si, M.Si JURUSAN STATISTIKA
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 terperinci3. PEMANFAATAN INFORMASI IKLIM UNTUK PENYUSUNAN MODEL PRODUKSI PERTANIAN
3. PEMANFAATAN INFORMASI IKLIM UNTUK PENYUSUNAN MODEL PRODUKSI PERTANIAN 15 Berbagai model ramalan produksi tanaman pangan (khususnya padi) telah dikembangkan di Indonesia. Model-model tersebut secara
Lebih terperinciHYBRID MARS TIME SERIES PADA PEMODELAN STATISTICAL DOWNSCALLING Studi Kasus: Stasiun Losarang ABSTRAK
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 1 HYBRID MARS TIME SERIES PADA PEMODELAN STATISTICAL DOWNSCALLING Studi Kasus: Stasiun Losarang 1 Bisyri Effendi, 2 Sutikno,
Lebih terperinciHYBRID MARS TIME SERIES PADA PEMODELAN STATISTICAL DOWNSCALLING Studi Kasus: Stasiun Losarang
HYBRID MARS TIME SERIES PADA PEMODELAN STATISTICAL DOWNSCALLING Studi Kasus: Stasiun Losarang 1 Bisyri Effendi, 2 Sutikno, dan 3 Bambang Widjanarko Otok 1 Mahasiswa S2 Jurusan Statistika FMIPA ITS 2,3
Lebih terperinciREDUKSI DIMENSI ROBUST DENGAN ESTIMATOR MCD UNTUK PRA-PEMROSESAN DATA PEMODELAN STATISTICAL DOWNSCALING
TUGAS AKHIR - ST 1325 REDUKSI DIMENSI ROBUST DENGAN ESTIMATOR MCD UNTUK PRA-PEMROSESAN DATA PEMODELAN STATISTICAL DOWNSCALING Khusnul Khotimah NRP 1305 100 069 Dosen Pembimbing Dr. Sutikno, S.Si, M.Si
Lebih terperinci3. PENENTUAN DOMAIN GCM DALAM PENYUSUNAN MODEL STATISTICAL DOWNSCALING
3. PENENTUAN DOMAIN GCM DALAM PENYUSUNAN MODEL STATISTICAL DOWNSCALING 3.1. Pendahuluan Domain GCM berperan penting dalam pemodelan SD. Data pada domain ini dijadikan sebagai faktor yang menentukan pendugaan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Masyarakat dunia saat ini sedang dihadapkan dengan kemajuan teknologi sebagai salah satu penunjang dalam era informasi. Informasi yang menjadi komoditas utama
Lebih terperinciMinggu XI ANALISIS KOMPONEN UTAMA. Utami, H
Minggu XI ANALISIS KOMPONEN UTAMA Utami, H Outline 1 Pendahuluan 2 Tujuan 3 Analisis Komponen Utama 4 Contoh Utami, H Minggu XIANALISIS KOMPONEN UTAMA 2 / 16 Outline 1 Pendahuluan 2 Tujuan 3 Analisis Komponen
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 terperinciPenggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com
Lebih terperinci2. PEMODELAN STATISTICAL DOWNSCALING
2. PEMODELAN STATISTICAL DOWNSCALING 2.1 Model Sirkulasi Umum (General Circulation Models:GCM) GCM merupakan penggambaran matematis dari sejumlah besar interaksi fisika, kimia, dan dinamika atmosfer bumi.
Lebih terperinci5. UJI KONSISTENSI MODEL STATISTICAL DOWNSCALING BERBASIS PROJECTION PURSUIT DALAM PREDIKSI CURAH HUJAN
5. UJI KONSISTENSI MODEL STATISTICAL DOWNSCALING BERBASIS PROJECTION PURSUIT DALAM PREDIKSI CURAH HUJAN 5.1. Pendahuluan Model SD dengan metode PPR memberikan hasil pendugaan yang lebih akurat atau perbedaan
Lebih terperinci1 PENDAHULUAN. Latar Belakang
1 PENDAHULUAN Latar Belakang Pada saat ini pengguna informasi cuaca jangka pendek menuntut untuk memperoleh informasi cuaca secara cepat dan tepat. Badan Meteorologi, Klimatologi dan Geofisika (BKMG) telah
Lebih terperinciPEMODELAN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PANJANG MUSIM HUJAN BERDASAR SEA SURFACE TEMPERATURE
PEMODELAN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PANJANG MUSIM HUJAN BERDASAR SEA SURFACE TEMPERATURE Agus Buono 1, M. Mukhlis 1, Akhmad Faqih 2, Rizaldi Boer 2 1 Departemen Ilmu Komputer, Fakultas Matematika
Lebih terperinci(α = 0.01). Jika D i > , maka x i atau pengamatan ke-i dianggap pencilan (i = 1, 2,..., 100). HASIL DAN PEMBAHASAN
4 karena adanya perbedaan satuan pengukuran antar peubah. 1.. Memastikan tidak adanya pencilan pada data dengan mengidentifikasi adanya pencilan pada data. Pengidentifikasian pencilan dilakukan dengan
Lebih terperinciPENENTUAN PREDIKTOR PADA STATISTICAL. DECOMPOSITION (Studi Kasus di Stasiun Meteorologi Indramayu) IMAM SANJAYA
PENENTUAN PREDIKTOR PADA STATISTICAL DOWNSCA ALING DENGAN SINGULAR VALUE DECOMPOSITION (Studi Kasus di Stasiun Meteorologi Indramayu) IMAM SANJAYA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKAA DAN ILMU PENGETAHUAN
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 terperinci7. PEMBAHASAN UMUM 7.1. Penentuan Domain
7. PEMBAHASAN UMUM Pembahasan ini merupakan rangkuman dari hasil bahasan dan kajian dalam Bab 2, 3, 4, 5, dan 6 sebelumnya. Secara umum pembahasan meliputi perkembangan metode-metode peramalan untuk SD
Lebih terperinciBAB III DATA DAN METODOLOGI
17 BAB III DATA DAN METODOLOGI 3.1 Data Pada penelitian ini, ada dua jenis data yang akan digunakan. Jenis data pertama adalah data curah hujan bulanan dan yang kedua adalah data luaran GCM. 3.1.1 Data
Lebih terperinciAbstract. Abstrak. Keywords : Principal Component Analysis, Agriculture Production and Plantation
JdC, Vol. 3, No. 2, September, 2014 1 Penggunaan Analisis Komponen Utama Dalam Penggabungan Data Peubah Ganda pada Kasus Produksi Pertanian dan Perkebunan Di Wilayah Bolaang Mongondow Tahun 2008 1 Sunarsi
Lebih terperinciPEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENTS ANALYSIS (GWRPCA)
PEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENTS ANALYSIS (GWRPCA) SKRIPSI Disusun Oleh : NOVIKA PRATNYANINGRUM 24010211140095
Lebih terperinciMODEL PRAKIRAAN CURAH HUJAN BULANAN MENGGUNAKAN METODE REGRESI KOMPONEN UTAMA DENGAN PREDIKTOR SUHU MUKA LAUT DI MALUKU
MODEL PRAKIRAAN CURAH HUJAN BULANAN MENGGUNAKAN METODE REGRESI KOMPONEN UTAMA DENGAN PREDIKTOR SUHU MUKA LAUT DI MALUKU Nastiti Andini 1, Urip Haryoko 2 1 Taruna Sekolah Tinggi Meteorologi Klimatologi
Lebih terperinciTeknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil
Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil Ronny Susetyoko, Elly Purwantini Politeknik Elektronika Negeri Surabaya
Lebih terperinci3 PENENTUAN DOMAIN SPASIAL NWP
3 PENENTUAN DOMAIN SPASIAL NWP Pendahuluan Peubah-peubah yang dihasilkan dari NWP mempunyai dimensi yang besar yaitu, dimensi spasial (S), dimensi waktu (T), dimensi vertikal (V) dan dimensi parameter
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 terperinciIII. DATA DAN METODE 3.1 Tempat dan Waktu Penelitian 3.2 Bahan dan Alat 2.11 Kapasitas Lapang dan Titik Layu Permanen
7 radiasi surya, suhu udara, kecepatan angin, dan kelembaban udara dalam penentuan evapotranspirasi. Sedangkan faktor tanah yang mempengaruhi seperti tekstur, kedalaman tanah, dan topografi. Kebutuhan
Lebih terperinciPENERAPAN ANALISIS KOMPONEN UTAMA DALAM PENENTUAN FAKTOR DOMINAN YANG MEMPENGARUHI PRESTASI BELAJAR SISWA (Studi Kasus : SMAN 1 MEDAN)
Saintia Matematika Vol. 1, No. 6 (2013), pp. 507 516. PENERAPAN ANALISIS KOMPONEN UTAMA DALAM PENENTUAN FAKTOR DOMINAN YANG MEMPENGARUHI PRESTASI BELAJAR SISWA (Studi Kasus : SMAN 1 MEDAN) Juliarti Hardika,
Lebih terperinciPERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI
ISSN 1858-4667 JURNAL LINK Vol 16/No. 1/Februari 212 PERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI Ronny Susetyoko 1, Elly Purwantini 2 1,2 Departemen Teknik Elektro,
Lebih terperinciPENDEKATAN REGRESI KOMPONEN UTAMA DAN ARIMA UNTUK STATISTICAL DOWNSCALING
J. Sains Tek., Desember 005, Vol., No. 3 PENDEKATAN REGRESI KOMPONEN UTAMA DAN ARIMA UNTUK STATISTICAL DOWNSCALING Khairil Anwar Notodiputro, Aji Hamim Wigena, dan Fitriadi Departemen Statistika, FMIPA
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Principal Component Analysis (PCA)merupakan salah satu teknik pereduksian dimensi data. Data yang direduksi saling berkorelasi satu sama lain.pca muncul sebagai solusi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan diuraikan mengenai landasan teori yang akan digunakan dalam bab selanjutnya. 2.1 Matriks Sebuah matriks, biasanya dinotasikan dengan huruf kapital tebal seperti A,
Lebih terperinciTEKNIK STATISTICAL DOWNSCALING DENGAN REGRESI KOMPONEN UTAMA DAN REGRESI KUADRAT TERKECIL PARSIAL UNTUK PREDIKSI CURAH HUJAN PADA KONDISI EL NINO, LA NINA, DAN NORMAL 1 2 Woro Estiningtyas, Aji Hamim Wigena
Lebih terperinciKelas 2. Kelas 1 Mahasiswa. Mahasiswa. Gambar 1 Struktur data kelompok dalam pengukuran berulang pada data Metode Statistika
4 Kelas 2 Kelas 1 N3 N4 N3 N4 Gambar 1 Struktur data kelompok dalam pengukuran berulang pada data Metode Statistika BAHAN DAN METODE Bahan Data yang digunakan adalah data nilai capaian mahasiswa dalam
Lebih terperinciCurriculum Vitae. A. Identitas Diri
Curriculum Vitae A. Identitas Diri 1 Nama Lengkap Ferry Kondo Lembang. S.Si, M.Si 2 Jabatan Fungsional Lektor 3 Jabatan Struktural 4 NIP/NIK/No. Identitas lainnya 198402162010121002 5 NIDN 0016028402 6
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 terperinciPEMODELAN 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 terperinciPERBANDINGAN REGRESI KOMPONEN UTAMA DAN ROBPCA DALAM MENGATASI MULTIKOLINEARITAS DAN PENCILAN PADA REGRESI LINEAR BERGANDA
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 1-5 ISSN: 2303-1751 PERBANDINGAN REGRESI KOMPONEN UTAMA DAN ROBPCA DALAM MENGATASI MULTIKOLINEARITAS DAN PENCILAN PADA REGRESI LINEAR BERGANDA NI WAYAN
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 terperinciANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI MAHASISWA
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 ANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI
Lebih terperincialjabar geo g metr me i
Pertemuan 12 & 13 ANALIS KOMPONEN UTAMA & FUNGSI DISCRIMINAN Obyektif : Reduksi variabel Interpretasi Aplikasi AKU dalam Anls Regresi Discrimination Fisher and Classification Classification with two Multivariate
Lebih terperinciAnalisis Cluster, Analisis Diskriminan & Analisis Komponen Utama. Analisis Cluster
Analisis Cluster Analisis Cluster adalah suatu analisis statistik yang bertujuan memisahkan kasus/obyek ke dalam beberapa kelompok yang mempunyai sifat berbeda antar kelompok yang satu dengan yang lain.
Lebih terperinciANALISIS KOMPONEN UTAMA PADA PENERAPAN APLIKASI PEMBELAJARAN METODE GLENN DOMAN
ANALISIS KOMPONEN UTAMA PADA PENERAPAN APLIKASI PEMBELAJARAN METODE GLENN DOMAN Anik Rufaidah 1, Muhamad Afif Effindi 2 1 Program Studi Teknik Industri, 2 Program Studi Teknik Informatika Sekolah Tinggi
Lebih terperinciForum Statistika dan Komputasi, Oktober 2009 p : ISSN :
, Oktober 2009 p : 26-34 ISSN : 0853-8115 Vol 14 No.2 METODE PENDUGAAN MATRIKS RAGAM-PERAGAM DALAM ANALISIS REGRESI KOMPONEN UTAMA (RKU) (Variance-Covariance Matrix Estimation Method for Principal Component
Lebih terperinciKETEPATAN PENGKLASIFIKASIAN FUNGSI DISKRIMINAN LINIER ROBUST DUA KELOMPOK DENGAN METODE FAST MINIMUM COVARIATE DETERMINANT (FAST MCD)
KETEPATAN PENGKLASIFIKASIAN FUNGSI DISKRIMINAN LINIER ROBUST DUA KELOMPOK DENGAN METODE FAST MINIMUM COVARIATE DETERMINANT (FAST MCD) Budyanra Jurusan Statistika, Sekolah Tinggi Ilmu Statistik, Jakarta
Lebih terperinciIV. HASIL DAN PEMBAHASAN
8 eigenvalue masing-masing mode terhadap nilai total eigenvalue (dalam persen). PC 1 biasanya menjelaskan 60% dari keragaman data, dan semakin menurun untuk PC selanjutnya (Johnson 2002, Wilks 2006, Dool
Lebih terperinciKAJIAN TERHADAP TINGKAT PEMERATAAN PENDIDIKAN MENGGUNAKAN ANALISIS BIPLOT KLASIK DAN BIPLOT KEKAR
E-Jurnal Matematika Vol. 4 (2), Mei 2015, pp. 37-42 ISSN: 2303-1751 KAJIAN TERHADAP TINGKAT PEMERATAAN PENDIDIKAN MENGGUNAKAN ANALISIS BIPLOT KLASIK DAN BIPLOT KEKAR Ni Luh Ardila Kusumayanti 1, I Komang
Lebih terperinciPenggunaan Analisis Faktor (Factor Analysis) dengan Aplikasi Program SPSS 11.5
Penggunaan Analisis Faktor (Factor Analysis) dengan Aplikasi Program SPSS 11.5 Oleh: Muji Gunarto (mgunarto@hotmail.com) I. Pendahuluan (Landasan Teori) Analisis faktor adalah salah satu analisis yang
Lebih terperinciSKRIPSI. Anita Nur Qomariah NRP
SKRIPSI STUDI KLASIFIKASI KABUPATEN DAN KOTA DI JAWA TIMUR BERDASARKAN VARIABEL - VARIABEL SOSIAL EKONOMI DENGAN PENDEKATAN ANALISIS DISKRIMINAN DAN REGRESI LOGISTIK Oleh : Anita Nur Qomariah NRP.1302.109.017
Lebih terperinciAnalisis Komponen Utama (Principal component analysis)
Analisis Komponen Utama (Principal component analysis) A. LANDASAN TEORI Misalkan χ merupakan matriks berukuran nxp, dengan baris-baris yang berisi observasi sebanyak n dari p-variat variabel acak X. Analisis
Lebih terperinciAnalisis Cluster Average Linkage Berdasarkan Faktor-Faktor Kemiskinan di Provinsi Jawa Timur
Analisis Cluster Average Linkage Berdasarkan Faktor-Faktor Kemiskinan di Provinsi Jawa Timur Qonitatin Nafisah, Novita Eka Chandra Jurusan Matematika Fakultas MIPA Universitas Islam Darul Ulum Lamongan
Lebih terperinciANALISIS KOMPONEN UTAMA DENGAN MENGGUNAKAN MATRIK VARIAN KOVARIAN YANG ROBUST
ANALISIS KOMPONEN UTAMA DENGAN MENGGUNAKAN MATRIK VARIAN KOVARIAN YANG ROBUST Irwan Sujatmiko, Susanti Linuwih, dan Dwi Atmono A.W. Jurusan Statistika ITS Kampus ITS Sukolilo Surabaya 6 Abstract. The present
Lebih terperinciI. PENDAHULUAN. 1.2 Tujuan Penelitian ini bertujuan menganalisis potensi data CMORPH dalam menduga curah hujan permukaan.
1 I. PENDAHULUAN 1.1 Latar Belakang Data iklim seringkali bervariasi baik secara temporal maupun spasial, terutama di wilayah tropis. Curah hujan merupakan unsur iklim paling penting di Indonesia yang
Lebih terperinciCAPAIAN PEMBELAJARAN (Learning outcome) : Mampu menganalisis data dengan metode statistika yang sesuai
CAPAIAN PEMBELAJARAN (Learning outcome) : Mampu menganalisis data dengan metode statistika yang sesuai Penguasaan Pengetahuan 5.1 Mampu mengidentifikasi permasalahan multivariat 5.2 Mampu menerapkan konsep
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Pengumpulan dan Pengolahan Data Data yang digunakan dalam penelitian ini adalah data batimetri, garis pantai dan data angin. Pada Tabel 3.1 dicantumkan mengenai data yang
Lebih terperinciSILABUS PERKULIAHAN METODE STATISTIKA MULTIVARIAT 3 SKS KODE :
SILABUS PERKULIAHAN METODE STATISTIKA MULTIVARIAT 3 SKS KODE : JURUSAN PENDIDIKAN MATEMATIKA FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA 2005-2006 MATAKULIAH
Lebih terperinciKOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 17-22 ISSN: 2303-1751 KOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN I MADE ANOM ARIAWAN 1, I PUTU EKA NILA KENCANA 2, NI LUH PUTU
Lebih terperinciPENERAPAN ANALISIS FAKTOR DAN ANALISIS DISKRIMINAN UNTUK MENENTUKAN KUALITAS PRODUK SUSU BALITA DENGAN GRAFIK KENDALI Z-MR
PENERAPAN ANALISIS FAKTOR DAN ANALISIS DISKRIMINAN UNTUK MENENTUKAN KUALITAS PRODUK SUSU BALITA DENGAN GRAFIK KENDALI Z-MR Inge Ratih Puspitasari, Hendro Permadi, dan Trianingsih Eni Lestari Universitas
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 terperinciPEMODELAN STATISTICAL DOWNSCALLING DENGAN PENDEKATAN MARKOV CHAIN MONTE CARLO PCA (STUDI KASUS : DATA GCM STASIUN AMBON)
Prosiding FMIPA Universitas Pattimura 013 ISBN: 978-60-975-0-5 PEMODELAN STATISTICAL DOWNSCALLING DENGAN PENDEKATAN MARKOV CHAIN MONTE CARLO PCA (STUDI KASUS : DATA GCM STASIUN AMBON) Ferry Kondo Lembang
Lebih terperinciIDENTIFIKASI FAKTOR PENDORONG PERNIKAHAN DINI DENGAN METODE ANALISIS FAKTOR
Saintia Matematika Vol. 2, No. 1 (2014), pp. 1 11. IDENTIFIKASI FAKTOR PENDORONG PERNIKAHAN DINI DENGAN METODE ANALISIS FAKTOR Aswin Bahar, Gim Tarigan, Pengarapen Bangun Abstrak. Pernikahan dini merupakan
Lebih terperinciVERIFIKASI MODEL ATMOSFER WILAYAH TERBATAS DALAM SIMULASI CURAH HUJAN
Prosiding Seminar Nasional Penelitian, Pendidikan, dan Penerapan MIPA Fakultas MIPA, Universitas Negeri Yogyakarta, 16 Mei 2009 VERIFIKASI MODEL ATMOSFER WILAYAH TERBATAS DALAM SIMULASI CURAH HUJAN Didi
Lebih terperinciAnalisis Faktor Terhadap Resiko Kejadian Diare pada Anak Balita di Kota Ambon
Statistika, Vol. 15 No. 2, 59-64 November 2015 Analisis Faktor Terhadap Resiko Kejadian Diare pada Anak Balita di Kota Ambon Ferry Kondo Lembang 1, Yuanita Samangun 2 1,2Jurusan Matematika Fakultas MIPA
Lebih terperinciPERBANDINGAN LUARAN MODEL GCM, TRMM DAN OBSERVASI DALAM MENENTUKAN VARIABILITAS CURAH HUJAN DI ZONA PREDIKSI IKLIM JAWA BARAT
Prosiding Seminar Nasional Sains Atmosfer I 21, 16 Juni 21, Bandung PERBANDINGAN LUARAN MODEL GCM, TRMM DAN OBSERVASI DALAM MENENTUKAN VARIABILITAS CURAH HUJAN DI ZONA PREDIKSI IKLIM JAWA BARAT Sinta Berliana
Lebih terperinci6. PENGGUNAAN REGRESI SPLINES ADAPTIF BERGANDA UNTUK STATISTICAL DOWNSCALING LUARAN GCM
6. PENGGUNAAN REGRESI SPLINES ADAPTIF BERGANDA UNTUK STATISTICAL DOWNSCALING LUARAN GCM 6.1 Pendahuluan Model regresi SD dinyatakan y = f(x) ε dimana y adalah peubah respon (curah hujan observasi, beresolusi
Lebih terperinciCuriculum Vitae. 7. Alamat Kantor : Fakultas MIPA Universitas Pattimura. 1. SD Kristen Belakang Soya A1 Ambon Tahun 1982
Curiculum Vitae 1. Nama : Grace Loupatty, S.Si.,M.Si 2. NIP : 19700215 199903 2 001 3. Tempat/Tanggal Lahir : Ambon, 15 Februari 1970 4. Jenis Kelamin : Perempuan 5. Agama : Kristen Protestan 6. Alamat
Lebih terperinciAnalisis Biplot untuk Pemetaan Posisi dan Karakteristik Usaha Pariwisata di Provinsi Bali
Jurnal Matematika Vol. 6 No. 1, Juni 2016. ISSN: 1693-1394 Analisis Biplot untuk Pemetaan Posisi dan Karakteristik Usaha Pariwisata di Provinsi Bali I Gusti Ayu Made Srinadi Jurusan Matematika, Fakultas
Lebih terperinciPlot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel
Plot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel Vitawati Bawotong, Hanny Komalig, Nelson Nainggolan 3 Program Studi Matematika, FMIPA, UNSRAT, vbawotong@gmail.com
Lebih terperinciANALISIS ANOMALI CURAH HUJAN MENGGUNAKAN METODE DETERMINAN KOVARIANS MINIMUM DI PULAU JAWA DAN PROVINSI KALIMANTAN TIMUR
ANALISIS ANOMALI CURAH HUJAN MENGGUNAKAN METODE DETERMINAN KOVARIANS MINIMUM DI PULAU JAWA DAN PROVINSI KALIMANTAN TIMUR Sartono Marpaung, Noersomadi dan Teguh Harjana Peneliti Pusat Sains dan Teknologi
Lebih terperinciKeywords: Factorial Experiment, CRBD, AMMI, Analysis of Variance, PCA, Biplot
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 529-536 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS VARIAN PERCOBAAN FAKTORIAL DUA FAKTOR RAKL DENGAN METODE
Lebih terperinciBAB III ANALISIS FAKTOR. berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal
BAB III ANALISIS FAKTOR 3.1 Definisi Analisis faktor Analisis faktor adalah suatu teknik analisis statistika multivariat yang berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal
Lebih terperinciPERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI. Abstrak
PERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI Dwi Yuli Rakhmawati, Muhammad Mashuri 2,2) Institut Teknologi Sepuluh Nopember dwiyuli_rakhmawati@yahoo.com,
Lebih terperinciMODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA PRODUK DOMESTIK REGIONAL BRUTO TERHADAP INVESTASI DI KABUPATEN TUBAN
MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA PRODUK DOMESTIK REGIONAL BRUTO TERHADAP INVESTASI DI KABUPATEN TUBAN Amalia Ma rufa, Sri Subanti, Titin Sri Martini Program Studi Matematika FMIPA UNS
Lebih terperinciPEMODELAN STATISTICAL DOWNSCALING DENGAN REGRESI PROJECTION PURSUIT UNTUK PERAMALAN CURAH HUJAN BULANAN Kasus Curah hujan bulanan di Indramayu
PEMODELAN STATISTICAL DOWNSCALING DENGAN REGRESI PROJECTION PURSUIT UNTUK PERAMALAN CURAH HUJAN BULANAN Kasus Curah hujan bulanan di Indramayu AJI HAMIM WIGENA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
Lebih terperinciJURNAL GAUSSIAN, Volume 2, Nomor 2, April 2013, Halaman Online di:
JURNAL GAUSSIAN, Volume, Nomor, April 013, Halaman 119-18 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN KOEFISIEN KORELASI KANONIK DAN INTERPRETASI FUNGSI KANONIK MULTIVARIAT Muhamad
Lebih terperinciKAJIAN PENGARUH NOISE DALAM ANALISIS KOMPONEN UTAMA UNTUK PEUBAH-PEUBAH YANG BERKORELASI FAJRIANZA ADI NUGRAHANTO
KAJIAN PENGARUH NOISE DALAM ANALISIS KOMPONEN UTAMA UNTUK PEUBAH-PEUBAH YANG BERKORELASI FAJRIANZA ADI NUGRAHANTO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinci(NWP). Penggunaan NWP telah memberikan hasil yang lebih
1 Prediksi Suhu Maksimum, Suhu Minimum, dan Kelembapan Rata-Rata Relatif dalam Jangka Pendek dengan Multivariate Regression melalui Pra- Pemrosesan Principal Component Analysis (PCA) Rizky Kusumawardani
Lebih terperinci1 PENDAHULUAN Latar Belakang
1 PENDAHULUAN Latar Belakang Indonesia merupakan negara kepulauan dengan bentuk topografi yang sangat beragam, dilewati garis katulistiwa, diapit dua benua dan dua samudera. Posisi ini menjadikan Indonesia
Lebih terperinciJl. Ir. M. Putuhena, Kampus Unpatti, Poka-Ambon ABSTRACT
Jurnal Barekeng Vol. 6 No. 1 Hal. 31 40 (2012) ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA (Studi Kasus: Curah Hujan di Kota Ambon Tahun
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis Komponen Utama (AKU, Principal Componen Analysis) bermula dari
BAB 2 LANDASAN TEORI 21 Analisis Komponen Utama 211 Pengantar Analisis Komponen Utama (AKU, Principal Componen Analysis) bermula dari tulisan Karl Pearson pada tahun 1901 untuk peubah non-stokastik Analisis
Lebih terperinciAnalisis Faktor dan Pengelompokan Kecamatan berdasarkan Indikator Mutu Pendidikan Jenjang Pendidikan Dasar di Kabupaten Sidoarjo
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) 2337-3520 (2301-928X Print) D-236 Analisis Faktor dan Pengelompokan Kecamatan berdasarkan Indikator Mutu Pendidikan Jenjang Pendidikan Dasar di Kabupaten
Lebih terperinciPEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENTS ANALYSIS (GWRPCA)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 171-180 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN
Lebih terperinciSTATISTICAL DOWNSCALING LUARAN GCM DAN PEMANFAATANNYA UNTUK PERAMALAN PRODUKSI PADI SUTIKNO
STATISTICAL DOWNSCALING LUARAN GCM DAN PEMANFAATANNYA UNTUK PERAMALAN PRODUKSI PADI SUTIKNO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI DISERTASI DAN SUMBER INFORMASI Dengan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1 Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemenelemen yang disusun secara teratur menurut baris dan kolom berbentuk
Lebih terperinci2. PERKEMBANGAN TEKNIK STATISTICAL DOWNSCALING DAN PERMASALAHAN STATISTIK
2. PERKEMBANGAN TEKNIK STATISTICAL DOWNSCALING DAN PERMASALAHAN STATISTIK 2.1. Pendahuluan Luaran GCM hanya dapat memberikan informasi untuk skala besar dan belum dapat memberikan secara langsung informasi
Lebih terperinciAnalisis Hujan Ekstrim Berdasarkan Parameter Angin dan Uap Air di Kototabang Sumatera Barat Tia Nuraya a, Andi Ihwan a*,apriansyah b
Analisis Hujan Ekstrim Berdasarkan Parameter Angin dan Uap Air di Kototabang Sumatera Barat Tia Nuraya a, Andi Ihwan a*,apriansyah b a Jurusan Fisika FMIPA Universitas Tanjungpura Pontianak b Program Studi
Lebih terperinci8. MODEL RAMALAN PRODUKSI PADI
8. MODEL RAMALAN PRODUKSI PADI 8.1 Pendahuluan Padi merupakan makanan utama sekaligus mempunyai nilai politis yang tinggi bagi orang Indonesia, yang menyediakan pendapatan secara musiman dan tenaga kerja
Lebih terperinciBAB I PENDAHULUAN. Beberapa penelitian sering sekali melibatkan banyak variabel. Hal ini
BAB I PENDAHULUAN 1.1 Latar belakang Beberapa penelitian sering sekali melibatkan banyak variabel. Hal ini bertujuan agar mendekati kebenaran kesimpulan yang diperoleh dari nilai taksiran sementara (hipotesis).
Lebih terperinciANALISIS BIPLOT UNTUK PEMETAAN KARAKTERISTIK KEMISKINAN PADA KABUPATEN/KOTA DI JAWA TIMUR. Gangga Anuraga ABSTRAK
ANALISIS BIPLOT UNTUK PEMETAAN KARAKTERISTIK KEMISKINAN PADA KABUPATEN/KOTA DI JAWA TIMUR Gangga Anuraga Dosen Program Studi Statistika MIPA Universitas PGRI Adi Buana Surabaya E-mail : ganuraga@gmail.com
Lebih terperinciMinggu II STATISTIKA MULTIVARIATE TERAPAN
Minggu II STATISTIKA MULTIVARIATE TERAPAN (PENDAHULUAN) Herni U Universitas Gadjah Mada Outline 1 Analisis Statistika Multivariat 2 Contoh Kasus Multivariat 3 Organisasi Data Outline 1 Analisis Statistika
Lebih terperinciPEMODELAN STATISTICAL DOWNSCALING DENGAN REGRESI KUANTIL SPLINE UNTUK PREDIKSI CURAH HUJAN EKSTRIM DI KABUPATEN INDRAMAYU NOOR ELL GOLDAMEIR
PEMODELAN STATISTICAL DOWNSCALING DENGAN REGRESI KUANTIL SPLINE UNTUK PREDIKSI CURAH HUJAN EKSTRIM DI KABUPATEN INDRAMAYU NOOR ELL GOLDAMEIR SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2015 PERNYATAAN
Lebih terperinciANALISIS KORELASI KANONIK PERILAKU BELAJAR TERHADAP PRESTASI BELAJAR SISWA SMP (STUDI KASUS SISWA SMPN I SUKASARI PURWAKARTA)
Prosiding Seminar Matematika dan Pendidikan Matematika ISBN: 978-60-61-0-9 hal 693-703 November 016 ANALISIS KORELASI KANONIK PERILAKU BELAJAR TERHADAP PRESTASI BELAJAR SISWA SMP (STUDI KASUS SISWA SMPN
Lebih terperinciVolume 1, Nomor 2, Desember 2007
Volume 1, Nomor 2, Desember 2007 Barekeng, Juni 2007. hal.18-24 Vol. 1. No. 2 ANALISIS FAKTOR STUDI KASUS : UNTUK MENGETAHUI FAKTOR-FAKTOR DASAR YANG MEMPENGARUHI PELAYANAN PADA FMIPA UNPATTI FRANCIS Y
Lebih terperinci