PENERAPAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (Studi Kasus Pendugaan Pengeluaran Per Kapita di Kota Bogor Tahun 2005) Abstrak

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENERAPAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (Studi Kasus Pendugaan Pengeluaran Per Kapita di Kota Bogor Tahun 2005) Abstrak"

Transkripsi

1 PENERAPAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (Std Kass Pendgaan Pengelaran Per Kapta d Kota Bogor Tan 005) Indawat 1, Utam Dya Syaftr 1, Renta Skma Mayasar 1 Dosen Departemen Statstka FMIPA IPB Maasswa Departemen Statstka FMIPA IPB Abstrak Pada pendgaan area kecl mmnya dgnakan pemodelan parametrk ntk mengbngkan statstk area kecl dengan peba-peba pendkngnya. Namn pemodelan parametrk krang fleksbel ntk pola bngan yang tdak lner. Dalam peneltan n dterapkan pemodelan nonparametrk yat pemlsan Kernel ntk memodelkan bngan antara statstk area kecl dengan peba pendkngnya. Penerapan metode pemlsan Kernel teradap data rl dalam peneltan n mennjkkan tngkat akras yang leb bak dbandngkan asl pendgaan langsng. Kata Knc: Pendgaan area kecl, pendgaan langsng, pemlsan Kernel, RRMSE PENDAHULUAN Saat n statstk area kecl (small area statstcs) sangat dmnat dalam berbaga bdang. Berbaga metode pendgaan area kecl (small area estmaton) tela dkembangkan kssnya menyangkt metode yang berbass model (model-based area estmaton). Istla small area mennjkkan sat sbpoplas dmana pendgaan langsngnya tdak dapat mengaslkan press yang ckp. Pendgaan secara langsng pada area kecl akan mengaslkan nla ragam yang besar jka conto yang dambl berasal dar data srvey yang drancang ntk skala besar/nasonal. Sala sat sols yang dgnakan adala melakkan pendgaan tdak langsng dengan cara menambakan peba-peba pendkng dalam mendga parameter. Pada pendgaan area kecl mmnya dgnakan pemodelan parametrk ntk mengbngkan statstk area kecl dengan peba-peba pendkngnya. Namn pemodelan parametrk krang fleksbel ntk pola bngan antara statstk area kecl dengan peba pendkng yang tdak lner. Beberapa penelt, dantaranya Mkopadyay & Mat (004, 006), jga Opsomer et al (004) tela mencoba mengkaj pemodelan nonparametrk ntk pendgaan area kecl. Dalam peneltan n Semnas Matematka dan Penddkan Matematka

2 dterapkan sala sat pemodelan nonparametrk yat pemlsan Kernel ntk mendga pengelaran per kapta kota Bogor tan 005 dan membandngkannya dengan asl pendgaan langsng. TINJAUAN PUSTAKA Pendgaan Area Kecl Istla area kecl (small area) basanya menandakan sat area geografs kecl, sepert sat daera kabpaten/kota, kecamatan, mapn kelraan/desa. Area kecl n jga dapat dartkan sebaga bagan dar wlaya poplas (small doman) bak berdasarkan geograf, ekonom, sosal bdaya, atapn yang lannya (Rao 003). Model Area Kecl Ada da model dasar pendgaan area kecl yat Basc area level model dan basc nt level model (Rao 003). a. Basc area level model yat model yang ddasarkan pada ketersedaan data pendkng yang anya ada ntk level area tertent, dan parameter yang akan ddga θ, dasmskan mempnya bngan dengan x. Data pendkng tersebt dgnakan ntk membangn model: θ = x T β + b v, =1,..., n...(1) Kesmplan mengena θ, dapat dketa dengan mengasmskan bawa model pendga langsng y tela terseda yat : y = θ + e, =1,..., n...() Pada akrnya model (1) dan () dgabngkan dan mengaslkan model gabngan : y = x T β + b v + e, =1,..., n b. Basc nt level model yat sat model dmana data-data pendkng yang terseda bersesaan secara ndvd dengan data respon sengga dapat dbangn sat model regres tersarang : y j = x T j β + v +e j, =1,..., n dan j=1,..., N Metode Pemlsan Kernel Pemlsan Kernel adala sat teknk pemlsan dalam statstka nonparametrk ntk mendga konds yang darapkan dar varabel acak. Mkopadyay dan Mat (004) Semnas Matematka dan Penddkan Matematka

3 menjelaskan bawa ntk mengrang bas relatf yang besar dar statstk area kecl dengan peba penjelasnya dan ntk mendapatkan pendga MSE yang leb bak dapat drmskan sebaga : y + = θ e...(4) dan = m ( x ) + dmana = 1,,..., n mennjkkan jmla area kecl. θ...(5) Untk mendga m(x ) dapat menggnakan pendga kernel Nadaraya-Watson yat : mˆ = K K lebar jendela ( x x ) y ( x x )....(6) dmana K (.) adala fngs Kernel dengan Berdasarkan persamaan d atas dapat dperlatkan bawa pendga terbak dar nla area kecl θ dengan σ tdak dketa, adala : ˆ ˆ σ θ = ˆ γ y + ( 1 ˆ γ ) mˆ ( x )...(7) dengan ˆ γ =. ˆ σ + D Pendga dar σ drmskan dengan : n 1 ˆ σ ( x) max 0, W ( x) { y mˆ ( x )} D...(8) = n 1 = 1 dengan W ( x) = 1 n K ( x x ) K ( x x ) MSE dar dapat ddga dar : θˆ...(9) mse ( ˆ D σˆ θ ) + ( 1 ˆ γ ) mse mˆ ( x ) 3 [ ] + D ( σˆ + D ) mse ( σˆ = )...(10) D + σˆ Dalam peneltan n dgnakan pendekatan jackknfe ntk mendga MSE. Pendekatan Jackknfe Taapan-taapan ntk mengtng nla MSE J adala sebaga berkt: (a) tng nla M 1 dengan rms: M n 1 m [ g1 ( sv( ) ) g1 ( sv ] 1 = g1 ( sv ) ) n = 1 nla g 1 (s v(-)) dperole dengan mengaps pengamatan ke- pada mpnan data g 1 (s v ) dan = 1,,...,n. (b) tng nla M dengan rms: Semnas Matematka dan Penddkan Matematka

4 [ ˆ ˆ ] θ ) ( θ 1 m n M = ( ( ) ) n = 1 ˆ θ dmana ( ) dperole dengan mengaps pengamatan ke- pada mpnan data (c) tng nla MSE dengan rms sebaga berkt: θˆ ˆ MSE J ( θ ) = M 1 + M Data DATA DAN METODE Data yang dgnakan dalam peneltan n adala data SUSENAS 005 dengan nformas data berbass rma tangga serta PODES 005 sebaga smber data peba pendkng. Peba respon yang damat dan menjad peratan dalam peneltan n adala pengelaran per kapta rma tangga d kota Bogor. Peba pendkng X yang dasmskan mempengar dan menggambarkan pengelaran per kapta yat persentase jmla srat mskn yang dkelarkan desa. III. Metode Taapan-taapan pada peneltan n adala: 1. Mendga pengelaran per kapta rma tangga ntk masng-masng desa secara langsng (drect estmaton) dan dengan metode pemlsan Kernel.. Mengtng MSE ntk masng-masng pendgaan. 3. Membandngkan nla RRMSE pendgaan langsng dengan nla RRMSE pendgaan pemlsan kernel dengan pertngan RRMSE sebaga berkt : RRMSE ( ˆ ) θ = MSE θˆ ( θˆ ) x100 % Software yang dgnakan pada peneltan n adala Mntab 14, S-Pls 000, SAS 9.1, dan Mcrosoft Excel 003. Eksploras Data HASIL DAN PEMBAHASAN Eksploras ntk peba dlakkan dengan menggnakan scatterplot antara pengelaran per kapta dengan persentase jmla srat mskn yang dkelarkan. Scatterplot yang Semnas Matematka dan Penddkan Matematka

5 dperole mennjkkan bawa pengelaran per kapta berbandng terbalk dengan persentase jmla srat mskn yang dkelarkan Scatterplot of Y vs x Y x Gambar 1. Scatterplot persentase jmla srat mskn Pendgaan Langsng Hasl yang ddapatkan dar pendgaan langsng pengelaran per kapta yat besarnya pengelaran per kapta anggota rma tangga pada beberapa desa d Kota Bogor dan nla smpangan baknya. Nla ragam samplng error (D ) yang menjad peratan ddga ole s /n yang merpakan raso antara ragam d dalam area dengan banyaknya conto. Nla D dapat dtng dar asl pendgaan langsng. Hasl pendgaan langsng dan nla ragam samplng error (D ) dapat dlat d Lampran 1. Pendgaan langsng pengelaran per kapta rma tangga pada beberapa desa d kota Bogor dlakkan berdasarkan data srve dengan objek srve sebanyak 16 rma tangga ntk masng-masng desa, kecal ntk desa Kedng Halang sebanyak 15 rma tangga dan desa Kedng Badak sebanyak 3 rma tangga. Jmla tersebt termask kecl ntk merepresentaskan selr rma tangga pada masng-masng desa sengga ragam asl dgaannya besar. Pendgaan dengan Pemlsan Kernel Peneltan n menggnakan fngs Kernel Normal ata Gassan. Hasl pemlsan yang dperole dar metode pemlsan Kernel sangat bergantng dar lebar jendela () yang dgnakan. Lebar jendela ntk pemlsan Kenel n dperole sebesar Hasl dar pemlsan dapat dlat pada Gambar. Semnas Matematka dan Penddkan Matematka

6 Y X Gambar. Hasl pemlsan dengan metode Kernel Pendgaan parameter area kecl ( ) dengan metode pemlsan Kernel dperole dar θ persamaan (7) dan aslnya dapat dlat pada Lampran. Secara mm asl pendgaan dengan pemlsan Kernel leb besar dar pendgaan langsng, tetap ada beberapa desa yang nla pendga langsngnya leb besar yat desa Bat Tls, Empang, Bantar Jat, Tegal Gndl, Tana Bar, Cbl, Kedng Halang, Pabaton, Kebon Kelapa, Gnng Bat, Clendek Barat, Sndang Barang, Semplak, dan Kedng Badak. Hasl perbandngan pendgaan langsng dan tdak langsng pada pengelaran per kapta beberapa desa beserta nla MSE nya dapat dlat pada Lampran 3. Evalas asl pendgaan langsng dan tdak langsng dapat dketa dengan membandngkan nla RRMSE kedanya. Nla RRMSE ntk metode pemlsan kernel leb kecl darpada nla RRMSE pendgaan langsng. Hal n mennjkkan bawa pendgaan tdak langsng dengan metode pemlsan kernel dapat memperbak asl dar pendgaan langsng. Hasl tersebt jga memperlatkan bawa pendgaan area kecl (small area estmaton) bak dgnakan ntk pendgaan parameter pada level desa/kelraan yang memlk kran conto kecl dengan nla keragaman yang besar. Semnas Matematka dan Penddkan Matematka

7 KESIMPULAN Dalam peneltan n pendgaan tdak langsng dengan menggnakan metode pemlsan Kernel dapat memperbak asl dar pendgaan langsng sepert dtnjkkan ole nla RRMSE yang leb kecl dbandngkan RRMSE pendgaan langsng, sengga metode pemlsan Kernel mempnya arapan ntk dkembangkan sebaga alternatf pendgaan area kecl ntk mengatas masala pola bngan antara statstk area kecl dan peba pendkng yang tdak lner. DAFTAR PUSTAKA Krna A, Notodptro KA Penerapan Metode Jackknfe dalam Pendgaan Area Kecl. Form Statstka dan Komptas, Aprl 006, Vol. 11 No.1, p:1-16 Mkopadyay P, Mat T Two Stage Non-Parametrc Approac for Small Ares Estmaton. Proceedngs of ASA Secton on Srvey Researc Metods: Rao JNK Small Area Estmaton. New Jersey: Jon Wlley &Sons, Inc. Syaftr UD Pemodelan Sebaran Paparan Gamma d Reaktor Serbagna G.A Swabessy dengan Fngs Kepekatan Pelang Kernel [Skrps]. Bogor: Fakltas Matematka dan Ilm Pengetaan Alam, Insttt Pertanan Bogor Ynta A Penerapan Metode Emprcal Bayes pada Pendgaan Area Kecl (Std Kass Pendgaan Pengelaran Per Kapta d Kota Bogor Tan 003) [Skrps]. Bogor: Fakltas Matematka dan Ilm Pengetaan Alam, Insttt Pertanan Bogor. Semnas Matematka dan Penddkan Matematka

8 Lampran 1 Pendgaan langsng pengelaran per kapta (xrp ,00) beserta nla D Kode Desa n pengelaran per kapta Stdev Stderr D Pamoyanan Genteng Harjasar Cpak Bat Tls Empang Ckaret Sndang Rasa Katlampa Baranang Sang Skasar Bantar jat Tegal Gndl Tana Bar Cmapar Cbl Kedng Halang Cparg Babakan Pasar Tegal Lega Pabaton Kebon Kelapa Pasr Mlya Pasr Jaya Gnng Bat Menteng Clendek Barat Sndang Barang Stgede Semplak Kedng Warngn Kedng Jaya Kebon Pedes Kedng Badak Cbadak Kay Mans Kencana Semnas Matematka dan Penddkan Matematka

9 Lampran Pendgaan tdak langsng dengan metode pemlsan kernel (xrp ,00) Kode Desa n Y ( x) ˆ θ mˆ ker nel D Pamoyanan Genteng Harjasar Cpak Bat Tls Empang Ckaret Sndang Rasa Katlampa Baranang Sang Skasar Bantar jat Tegal Gndl Tana Bar Cmapar Cbl Kedng Halang Cparg Babakan Pasar Tegal Lega Pabaton Kebon Kelapa Pasr Mlya Pasr Jaya Gnng Bat Menteng Clendek Barat Sndang Barang Stgede Semplak Kedng Warngn Kedng Jaya Kebon Pedes Kedng Badak Cbadak Kay Mans Kencana Semnas Matematka dan Penddkan Matematka

10 Lampran 3 Pendgaan pengelaran per kapta (x Rp ,00) dengan pendgaan langsng dan pendgaan pemlsan kernel dengan pendekatan jackknfe beserta nla RRMSE(%) Pendgaan Langsng Kernel-Jackknfe Kode Desa Teta_at MSE RRMSE Teta_at MSE RRMSE Pamoyanan Genteng Harjasar Cpak Bat Tls Empang Ckaret Sndang Rasa Katlampa Baranang Sang Skasar Bantar Jat Tegal Gndl Tana Bar Cmapar Cbl Kedng Halang Cparg Babakan Pasar Tegal Lega Pabaton Kebon Kelapa Pasr Mlya Pasr Jaya Gnng Bat Menteng Clendek Barat Sndang Barang Stgede Semplak Kedng Warngn Kedng Jaya Kebon Pedes Kedng Badak Cbadak Kay Mans Kencana Ket : yang d cetak tebal adala asl pendgaan langsng yang leb besar dar metode pemlsan Kernel Semnas Matematka dan Penddkan Matematka

PENDEKATAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION)

PENDEKATAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PENDEKAAN MEODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (SMALL AREA ESIMAION) Indawat, Ksman Sadk, Rat Nrmasar Dosen Departemen Statstka FMIPA IPB Maasswa S Departemen Statstka FMIPA IPB ABSRAK Pendgaan

Lebih terperinci

PENERAPAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (Studi Kasus Pendugaan Pengeluaran Per Kapita di Kota Bogor Tahun 2005)

PENERAPAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (Studi Kasus Pendugaan Pengeluaran Per Kapita di Kota Bogor Tahun 2005) PENERAPAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (Std Kass Pendgaan Pengelaran Per Kapta d Kota Bogor Tahn 005) RENITA SUKMA MAYASARI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

Lebih terperinci

SMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP

SMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP Statstka, Vol., No., November 04 SMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP Ujang Malana, Moh Yamn Darsyah, 3 Tan Wahy Utam,,3 Program

Lebih terperinci

SMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP

SMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP Statstka, Vol., No., November 04 SMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP Ujang Malana, Moh Yamn Darsyah, 3 Tan Wahy Utam,,3 Program

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Small Area Estimation Small Area Estimation (SAE) adalah sat teknik statistika ntk mendga parameter-parameter sb poplasi yang kran sampelnya kecil. Sedangkan, area kecil didefinisikan

Lebih terperinci

METODE PENDUGAAN AREA KECIL DENGAN TEKNIK EMPIRICAL BAYES PADA PENDUGAAN PROPORSI KELUARGA MISKIN DI KOTA BOGOR WAHYU DWI LAKSONO

METODE PENDUGAAN AREA KECIL DENGAN TEKNIK EMPIRICAL BAYES PADA PENDUGAAN PROPORSI KELUARGA MISKIN DI KOTA BOGOR WAHYU DWI LAKSONO METODE PENDUGAAN AREA KECIL DENGAN TEKNIK EMPIRICAL BAYES PADA PENDUGAAN PROPORSI KELUARGA MISKIN DI KOTA BOGOR WAHYU DWI LAKSONO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT

Lebih terperinci

Pengenalan Pola/ Pattern Recognition

Pengenalan Pola/ Pattern Recognition Pengenalan Pola/ Pattern Reognton Dasar Pengenalan Pola Imam Cholssodn S.S., M.Kom. Dasar Pengenalan Pola. The Desgn Cyle. Collet Data 3. Objet to Dataset 4. Featre Seleton Usng PCA Menghtng Egen Vale

Lebih terperinci

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu

Lebih terperinci

HASIL DAN PEMBAHASAN BAHAN DAN METODE. Eksplorasi dan Deskripsi Data. Bahan

HASIL DAN PEMBAHASAN BAHAN DAN METODE. Eksplorasi dan Deskripsi Data. Bahan 4 BAHAN DAN METODE Bahan Sumber data ang dgunakan pada peneltan n adalah SUSENAS 2005 dan Potens Desa (PODES) 2005. Peubah ang damat dan menad perhatan dalam peneltan n adalah tngkat kemsknan (P) pada

Lebih terperinci

PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN METODE SAE

PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN METODE SAE Vale Added, Vol. 11, No. 1, 015 PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN METODE SAE 1 Moh Yamin Darsyah, Ujang Malana 1, Program Stdi Statistika FMIPA Universitas Mhammadiyah Semarang Email:

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang

Lebih terperinci

Analisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :

Analisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan : Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan

Lebih terperinci

Pemetaan Penyakit Demam Berdarah (DBD) Kota Makassar Dengan Penduga Empirical Bayes

Pemetaan Penyakit Demam Berdarah (DBD) Kota Makassar Dengan Penduga Empirical Bayes Jurnal Matematka, Statstka & Komputas 1 Vol. 4 No. Januar 008 Pemetaan Penyakt Demam Berdarah (DBD) Kota Makassar Dengan Penduga Emprcal Bayes Ansa Abstrak Peneltan n mengkaj penggunaan model Emprcal Bayes

Lebih terperinci

PERBANDINGAN METODE EMPIRICAL BAYES

PERBANDINGAN METODE EMPIRICAL BAYES PERBANDINGAN METODE EMPIRICAL BAYES (EB) DAN EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA PENDUGAAN AREA KECIL (Stud Kasus Pendugaan Pengeluaran Per Kapta d Kota Bogor) AGUSTINA DWI WARDANI DEPARTEMEN

Lebih terperinci

BAB VIII PENUTUP 8.1. Kesimpulan Penelitian

BAB VIII PENUTUP 8.1. Kesimpulan Penelitian A VIII PENUTUP 8.. Kesmpulan Peneltan Dalam peneltan yang tela dlakukan, dperole nformas knerja transms dan spektrum gelombang serta stabltas terumbu ottle Reef TM sebaga peredam gelombang ambang terbenam

Lebih terperinci

Integrasi. Metode Integra. al Reimann

Integrasi. Metode Integra. al Reimann Integras Metode Integra al Remann Metode Integral Trapezoda Metode Integra al Smpson Permasalaan Integras Pertungan ntegral adala pertungan dasar yang dgunakan dalam kalkulus, dalam banyak keperluan. Integral

Lebih terperinci

Dengan derajat bebas (pu-1) =(p-1)+(pu-p) (pu-1)=(p-1)+p(u-1) Sebagai contoh kita ambil p=4 dan u=6 maka tabulasi datanya sebagai berikut:

Dengan derajat bebas (pu-1) =(p-1)+(pu-p) (pu-1)=(p-1)+p(u-1) Sebagai contoh kita ambil p=4 dan u=6 maka tabulasi datanya sebagai berikut: X. ANALISIS RAGAM SEDERANA Jka erlakan yang ngn dj/dbandngkan lebh dar da(p>) dan ragam tdak dketah maka kta bsa melakkan j t dengan jalan mengj erlakan seasang dem seasang. Banyaknya asangan hotess yang

Lebih terperinci

BAB V Model Bayes Pendugaan Area Kecil untuk Respon Binomial dan Multinomial Berbasis Penarikan Contoh Berpeluang Tidak Sama

BAB V Model Bayes Pendugaan Area Kecil untuk Respon Binomial dan Multinomial Berbasis Penarikan Contoh Berpeluang Tidak Sama BAB V Model Bayes Pendugaan Area Kecl untuk Respon Bnomal dan Multnomal Berbass Penarkan Contoh Berpeluang Tdak Sama 5.1. Pendahuluan Pada umumnya pengembangan model SAE dan pendugaannya dlakukan dengan

Lebih terperinci

BAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i

BAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan

Lebih terperinci

Vektor Kendali Permainan Dinamis LQ Non-Kooperatif Waktu Tak Berhingga

Vektor Kendali Permainan Dinamis LQ Non-Kooperatif Waktu Tak Berhingga Semnar Nasonal eknolog Informas Komnkas dan Indstr (SNIKI) 8 ISSN : 85-99 Pekanbar 9 November 6 Vektor Kendal Permanan Dnams LQ Non-Kooperatf Wakt ak Berhngga Nlwan Andraja UIN Sltan Syarf Kasm Ra Pekanbar

Lebih terperinci

PENDUGAAN RASIO, BEDA DAN REGRESI

PENDUGAAN RASIO, BEDA DAN REGRESI TEKNIK SAMPLING PENDUGAAN RASIO, BEDA DAN REGRESI PENDAHULUAN Pendugaan parameter dar peubah Y seharusnya dlakukan dengan menggunakan nformas dar nla-nla peubah Y Bla nla-nla peubah Y sult ddapat, maka

Lebih terperinci

MODEL REGRESI LOGISTIK TERBOBOTI GEOGRAFIS (STUDI KASUS : PEMODELAN KEMISKINAN DI PROVINSI JAWA TIMUR) ALONA DWINATA

MODEL REGRESI LOGISTIK TERBOBOTI GEOGRAFIS (STUDI KASUS : PEMODELAN KEMISKINAN DI PROVINSI JAWA TIMUR) ALONA DWINATA MODEL REGRESI LOGISTIK TERBOBOTI GEOGRAFIS (STUDI KASUS : PEMODELAN KEMISKINAN DI PROVINSI JAWA TIMUR) ALONA DWINATA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2012 PERNYATAAN MENGENAI TESIS DAN SUMBER

Lebih terperinci

Perbandingan Metode Partial Least Square (PLS) dengan Regresi Komponen Utama untuk Mengatasi Multikolinearitas

Perbandingan Metode Partial Least Square (PLS) dengan Regresi Komponen Utama untuk Mengatasi Multikolinearitas Statstka, Vol. No., 33 4 Me 0 Perbandngan Metode Partal Least Square (PLS) dengan Regres Komponen Utama untuk Mengatas Multkolneartas Nurasana, Muammad Subanto, Rka Ftran Jurusan Matematka FMIPA UNSYIAH

Lebih terperinci

BAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB

BAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota

Lebih terperinci

PENERAPAN METODE EMPIRICAL BAYES PADA PENDUGAAN AREA KECIL (Studi Kasus Pendugaan Pengeluaran Per Kapita di Kota Bogor Tahun 2003)

PENERAPAN METODE EMPIRICAL BAYES PADA PENDUGAAN AREA KECIL (Studi Kasus Pendugaan Pengeluaran Per Kapita di Kota Bogor Tahun 2003) PENERPN MEOE EMPIRICL BYES P PENUGN RE KECIL (Stud Kasus Pendugaan Pengeluaran Per Kapta d Kota Bogor ahun 003 R YUNI G40304 EPREMEN SISIK FKULS MEMIK N ILMU PENGEHUN LM INSIU PERNIN BOGOR 008 RINGKSN

Lebih terperinci

Prediksi Kelainan Refraksi Berdasarkan Panjang Sumbu Bola Mata Pada Pasien Myopia Axial Melalui Regresi Bootstrap

Prediksi Kelainan Refraksi Berdasarkan Panjang Sumbu Bola Mata Pada Pasien Myopia Axial Melalui Regresi Bootstrap Predks Kelanan Refraks Berdasarkan Panjang Sumbu Bola Mata Pada Pasen Myopa Axal Melalu Regres Bootstrap Oleh: Karyam dan Qorlna Statstka UII ABSTRAKSI Peneltan n dlakukan d Rumah Sakt Mata Dr. YAP Yogyakarta

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar belakang

BAB 1 PENDAHULUAN. 1.1 Latar belakang BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP

Lebih terperinci

PROPOSAL SKRIPSI JUDUL:

PROPOSAL SKRIPSI JUDUL: PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan

Lebih terperinci

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah

Lebih terperinci

METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR

METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,

Lebih terperinci

Analisis Regresi 2. Mendeteksi pencilan dan penanganannya

Analisis Regresi 2. Mendeteksi pencilan dan penanganannya Analss Regres Pokok Bahasan : Mendeteks penclan dan penanganannya TUJUAN INSTRUKSIONAL KHUSUS : Mahasswa dapat mendeteks adanya penclan pada regres lner berganda Penclan Penclan adalah pengamatan yang

Lebih terperinci

BAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis

BAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan

Lebih terperinci

PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL

PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL Tan Wahyu Utam, Indah Manfaat Nur Unverstas Muhammadyah Semarang, emal : tan.utam88@gmal.com

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.

BAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011. 44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon

Lebih terperinci

BAB IV HASIL DAN ANALISIS DATA PENELITIAN. Mojokerto pada kelas IX-A yang berjumlah 34 siswa. Penelitian ini dilaksanakan

BAB IV HASIL DAN ANALISIS DATA PENELITIAN. Mojokerto pada kelas IX-A yang berjumlah 34 siswa. Penelitian ini dilaksanakan 57 BAB IV HASIL DAN ANALISIS DATA PENELITIAN A. Deskrps Pelaksanaan Peneltan Kegatan peneltan n tela dlaksanakan ole penelt d MTs Neger Mojokerto pada kelas IX-A yang berjumla 34 sswa. Peneltan n dlaksanakan

Lebih terperinci

PENDUGAAN AREA KECIL TERHADAP PROPORSI RUMAH TANGGA MISKIN LEVEL KELURAHAN DI KABUPATEN SAMPANG MENGGUNAKAN HIERARCHICAL BAYES (HB) LOGIT NORMAL

PENDUGAAN AREA KECIL TERHADAP PROPORSI RUMAH TANGGA MISKIN LEVEL KELURAHAN DI KABUPATEN SAMPANG MENGGUNAKAN HIERARCHICAL BAYES (HB) LOGIT NORMAL PENDUGAAN AREA KECIL TERHADAP PROPORSI RUMAH TANGGA MISKIN LEVEL KELURAHAN DI KABUPATEN SAMPANG MENGGUNAKAN HIERARCHICAL BAYES (HB) LOGIT NORMAL Ika Yun Wulansar 1), Gandh Pawtan ), Neneng Sunengsh 3)

Lebih terperinci

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas 9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran

Lebih terperinci

PEMBANDINGAN MEAN SQUARED ERROR (MSE) METODE PRASAD-RAO DAN JIANG-LAHIRI-WAN PADA EMPERICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) (Skripsi)

PEMBANDINGAN MEAN SQUARED ERROR (MSE) METODE PRASAD-RAO DAN JIANG-LAHIRI-WAN PADA EMPERICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) (Skripsi) PEMBNDINGN MEN SQURED ERROR (MSE) MEODE PRSD-RO DN JING-LHIRI-WN PD EMPERICL BES LINER UNBISED PREDICION (EBLUP) (Skrps) Oleh RIF RHM PERIWI JURUSN MEMIK FKULS MEMIK DN ILMU PENGEHUN LM UNIVERSIS LMPUNG

Lebih terperinci

FAKTOR PENENTU TINGKAT EFISIENSI TEKNIK USAHATANI CABAI MERAH DI KECAMATAN SELUPU REJANG, KABUPATEN REJANG LEBONG

FAKTOR PENENTU TINGKAT EFISIENSI TEKNIK USAHATANI CABAI MERAH DI KECAMATAN SELUPU REJANG, KABUPATEN REJANG LEBONG FAKTOR PENENTU TINGKAT EFISIENSI TEKNIK USAHATANI CABAI MERAH DI KECAMATAN SELUPU REJANG, KABUPATEN REJANG LEBONG Kett Skyono Jrsan Sosal Ekonom Pertanan, Fakltas Pertanan Unverstas Bengkl Jl. Raya Kandang

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah

Lebih terperinci

Pendugaan Parameter Regresi. Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Pendugaan Parameter Regresi. Itasia & Y Angraini, Dep Statistika FMIPA - IPB Pendugaan Parameter Regres Menduga gars regres Menduga gars regres lner sederhana = menduga parameter-parameter regres β 0 dan β 1 : Penduga parameter yang dhaslkan harus merupakan penduga yang bak Software

Lebih terperinci

MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS

MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut

Lebih terperinci

Parameter Quantile-like dalam Pendugaan Area Kecil Melalui Pendekatan Penalized-Splines

Parameter Quantile-like dalam Pendugaan Area Kecil Melalui Pendekatan Penalized-Splines Statstka, Vol. 8, No. 1, 31-36 Unsba Bandung, Me 2008 Parameter Quantle-lke dalam Pendugaan Area Kecl Melalu Pendekatan Penalzed-Splnes Kusman Sadk Departemen Statstka IPB, Bogor Jl. Merant, Kampus IPB

Lebih terperinci

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas

Lebih terperinci

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup

Lebih terperinci

81 Bab 6 Ruang Hasilkali Dalam

81 Bab 6 Ruang Hasilkali Dalam 8 Bab Rang Haslkal Dalam Bab RUANG HASIL KALI DALAM Rang hasl kal dalam merpakan rang ektor yang dlengkap dengan operas hasl kal dalam. Sepert halnya rang ektor rang haslkal dalam bermanfaat dalam beberapa

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN Bab n akan menjelaskan latar belakang pemlhan metode yang dgunakan untuk mengestmas partspas sekolah. Propns Sumatera Barat dplh sebaga daerah stud peneltan. Setap varabel yang

Lebih terperinci

MODEL BAYES UNTUK PENDUGAAN AREA KECIL DENGAN PENARIKAN CONTOH BERPELUANG TIDAK SAMA PADA KASUS RESPON BINOMIAL DAN MULTINOMIAL

MODEL BAYES UNTUK PENDUGAAN AREA KECIL DENGAN PENARIKAN CONTOH BERPELUANG TIDAK SAMA PADA KASUS RESPON BINOMIAL DAN MULTINOMIAL MODEL BAYES UNTUK PENDUGAAN AREA KECIL DENGAN PENARIKAN CONTOH BERPELUANG TIDAK SAMA PADA KASUS RESPON BINOMIAL DAN MULTINOMIAL APLIKASI : PENDUGAAN INDEKS PENDIDIKAN LEVEL KECAMATAN DI JAWA TIMUR AGNES

Lebih terperinci

BAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan

BAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan 7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat

Lebih terperinci

PENERAPAN PENDUGA HUBER M DALAM GENERAL REGRESSION PADA PENDUGAAN AREA KECIL IKA WIDYAWATI

PENERAPAN PENDUGA HUBER M DALAM GENERAL REGRESSION PADA PENDUGAAN AREA KECIL IKA WIDYAWATI PENERAPAN PENDUGA HUBER M DALAM GENERAL REGRESSION PADA PENDUGAAN AREA KECIL IKA WIDYAWATI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 008 ..katakanlah:

Lebih terperinci

BAB III METODE PENELITIAN. mencari jawaban atau menggambarkan permasalahan yang akan dibahas. Metode

BAB III METODE PENELITIAN. mencari jawaban atau menggambarkan permasalahan yang akan dibahas. Metode 34 BAB III METODE PENELITIAN A Metode yang Dgunakan Metode peneltan merupakan suatu pendekatan yang dgunakan untuk mencar jawaban atau menggambarkan permasalahan yang akan dbahas Metode peneltan juga dapat

Lebih terperinci

U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK

U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK Jurusan Teknk Spl dan Lngkungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SABTU, JULI OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara bole menggunakan komputer untuk mengerjakan soal- soal ujan n. Tabel

Lebih terperinci

Post test (Treatment) Y 1 X Y 2

Post test (Treatment) Y 1 X Y 2 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Metode Peneltan adalah cara lmah untuk memaham suatu objek dalam suatu kegatan peneltan. Peneltan yang dlakukan n bertujuan untuk mengetahu penngkatan hasl

Lebih terperinci

BAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol

BAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN A. Tujuan Peneltan Tujuan dalm peneltan n adalah mengetahu keefektfan strateg pembelajaran practce-rehearsal pars dengan alat peraga smetr lpat dan smetr putar dalam menngkatkan

Lebih terperinci

BAB III METODE PENELITIAN. Metode penelitian merupakan cara atau langkah-langkah yang harus

BAB III METODE PENELITIAN. Metode penelitian merupakan cara atau langkah-langkah yang harus BAB III METODE PENELITIAN Metode peneltan merupakan cara atau langkah-langkah yang harus dtempuh dalam kegatan peneltan, sehngga peneltan yang dlakukan dapat mencapa sasaran yang dngnkan. Metodolog peneltan

Lebih terperinci

ABSTRACT. Keywords : production function, technical efficiency, frontier production function, red chili ABSTRAK

ABSTRACT. Keywords : production function, technical efficiency, frontier production function, red chili ABSTRAK ISSN 1411 007 Jrnal Ilm-Ilm Pertanan Indonesa. Volme, No., 004, Hlm. 104-110 104 ANALISA FUNGSI PRODUKSI DAN EFISIENSI TEKNIK : Aplkas Fngs Prodks Fronter Pada Usahatan Caba D Kecamatan Selp Rejang, Kabpaten

Lebih terperinci

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK

Lebih terperinci

ANALISIS KOVARIANSI part 2

ANALISIS KOVARIANSI part 2 ANALISIS KOVARIANSI part Analss Kovarans merupakan suatu analss statstka untuk mengetahu pengaruh satu atau lebh varabel bebas terhadap varable terkat dengan memperhatkan satu atau lebh varable konkomtan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Menghadap era globalsas yang penuh tantangan, aparatur negara dtuntut untuk dapat memberkan pelayanan yang berorentas pada kebutuhan masyarakat dalam pemberan pelayanan

Lebih terperinci

Configural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear

Configural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Confgural Frequency Analyss untuk Melhat Penympangan pada Model Log Lnear Resa Septan Pontoh 1, Def Y. Fadah 2 1,2 Departemen Statstka FMIPA

Lebih terperinci

ANALISIS KOVARIANSI bagian 2..

ANALISIS KOVARIANSI bagian 2.. ANALISIS KOVARIANSI bagan Uj Efek Perlakuan... v. H H F 1 0 5% StatstkaUj: raso : 0, : 0,, DK : RK RK H 0 P S (adj) (adj) 1,, t dtolak jka F raso F α,t1,t(r1) 1 Ingat model anakova 1 faktor 1 kovarat :

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN Metode peneltan atau metodolog peneltan adalah strateg umum yang danut dalam mengumpulkan dan menganalss data yang dperlukkan, guna menjawab persoalan yang dhadap. Adapun rencana

Lebih terperinci

BAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel

BAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel 4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk

Lebih terperinci

BAB 2 KAJIAN PUSTAKA

BAB 2 KAJIAN PUSTAKA BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,

Lebih terperinci

BAB III METODE PENELITIAN. problems. Cresswell (2012: 533) beranggapan bahwa dengan

BAB III METODE PENELITIAN. problems. Cresswell (2012: 533) beranggapan bahwa dengan BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan kombnas atau mxed methods. Cresswell (2012: 533) A mxed methods research desgn s a procedure for collectng, analyzng and mxng

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 8 BAB LANDASAN TEORI. Pasar.. Pengertian Pasar Pasar adalah sebah tempat mm yang melayani transaksi jal - beli. Di dalam Peratran Daerah Khss Ibkota Jakarta Nomor 6 Tahn 99 tentang pengrsan pasar di Daerah

Lebih terperinci

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN Metode peneltan atau metodolog peneltan adalah strateg umum yang danut dalam mengumpulkan dan menganalss data yang dperlukkan, guna menjawab persoalan yang dhadap. Adapun rencana

Lebih terperinci

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang

Lebih terperinci

BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model

BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk

Lebih terperinci

Analisis Regresi 1. Pokok Bahasan : Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh

Analisis Regresi 1. Pokok Bahasan : Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan nla harapannya ) E [Y x ] E [Y x] =

Lebih terperinci

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo. BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,

Lebih terperinci

SMALL AREA ESTIMATION UNTUK PEMETAAN ANGKA MELEK HURUF DI KABUPATEN REMBANG. Program Studi Statistika, UNIMUS

SMALL AREA ESTIMATION UNTUK PEMETAAN ANGKA MELEK HURUF DI KABUPATEN REMBANG. Program Studi Statistika, UNIMUS SMALL AREA ESTIMATION UNTUK PEMETAAN ANGKA MELEK HURUF DI KABUPATEN REMBANG Moh Yamin Darsyah 1, Iswahyudi Joko Suprayitno 2 1 Program Studi Statistika, UNIMUS Email: mydarsyah@unimus.ac.id 2 Program Studi

Lebih terperinci

BAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah

BAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu

Lebih terperinci

PENDEKATAN GENERALIZED ADDITIVE MIXED MODELS DALAM PENDUGAAN PARAMETER PADA SMALL AREA ESTIMATION

PENDEKATAN GENERALIZED ADDITIVE MIXED MODELS DALAM PENDUGAAN PARAMETER PADA SMALL AREA ESTIMATION J. Sans MIPA, Desember 007, Vol. 3, No. 3, Hal.: 45-5 ISSN 978-873 PENDEKAAN GENERALIZED ADDIIVE MIXED MODELS DALAM PENDUGAAN PARAMEER PADA SMALL AREA ESIMAION ABSRAC Anang Kurna dan Kharl A. Notodputro,

Lebih terperinci

BAB III METODOLOGI PENELITIAN. dalam situs BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal dari dua

BAB III METODOLOGI PENELITIAN. dalam situs BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal dari dua BAB III METODOLOGI PENELITIAN 3.1. Ruang Lngkup Peneltan Reksadana yang dgunakan dalam peneltan n adalah reksadana yang terdaftar dalam stus BAPEPAM dan berjumlah dua puluh delapan reksadana yang berasal

Lebih terperinci

III. METODE PENELITIAN

III. METODE PENELITIAN III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la

Lebih terperinci

BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode

BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada

Lebih terperinci

REKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA

REKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA REKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA Jl. Boulevard Bntaro Sektor 7, Bntaro Jaya Tangerang Selatan 15224 PENDAHULUAN Bangktan perjalanan (Trp generaton model ) adalah suatu tahapan

Lebih terperinci

BAB III METODE PENELITIAN. Jenis penelitian yang akan digunakan dalam penelitian ini adalah

BAB III METODE PENELITIAN. Jenis penelitian yang akan digunakan dalam penelitian ini adalah BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan yang akan dgunakan dalam peneltan n adalah peneltan pengembangan (Research and Development). Peneltan Research and Development (R&D) n merupakan

Lebih terperinci

BAB IV PERHITUNGAN DAN ANALISIS

BAB IV PERHITUNGAN DAN ANALISIS BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter

Lebih terperinci

PENGENDALIAN OPTIMAL PADA MODEL KEMOPROFILAKSIS DAN PENANGANAN TUBERKULOSIS

PENGENDALIAN OPTIMAL PADA MODEL KEMOPROFILAKSIS DAN PENANGANAN TUBERKULOSIS PENGENDALIAN OPTIMAL PADA MODEL KEMOPROFILAKSIS DAN PENANGANAN TUBERKULOSIS Ole: Citra Dewi Ksma P. 106 100 007 Dosen pembimbing: DR. Sbiono, MSc. Latar Belakang PENDAHULUAN Penyakit Tberklosis TB adala

Lebih terperinci

Regresi Polinomial local untuk Data Survey Skala Besar

Regresi Polinomial local untuk Data Survey Skala Besar Semnar Nasonal Statstka IX Insttut eknolog Sepuluh Nopember, 7 November 009 Regres Polnomal local untuk Data Survey Skala Besar Stud kasus: Model Pengeluaran Rumah angga berdasarkan Data Susenas Jawa mur

Lebih terperinci

Metode Estimasi Kemungkinan Maksimum dan Kuadrat Terkecil Tergeneralisasi pada Analisis Pemodelan Persamaan Struktural

Metode Estimasi Kemungkinan Maksimum dan Kuadrat Terkecil Tergeneralisasi pada Analisis Pemodelan Persamaan Struktural Jurnal Graden Vol. 11 No. 1 Januar 015 : 1035-1039 Metode Estmas Kemungknan Maksmum dan Kuadrat Terkecl Tergeneralsas pada Analss Pemodelan Persamaan Struktural Dan Agustna Jurusan Matematka, Fakultas

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu 4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013

Lebih terperinci

KAJIAN BIAS METODE AREA-SPECIFIC JACKKNIFE DAN BIAS METODE WEIGHTED JACKKNIFE DALAM PENDUGAAN AREA KECIL UNTUK RESPON POISSON DENGAN PENDEKATAN BAYES

KAJIAN BIAS METODE AREA-SPECIFIC JACKKNIFE DAN BIAS METODE WEIGHTED JACKKNIFE DALAM PENDUGAAN AREA KECIL UNTUK RESPON POISSON DENGAN PENDEKATAN BAYES KAJIAN BIAS METODE AREA-SPECIFIC JACKKNIFE DAN BIAS METODE WEIGHTED JACKKNIFE DALAM PENDUGAAN AREA KECIL UNTUK RESPON POISSON DENGAN PENDEKATAN BAYES WIDIARTI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR

Lebih terperinci

BAB III METODE PENELITIAN. menggunakan strategi pembelajaran mind mapping dalam pendekatan

BAB III METODE PENELITIAN. menggunakan strategi pembelajaran mind mapping dalam pendekatan 35 BAB III METODE PENELITIAN A. Jens dan Desan Peneltan Jens peneltan n adalah kuas ekspermen. Pada peneltan n terdapat dua kelompok subjek peneltan yatu kelompok ekspermen yang dberkan suatu perlakuan

Lebih terperinci

BOOTSTRAP PARAMETRIK DAN NONPARAMETRIK UNTUK PENDUGAAN KUADRAT TENGAH GALAT DALAM STATISTIK AREA KECIL DENGAN RESPON BERSEBARAN LOGNORMAL

BOOTSTRAP PARAMETRIK DAN NONPARAMETRIK UNTUK PENDUGAAN KUADRAT TENGAH GALAT DALAM STATISTIK AREA KECIL DENGAN RESPON BERSEBARAN LOGNORMAL BOOTSTRAP PARAMETRIK DAN NONPARAMETRIK UNTUK PENDUGAAN KUADRAT TENGAH GALAT DALAM STATISTIK AREA KECIL DENGAN RESPON BERSEBARAN LOGNORMAL CEMPAKA PUTRI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU

Lebih terperinci

Pendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik

Pendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,

Lebih terperinci

BAB IV APLIKASI. Pada bagian ini akan dibahas bagaimana contoh mengestimasi. parameter model yang diasumsikan memiliki karateristik spasial lag

BAB IV APLIKASI. Pada bagian ini akan dibahas bagaimana contoh mengestimasi. parameter model yang diasumsikan memiliki karateristik spasial lag BAB IV APLIKASI Pada bagan n akan dbahas bagamana contoh mengestmas parameter model yang dasumskan memlk karaterstk spasal lag sekalgus spasal error. Estmas dlakukan dengan menggunakan software Evews 3

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and

III. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS

Lebih terperinci

Analisis Regresi 1. Pokok Bahasan : Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh

Analisis Regresi 1. Pokok Bahasan : Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh Analss Regres 1 Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan nla harapannya E[Y x] E[Y x] y b

Lebih terperinci

Bootstrap Pada Regresi Linear dan Spline Truncated

Bootstrap Pada Regresi Linear dan Spline Truncated Statstka, Vol. 8 No. 1, 47 54 Me 2008 Bootstrap Pada Regres Lnear dan Splne runcated Harson Darmaw 1) dan Bambang Wdjanarko Otok 2) 1) enaga Pengajar d Jurusan Matematka UNRI, Pekanbaru e-mal: son_ms@yahoo.co.d

Lebih terperinci

Penduga Maksimum Likelihood untuk Parameter Dispersi Model Poisson-Gamma dalam Konteks Pendugaan Area Kecil

Penduga Maksimum Likelihood untuk Parameter Dispersi Model Poisson-Gamma dalam Konteks Pendugaan Area Kecil Penduga Maksmum Lkelhood untuk Parameter Dspers Model Posson-Gamma dalam Konteks Pendugaan Kecl The Maxmum Lkelhood of Estmatng Dsperson Parameter for Posson-Gamma Model n Small Estmaton Context Alfan

Lebih terperinci

BAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan

BAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat

Lebih terperinci