BAB IV HASIL DAN PEMBAHASAN
|
|
- Ivan Cahyadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 16 BAB IV HASIL DAN PEMBAHASAN 4.1 Karakteristik Data Utuk megetahui karakteristik data yaitu dega memperoleh gambara posisi dari masig-masig objek, dalam hal ii egara da vektor peubah seperti IMR, PEM, CWR, CP, TFR, AHH, CVAG, K 3, B, da GRR aka dilakuka plot data dega megguaka aalisis biplot. Dega memilih α = 0, diperoleh G=U, H = LA. Akibatya X'X = (GH')'(GH') = HI H ' ( 1) S; karea itu pajag vektor h j pada biplot meggambarka keragama x j. Selai itu, ilai kosius atara h i da h j merepresetasika korelasi atara peubah x i da x j. r Biplot distribusi data dari 40 egara dega peubah IMR, PEM, CWR, CP, TFR, AHH, CVAG, K 3, B, da GRR seperti disajika pada Gambar. Keteraga: AHH = Agka Harapa Hidup IMR = Ifat Mortality Rate PEM = Percetage Ever married Wome CWR = Child Woma Ratio CP = Rasio aak dibawah 5 tahu TFR = Total Fertility Rate K 3 = Kumulat ke-3 B = Ukura ketebala distribusi umur CVAG = Koefesie variasi distribusi umur waita GRR = Gross Reproductio Rate Objek ke-1 sampai dega objek ke-40 adalah ama-ama egara seperti terlihat pada Lampira. Gambar Biplot sebara data 40 egara dega peubah IMR, PEM, CWR, CP, TFR, AHH, CVAG, K 3, B, da GRR Ukura kesesuaia data 73,74 % pada Gambar merupaka kosukuesi pereduksia, dari dimesi 10 ke dimesi, sehigga terjadi distorsi iformasi sebesar 6,6%. Namu demikia besara kesesuaia data ii dipadag masih cukup represetatif.
2 17 Kedekata Atar Objek Pemetaa egara sebagai objek berdasarka peubah IMR, PEM, CWR, CP, TFR, AHH, CVAG, K 3, B, da GRR aka meempatka egara dalam beberapa kelompok. Dega melihat kedekata atar objek da kedekata objek dega peubah seperti yag ditujukka pada Gambar, maka objek-objek tersebut dapat dibagi mejadi 4 kelompok berikut. Kelompok A, berdasarka ciri bahwa letak objek medekati vektor peubah AHH da B yag terdiri dari tujuh egara yaitu : Australia (), Frace (10), Irelad (15), Israel (16), Malaysia (3), Norwegia (7), da Poladia (8). Kelompok B, berdasarka ciri bahwa letak objek medekati vektor peubah AHH yag terdiri dari eam belas egara yaitu : Caada (4), Cyprus (6), Czech Repubulik (7), Demark (8), Filadia (11), Greece (1), Italy (17), Japa (18), Korea (0), Netherlad (5), Portugal (9), Sigapura (33), Sloveia (35), Spai (36), Swedia (37), da USA (40). Kelompok C, berdasarka ciri bahwa letak objek medekati vektor peubah yag PEM terdiri dari dua belas egara yaitu : Armeia (1), Austria (3), Croatia (5), Estoia (9), Hugary (13), Idia (14), Latvia (1), Lithuaia (), Moldova (4), Rumaia (30), Rusia (31), da Slovakia (34) Kelompok D, berdasarka ciri bahwa letak objek medekati vektor peubah IMR, CWR, CP, TFR, K 3, da CVAG yag terdiri dari lima egara yaitu : Kazakhasta (19), Nepal (6), Sait Lucia (3), Turki (38), da Uruguay (39). Keerata Hubuga Atar Peubah Sebelum melihat keerata hubuga atar peubah aka dilihat terlebih dahulu keragama masig-masig peubah. Pada Gambar ditujukka bahwa peubah AHH, CWR, da PEM mempuyai keragama yag lebih besar dibadigka TFR, CP da IMR karea mempuyai vektor yag lebih pajag. Demikia pula dega peubah CVAG, K 3, B, da GRR mempuyai keragama lebih kecil dibadigka dega AHH, CWR, da PEM vektor yag lebih pedek. karea mempuyai Selajutya utuk melihat keerata hubuga atar peubah aka diaalisis juga betuk sudut atar peubah tersebut. Pada Gambar terlihat bahwa hubuga
3 18 erat da positif terjadi atara peubah yaitu: TFR dega CWR, TFR dega CP, TFR dega IMR, GRR dega CVAG, da GRR dega K 3 karea membetuk sudut lacip. Selai itu, terjadi korelasi positif atara peubah TFR dega PEM, tetapi tidak terlalu berarti jika dilihat ilaiya pada Tabel. Sebalikya atara peubah GRR da AHH terjadi korelasi erat tetapi egatif karea terbetuk sudut lacip apabila dilihat berlawaa arah. Utuk lebih jelasya, keerata hubuga berdasarka tabel korelasi Pearso dapat dilihat pada Tabel da Tabel 5 di halama berikutya. Utuk melihat keterkaita objek dega peubah dapat dilihat dari letak objek dega peubah yaitu sepihak, di tegah-tegah, atau berlawaa. Dari Gambar terlihat beberapa egara seperti Estoia (9) da Greece (1) mempuyai ilai di bawah rata-rata terhadap peubah TFR, tetapi mempuyai ilai di atas rata-rata utuk peubah AHH. Sebalikya utuk egara-egara seperti Sait Lucia (3) da Nepal (6) mempuyai ilai di atas rata-rata terhadap peubah IMR, CWR, CP da TFR tetapi mempuyai ilai di bawah rata-rata utuk peubah AHH. Pegelompoka Gugus Data Seperti telah dijelaska sebelumya, bahwa pada peelitia ii aka dibuat dua gugus data utuk melakuka fittig (pegepasa) model da validasi model dega megguaka metode Palmore da Guasekara-Palmore serta modifikasiya. Utuk itu, dibetuk gugus data I diguaka fittig model da gugus data II diguaka validasi model. Lagkah berikutya adalah megelompokka dua gugus data berdasarka proporsi letak egara yag mewakili beberapa beua dari empat kelompok A, B, C da D. Utuk gugus data I terdiri dari 0 egara yaitu : 3 egara dari kelompok A, 8 egara dari kelompok B, 4 egara dari kelompok C da 5 dari kelompok D. Gugus data II terdiri dari 0 egara yaitu : egara dari kelompok A, 8 egara dari kelompok B, 3 egara dari kelompok C da 7 dari kelompok D. Hasilya seperti terlihat pada Lampira Model Palmore da Modifikasiya Sebelum melakuka fittig megguaka metode Palmore, terlebih dahulu diaalisis betuk hubuga masig-masig peubah bebas IMR, PEM, CWR da
4 19 CP dega peubah takbebas TFR. Pada Lampira 10 disajika grafik scatter plot (diagram pecar) megguaka Software Mathematica 7.0. Berdasarka diagram pecar tersebut terlihat plot atara peubah TFR dega IMR, peubah TFR dega CWR, peubah TFR dega CP, da peubah TFR dega PEM yag tidak semua berbetuk liear. Ada beberapa kecederuga betuk hubuga yag terjadi, di ataraya kuadratik da logaritmik. Setelah dilakuka aalisis regresi hasilya adalah atara peubah IMR dega TFR da peubah PEM dega TFR terlihat kecederuga betuk kuadratik. Sebalikya atara peubah CWR dega TFR da CP dega TFR terlihat kecederuga betuk logaritmik. Utuk lebih jelasya, hasil R atara peubah TFR dega IMR, PEM, CWR, da CP dapat dilihat pada Tabel 1 berikut : Tabel 1 Hasil R atara peubah TFR dega IMR, PEM, CWR, da CP Peubah Fugsi IMR PEM CWR CP Liear 0,5 0,09 0,65 0,47 Kuadratik 0,7 0,1 0,54 0,38 Logaritmik 0,16 0,05 0,71 0,53 Tabel berikut mejelaska keerata hubuga atar peubah berdasarka rumus korelasi Pearso. Tabel Hubuga atara peubah IMR, PEM, CWR, CP dega peubah TFR dega korelasi Pearso Peubah IMR PEM CWR CP TFR IMR 1,00 PEM 0,4 1,00 CWR 0,65 0, 1,00 CP 0,53 0,0 0,76 1,00 TFR 0,50 0,7 0,81 0,68 1,00 Berdasarka Tabel dapat dilihat hubuga erat da positif terjadi atara peubah TFR dega CWR, sebesar 0,81; TFR dega CP sebesar 0,68; da TFR dega IMR sebesar 0,50. Sebalikya hubuga erat tetapi egatif terjadi pada
5 0 peubah TFR dega AHH sebesar -0,44. Semetara utuk hubuga yag kurag erat terjadi atara peubah TFR dega PEM yaitu sebesar 0,7. Berdasarka hasil aalisis tersebut, diperoleh empat model sebagai berikut - Model 1 merupaka model yag dikembagka oleh Palmore diperoleh betuk fugsi TFR f ( IMR, CWR, CP, PEM ). - Model berdasarka pola hubuga terbaik dari hasil eksplorasi diperoleh betuk fugsi TFR f ( IMR,l CWR,l CP, PEM ). - Model 3 merupaka pegembaga model berdasarka hasil aalisis korelasi Pearso yaitu dega meghilagka peubah CP. Modifikasi tapa CP dilakuka berdasarka pola keerata hubuga pada Tabel. Dari tabel tersebut meujukka hubuga sigifika atara peubah CWR dega CP dega koefesie korelasi sebesar 0,76. Demikia juga jika berdasarka Gambar terlihat hubuga erat atara peubah CWR dega CP yag ditadai dega terbetuk sudut lacip. Dega demikia salah satu peubah dapat dihilagka utuk meghidari terjadiya multikoliearitas, yaitu ada hubuga liear atara sesama peubah bebas. Seperti diketahui, jika multikoliearitas tiggi maka megakibatka koefesie-koefesie regresi dugaa cederug memiliki keragama besar yag berakibat tidak diperoleh iformasi tepat megeai koefesie regresi sebearya. Pemiliha meghilagka peubah CP dibadigka dega peubah CWR karea CWR mempuyai korelasi lebih tiggi dega peubah TFR. Sehigga diperoleh model dalam betuk fugsitfr f ( IMR,l CWR, PEM ). - Model 4 berdasarka aalisis eksplorasi betuk fugsi setiap peubah bebas dalam betuk liear, kuadratik, da logaritmik maka diperoleh betuk fugsi TFR f (l CWR,l PEM ) dega metode stepwise regressio. Berdasarka pejelasa tersebut, dega megguaka gugus data I diperoleh empat model sebagai berikut : Model 1 TFR IMR CWR CP PEM R adj 0,909 0,039,98 0,1445 0,0030 ( 0,937) (4.1)
6 1 Hal ii meujukka bahwa dega data baru utuk 0 egara dega model Palmore didapat kesesuaia sebesar 93,7% dari model. Model TFR IMR CWR CP PEM 3,1156 0,000 1,3557l 0,3447l 0,0001 (4.) ( R adj 0,955) Hal ii meujukka bahwa dega data baru utuk 0 egara dega modifikasi model Palmore didapat kesesuaia sebesar 95,5% dari model. Model 3 TFR 4,1878 0,000 IMR 1,6848 lcwr 0,0001 PEM R ad ( j 0,956) (4.3) Hal ii meujukka bahwa dega data baru utuk 0 egara dega modifikasi model Palmore didapat kesesuaia sebesar 95,6% dari model. Model 4 TFR CWR PEM R adj 3,9539 1, 4168l 0,0781l ( 0,954) (4.4) Hal ii meujukka bahwa dega data baru utuk 0 egara dega modifikasi model Palmore didapat kesesuaia sebesar 95,4% dari model. Keempat model tersebut merupaka model yag cukup baik utuk modifikasi model Palmore, tetapi yag palig baik adalah Model 4. Selai itu, pada Model 4 tidak terdapat korelasi yag tiggi atar peubah bebas seperti yag ditujukka pada Lampira 8. Setelah diperoleh empat model Palmore tersebut maka dilakuka validasi model dega megguaka gugus data II. Hasilya dapat dilihat pada Tabel 3. Tabel 3 Validasi Model Palmore da modifikasiya Model Validasi Model Palmore Origial Model 1 Model Model 3 Model 4 (%) (%) (%) (%) R adj - 93,7 95,5 95,6 95,4 MAPE(it) - 7,1 6,1 6,3 7,6 MAPE(eks) 51, 36,1 33,6 33,5 30,6
7 Dari Tabel 3, terlihat bahwa Model 4 adalah modifikasi model Palmore yag terbaik. Model tersebut meghasilka ilai MAPE iteral (pada gugus data I) sebesar 7,6% da MAPE eksteral (pada gugus data II) terkecil sebesar 30,6%. Artiya Model 4 sudah cukup baik jika megguaka metode Stepwise Regressio. Berikut aka dibadigka atara ilai TFR duga dega ilai TFR asli pada Model 4 seperti ditujukka pada Gambar 3. Total Fertility Rate tfr asli tfr duga Armeia Croatia Czech Rep Greece Hugary Idia Israel Kazakhasta Korea Lithuaia Malaysia Moldova Norwegia Portugal Rusia Sigapore Sloveia Swedia Turky USA Negara Gambar 3 Perbadiga atara ilai TFR duga da TFR asli Model 4 pada gugus data II Secara umum, ilai TFR duga dega megguaka Model 4 sudah medekati ilai TFR asli dari egara-egara seperti terlihat pada Gambar 3. Namu masih ada beberapa egara yaitu Kazakhasta, Korea, da Norwegia yag mempuyai ilai galat lebih besar dibadig egara laiya. Hal ii dapat disebabka karea perbedaa pola tigkat kelahira da kematia pada ketiga tersebut berbeda dibadigka dega egara-egara lai. Perbedaa itu dapat terjadi karea beberapa faktor yag memegaruhi diataraya faktor sosial, ekoomi, da budaya. 4.3 Model Guasekara-Palmore da Modifikasiya Model berikutya adalah pegembaga dari model Palmore yaitu model Guasekara-Palmore. Model ii meitikberatka pada distribusi umur peduduk khususya waita utuk medapatka ilai peubah CVAG, K 3 da B yag
8 3 memegaruhi ilai peubah GRR. Demikia juga peubah AHH aka diguaka sebagai faktor kematia yag memegaruhi tigkat kelahiraya, dalam hal ii GRR. Berdasarka diagram pecar pada Lampira 10, terlihat plot atara peubah AHH, CVAG, B da K 3 dega GRR yag tidak semua berbetuk liear. Ada beberapa kecederuga betuk hubuga yag terjadi di ataraya kuadratik da logaritmik. Setelah dilakuka aalisis regresi diperoleh hasil yaitu: atara peubah GRR dega AHH da atara peubah GRR dega B mempuyai kecederuga betuk logaritmik. Sebalikya atara peubah GRR dega CVAG mempuyai kecederuga betuk liear. Semetara atara peubah GRR dega K 3 mempuyai kecederuga betuk kuadratik. Utuk lebih jelasya, hasil R atara peubah GRR dega AHH, CVAG, K 3 da B dapat dilihat pada Tabel 4. Tabel 4 Hasil R atara peubah GRR dega AHH, CVAG, K 3, da B Peubah Fugsi AHH CVAG K 3 B Liear 0,08 0,58 0,531 0,019 Kuadratik 0,195 0,580 0,546 0,016 Logaritmik 0,1 0,580 0,377 0,061 Setelah melakuka eksplorasi, dilakuka aalisis biplot utuk model Guasekara-Palmore dega peubah l AHH, l CVAG, l K 3, l B, da GRR utuk objek empat puluh egara seperti ditujukka pada Lampira 4. Berdasarka tabel aalisis korelasi Pearso seperti ditujukka pada Tabel 5, dapat disimpulka yaitu atara peubah GRR dega l AHH mempuyai hubuga cukup erat tetapi egatif sebesar -0,47. Selai itu, hubuga erat da positif terjadi atara: peubah GRR dega CVAG dega ilai korelasi 0,75, peubah GRR dega l K 3 dega ilai korelasi 0,60 da peubah GRR dega K 3 dega ilai korelasi 0,73. Sebalikya, atara peubah GRR da l B mempuyai hubuga tidak erat dega ilai korelasi sebesar 0,5. Utuk lebih jelas, hasil seperti yag disajika pada Tabel 5 berikut.
9 4 Tabel 5 Hubuga atara peubah l AHH, l CVAG, CVAG, l K 3, l B, K 3 dega korelasi Pearso Peubah l AHH CVAG l CVAG l K3 K3kuadrat l B GRR l AHH 1,00 CVAG -0,67 1,00 l CVAG -0,66 1,00 1,00 l K3-0,40 0,81 0,83 1,00 K3kuadrat -0,54 0,93 0,93 0,81 1,00 l B -0,65 0,77 0,75 0,53 0,74 1,00 GRR -0,47 0,75 0,74 0,60 0,73 0,5 1,00 Berdasarka dari aalisis tersebut diperoleh eam model sebagai berikut: - Model 5 merupaka model yag dikembagka oleh Guasekara-Palmore dega betuk fugsi l GRR f (l AHH,l CVAG,l K3,l B). - Model 6 berdasarka aalisis eksplorasi betuk fugsi peubah bebasya dalam betuk liear, kuadratik, da logaritmik dega peubah GRR maka diperoleh betuk fugsi l GRR f (l CVAG) dega metode Stepwise Regressio. - Model 7 adalah pegembaga Model 5 dega peubah takbebas GRR dalam betuk liear berdasarka aalisis korelasi Pearso bahwa GRR betuk liear memiliki ilai korelasi lebih tiggi dibadigka dega GRR betuk logaritmik. Sehigga model diperoleh dalam betuk fugsi GRR f (l AHH,l CVAG,l K3,l B). - Model 8 berdasarka aalisis korelasi Pearso seperti pada Tabel 4 yaitu peubah CVAG mempuyai kecederuga betuk liear da peubah K 3 diguaka betuk logaritmik karea berdasarka Tabel 5, peubah CVAG da l K 3 mempuyai ilai korelasi sebesar 0,81. Artiya lebih baik dalam uji multikoliearitas dibadigka jika diguaka peubah CVAG da K 3 yag mempuyai ilai koefesie korelasi lebih tiggi sebesar 0,93. Model diperoleh dalam betuk fugsi GRR f (l AHH, CVAG,l K3,l B).
10 5 - Model 9 merupaka pegembaga Model 8 dega meghilagka peubah l B. Modifikasi dilakuka berdasarka gambar biplot pada Lampira 4 yag meujukka peubah l B membetuk sudut tumpul dega peubah GRR. Artiya mempuyai hubuga tidak erat sehigga dapat dihilagka. Demikia juga berdasarka Tabel 5 meujukka atara peubah GRR dega l B mempuyai ilai korelasi sebesar 0,5. Model ii ditulis dalam betuk fugsi GRR f (l AHH, CVAG,l K3). - Model 10 berdasarka aalisis eksplorasi betuk fugsi peubah bebasya dalam betuk liear, kuadratik, da logaritmik maka diperoleh betuk fugsi GRR f ( CVAG, K ) dega metode Stepwise Regressio. 3 Berdasarka pejelasa tersebut da dega megguaka gugus data I diperoleh eam model sebagai berikut : Model 5 l GRR 0, , 531l AHH, 4934l CVAG 0,0553l K 0,0155l B 3 ( R adj 0,581) (4.5) Hal ii meujukka bahwa dega data baru utuk 0 egara dega model Guasekara-Palmore didapat kesesuaia sebesar 58,1% dari model. Model 6 lgrr 0,850 1,9940l CVAG( R adj 0,633) (4.6) Hal ii meujukka bahwa dega data baru utuk 0 egara dega modifikasi model Guasekara-Palmore didapat kesesuaia sebesar 63,3% dari model. Model 7 GRR 3,6678 0,664 l AHH,388 l CVAG 0,0609 l K 0,0413l B 3 ( R adj 0,64) (4.7) Hal ii meujukka bahwa dega data baru utuk 0 egara dega modifikasi model Guasekara-Palmore didapat kesesuaia sebesar 64,0% dari model.
11 6 Model 8 GRR 0,1805 0,l AHH 3,3635 CVAG 0,044 l K 0,0498l B 3 ( R adj 0,637) (4.8) Hal ii meujukka bahwa dega data baru utuk 0 egara dega modifikasi model Guasekara-Palmore didapat kesesuaia sebesar 63,7% dari model. Model 9 GRR 0,0476 0,1743l AHH 3,316 CVAG 0,043 l K (4.9) ( R adj 0,659) Hal ii meujukka bahwa dega data baru utuk 0 egara dega modifikasi model Guasekara-Palmore didapat kesesuaia sebesar 65,9% dari model. Model 10 GRR 0, 547 4, 05CVAG 0, K ( R adj 0, 745) 3 Hal ii meujukka bahwa dega data baru utuk 0 egara dega modifikasi model Guasekara-Palmore didapat kesesuaia sebesar 74,5% dari model. Dari eam model tersebut dilakuka validasi model dega megguaka gugus data II. Hasilya dapat dilihat pada Tabel 6. * 3 (4.10) Tabel 6 Validasi Model Guasekara-Palmore da modifikasiya Model Validasi Model origial R adj (%) - MAPE(it) (%) MAPE(eks) (%) - Model 5 Origial dega Data terbaru Model 6 Model 7 Model 8 Model 9 Model 10 58,1 63,3 64,0 63,7 65,9 74,5 10,7 10,5 9,4 9,5 9,4 7,7 3,7 18,8 18,9 17,5 17,5 17,4 0,4 Dari Tabel 6, terlihat bahwa Model 9 adalah model modifikasi Guasekara-Palmore terbaik. Model tersebut memperoleh ilai R adj sebesar 65,9%, ilai MAPE iteral sebesar 9,4% da MAPE eksteral terkecil sebesar 17,4%. Berikut dibadigka atara ilai GRR duga dega GRR asli Model 9 seperti ditujukka pada Gambar 4.
12 7 Gross Reproductio Rate grr asli grr duga Armeia Croatia Czech Rep Greece Hugary Idia Israel Kazakhasta Korea Lithuaia Malaysia Moldova Norwegia Portugal Rusia Sigapore Sloveia Swedia Turky USA Negara Gambar 4 Perbadiga atara ilai GRR duga dega GRR asli Model 9 pada gugus data II Berdasarka Gambar 4, secara umum ilai GRR duga sudah medekati ilai GRR asli dega ilai galat cukup kecil pada hampir semua egara. Namu beberapa egara masih memiliki ilai galat cukup besar diataraya Norwegia, Moldova, da Israel dega selisih galat masig-masig sebesar 49%, 41%, da 34%. Hal ii dapat disebabka adaya kemugkia pola kelahira da kematia egara-egara tersebut tidak megikuti tre yag ada. Utuk lebih jelasya, tabel peroleha ilai galat dapat dilihat pada Lampira 9. Modifikasi Model Gabuga Palmore dega Guasekara-Palmore Setelah medapatka model modifikasi metode Palmore da Guasekara- Palmore maka dicobaka gabuga atara model Palmore da Guasekara- Palmore sebagai model yag dasarka: pertama aalisis biplot (Gambar ) meujukka peubah CWR mempuyai hubuga erat dega peubah TFR da GRR, kedua aalisis eksplorasi peubah CVAG mempuyai kecederuga betuk liear, ketiga peubah K 3 dipilih betuk logaritmik (l) agar tidak terjadi multikoliearitas serta keempat peubah l B dihilagka karea berdasarka aalisis biplot (Lampira 4) tidak berhubuga erat dega peubah GRR.
13 8 Berdasarka aalisis tersebut, model dapat ditulis dalam betuk fugsi GRR f (l AHH, CVAG,l K,l CWR) sebagai berikut : 3 Model 11 GRR 0,184 0,4063l AHH 0,3743 CVAG 0,059l K 0,8007 l CWR ( R adj 0,943) (4.11) 3 Hal ii meujukka Model 11 sudah meigkatka R terkoreksi dega meambahka peubah l CWR sehigga didapat keragama sebesar 94,3% dari model megguaka gugus data I. Jika megguaka gugus data II maka didapat ilai MAPE eksteral sebesar 14,3% yaitu ilai terkecil dari semua model sebelumya. Utuk lebih jelasya, gambar berikut meyajika ilai perbadiga atara GRR asli dega GRR duga Model 11 pada gugus data II Gross Reproductio Rate grr asli grr duga Armeia Croatia Czech Rep Greece Hugary Idia Israel Kazakhasta Korea Lithuaia Malaysia Moldova Norwegia Portugal Rusia Sigapore Sloveia Swedia Turky USA Negara Gambar 5 Perbadiga atara ilai GRR duga dega GRR asli Model 11 pada gugus data II Berdasarka Gambar 5 secara umum GRR duga sudah medekati GRR asli dega ilai galat cukup kecil utuk semua egara pada gugus data II. Kecuali beberapa egara yag memiliki ilai galat cukup besar seperti Korea, Rusia, da Norwegia.
14 9 Model 1 Model 1 adalah alteratif modifikasi lai. Dega megguaka metode stepwise regressio didapat fugsi GRR f (l CWR). Dari gugus data I, Model ii dapat ditulis sebagai berikut : GRR 1,8434 0, 7000l CWR( R adj 0,934) Hal ii meujukka tigkat kelahira diduga haya dega megguaka rasio aak usia balita dega waita usia produktif yag mewakili struktur umur peduduk dega kesesuaia 93,4% dari model. Model ii dapat diguaka seadaiya keteraga megeai agka harapa hidup atau tigkat kematia pada egara tersebut belum tersedia dega legkap. (4.1) 4.4 Modifikasi Model Gabuga Guasekara-Palmore dega Fugsi Distribusi Umur Peduduk dalam Betuk Kotiu Model Kotiu Fugsi Distribusi Umur Peduduk Pada peelitia ii fugsi betuk kotiu dalam distribusi umur peduduk waita yag diguaka adalah fugsi distribusi Gamma. Sebagai cotoh disajika grafik distribusi umur peduduk waita Malaysia pada tahu Proporsi jumlah ped.waita umur Gambar 6 Grafik distribusi umur peduduk waita Malaysia tahu 1991
15 30 Distribusi Gamma dicirika oleh adaya dua parameter yaitu α da β. Utuk suatu ilai parameter α da β tertetu, grafik distribusi Gamma yag mempuyai fugsi kepekata peluag ( exp adalah sebagai berikut : f X Gambar 7 Grafik distribusi Gamma dega ilai parameter α da β tertetu Dega melihat grafik betuk distribusi umur peduduk waita (Gambar 6) da grafik distribusi gamma (Gambar 7) terdapat kemiripa. Kedua grafik distribusi tersebut meujukka bahwa data pada awal kejadia redah kemudia meiggi da selajutya meuru meuju ol seirig bertambahya waktu. Utuk selajutya dibahas pegguaa metode Gamma dalam mecari mome pertama, kedua, ketiga da keempat dalam fugsi distribusi umur peduduk waita Mecari ilai, da Diketahui fugsi kepekata peluag dari distribusi Gamma adalah 1 f x x Г( ) x 1 ( ) exp( ) (4.13) dega megguaka fugsi pembagkit mome persamaa (4.13) mejadi, maka tx 1 1 x M x t e ( x) exp( ) dx Г( ) 0
16 31 x(1 t) 1 1 M x t ( x) e dx Г( ) 0 (4.14) x(1 t) pilih y dega da y x 1 t dx dy 1 t 1 t (4.15) (4.16) (4.17) sehigga dega mesubstitusi persamaa (4.15), (4.16), da (4.17) ke dalam persamaa (4.14) aka diperoleh persamaa sebagai berikut : 1 1 x(1 t)/ M x t x e dx Г( ) 0 1 y 1 y ( ) e dy Г( ) 1t 1t 0 1 y 1 y ( ) e dy Г( ) 1t 1t 0 / (1 t) y ( ) 1 y e dy Г( ) 1 t y ( ) y e dy 1t 1 t Г( ) y y e dy 1 1t 1t Г 1 1 ( ) (1 t) Г( ) 1 (1 t) Jadi M t (1 t) x, 0 1 t (4.18) (4.19) dega meuruka persamaa (4.19) maka diperoleh persamaa sebagai berikut ' x 1 1 M t t
17 3 1 (1 t) (4.0) sehigga utuk E( X ) (0) (1 0) (4.1) ' 1 1 M dega meuruka persamaa (4.0) maka diperoleh persamaa sebagai berikut d M " t (1 t) dt 1 1 ( )(1 t) ( ) (1 t) (4.) sehigga utuk E( X ) M '' 0 ( ) (1 0) 1 ( ) (4.3) dega meuruka persamaa (4.) maka diperoleh persamaa sebagai berikut: d M t ( ) (1 t) dt ''' 3 ( ) (1 t) 3 ( ) (1 t) ( 3 )(1 t) (4.4) 3 ''' sehigga utuk E( X ) M (0) 3 (4.5) 3 dega meuruka persamaa (4.4) maka aka diperoleh persamaa sebagai berikut : d M ( t) ( 3 )(1 t) dt (4) ( 3 )( 3)( )(1 t) ( )(1 t) (4.6) 4 (4) utuk E( X ) 4 M (0) (4.7) Empat ilai harapa di atas yaitu persamaa (4.1), (4.3), (4.5) da (4.7) diguaka utuk mecari ilai kumulat ke-1 sampai dega kumulat ke-4 pada fugsi distribusi umur peduduk waita dalam metode Guasekara-Palmore da
18 33 modifikasiya. Perhituga ilai kumulat ke-1 sampai dega ke-4 dapat dilihat pada Lampira Pedugaa Parameter Distribusi Gamma Fugsi Gamma memiliki fugsi kepekata peluag : x ( ) 1 1 f ( x) ( x) e (4.8) ( ) Berikut ii tahapa pedugaa parameter. 1. i1 L, f ( X, ) i. log L(, ) 1 1 ( ) ( ( Xi) ) ( ) i1 e Xi i1 log log log X log[ X ] X i1 i i1 i i1 i Utuk memperoleh ilai peduga bagi α da β yag memaksimumka fugsi log-likehood, turua pertama dari log L(α,β) terhadap α da log L(α,β) terhadap β harus sama dega 0, sehigga: 1. logl(, ) i 1 i i1 log log log[ X ] log[ X ] i1 i i1 i i1 log log log[ X ] log[ X ] log log log X log i 1 i X i1 i log log log X log i 1 i X i1 i i X i 0
19 34 X i1 i 0 X i1 X i1 i 0 i X i1 i X i1 i Jadi (4.9). i1 logl(, ) log PolyGamma 0, [ U i] 0 Hasil turua parsial = 0 tidak dapat disajika dalam betuk aalitik, sehigga tidak dapat diperoleh secara eksplisit. Dega batua software Mathematica 7.0 diperoleh hasil secara umerik Modifikasi Model Dari data distribusi peduduk waita 40 egara didapat masig-masig ilai α da β dega megguaka metode Kemugkia Maksimum seperti terlihat pada Lampira 6. Selajutya ilai α da β tersebut diguaka pada persamaa (4.1), (4.3), da (4.5) utuk medapatka ilai peubah CVAG da K 3 betuk kotiu seperti pada Lampira 3. Tahap berikutya adalah melakuka fittig model seperti pada Model 11 dega megguaka gugus data I. Model dapat ditulis sebagai berikut : Model 13 GRR 0,068 0,3564l AHH 0,0873 CVAG 0, 4333l K 0,7969l CWR 3 ( R adj 0,940) (4.30) Hal ii meujukka Model 13 dega fugsi distribusi umur betuk kotiu diperoleh keragama sebesar 94,0% dari model megguaka gugus data I. Demikia juga jika megguaka gugus data II maka didapat ilai MAPE
20 35 eksteral sebesar 14,0% yaitu lebih kecil dibadigka Model 11 dega fugsi distribusi umur betuk diskrit. Dari uraia di atas, maka dibadigka Model 11 da Model 13 seperti disajika pada Tabel 7 berikut : Tabel 7 Perbadiga Nilai R adj da MAPE Model 11 da Model 13 Model Model 11 Model 13 Validasi (%) (%) R adj 94,3 94,0 MAPE (it) 3,1 3,3 MAPE(eks) 14,3 14,0 Berdasarka Tabel 7, terlihat bahwa Model 11 da Model 13 adalah model modifikasi terbaik. Model 11 dega fugsi distribusi umur peduduk waita diskrit meghasilka ilai R adj sebesar 94,3% dari model, ilai MAPE iteral sebesar 3,1% da MAPE eksteral sebesar 14,3%. Model 13 dega fugsi distribusi umur peduduk waita kotiu meghasilka ilai R adj sebesar 94,0%, ilai MAPE iteral sebesar 3,3% da MAPE eksteral sebesar 14,0%. Berikut disajika selisih ilai dari GRR asli dega GRR duga pada Model 13. Tabel 8 Nilai galat Model 13 pada gugus data II No Negara GRR duga GRR asli Error 1 Armeia 0,7798 0,70 0,0554 Croatia 0, ,7 0, Czech Rep 0,5704 0,66 0, Greece 0, ,73 0, Hugary 0, ,65 0,038 6 Idia 1,0119 1,41 0, Israel 1,937 1,44 0, Kazakhasta 0,9497 1,9 0, Korea 0, ,57 0, Lithuaia 0, ,7 0, Malaysia 1,369 1,07 0,9604
21 36 1 Moldova 0,5963 0,61 0, Norwegia 0, ,3 0, Portugal 0,7303 0,67 0, Rusia 1, ,73 0, Sigapore 0,6686 0,6 0, Sloveia 0, ,64 0, Swedia 0, ,95 0, Turky 1, ,3 0, USA 0,9416 1,0 0,100 Berdasarka Tabel 8 meujukka adaya ilai galat cukup kecil atara GRR duga dega GRR asli. Namu masih ada beberapa egara yag mempuyai ilai galat cukup besar diataraya Kazakhasta, Rusia, da Norwegia yag memiliki perbedaa ilai galat higga 38%. Utuk jelasya, berikut ii aka dibadigka ilai GRR duga dega ilai GRR asli Model 13 pada gugus data II seperti disajika pada Gambar 8. Gross Reproductio Ratle grr asli grr duga Armeia Croatia Czech Rep Greece Hugary Idia Israel Kazakhasta Korea Lithuaia Malaysia Moldova Norwegia Portugal Rusia Sigapore Sloveia Swedia Turky USA Negara Gambar 8 Perbadiga atara ilai GRR asli dega GRR duga Model 13 pada gugus data II Berdasarka Gambar 8, secara umum GRR duga sudah medekati GRR asli dega ilai galat cukup kecil utuk semua egara pada gugus data II. Dega demikia Model 13 dapat diguaka utuk meduga ilai GRR pada suatu egara
22 37 jika egara tersebut belum dapat melaksaaka vital statistic utuk masalah kepedudukaya. Namu masih ada beberapa egara diataraya yaitu Kazakhasta, Rusia, da Norwegia masih memiliki ilai selisih cukup besar atara GRR duga dega GRR asli. Hal ii dapat disebabka karea adaya pola berbeda pada tigkat kematia da kelahira di egara tersebut dega tre yag ada. Utuk lebih jelasya, Gambar 9 berikut dapat meyajika cotoh satu egara yaitu Malaysia utuk melihat perbadiga keadaa jumlah peduduk waita dega grafik betuk diskrit da betuk kotiu megguaka fugsi distribusi Gamma. h x ilai duga..ilai sebearya umur x Gambar 9 Kurva fugsi Gamma umur da proporsi jumlah peduduk waita dega ilai α = 1,39 da β = 18,1 pada distribusi umur peduduk Malaysia tahu 1991 Berdasarka Gambar 9, hasil dari fugsi gamma dega ilai duga utuk jumlah peduduk waita ada yag lebih tiggi dari ilai sebearya da ada yag di bawah ilai sebearya. Dari gambar di atas terlihat adaya peurua jumlah peduduk waita pada saat umur medekati batas akhir umur mausia pada umumya yaitu medekati ol.
23 Evaluasi Model Berdasarka pegembaga model yag telah disajika pada sub bagia sebelumya, perlu dilakuka evaluasi terhadap keberadaa model-model tersebut sehigga dapat dipilih model terbaik utuk diguaka dalam pedugaa. Dari Model 1 sampai dega Model 13, model yag terbaik adalah model dega koefesie determiasi (R adj) medekati 1 pada gugus data I da ilai MAPE eksteral palig kecil. Dari Tabel 9, dapat dilihat bahwa Model 11 da Model 13 mempuyai MAPE eksteral terkecil yaitu masig-masig sebesar 14,3% da 14,0%, sehigga dapat disimpulka bahwa Model 11 da Model 13 palig akurat diguaka utuk meduga ilai TFR. Koefesie determiasi terkoreksi (R adj) yag dihasilka masig-masig sebesar 94,3% da 94,0% juga merupaka ilai yag medekati 1. Berikut disajika tabel evaluasi model dari model Palmore da Guasekara-Palmore da modifikasiya. Tabel 9 Perbadiga atara R adj, MAPE gugus data I, da MAPE gugus data II pada semua model Model Gugus Data I Gugus Data II R adj(%) MAPEit(%) MAPE eks(%) 1 93,7 7,1 36,1 Palmore 95,5 6,1 33,6 3 95,6 6,3 33,5 4 95,4 7,6 30,6 5 58,1 10,7 18,8 6 63,3 10,5 18,9 Guasekara-Palmore 7 64,0 9,4 17,5 8 63,7 9,5 17,5 9 65,9 9,4 17, ,5 7,7 0,4 Gabuga Palmore & 11 94,3 3,1 14,3 Guasekara-Palmore 1 93,3 3,9 14, ,3 14,0
24 Peerapa pada Data Peduduk Idoesia Idoesia dega jumlah peduduk yag besar termasuk egara yag masih kurag legkap dalam hal perhituga TFR. Berikut kelegkapa data peduduk Idoesia pada tahu yag didapat dari Sesus Peduduk (SP) tahu 000 da Survei Demografi Kesehata Idoesia (SDKI) tahu 003. ( Tabel 10 Kelegkapa data peduduk Idoesia berdasarka Sesus Peduduk da SDKI tahu Peubah AHH IMR CWR CP PEM CVAG K 3 B TFR GRR Idoesia 65,5 35,6 0,44 10,1 56,9 0, ,3,68,40 1,16 Berdasarka hasil aalisis haya eam model yag diguaka utuk meduga ilai TFR Idoesia yaitu Model Palmore Origial, Modifikasi Palmore (Model 4), Model Guasekara-Palmore Origial, Modifikasi Guasekara- Palmore (Model 9), Modifikasi Gabuga Palmore da Guasekara-Palmore fugsi distribusi umur waita diskrit (Model 11) da Modifikasi Gabuga Palmore da Guasekara-Palmore fugsi distribusi umur waita kotiu (Model 13) seperti disajika pada Tabel 11. Tabel 11 Perbadiga ilai TFR duga utuk eam model pada data peduduk Idoesia dega TFR =,40 Model TFR Palmore Origial 3,0 Modifikasi Palmore (4),46 Guasekara-Palmore Origial,70 Modifikasi Guasekara-Palmore (9),7 Modifikasi Gabuga Palmore da Guasekara-Palmore fugsi,49 distribusi umur waita diskrit (11) Modifikasi Gabuga Palmore da Guasekara-Palmore fugsi,37 distribusi umur waita kotiu (13) Berdasarka Tabel 11, dapat dilihat bahwa dega megguaka data peduduk Idoesia pada Model Palmore Origial, ilai TFR duga yag dihasilka sebesar 3,0. Pada Model Guasekara-Palmore Origial, ilai TFR
25 40 duga yag dihasilka sebesar,70. Pada Model 4 ilai TFR duga yag dihasilka sebesar,46. Pada Model 9 ilai TFR duga yag dihasilka sebesar,7. Pada Model 11, ilai TFR duga yag dihasilka sebesar,49 da pada Model 13 meghasilka ilai TFR duga,37. Dari hasil yag diperoleh, maka utuk Model 11 da Model 13 dega ilai TFR duga masig-masig sebesar,49 da,37 cukup akurat utuk meduga TFR Idoesia, yag jika dilihat berdasarka data SDKI megguaka Ow Childre Method tahu 003 adalah,40. Sedagka jika utuk Model 4, walaupu ilai TFR duga,46 sudah medekati TFR Idoesia tetapi jika ditijau secara demografi model tersebut tidak releva karea tigkat kelahira tidak haya dipegaruhi oleh tigkat kelahira da faktor sosial yaitu status waita perah meikah tetapi juga oleh tigkat kematia.
BAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciIII PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah
III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka
Lebih terperinciREGRESI DAN KORELASI
REGRESI DAN KORELASI Pedahulua Dalam kehidupa sehari-hari serig ditemuka masalah/kejadia yagg salig berkaita satu sama lai. Kita memerluka aalisis hubuga atara kejadia tersebut Dalam bab ii kita aka membahas
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Lokasi da Waktu Pegambila Data Pegambila data poho Pius (Pius merkusii) dilakuka di Huta Pedidika Guug Walat, Kabupate Sukabumi, Jawa Barat pada bula September 2011.
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperincisimulasi selama 4,5 jam. Selama simulasi dijalankan, animasi akan muncul pada dijalankan, ProModel akan menyajikan hasil laporan statistik mengenai
37 Gambar 4-3. Layout Model Awal Sistem Pelayaa Kedai Jamoer F. Aalisis Model Awal Model awal yag telah disusu kemudia disimulasika dega waktu simulasi selama 4,5 jam. Selama simulasi dijalaka, aimasi
Lebih terperinciANALISIS REGRESI DAN KORELASI SEDERHANA
LATAR BELAKANG DAN KORELASI SEDERHANA Aalisis regresi da korelasi megkaji da megukur keterkaita seara statistik atara dua atau lebih variabel. Keterkaita atara dua variabel regresi da korelasi sederhaa.
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinciII. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang
II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori
Lebih terperinciPENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT
Prosidig Semiar Nasioal Matematika da Terapaya 06 p-issn : 0-0384; e-issn : 0-039 PENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT Liatus
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciPedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai
PENGUJIAN HIPOTESIS Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai ilai-ilai parameter populasi,
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
Lebih terperinciIII. METODE PENELITIAN. Lokasi penelitian dilakukan di Provinsi Sumatera Barat yang terhitung
42 III. METODE PENELITIAN 3.. Lokasi da Waktu Peelitia Lokasi peelitia dilakuka di Provisi Sumatera Barat yag terhitug mulai miggu ketiga bula April 202 higga miggu pertama bula Mei 202. Provisi Sumatera
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinciBAB IV PEMECAHAN MASALAH
BAB IV PEMECAHAN MASALAH 4.1 Metodologi Pemecaha Masalah Dalam ragka peigkata keakurata rekomedasi yag aka diberika kepada ivestor, maka dicoba diguaka Movig Average Mometum Oscillator (MAMO). MAMO ii
Lebih terperinciMANAJEMEN RISIKO INVESTASI
MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuha Sistem Sebelum melakuka deteksi da trackig obyek dibutuhka peragkat luak yag dapat meujag peelitia. Peragkat keras da luak yag diguaka dapat dilihat pada Tabel
Lebih terperinciIII. METODELOGI PENELITIAN
III. METODELOGI PENELITIAN A. Metode Peelitia Metode peelitia merupaka suatu cara tertetu yag diguaka utuk meeliti suatu permasalaha sehigga medapatka hasil atau tujua yag diigika, meurut Arikuto (998:73)
Lebih terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciBAB III METODE PENELITIAN
6 BAB III METODE PENELITIAN 3.1 Desai Peelitia Meurut Kucoro (003:3): Peelitia ilmiah merupaka usaha utuk megugkapka feomea alami fisik secara sistematik, empirik da rasioal. Sistematik artiya proses yag
Lebih terperinciBAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy
BAB III PEMBAHASAN Pada BAB III ii aka dibahas megeai betuk program liear fuzzy dega koefisie tekis kedala berbetuk bilaga fuzzy da pembahasa peyelesaia masalah optimasi studi kasus pada UD FIRDAUS Magelag
Lebih terperinciIII. METODOLOGI PENELITIAN. diinginkan. Menurut Arikunto (1991 : 3) penelitian eksperimen adalah suatu
III. METODOLOGI PENELITIAN A. Metode Peelitia Metode peelitia merupaka suatu cara tertetu yag diguaka utuk meeliti suatu permasalaha sehigga medapatka hasil atau tujua yag diigika. Meurut Arikuto (99 :
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciIV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data
IV METODE PENELITIAN 4.1 Lokasi da waktu Peelitia ii dilakuka di PD Pacet Segar milik Alm Bapak H. Mastur Fuad yag beralamat di Jala Raya Ciherag o 48 Kecamata Cipaas, Kabupate Ciajur, Propisi Jawa Barat.
Lebih terperinciBAB 2 LANDASAN TEORI. Statistika merupakan salah satu cabang penegtahuan yang paling banyak mendapatkan
BAB LANDASAN TEORI. Pegertia Regresi Statistika merupaka salah satu cabag peegtahua yag palig bayak medapatka perhatia da dipelajari oleh ilmua dari hamper semua bidag ilmu peegtahua, terutama para peeliti
Lebih terperinciL A T I H A N S O A L A N R E G 1 Muhamad Ferdiansyah, S. Stat.
L A T I H A N S O A L A N R E G Muhamad Ferdiasyah, S. Stat. *Saya saraka utuk mecoba sediri baru lihat jawabaya **Jawaba saya BELUM TENTU BENAR karea saya mausia biasa. Silaka dikosultasika jika ada jawaba
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini akan dijelaskan mengenai analisis regresi robust estimasi-s
BAB III PEMBAHASAN Pada bab ii aka dijelaska megeai aalisis regresi robust estimasi-s dega pembobot Welsch da Tukey bisquare. Kemudia aka ditujukka model regresi megguaka regresi robust estimasi-s dega
Lebih terperinciIV. METODE PENELITIAN. Penelitian ini dilakukan di Kawasan Pantai Anyer, Kabupaten Serang
IV. METODE PENELITIAN 4.1 Lokasi da Waktu Peelitia Peelitia ii dilakuka di Kawasa Patai Ayer, Kabupate Serag Provisi Bate. Lokasi ii dipilih secara segaja atau purposive karea Patai Ayer merupaka salah
Lebih terperinciREGRESI LINIER SEDERHANA
REGRESI LINIER SEDERHANA REGRESI, KAUSALITAS DAN KORELASI DALAM EKONOMETRIKA Regresi adalah salah satu metode aalisis statistik yag diguaka utuk melihat pegaruh atara dua atau lebih variabel Kausalitas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciSecara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real:
BARISAN TAK HINGGA Secara umum, suatu barisa dapat diyataka sebagai susua terurut dari bilaga-bilaga real: u 1, u 2, u 3, Barisa tak higga merupaka suatu fugsi dega domai berupa himpua bilaga bulat positif
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciGambar 4 Kompleksitas tahapan pada fungsi CG sekuensial.
Spesifikasi dari masig-masig komputer yag diguaka adalah: 1. Itel Petium Core 2 Duo ( 2,20 GHz). 2. DDR2 RAM 1024 MB. 3. Hard disk 80 GB. 4. Mouse da Keyboard. 5. LAN 100 Mbps. 6. Sistem operasi Liux (opesuse
Lebih terperinciII. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel.
II. LANDASAN TEORI Defiisi 2.1 Distribusi Samplig Distribusi samplig adalah distribusi probibilitas dari suatu statistik. Distribusi tergatug dari ukura populasi, ukura sampel da metode memilih sampel.
Lebih terperinciBAB 3 METODE PENELITIAN
Sedagka itegrasi ruas kaa utuk ersamaa (3b) diperoleh ds / = S... (36) Dega demikia pesamaa yag harus dipecahka adalah l 1 1 u u = S (37) Dari ersamaa (37) diperoleh persamaa utuk u u S = exp S 1exp S...
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciREGRESI LINIER GANDA
REGRESI LINIER GANDA Secara umum, data hasil pegamata Y bisa terjadi karea akibat variabelvariabel bebas,,, k. Aka ditetuka hubuga atara Y da,,, k sehigga didapat regresi Y atas,,, k amu masih meujukka
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI MIA SMA Negeri 5
III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas I MIA SMA Negeri 5 Badar Lampug Tahu Pelajara 04-05 yag berjumlah 48 siswa. Siswa tersebut
Lebih terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciDefinisi Integral Tentu
Defiisi Itegral Tetu Bila kita megedarai kedaraa bermotor (sepeda motor atau mobil) selama 4 jam dega kecepata 50 km / jam, berapa jarak yag ditempuh? Tetu saja jawabya sagat mudah yaitu 50 x 4 = 200 km.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Maajeme risiko merupaka salah satu eleme petig dalam mejalaka bisis perusahaa karea semaki berkembagya duia perusahaa serta meigkatya kompleksitas aktivitas perusahaa
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia Daerah peelitia adalah Kota Bogor yag terletak di Provisi Jawa Barat. Pemiliha lokasi ii berdasarka pertimbaga atara lai: (1) tersediaya Tabel Iput-Output
Lebih terperinciBAB I KONSEP DASAR PERSAMAAN DIFERENSIAL
BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah
Lebih terperinciSelang Kepercayaan (Confidence Interval) Pengantar Penduga titik (point estimator) telah dibahas pada kuliah-kuliah sebelumnya. Walau statistikawan
Selag Kepercayaa (Cofidece Iterval) Pegatar Peduga titik (poit estimator) telah dibahas pada kuliah-kuliah sebelumya. Walau statistikawa telah berusaha memperoleh peduga titik yag baik, amu hampir bisa
Lebih terperinciBAB IV. METODE PENELITlAN. Rancangan atau desain dalam penelitian ini adalah analisis komparasi, dua
BAB IV METODE PENELITlAN 4.1 Racaga Peelitia Racaga atau desai dalam peelitia ii adalah aalisis komparasi, dua mea depede (paired sample) yaitu utuk meguji perbedaa mea atara 2 kelompok data. 4.2 Populasi
Lebih terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciIII. METODE PENELITIAN
30 III. METODE PENELITIAN A. Metode Dasar Peelitia Metode yag diguaka dalam peelitia adalah metode deskriptif, yaitu peelitia yag didasarka pada pemecaha masalah-masalah aktual yag ada pada masa sekarag.
Lebih terperinciMODIFIKASI METODE PENGUKURAN FERTILITAS GUNASEKARAN PALMORE DAN APLIKASINYA PADA DATA PENDUDUK INDONESIA DYAH SARININGSIH
MODIFIKASI METODE PENGUKURAN FERTILITAS GUNASEKARAN PALMORE DAN APLIKASINYA PADA DATA PENDUDUK INDONESIA DYAH SARININGSIH SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011 PERNYATAAN MENGENAI TESIS
Lebih terperinciBAB III METODOLOGI PENELITIAN
22 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di tiga kator PT Djarum, yaitu di Kator HQ (Head Quarter) PT Djarum yag bertempat di Jala KS Tubu 2C/57 Jakarta Barat,
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciBAB III METODE PENELITIAN. Metode yang digunakan dalam penelitian ini adalah penelitian korelasi,
BAB III METODE PENELITIAN 3.1 Metode Peelitia Metode yag diguaka dalam peelitia ii adalah peelitia korelasi, yaitu suatu metode yag secara sistematis meggambarka tetag hubuga pola asuh orag tua dega kosep
Lebih terperinciPengujian Normal Multivariat T 2 Hotteling pada Faktor-Faktor yang Mempengaruhi IPM di Jawa Timur dan Jawa Barat Tahun 2007
1 Peguia Normal Multivariat T Hottelig pada Faktor-Faktor yag Mempegaruhi IPM di Jawa Timur da Jawa Barat Tahu 007 Dedi Setiawa, Zuy Iesa Pratiwi, Devi Lidasari, da Sati Puteri Rahayu Jurusa Statistika,
Lebih terperinciKata Kunci : CHAID, IPM, regresi logistik ordinal.
ANALISIS CHAID DAN REGRESI LOGISTIK ORDINAL PADA INDEKS PEMBANGUNAN MANUSIA DI PROVINSI JAWA TENGAH Liaa Yuita Sari, Sri Sulistijowati Hadajai, da Satoso Budiwiyoo Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciPenyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered.
2. Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a) Hitug Sum of Square for Regressio (X) b) Hitug Sum of Square for Residual c) Hitug Meas Sum of Square for Regressio (X) d) Hitug
Lebih terperinciUkuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus
-Mar- Ukura Pemusata Pertemua STATISTIKA DESKRIPTIF Statistik deskripti adalah pegolaha data utuk tujua medeskripsika atau memberika gambara terhadap obyek yag diteliti dega megguaka sampel atau populasi.
Lebih terperinciUKURAN PEMUSATAN UKURAN PENYEBARAN
UKURAN PEMUSATAN DATA TUNGGAL DATA KELOMPOK. MEAN / RATA-RATA. MODUS 3. MEDIAN 4. KUARTIL. MEAN / RATA-RATA. MODUS 3. MEDIAN 4. KUARTIL UKURAN PENYEBARAN JANGKAUAN HAMPARAN RAGAM / VARIANS SIMPANGAN BAKU
Lebih terperinciPemilihan Model Terbaik
Pemiliha Model Terbaik Hazmira Yozza Jur. Matematika FMIPA Uiv. Adalas Jadi bayak model yag mugki dibetuk Var. Bebas :,, 3 Model Maa Yag Mampu Mewakili Data 3,, 3, 3,, 3 + model akar, log, hasil kali,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB ENDAHULUAN. Latar Belakag Masalah Dalam kehidupa yata, hampir seluruh feomea alam megadug ketidak pastia atau bersifat probabilistik, misalya pergeraka lempega bumi yag meyebabka gempa, aik turuya
Lebih terperinciRESPONSI 2 STK 511 (ANALISIS STATISTIKA) JUMAT, 11 SEPTEMBER 2015
RESPONSI STK 511 (ANALISIS STATISTIKA) JUMAT, 11 SEPTEMBER 015 A. PENYAJIAN DAN PERINGKASAN DATA 1. PENYAJIAN DATA a. Sebutka tekik peyajia data utuk data kualitatif! Diagram kueh, diagram batag, distribusi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Subjek Peelitia Peelitia ii dilaksaaka di kawasa huta magrove, yag berada pada muara sugai Opak di Dusu Baros, Kecamata Kretek, Kabupate Batul. Populasi dalam peelitia ii adalah
Lebih terperinciBAB III METODOLOGI 3.1 Tempat dan Waktu Penelitian 3.2 Bahan dan Alat 3.3 Metode Pengumpulan Data Pembuatan plot contoh
BAB III METODOLOGI 3.1 Tempat da Waktu Peelitia Pegambila data peelitia dilakuka di areal revegetasi laha pasca tambag Blok Q 3 East elevasi 60 Site Lati PT Berau Coal Kalimata Timur. Kegiata ii dilakuka
Lebih terperinci1200 (0,535) (0,465) (1200 1).0,05 + (0,535) (0,465)
= DATA DAN METODE PENELITIAN Data Peelitia Data yag diguaka dalam peelitia ii adalah data primer hasil yag diperoleh melalui peyebara kuisioer da metode wawacara sebagai data pelegkap. Pegumpula data dilaksaaka
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
Lebih terperinciModel Pertumbuhan BenefitAsuransi Jiwa Berjangka Menggunakan Deret Matematika
Prosidig Semirata FMIPA Uiversitas Lampug, 0 Model Pertumbuha BeefitAsurasi Jiwa Berjagka Megguaka Deret Matematika Edag Sri Kresawati Jurusa Matematika FMIPA Uiversitas Sriwijaya edagsrikresawati@yahoocoid
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciBAB III METODOLOGI PENELITIAN
10 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di areal kerja IUPHHK-HA PT. Sarmieto Parakatja Timber, Kalimata Tegah selama satu bula pada bula April higga Mei 01.
Lebih terperinciPertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd
Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Metode Kuadrat Terkecil Aalisis regresi merupaka aalisis utuk medapatka hubuga da model matematis atara variabel depede (Y) da satu atau lebih variabel idepede (X). Hubuga atara
Lebih terperinciIII BAHAN DAN METODE PENELITIAN. Ternak yang digunakan dalam penelitian ini adalah kuda berjumlah 25
18 III BAHAN DAN METODE PENELITIAN 3.1 Baha Peelitia 3.1.1 Objek Peelitia Terak yag diguaka dalam peelitia ii adalah kuda berjumlah 25 ekor terdiri dari 5 jata da 20 betia dega umur berkisar atara 10 15
Lebih terperinciMETODE PENELITIAN. Penelitian tentang Potensi Ekowisata Hutan Mangrove ini dilakukan di Desa
III. METODE PENELITIAN A. Lokasi da Waktu Peelitia Peelitia tetag Potesi Ekowisata Huta Magrove ii dilakuka di Desa Merak Belatug, Kecamata Kaliada, Kabupate Lampug Selata. Peelitia ii dilaksaaka atara
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 86-88 Latiha 2 Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b.
Lebih terperinciProses Pendugaan. 95% yakin bahwa diantara 40 & 60. Mean X = 50. Mean,, tdk diketahui. Contoh Prentice-Hall, Inc. Chap. 7-1
Proses Pedugaa Populasi Mea,, tdk diketahui Cotoh Acak Mea = 50 95% yaki bahwa diatara 40 & 60. Cotoh 1999 Pretice-Hall, Ic. Chap. 7-1 Pedugaa Parameter Populasi Meduga Parameter Populasi... Mea dg Statistik
Lebih terperinciPERAMALAN KURSIDRTERHADAP USDMENGGUNAKAN DOUBLE MOVING AVERAGES DAN DOUBLEEXPONENTIAL SMOOTHING.
PERAMALAN KURSIDRERHADAP USDMENGGUNAKAN DOUBLE MOVING AVERAGES DAN DOUBLEEXPONENIAL SMOOHING. Padrul Jaa 1), Rokhimi 2), Ismi Ratri Prihatiigsih 3) 1,2,3 PedidikaMatematika, Uiversitas PGRI Yogyakarta
Lebih terperincimempunyai sebaran yang mendekati sebaran normal. Dalam hal ini adalah PKM (penduga kemungkinan maksimum) bagi, ˆ ˆ adalah simpangan baku dari.
Selag Kepercayaa Cotoh Besar Jika ukura cotoh (sample size) besar, maka meurut Teorema Limit Pusat, bayak statistik megikuti/mempuyai sebara yag medekati ormal (dapat diaggap ormal). Artiya jika adalah
Lebih terperinciMetode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial
Statistika, Vol. 7 No. 1, 1 6 Mei 007 Metode Bootstrap Persetil Pada Sesor Tipe II Berdistribusi Ekspoesial Jurusa Statistika FMIPA Uiversitas Islam Idoesia Yogyakarta Abstrak Metode bootstrap adalah suatu
Lebih terperinciPerbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling
Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,
Lebih terperinciBAB III MATERI DAN METODE. Penelitian dilaksanakan pada tanggal 2 Maret sampai 1 Mei 2016 di Balai
11 BAB III MATERI DAN METODE Peelitia dilaksaaka pada taggal 2 Maret sampai 1 Mei 2016 di Balai Pembibita da Budidaya Terak No Rumiasia (BPBTNR) Satker Balekambag, Surakarta, Jawa Tegah. 3.1 Materi Materi
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih terperinciBAB III METODOLOGI PENELITIAN. kuantitatif karena bertujuan untuk mengetahui kompetensi pedagogik mahasiswa
54 BAB III METODOLOGI PENELITIAN A. Jeis Peelitia Peelitia ii merupaka peelitia deskriptif dega pedekata kuatitatif karea bertujua utuk megetahui kompetesi pedagogik mahasiswa setelah megikuti mata kuliah
Lebih terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciLIMIT. = δ. A R, jika dan hanya jika ada barisan. , sedemikian hingga Lim( a n
LIMIT 4.. FUNGSI LIMIT Defiisi 4.. A R Titik c R adalah titik limit dari A, jika utuk setiap δ > 0 ada palig sedikit satu titik di A, c sedemikia sehigga c < δ. Defiisi diatas dapat disimpulka dega cara
Lebih terperinciSOAL PRAPEMBELAJARAN MODEL PENILAIAN FORMATIF BERBANTUAN WEB-BASED UNTUK MENINGKATKAN PEMAHAMAN KONSEP FISIKA SISWA
Lampira 1. Prapembelajara SOAL PRAPEMBELAJARAN MODEL PENILAIAN FORMATIF BERBANTUAN WEB-BASED UNTUK MENINGKATKAN PEMAHAMAN KONSEP FISIKA SISWA Satua Pedidika : SMK Mata Pelajara : Fisika Kelas/ Semester
Lebih terperinciSTATISTIKA NON PARAMETRIK
. PENDAHULUAN STATISTIKA NON PARAMETRIK Kelebiha Uji No Parametrik: - Perhituga sederhaa da cepat - Data dapat berupa data kualitatif (Nomial atau Ordial) - Distribusi data tidak harus Normal Kelemaha
Lebih terperinci