Bab III Model Estimasi Outstanding Claims Liability
|
|
- Yandi Atmadjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Bab III Model Estmas Outstandng Clams Lablty. Model ELRF Suatu model yang dgunaan untu menasr outstandng clams lablty, tda cuup hanya melbatan data pada run-off trangle saa. Sebab, pembayaran lam d masa datang merupaan eadan aca yang tda detahu ba besarnya maupun watu pembayaran. Suatu model probablst dperluan untu menasr outstandng clams lablty. Model probablst n dharapan dapat mengaomodr fator etdapastan (uncertanty) dalam penasran outstandng clams lablty. Beratan dengan penggunaan model probablst hal yang perlu menad perhatan sebelum menggunaan model adalah melauan pemersaan asums model. Tuuannya adalah memastan apaah asums model yang dgunaan dpenuh data. Ja asums model tda dpenuh data, maa praraan estmas outstandng clams lablty aan mengarah pada ndas yang salah dan uasa yang rendah, sehngga standar error dar tasran menad tda berart. Beberapa model probablst yang dapat dgunaan untu menasr outstandng clams lablty dantaranya ; model-model regres yang ddasaran pada raso hubung (ln rato) dbangun oleh: Brosus (99), Mac (99), dan Murphy (994). Model-model d atas dperluas Barnett dan Zehnwrth () dengan melbatan trend dalam data ncremental, eluarga model d atas denal sebaga: ELRF (extended ln rato famly). y() - x() = a + a + (b -) x() + () (.) ( ) δ Var( ( )) = σ x, =,,... n (): x nla umulatf pada development perod untu accdent perods y (): nla umulatf pada development perod untu accdent perods a : ntercept parameter
2 a : trend parameter b : slope parameter δ :' weghtng ' parameter σ : base varance Bsa terad model terba dalam ELRF tda tepat untu suatu data rl, arena data tda memenuh asums-asums dar model. Hal n aan membawa pada ndas yang salah dan uasa yang rendah, sehngga standar error dar tasran menad tda berart. Sebab-sebab umum dar egagalan memenuh asumsasums n memotvas pembangunan eranga-era pemodelan secara statsta.. Keranga Kera Pemodelan Secara Statsta Berdasaran peneltan yang dlauan oleh Barnett dan Zehnwrth (), model ELRF mempunya beberapa elemahan:. Asums model ELRF, error berdstrbus normal, asums n arang seal dpenuh oleh loss data. Error secara umum sewed to the rght.. Model- model dalam ELRF, tda melbatan trend dalam development perod dan dalam payment perod, padahal dalam stuas prats, trend-trend tersebut serng terad. Kelemahan elemahan dalam ELRF memotvas munculnya eluarga model PTF. Keluarga model-model statsta dalam eranga-era model PTF bersan asums yang lebh realsts. Keranga-era pemodelan secara statsta ddasaran pada logartma natural dar data ncremental (ln (ncremental)). Setap model dalam eranga-era pemodelan secara statsta mempunya 4 omponen pentng, yatu :. Komponen dalam arah perode perembangan (development perod). Komponen dalam arah perode eadan (accdent perod),. Komponen dalam arah perode pembayaran/alender (payment perod) 4. Dstrbus data d setar trend.
3 Dalam tess n dgambaran bagamana mengdentfas model PTF yang optmal dalam eranga-era pemodelan secara statsta melalu prosedur dentfas model setahap dem setahap. Karena pemodelannya secara statsta, maa eranga-era pemodelan n. Memungnan untu memsahan etdapastan (uncertanty) parameter dan varabltas proses.. Memungnan untu memersa bahwa semua asums dalam model dpenuh oleh data.. Memungnan untu menghtung dstrbus tasran cadangan, termasu total cadangan. 4. Memungnan untu meng-update model-model secara mudah dan mengawas tasran eta tbanya data baru.. Model PTF Dan Matrs Desan Dalam eranga pemodelan PTF, sebuah model yang optmal d dentfas dbangun atau ddesan sehngga menangap varabltas (volatlty) dalam run-off trangle dar data ncremental. Varabltas dgambaran menggunaan 4 omponen, yatu trend dalam arah (development, accdent, payment) dan varabltas dar dstrbus data dsetar trend. Barnett dan Zehnwrth () menulsan, + y ( ) = α + γ + ιt + = t = (.) y ( ) = ln( p, ) + y ( ) ~ Normal α + γ + ιt, σ = t= + E( y( ) ) = α + γ + ιt (.) = t= Var ( y( ) ) = σ
4 p + ~ Lognormal α + γ + ιt σ = t=,, + E ( p ) = exp α + γ + ιt + σ = t= p y( ) α γ τ t =,,..., n : =,,..., n t =,,..., + + Var ( p ) = exp α + γ + ιt + σ exp( ) σ = t= ncremental payment data : log natural dar dan development perod : level untu accdent perod : parameter trend pada development perod : parameter trend pada ncremental payment data payment untu accdent perod dan development perod perod t untu accdent perod Dar pers (.) terlhat bahwa model PTF dalam penerapannya melbatan trend pada accdent year, trend pada development year dan uga trend pada payment year. Secara geometr trend n terbag dalam arah (accdent year, development year, payment year), sepert gambar d bawah n Development year Payment year Accdent year t dar gambar d atas, accdent year dan development year salng bebas, sedang payment year tda bebas terhadap arah yang lan. Secara mplst, payment year dbangun dar accdent year dan development year. Persamaan (.) mewal
5 expected values dar masng-masng cell dalam log (ncremental) data, bla dbuat tabelnya aan menad sepert d bawah n Accd Development perod ent K K n α + γ + τ + τ α K α + γ + τ K K t α + γ + τ t α α + γ + τt t = M M M M M N α + t = τ t + t = K α + = = γ + t = + t = + α + γ + τ K t α + γ + τt M M M N M M M n n αn + τt t = = t = τ t K N n n = t= Tabel d atas nlah yang nantnya aan menad dasar dalam pembentuan matrs desan dar model PTF. Sebaga contoh sederhana, aan duraan pembentuan matrs desan dar run-off trangle untu data empat tahun (full model). Dar persamaan (.) dan analog tabel d atas dperoleh, (,) = α + (,) = α + τ + (,) = α + τ + τ + (,) = α + τ + τ + τ + (,) = α + γ + τ +! (,) = α + γ + τ + τ + (,) = α + γ + τ + τ + τ + (,) = α + γ + γ + τ + τ + 4
6 5,) ( + + τ + τ + τ + γ + γ = α,) ( + + τ + τ + τ + γ + γ + γ = α dengan manpulas matrs bentu persamaan datas dapat dpandang sebaga permasalahan regres yang berbentu β + = r r r X dengan (,) (,) (,) (,) (,) (,) (,) (,) (,) (,) = τ τ τ γ γ γ α α α α + Matrs X (matrs desan d atas) dapat dtuls dalam bentu sepert d bawah α α α α γ γ γ ι ι ι (,) (,) (,) (,) (,) (,) (,) (,) (,) (,) r X β r r
7 Selanutnya penasran outstandng clams lablty menggunaan model PTF, secara umum aan melalu tahapan-tahapan berut :. Analss awal terhadap data serta modfas data (bla dperluan). Identfas model yang aan dplh. Estmas outstandng clams lablty.4 Analss Awal Terhadap Data Analss awal terhadap data merupaan tahapan pentng yang harus dlauan. Tuuannya untu memersa esesuaan antara data yang ada dengan model yang aan dgunaan. Data yang aan dgunaan dalam tess n berasal dar data Automatc Facultatve Busness n General Lablty (AFG) dambl dar Rensurance Assocaton of Amerca s Hstorcal Loss Development Study (9). Tabel III. Run-off trangle data ncremental (Nla dalam rbuan US$) Accdent Development year year Dar tabel III. terlhat ada data yang bernla negatf, yatu data pada accdent year 98, development year 6. Data ncremental yang bernla negatf n emungnan abat salah satu dar :. Dperolehnya pembayaran dar pha etga. Hasl dar salvage recoveres. Keputusan ur 4. errors 6
8 Data ncremental yang bernla negatf, tda bsa langsung dgunaan untu menasr outstandng clams menggunaan model PTF. Hal n arena model PTF beera pada logartma natural dar data ncremental (ln(ncremental)), onseuensnya nla-nla dalam data ncremental harus postf. Oleh arenanya sebelum melauan penasran outstandng clams lablty, perlu dpersa dulu apaah data run-off trangle (data ncremental) mempunya nla negatf atau nol. Apabla dalam data ncremental terdapat nla negatf atau nol, maa terlebh dahulu dlauan modfas dalam data ncremental, sebelum estmas outstandng clams lablty dlauan. Verral dan L (99) mengulas permasalahan tentang nla negatf dalam data ncremental. Menurut Verral dan L (99), eta menghadap nla negatf dalam data ncremental, maa lauan modfas pada data tsb dengan :. Plh onstanta C yang sesua. Tambahan C pada semua nla dalam data ncremental, sehngga data ncremental bernla postf semua. Gunaan data ncremental modfas nuntu mendapatan ln(ncremental)nya. 4. Lauan penasran outstandng clams lablty. Setap hasl estmas urangan lag dengan C, untu mendapatan nla tasran yang sesungguhnya. Pemlhan onstanta C dapat d aproxmas dengan mengaplasan metoda maxmum lelhood pada three parameter lognormal dstrbuton, dengan C dmsalan τ sebaga parameter e nya (perhtungan selengapnya delasan pada lampran A dan lampran B) untu data AFG, dperoleh τ = Nla = dgunaan sebaga onstanta C yang sesua. Sehngga tabel III. aan menad τ 7
9 Tabel III. Data ncremental dar data AFG yang telah d modfas Accdent Development year year Identfas Model Dar tabel III. terlhat bahwa nla-nla dalam data ncremental sudah postf semua, tahapan selanutnya yatu dentfas model. Pada dentfas model terdapat dua tahapan proses yatu. Pembentuan model PTF yang dapat menangap trend dalam data ncremental (mash berupa praraan model).. Estmas parameter model d ut penguannya (parameter model sgnfan atau tda) serta pemersaan esesuaan asums model dengan data..5. Pembentuan Model PTF Pembentuan model PTF dperoleh melalu beberapa langah pendahuluan, yatu dengan melauan transformas logartma natural terhadap data tabel III. terlebh dahulu (haslnya sepert tersa dalam tabel III.). Kemudan langah selanutnya adalah membuat plot dar masng-masng arah trend (accdent year, development year dan payment year), untu mengetahu varas parameter trend.. 8
10 Tabel III. ln (ncremental) dar data tabel III. Accdent Development year year Dar tabel III. ddapat plot trend dalam arah accdent year,development year, dan payment year. ln (ncremental) accdent year Gambar III. plot ln(ncremental) vs accdent year. ln(ncremental) development year Gambar III. plot ln(ncremental) vs development year. 9
11 ln(ncremental) payment year Gambar III. plot ln(ncremental) vs payment year. Dar gambar III., gambar III., dan gambar III. terlhat trend-trend yang muncul ba dalam accdent year, development year maupun payment year, yatu :. Pada accdent year, terdapat satu trend α * ln (ncremental) α accdent year Gambar III. 4 Dugaan trend yang muncul pada accdent year.. Pada development year terdapat dua trend, yatu pada development year - ( γ * ) dan pada development year -8 ( γ * ) ln(ncremental) γ γ development year Gambar III.5 Dugaan trend yang muncul pada development year.
12 . pada payment year terdapat dua trend, yatu pada payment year ( τ * ) dan pada payment year ( τ * ) ln(ncremental) 8 6 ι 4 ι payment year Gambar III.6 Dugaan trend yang muncul pada payment year. Berdasar hasl gambar III.4, III.5, dan III.6 ddapat praraan model-model PTF antara lan :. Bentu model yang melbatan α, γ dan τ ( α *, γ *, γ *, τ *, τ * ). Dengan membuat matrs desan untu semua parameter yang mungn, dan dengan melauan penyederhanaan parameter sesua dengan praraan model menurut trend (uraan selengapnya bsa d lhat pada lampran C), dperoleh : α * = α = α =... = α9 γ * = γ, γ * = γ γ9 τ * = τ, τ * = τ τ9. Bentu model yang melbatan α dan γ ( α *, γ *, γ * ) dengan * α = α = α =... = α9 γ * = γ, γ * = γ γ9. Bentu model yang melbatan α dan γ ( α *, γ * ) dengan α = α =... = α α * = 9 γ γ γ * = 9
13 .5. Estmas Serta Penguan Parameter Model Dar etga model d atas, selanutnya dplh satu model yang optmal. Dar hasl penguan pada lampran D, dperoleh macam model optmal, yang parameternya sgnfan serta asums model sesua dengan data, yatu model dengan α dan γ. y( ) = α ˆ + ( ) ˆ + γ + ( ) E ( y( ) ) = α ˆ + + ( ) γ (.4) ˆ dengan nla estmas parameter sebaga berut : αˆ σ = =.654 = -.77 =.9.6 Estmas Outstandng Clams Lablty dan Analss Kestablan Setelah mendapatan satu model PTF yang optmal dar sub bab.4, langah selanutnya adalah melauan penasran outstandng clams lablty menggunaan model tersebut. Apabla data ncremental bernla postf semua, maa penasran outstandng clams lablty dapat langsung menggunaan pers (.) atau tepatnya pers(.4). Namun arena data ncremental dar data yang dgunaan (data AFG) mengandung nla negatf, maa pers (.) tda bsa langsung dgunaan untu penasran outstandng clams lablty, ada sedt penyesuaan sepert uraan dbawah n. Berangat dar pers (.) + y ( ) = α + γ + ιt + = t= y ( ) ~ Normal α + = γ + + t = + E( y( ) ) = α + γ + ι = t = ι σ t, y ) = ln( ) (.5) ( p, t
14 untu menghlangan nla negatf dalam data ncremental, sedt modfas dlauan. Sehngga (.5) menad y( ) ln(, + τˆ) = p p E ( p + + τˆ ~ Lognormal α + γ + ιt = t =, + ) + τˆ = exp α + γ + ι = t = t σ + σ + E ( p, ) = exp α + γ + ι + σ τ ˆ t (.6) = t = dar pers (.4) dan pers (.6) dperoleh E( p, ) = exp α ˆ + + ( ) + σˆ τˆ, (.7) Persamaan (.7) nlah yang aan dgunaan untu mempreds nla dalam run off trangle bagan bawah (menasr outstandng clams lablty), dengan α ˆ = =.654. = -.77 σ =.9 τ = Hasl selengapnya tersa dalam tabel d bawah n Tabel III.4 Nla tasran outstandng clams. Accdent Development year year
15 Sebaga contoh perhtungan, msal aan d tasr nla cell pada (,9) atau accdent year 98 (bsa dwal notas ), development year e 9. Gunaan pers (.7) E( p, ) = exp α ˆ + + ( ) + σˆ τˆ, untu cell (,9) = dan = 9 maa pers(.7) menad E ( p,9,9) = exp α ˆ + + (9 ) + σˆ τˆ (.8) dengan memasuan nla estmas parameter maa (.8) menad E α ˆ = =.654 σ = -.77 =.9 τ = ,9) = exp (8.849) + (.654) + (8)(-.77) + (.9) ( p, 9 E ( p, 9,9) = E p,9) =.6 (, Hasl d atas, sesua dengan tabel (III.4) pada cell (,9). Dengan menumlahan semua nla-nla cell dalam tabel III.4 dperoleh tasran dar total outstandng clams lablty sebesar $ 6,4,896 atau setar $ 6 uta. Untu data yang sama, d bawah n aan dtamplan uga hasl tasran outstandng clams lablty dar beberapa model. atu model Chan ladder dan Hertg s model (Hertg, 985). Model chan ladder denal sebaga basc method dalam penasran outstandng clams lablty. Hal n dsebaban arena, emudahan/esederhanaan dalam aplasnya serta penggunaannya yang cuup serng dalam general nsurance. Hertg s model adalah model raso yang mash beratan dengan model Chan ladder yang melbatan fator etdapastan serta 4
16 melbatan uga fator varans parameter dalam penasran outstandng clams lablty. Tabel III.5 Tasran total outstandng clams lablty dar beberapa model Model Tasran dar total outstandng clams lablty Chan Ladder $5,5,8 Hertg s Model $86,889,465 PTF Model $6,4,896 Dar tabel III.5 terlhat bahwa model yang berbeda aan menghaslan nla tasran total estmas outstandng clams lablty yang berbeda pula. Dar tabel III.5 tda bsa dputusan model mana yang terba dalam menasr outstandng clams lablty, sebab masng-masng model mempunya elebhan dan eurangan masng-masng. Aan tetap penggunaan model PTF untu menasr outstandng clams lablty menawab eurangan yang ada pada model penasr outstandng clams lablty yang lan. Kadang ala ngn detahu lebh auh bagamana araterst penasr; apaah penasr yang ta gunaan termasu penasr yang stabl atau tda. Menurut Barnett dan Zehnwrth (), establan penasr outstandng clams lablty dapat du dengan cara: penasran dlauan berulang al dengan menghlangan tahun pengamatan satu persatu (accdent year). Uraan lebh lengapnya dsaan pada lampran E. Tabel III.6 Perbandngan nla total tasran outstandng clams lablty, antara data tahun pengamatan lengap (98-99) dengan data tahun pengamatan yang dhlangan satu persatu. N Tahun Total tasran $6,4, $6,55, $6,85, $,455, $9,79, $66,849,65 5
17 Dar tabel III.6 terlhat bahwa penasr cuup stabl sampa tahun pengamatan yang dhlangan (tahun pengamatan lengap 98-99). Flutuas terad mula tahun pengamatan , , Hal n mungn dsebaban oleh hal berut :. Pada tahun pengamatan 98-99, , penasran outstandng clams lablty melalu tahapan modfas data terlebh dahulu, sebab dalam data ncremental mash terdapat nla negatf, baru emudan proses penasran menggunaan model PTF dlauan. Hal deman tda terad pada tahun pengamatan , , , penasran untu tahun pengamatan d atas dlauan secara langsung, tanpa melauan modfas data terlebh dahulu. Sebab data ncremental sudah tda mengandung nla negatf lag (serng dengan penghlangan satu persatu tahun pengamatan).. Hal lan yang mungn menad sebab penasr urang stabl serng dengan penghlangan satu persatu tahun pengamatan, adalah seman sedtnya data yang dgunaan untu menasr. Seman sedt data yang dgunaan, penasr seman urang vald. 6
BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciBAB 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 terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciBAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
Lebih terperinciPengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA
Pengaruh Kelembaban dan Ser Tanah Terhadap Mutu dan Produs Tanaman Tembaau Temanggung dengan Metode MANOVA Mftala Al Rza ), Sutno ), dan Dumal ) ) Jurusan Statsta, Faultas MIPA, Insttut Tenolog Sepuluh
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
Lebih terperinciKOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda
KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciPENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI
PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION Oleh : SOEMARTINI JURUSAN STATISTIKA FAKULTAS MATEMATIKA dan ILMU PENGETAHUAN ALAM UNIVERSITAS PADJADJARAN JATINANGOR 008 DAFTAR ISI Hal DAFTAR
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
Lebih terperinciCONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA
CONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA LAPORAN PENELITIAN MANDIRI PENELITI RESA SEPTIANI PONTOH NIP : 132 317 117 JURUSAN STATISTIKA
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciBAB 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 terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
Lebih terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciπ(x) JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-112
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. ) ISSN: 3-98X D- Analss Pemaaan Kemoterap pada Kasus Kaner Payudara dengan Menggunaan Metode Regres Logst Multnomal (Stud Kasus Pasen d Rumah Sat X Surabaya)
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciIII. 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 terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperincie + Dengan menggunakan transformasi logit dari π(x), maka model regresi fungsi logit dapat didefinisikan sebagai berikut (2) π(x) e
ANALISIS PEMAKAIAN KEMOTERAPI PADA KASUS KANKER PAYUDARA DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL (STUDI KASUS PASIEN DI RUMAH SAKIT X SURABAYA Aref Yudssanta, dan Dra. Madu Ratna, M.S Jurusan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciMETODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa
Lebih terperinciPENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK.
PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. Fanny Ayu Octavana dan Dra. Luca Ardnant, MT. Jurusan Statsta, Faultas Matemata dan Ilmu
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB 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 terperinciBAB IV HASIL ANALISIS
BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinciBAB 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 terperinciPendekatan Hurdle Poisson Pada Excess Zero Data
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 05 Pendeatan Hurdle Posson Pada Excess Zero Data S - 7 Def Yust Fadah, Resa Septan Pontoh Departemen Statsta FMIPA Unverstas Padadaran def.yust@unpad.ac.d
Lebih terperinciPERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT
PERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT Ngarap Im Man Jurusan Matemata FST BINUS Unversty, Jln.Kebon Jeru Raya no.27 Jaarta Barat 11480, Indonesa
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciPENYELESAIAN SISTEM PERSAMAAN TAK LINIER
PENYELESIN SISTEM PESMN TK LINIE Mater Kulah: Pengantar; Iteras Satu Tt; Iteras Newton # PENGNT # erut n adalah contoh seumpulan buah persamaan ta lner smulta dengan buah varabel ang ta detahu:... ( 57...
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciKecocokan 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 terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciMETODE 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 terperinciBAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian
BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve
Lebih terperinciPEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION
PEMODELAN INGKA KERAWANAN DEMAM BERDARAH DENGUE DI KABUPAEN LAMONGAN DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION Marsa Rfada 1, Purhad 1) Mahasswa Magster Jurusan Statsta, Insttut
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING
Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciBAB V ANALISIS FAKTOR-FAKTOR BEBAN DAN TAHANAN (LOAD AND RESISTANCE FACTOR)
BAB V ANALISIS FAKTOR-FAKTOR BEBAN DAN TAHANAN (LOAD AND RESISTANCE FACTOR) 5.1 Umum Pada bab V n dbahas mengena hasl perhtungan faktor-faktor beban (load) atau serng dsebut dengan faktor pengal beban,
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB.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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciIII. 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 terperinciESTIMASI 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciBAB 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 terperinciPERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
Lebih terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d
Lebih terperinciBAB III SKEMA NUMERIK
BAB III SKEMA NUMERIK Pada bab n, akan dbahas penusunan skema numerk dengan menggunakan metoda beda hngga Forward-Tme dan Centre-Space. Pertama kta elaskan operator beda hngga dan memberkan beberapa sfatna,
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciPenggunaan Model Regresi Tobit Pada Data Tersensor
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 016 S 15 Penggunaan Model Regres obt Pada Data ersensor Def Yust Fadah 1, Resa Septan Pontoh 1, Departemen Statsta FMIPA Unverstas Padjadjaran def.yust@unpad.ac.d
Lebih terperinciBAB 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 terperinciBAB 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 terperinciPemodelan Faktor-Faktor Yang Mempengaruhi Tingkat Buta Huruf Kabupaten/kota di Jawa Timur dengan Geographically Weighted Ordinal Logistic Regression
JURNAL SAINS DAN SENI IS Vol., No., (Sept. 0) ISSN: 30-98X D-3 Pemodelan Fator-Fator Yang Mempengaruh ngat Buta Huruf Kabupaten/ota d Jawa mur dengan Geographcally Weghted Ordnal Logstc Regresson Nur Lalyah
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciAnalisis Sensitivitas
Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,
Lebih terperinciAnalisis 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 terperinciBAB 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 terperinciTEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA
IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciBAB III MODEL LINEAR TERGENERALISASI. Perkembangan pemodelan stokastik, terutama model linier, dapat dikatakan
BAB III MODEL LINEAR TERGENERALISASI 3.1 Moel Lnear Perkembangan pemoelan stokastk, terutama moel lner, apat katakan mula paa aba ke 19 yang asar oleh teor matematka yang elaskan antaranya oleh Gauss,
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciANALISIS KAPABILITAS PROSES
TI PENGENLIN KULITS STTISTIK TOPIK 0 NLISIS KPILITS PROSES L, Semester II 00/0 Hlm. TI PENGENLIN KULITS STTISTIK. PENHULUN esrps : Merupaan uuran eseragaman proses dalam menghaslan produ dengan araterst
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Analss Model Loglner Untu data yang bersfat ategor dan dapat dbentu pada suatu tabel ontngens, dapat danalss dengan analss odel loglner. Model loglner dgunaan untu enganalss eungnan
Lebih terperinciPemodelan Persentase Kriminalitas Dan Faktor- Faktor Yang Mempengaruhi Di Jawa Timur Dengan Pendekatan Geographically Weighted Regression (GWR)
JURNAL SAINS DAN SENI POMITS Vol., No.1, (014 7-50 (01-98X Prnt D-18 Pemodelan Persentase Krmnaltas Dan Fator- Fator ang Mempengaruh D Jaa Tmur Dengan Pendeatan Geographcally Weghted Regresson (GWR Pan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB 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 terperinciJURNAL SAINS DAN SENI POMITS Vol.3, No. 2, (2014) ISSN: ( Print) D-188
JURNL SINS DN SENI POMITS Vol., No., () ISSN: - (- Prnt) D- Pemodelan Fator-Fator yang Mempengaruh Jumlah Kasus Penyat Tuberuloss d Jawa Tmur dengan Pendeatan Generaled Posson Regresson dan Geographcally
Lebih terperinci