BAB VI. PENDUGAAN DATA TIDAK LENGKAP DENGAN METODE DATA TERHUBUNGKAN (CONNECTED DATA) dan EM.. AMMI
|
|
- Bambang Hartanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB VI. PENDUGAAN DATA TIDAK LENGKAP DENGAN METODE DATA TERHUBUNGKAN (CONNECTED DATA) dan EM.. AMMI 6.1. Pendahuluan Dalam perancangan percobaan sering dijumpai data tidak lengkap yang disebabkan oleh banyak faktor. Data tidak lengkap yang dimaksudkan dalam kajian ini bisa pengamatan tidak lengkap atau bisa juga perlakuan yang tidak lengkap. Faldorfaldor yang berpotensi menyebabkan ketidaklengkapan data percobaan antara lain gangguan alam, atau bisa juga karena disengaja untuk efesiensi terutama percobaanpercobaan yang berskala besar. Pada kasus data yang tidak lengkap ada dua cara untuk menganalisis data yaitu dengan menganalisis data yang teramati saja atau melakukan pendugaan terhadap data huang latu dilanjutkan dengan analisis datanya. Khusus dalam analisis AMMI kelengkapan data merupakan hal yang sang at penting, jika data tidak lengkap tidak diduga maka harus ada baris dan kolom yang dikorbankan untuk menyeimbangkan data. Pengorbanan data yang telah dikumpulkan bukan merupakan strategi yang baik karena akan menghilangkan informasi dari beberapa periakuan yang lain. Dalam analisis AMMI terdapat teknik pendugaan data hilang yaitu EM-AMMI. yang merupakan metode pendugaan data hilang secara iteratif yaitu menduga data hilang, mengepaskan model dan menduga kembali data hilang berdasar1<an model yang diperoteh. Proses ini bementi sampai kriteria konvergensi terpenuhi (Gauch, 1992). Untuk mendapaikan proses konvergensi lebih cepat maka diper1ukan metode penentuan nilai awal yang Jebih baik. D llam kajian mi, nilai awal untuk data tidak lengkap akan dilakukan dengan metode connected data. Dalam metode connected data, data tldak lengkap diduga berdasarkan data yang te ra mati saja dengan menghubungkan perubahan kondisi disekitar data tidak lengkap. Dengan kombinasi metode connected data dengan algoritma EM-AMMI diharapkan pendugaan data tidak lengkap menjadi lebih teliti dan konvergensinya tebih cepal.
2 6.2. Tujuan Penelitian ini bertujuan untuk mengkaji keefektifan dan ketelitian metode connected data dalam menduga data tidak lengkap, yang dioptimumkan dengan algoritma EM-AMMI Bahan dan Metode Anallsls Bahan Data dasar yang digunakan dalam pokok bahasan int adalah data daya hasil padi (ton per hektar). yang digunakan pada Bab III. Metode Analisis Untuk simulasi pendugaan data hilang dilakukan seeara bertahap mulai dari penghilangan data lalu pemberian nilai awal dengan melihat pengaruh utamanya lalu menggunakan algoritma EM-AMMI untuk menghasilkan penduga bagi tiap-tiap data yang hi/ang. Seeara ringkas algoritma simulasi pendugaan data tidak lengkap adalah sebagai berikut: 1. Penghilangan data secara aeak tetapi tetap mempertahankan pola connected. 2. Pemberian nilai dugaan awal bagi data tidak lengkap menggunakan metode connected data. Pada tahap ini pengaruh genotif dan lokasi diasumsikan aditif, sehingga dugaan awal bagi data yang tidak lengkap dapat dilakukan sebagai berikut: (misalnya data tidak lengkap pada posisi genotif ke-2 dan lokas! ke-1. J.!12) Tabel Struktur data IW!!IUUllmaltan ltal1nain tidak IArI."II'~n Pengaruh genotif Illt J.!12 J.!1b Jla1 Pengaruh lokasi Ih Keterangan: ~ rata-rata genotif ke-\ dan lokasi ke-j; al pengaruh genotif ke-i; I}j pengaruh lokasi ke-j; dan ~ rataan umum. 113
3 Penduga bagi sel genotif ke-2 dan lokasi ke-1 adalah: jl21 = ':...1I +(~2 -~) atau il21 = ~22 +(~l -1!...2) jl21 = >';1. + (Y2.. - YI..) jill = Y ':1. - Y.2) Penduga bagi masing-masing parameter dihitung berdasarkan data yang diamati saja, sebagai berikut: /I LYijk Penduga bagi rata-rata genotif ke-i dan lakas; ke-j: ilu =..!!:!..-:: y., nij Penduga bagi pengaruh genotif ke-i: at = Y;.. - f.. Penduga bagi pengaruh lokasi ke-j: P j =.fl. - f. 3. Pembangunan model AMMI, berdasarkan data yang sudah lengkap dengan tahapan 5ebagai berikut: Penyusunan matriks dugaan pengaruh interaksi Penguraian nilai singular matrik5 interaksi menjadi Komponenkomponen Utama Interaksi (KUI). Penentuan banyaknya KUI dengan Metode Posdictive Success. Pembentukan model AMMI. 4. Memperbaiki nilai dugaan data hilang berdasarkan model AMMI terbaru. 5. Pemeriksaan tingkat perubahan relatif nilai dugaan data tidak lengkap : > Jika tingkat perubahan < maka nilai dugaan baru tersebut merupakan nilai dugaan akhir. > Jika tingkat perubahan > 10-3 maka ganti nilai dugaan dengan nilai dugaan baru dan ulangi langkah ke-3 sampai ke Ketelitian nilai dugaan data tidak lengkap diukur dengan menggunakan Mean Absolute Percentage Error (MAPE), 5ebagai berikut: MAPE = :t II ; - F; II xl 00% j~l ~ Besaran nilai MAPE lebih besar dan 0%. semakin keeil nilai MAPE mengindikasikan nilai dugaan semakin teliti. Banyaknya data hilang yang di5imulasikan yaitu 5%, 10%, 20%, 30%.40% dan 50%. Setiap gugus data yang dihilangkan akan dicoba 10 pola connected. 114-
4 Penghilangan data dhakukan dengan tetap mempertahankan syarat dari connected data Hasll dan Pembahasan Pendugaan data huang dengan metoda connected Pendugaan data hilang melalui metode connected seeara teknis tidak terlalu sulit untuk dike~akan. Data yang teramati dipersyaratkan terhubungkan dalam rangkaian garis linier yang tak terputus dimaksudkan agar seluruh data yang hilang dapat dijelaskan dari kondisi data sekitamya. mengandung data huang seperti terlihat pada Tabal6. 2. Modellinier aditif diasumsikan sebagai berikut: YIj = p+a l + Pi +&ij 8ebagai ilustrasi data pengamatan yang Dimana ~ rataan umum, «I pengaruh genotif ke-i, PI pengaruh lokasi ke-j, t pengaruh aeak genotif ke-i dan lokasi ke-j. langkah pertama adalah menduga pengaruh genotif dan lokasi berdasarkan data yang teramati dengan metode kuadrat terkecil (least square) dengan restriksi jumlah pengaruh genotif dan lokasi sama dengan nol, sebagai berikut: Pengaruh genotif ke-i: a j = Y t. - Y.. a l = = a 2 :::: = dan seterusnya Pengaruh lokasi ke-i: P j :::: Y.} - f. PI :::: = P2 :::: = dan seterusnya -115-
5 Hasil selengkapnya dapat dilihat pada Tabe16.2 kolom paling kanan untuk pengaruh genotif dan baris paling bawah untuk pengaruh lokasi. Selanjutnya pendugaan data hilang dapat dilakukan sebagai berikut: ljij = Pij' + (Pj' - Pj ) atau Pij = Pi'} + (al' - a,) Dengan demikian penduga data hilang pada Tabel 6. 2 di atas dapat diduga sebagai berikut: Genotif C di lokasi LP. Kuningan: Y3,1 = P3,1 =P2,1 + (a 3 -a 2 ) = ( (-0.068» = Hasil pendugaan selengkapnya dapat dilihat pada Tabel
6 Tabel 6. 3 NUai sebenamya, nllal dugaan dengan metode connected dan persentase penyimpangan relatif antara nllai sebenamya dengan d u~ aan Genotif Lokasi Pengamatan Nilaidugaan Persentase sebenamya dengan metoda simpangan connected mutlak C lop. Kuningan % 0 Inlitkabi Ngale % M IPPTP Batang % B Kutoharjo % G Sekampung % MAPE 7.0% Besamya nilai persentase simpangan mutlak (APE) barvariasi dan satu data ke data hilang yang lain. Hal ini mengindikasikan jika pengamatan yang hilang memiliki karakteristik yang jauh berbeda dengan nilai pengamatan disekitarnya maka nilai APEnya akan cenderung besar sedangkan jika pengamatan yang hilang memiliki karakteristik yang minp dengan nilai pengamatan disekitamya maka nilai APE-nya akan cenderung keetl. Sebagai jlustrasi untuk genotif C memiliki rata-rata untuk seluruh lokasi sebesar sedangkan yang dihilangkan adalah genotif C dilokasi I.P. Kuningan yang memiliki respon sebesar Hasil dugaan untuk pengamatan ini akan memberikan nilai APE yang cukup besar (11.3%) karena pengamatan yang dihilangkan cukup jauh dan rata-rata genotif C. Sebaliknya te~adi untuk Genotif 0 yang dapat diduga dengan akurasi cukup baik (APE 1.4%) karena pengamatan yang dihilangkan (6.604) eukup dekat dengan rata-rata genotif D yaitu sebesar Rata-rata persentase simpangan mutlak (MAPE) untuk kelima buah data yang huang adalah seoosar 7.0%. Dan nilai MAPE yang diperoleh dapat disimpulkan metode connected cukup baik menduga data yang huang untuk pola yang pertama. Dan 60 pola data yang dihilangkan untuk 5%, 10%, 20%, 30%,40% dan 50% data yang hilang diperoleh nilai MAPE seperti pada Tabel6. 4. Besarnya nilai MAPE terlihat cenderung membesar jika jumlah data yang dihilangkan semakin besar. Hal ini berarti jika semakin banyak data yang hilang maka akan menyebabkan tingkat ketelitian pendugaan akan menurun
7 liustrasi pendugaan pengamatan yang hilang untuk setiap kelompok data dapat dilihat pada Lamplran Pendugaan data huang dengan metode EM-AMMI Pendugaan data huang dengan metode EM-AMMI membutuhkan nuai awal untuk data yang hilang. Dalam kajian ini nuai dugaan awa( untuk EM-AMMI ditentukan sesuai dengan besaran dan dugaan metode oonnected. Hal ini dilakukan sekaligus untuk mengevaluasi apakah dugaan berdasarkan metode oonnected optimum berdasarkan metode EM-AMMI. Sebagai ilustrasi pendugaan data huang seperti pada Tabel 6.2, selanjutnya akan diduga dengan metode EM-AMMI. (i). Berikan nilai dugaan awal Y3.\ = 6.473, Y-4,2 = 6.512, Yl3,) = 6,224. Y2,5 = 5.377, Y6,6 = (ii). Bangun model AMMI Modellinier AMMI yang digunakan adalah model AMMI tanpa ulangan sebagai berikut: 6 YIJ = J.l+a l + Pi + L.fi: Jki8~ k-\ Dimana penduga masing-masing parametemya adalah sebagai berikut: jj=y.. ff8
8 a =yi i. -y-. p} = Y.J - Y. {ap)ij =Yij - Y;. - Y.} + Y.. Pada iterasl pertama diperoleh dugaan sebagai berikut: j.j = cr.1= , Ctr' 0.353, (X3= a.= dan seterusnya ~,= ~2=.o,063.lh=.0.349, dan seterusnya Penguraian bilinier dari pengaruh interaksi diperoleh: Matrlks Lokasl I. P. Kuningan INLlTKABI NGALE IPPTP Satang IPPTP Mojosari KutohaJjo Sekamj)l!ng 6t A B C 0 E F G H K L M N 0 P a R S T U Y e <l <l e as Matriks Genotif -" ~tt9- ~ O.0100n <l <l O.2113n , <l <l n O.025n <l {) {).O
9 SI1!9u1ar and e~ envalues for the SVD (U LAMBDA V) NO Singular values Eigen values Cumulative % of Eig~nvalues Sum of eigenvalues BerdasarXan penguraian bilinier diatas, model AMMI yang digunakan dalam pendugaan data hilang adalah AMMI-3 karena dengan tiga dimensi sudah menerangkan keragaman interaksi sebesar 82.8%. (iii). Selanjutnya pendugaan data hilang dapat dilakukan sebagai berikut: Y If = jj + a l + p} + ji; fj1f8l) +.[i; fj2i8 2j +.JI; 318 l} Untuk genotif C dilokasi I.P. Kuningan pada iterasi pertama diperoleh sebesar: Y Ij = (1.917 xo.228x( » + (1.80 h( O)xO.7313) + ( x( --o.099)xo.3419) = Proses pendugaan ini konvergen pada iterasi ke-25, selengkapnya dapat dilihat pada Tabal6. 5. hasil pendugaan Tabe16.5 Nilal Sebanamya, nuai dugaan dengan metoda EM-AMMI dan persentase panyimpangan relatif antara nilal sebenamya dengan d ug aan Genotif Lokasi Nilaidugaan Persentase Pengamatan dengan metode simpangan sebenamya EM-AMMI mutlak C I.P. Kuningan % D Inlitkabi Ngale % M IPPTP Satang % B Kutoharjo % G Sekampung % MAPE 4.1% Rata-rata persentase simpangan mutlak (MAPE) untuk kelima buah data yang hilang adalah sebesar 4.1%. Dari nilai MAPE yang diperoleh dapat disimpulkan untuk -120-
10 pola pertama, metode EM-AMMI cukup baik menduga data yang hilang untuk pola yang pertama bahkan hasilnya terlihat lebih teliti dibandingkan dengan metode oonnected. Dari 60 pola data yang dihilangkan untuk 5%, 10%, 20%, 30%, 40% dan 50% data yang hilang diperoleh nilai MAPE seperti pada Tabel esarnya nilai MAPE dengan metode EM-AMMI juga terlihat cenderung membesar jika jumlah data yang dihilangkan semakin besar. Namun demikian sampai dengan 50% data hilang nila; MAPE masih dibawah 10% dan diperkirakan setelah data huang melebihi 50% nilai MAPE akan lebih besar dari 10%. Disamping itu range dari nilai MAPE cukup keen yaitu berkisar antara 3.5% sampai 5.7%. T bel 6 6 Nil I MAPE t k ~ r> ~:.~ ~ d ta hll d '! ~! ~ I" <~;'4. 1% ;: 8.3%.: a~6%' 7.5% 7.0% 8.0% 6.2% 5.9% 6.4% 8.3% ~:: I 8.2% 6.0% 7.1% 5.9%..:i5.0% ~ 5.4% 7.2% 6.5% 6.8% 7.5% 6.5% ;~:~~% ;. d!! t d EM-AMMI II'. ' _ ii' ". " --'I ( 10.8% 6.9% 6.9% 10.7% 8.9% 11.3% 7.2% 7.4% 8.7% 7.5% 7.8% 8.2% 9.5% 10.0% 10.2% 9.2% 6.7% ~;$;'6~;' 9.2% 7.2% 8.4% 7.5% 7.0% : :";~:7%: ~,,: 9.9% fj'~' H A1 ~5% Rata-rata MAPE 7.0% 7.0% 7.3% 8.3% 8.9% 9.7% Range 4.5% 4.7% 4.4% 5.7% 4.9% 3.5% Perbandlngan ketelltian pendugaan data huang antara metode connected dengan EM-AMMI 8erdasarkan 60 pola data hi/ang diperoleh perbandingan nilai MAPE antara metode oonnected dan EM-AMMI seperti terlihat pada Tabel 6. 7 dan pola perubahannya dapat dilihat pada Gambar Kedua metode terlihat nilai MAPE meningkat seiring dengan peningkatan jumlah data yang hilang. Dilihat dari besaran nilai MAPE metode connected cenderung memiliki nijai MAPE tebih besar dan metode EM-AMMI, terutama untuk jumlah data yang hilang lebih dan 10%. Sedangkan untuk jumlah data yang hilang kurang atau sama dengan 10%, kedua metode memiliki nuai MAPE yang relauf sarna
11 % 10.2% 8.9% 9.7% Gambar 6. 1 Pola perubahan MAPE metoda connected dan EM-AMMI 6.5. Keslmpulan Dari hasil yang diperoleh pada sub bab sebelumnya dapat ditarik kesimpulan sebagai berikut: Kedua metode cukup baik dalam menduga data hilang. Hasil pendugaan dengan metode connected cukup baik menduga data hilang untuk data hilang kurang dan 50% yaitu dengan MAPE kurang dari 10%. sedangkan metode EM-AMMI cukup baik menduga data huang sampai 50% yaitu dengan MAPE masih dibawah 10%. Namun demikian dapat diduga jika data tidak lengkapnya lebih dari 50% metode EM AMMI kemungkinan menghasilkan MAPE diatas 10%. 122-
12 1. Pendugaan data tidak lengkap dengan metode connected data memiliki tingkat akurasi pendugaan ya"ng cukup tin99i dan tidak jauh berbeda dengan tingkat akurasi pendugaan dengan metode EM-AMMI 2. Semakin banyak jumlah data yang tidak lengkap mengakibatkan tingkat akurasi pendugaan semakin menurun. Banyaknya data yang tidak lengkap, yang masih dapat diduga dengan akurasi pendugaan cukup tinggi baik dengan menggunakan metode connected data maupun EM-AMMI adalah maksimal 50%
KOREKSI METODE CONNECTED AMMI DALAM PENDUGAAN DATA TIDAK LENGKAP ABSTRAK
KOREKSI METODE CONNECTED AMMI DALAM PENDUGAAN DATA TIDAK LENGKAP I Made Sumertajaya 2 Ahmad Ansori Mattjik 3 I Gede Nyoman Mindra Jaya,2 Dosen Departemen Statistika Institut Pertanian Bogor,3 Mahasiswa
Lebih terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
Lebih terperinciEvaluasi Tingkat Validitas Metode Penggabungan Respon (Indeks Penampilan Tanaman, IPT)
BAB IV. Evaluasi Tingkat Validitas Metode Penggabungan Respon (Indeks Penampilan Tanaman, IPT) 4.1. Pendahuluan Saat ini telah banyak berkembang strategi penggabungan peubah seperti metode range equalization,
Lebih terperinciMETODE PENELITIAN Sumber Data
13 METODE PENELITIAN Sumber Data Data yang digunakan dalam penelitian ini merupakan hasil simulasi melalui pembangkitan dari komputer. Untuk membangkitkan data, digunakan desain model persamaan struktural
Lebih terperinciTINJAUAN PUSTAKA. Gambar 1 Plot jenis pengamatan pencilan.
TINJAUAN PUSTAKA Pencilan Aunuddin (1989) mendefinisikan pencilan sebagai nilai ektstrim yang menyimpang agak jauh dari kumpulan pengamatan lainnya, yang secara kasar berada pada jarak sejauh tiga atau
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Noise Pada saat melakukan pengambilan gambar, setiap gangguan pada gambar dinamakan dengan noise. Noise dipakai untuk proses training corrupt image, gambarnya diberi noise dan
Lebih terperinciTINJAUAN PUSTAKA. Prediksi pada dasarnya merupakan dugaan atau prediksi mengenai terjadinya
II. TINJAUAN PUSTAKA 2.1 Prediksi Prediksi pada dasarnya merupakan dugaan atau prediksi mengenai terjadinya suatu kejadian atau peristiwa di waktu yang akan datang. Prediksi bisa bersifat kualitatif (tidak
Lebih terperinciBAB I PENDAHULUAN. dapat digunakan untuk inferensi statistika. Metode bootstrap mengesampingkan
BAB I PENDAHULUAN 1.1 Latar Belakang Metode bootstrap merupakan metode simulasi berbasiskan data yang dapat digunakan untuk inferensi statistika. Metode bootstrap mengesampingkan distribusi sampling dari
Lebih terperinciSIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY KRIGING DENGAN TEKNIK JACKKNIFE
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 333-342 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian SIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY
Lebih terperinciHASIL DAN PEMBAHASAN. Algoritma Cepat Penduga GS
HASIL DAN PEMBAHASAN Algoritma Cepat Penduga GS Sebagaimana halnya dengan algoritma cepat penduga S, algoritma cepat penduga GS dikembangkan dengan mengkombinasikan algoritma resampling dan algoritma I-step.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama (assaury, 1991). Sedangkan ramalan adalah
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciMETODOLOGI HASIL DAN PEMBAHASAN
3 berada pada jarak sejauh tiga atau empat kali simpangan baku dari nilai tengahnya (Aunuddin 1989). Pendekatan pencilan dapat dilakukan dengan melihat plot peluang normal. Apabila terdapat loncatan vertikal
Lebih terperinciTINJAUAN PUSTAKA. Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan
4 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Matriks 2.1.1 Matriks Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan dalam susunan itu disebut anggota dalam matriks tersebut. Suatu
Lebih terperinciBAB. IX ANALISIS REGRESI FAKTOR (REGRESSION FACTOR ANALYSIS)
BAB. IX ANALII REGREI FAKTOR (REGREION FACTOR ANALYI) 9. PENDAHULUAN Analisis regresi faktor pada dasarnya merupakan teknik analisis yang mengkombinasikan analisis faktor dengan analisis regresi linier
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini diuraikan beberapa tinjauan pustaka sebagai landasan teori pendukung penulisan penelitian ini. 2.1 Analisis Regresi Suatu pasangan peubah acak seperti (tinggi, berat)
Lebih terperinciIV. PERBANDINGAN KONFIGURASI MATRIKS INTERAKSI: METODE PROCRUSTES
IV. PERBANDINGAN KONFIGURASI MATRIKS INTERAKSI: METODE PROCRUSTES 4.1 Pendahuluan Dua pendekatan dalam menangani ketaknornalan data pada pemodelan bilinier telah dibicarakan pada bab-bab sebelumnya. Bab
Lebih terperinciAPLIKASI METODE PANGKAT DALAM MENGAPROKSIMASI NILAI EIGEN KOMPLEKS PADA MATRIKS
Jurnal UJMC, Volume, Nomor, Hal 36-40 pissn : 460-3333 eissn : 579-907X APLIKASI METODE PANGKAT DALAM MENGAPROKSIMASI NILAI EIGEN KOMPLEKS PADA MATRIKS Novita Eka Chandra dan Wiwin Kusniati Universitas
Lebih terperinciMODEL-MODEL LEBIH RUMIT
MAKALAH MODEL-MODEL LEBIH RUMIT DISUSUN OLEH : SRI SISKA WIRDANIYATI 65 JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS ISLAM INDONESIA 04 BAB I PENDAHULUAN. Latar Belakang
Lebih terperinciPresentasi Sidand Tesis
HASIL DAN PEMBAHASAN 26 SISTEM DINAMIK (1) (2) T(t) = Populasi sel kanker pada saat t N(t) = Populasi sel normal pada saat t I(t) = Populasi sel kekebalan tubuh pada saat t Dengan Kondisi Awal T(0)=T0;
Lebih terperinciPerancangan Percobaan
Perancangan Percobaan Rancangan lingkungan: Rancangan Acak Lengkap (RAL), (RAK) dan Rancangan Bujur Sangkar Latin (RBSL), Lattice. Ade Setiawan 009 RAL Ade Setiawan 009 Latar Belakang RAK 3 Perlakuan Sama
Lebih terperinciLANDASAN TEORI. linear (intrisnsically linear) dan nonlinear secara intrinsik nonliear (intrinsically
II. LANDASAN TEORI 2.1 Model Nonlinear Model nonlinear merupakan bentuk hubungan antara peubah respon dengan peubah penjelas yang tidak linear dalam parameter. Secara umum model nonlinear ditulis sebagai
Lebih terperinci3 METODE. 3.1 Data = 0 1. time 0, =1, 2,,, =1, 2,, dengan n = 100 dan m = 5.
11 3 METODE 3.1 Data Data dalam penelitian ini terdiri dari dua sumber yaitu data simulasi dan data terapan. Data simulasi berguna untuk mengukur kinerja penduga kekar Huber pada data longitudinal. Data
Lebih terperinciPENDAHULUAN. Latar Belakang. Tujuan Penelitian
PENDAHULUAN Latar Belakang Fungsi Cobb-Douglas dengan galat aditif merupakan salah satu fungsi produksi yang dapat digunakan untuk menganalisis hubungan antara hasil produksi dan faktor-faktor produksi.
Lebih terperinciMODEL AMMI PERCOBAAN LOKASI GANDA PEMUPUKAN N, P, K
, April 2009 p : 11-15 ISSN : 0853-8115 Vol 14 No.1 MODEL AMMI PERCOBAAN LOKASI GANDA PEMUPUKAN N, P, K Mohammad Masjkur 1 dan Niken Dyah Septiastuti Departemen Statistika FMIPA-IPB E-mail : 1 masjkur@gmail.com
Lebih terperinciBAB 1 PENDAHULUAN. banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Dalam masyarakat modern seperti sekarang ini, metode statistika telah banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan keputusan / kebijakan.
Lebih terperinciBAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n<<p DAN TERDAPAT KEKOLINEARAN-GANDA
BAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam
Lebih terperinciKeywords: Factorial Experiment, CRBD, AMMI, Analysis of Variance, PCA, Biplot
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 529-536 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS VARIAN PERCOBAAN FAKTORIAL DUA FAKTOR RAKL DENGAN METODE
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan sering dipandang sebagai seni dan ilmu dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan datang. Secara teoritis peramalan
Lebih terperinciBAB VII METODE TRANSPORTASI
BAB VII METODE TRANSPORTASI Pada umumnya masalah transportasi berhubungan dengan distribusi suatu produk tunggal dari beberapa sumber, dengan penawaran terbatas, menuju beberapa tujuan, dengan permintaan
Lebih terperinciTINJAUAN PUSTAKA. pendugaan modelnya. Salah satu metode statistika yang dapat mengatasinya adalah
TINJAUAN PUSTAKA Metode Kuadrat Terkecil Parsial Kolinearitas dalm analisis regesi akan menyebabkan ketidaktepatan dalarn pendugaan modelnya. Salah satu metode statistika yang dapat mengatasinya adalah
Lebih terperinciDATA DAN METODE Sumber Data
14 DATA DAN METODE Sumber Data Data yang digunakan dalam penelitian ini adalah data hasil simulasi dan data dari paket Mclust ver 3.4.8. Data simulasi dibuat dalam dua jumlah amatan yaitu 50 dan 150. Tujuan
Lebih terperinciAda beberapa kasus khusus dalam simpleks. Kadangkala kita akan menemukan bahwa iterasi tidak berhenti, karena syarat optimalitas atau syarat
Muhlis Tahir Ada beberapa kasus khusus dalam simpleks. Kadangkala kita akan menemukan bahwa iterasi tidak berhenti, karena syarat optimalitas atau syarat kelayakan tidak pernah dapat terpenuhi. Adakalanya
Lebih terperinciPENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA
SISTEM PENDUKUNG KEPUTUSAN PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA Alda Raharja - 5206 100 008! Wiwik Anggraeni, S.Si, M.Kom! Retno
Lebih terperinciTINJAUAN PUSTAKA Kalibrasi Ganda Regresi Kuadrat Terkecil Parsial ( Partial Least Squares/PLS) 1. Model PLS
TINJAUAN PUSTAKA Kalibrasi Ganda Kalibrasi adalah suatu fungsi matematik dengan data empirik dan pengetahuan untuk menduga informasi pada Y yang tidak diketahui berdasarkan informasi pada X yang tersedia
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi merupakan suatu teknik statistika untuk menyelidiki dan
TINJAUAN PUSTAKA Analisis Regresi Linier Berganda Analisis regresi merupakan suatu teknik statistika untuk menyelidiki dan memodelkan hubungan diantara peubah-peubah, yaitu peubah tak bebas (respon) dan
Lebih terperinciBAB IV ANALISIS HASIL PENGOLAHAN DATA
BAB IV ANALISIS HASIL PENGOLAHAN DATA 4.1 Pola Dasar Permintaan Dari hasil pengumpulan data aktual yang telah dilakukan mengenai pertumbuhan jumlah kartu kredit BCA yang dimiliki oleh cardholder BCA Cabang
Lebih terperinciBAB II TINJAUAN PUSTAKA. Pengertian lanjut usia menurut undang-undang no.13/1998 tentang
7 BAB TNAUAN PUSTAA 2.1. Pengertian Lanjut Usia Pengertian lanjut usia menurut undang-undang no.13/1998 tentang kesejahteraan lanjut usia yang berbunyi Lanjut Usia adalah seseorang yang mencapai usia 60
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit
BAB 2 LANDASAN TEORI 2.1 Pengertian Produksi Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit tanaman pada lahan yang telah disediakan, pemupukan dan perawatan sehingga
Lebih terperinciTINJAUAN PUSTAKA Spesifikasi Model Berbagai model dalam pemodelan persamaan struktural telah dikembangkan oleh banyak peneliti diantaranya Bollen
4 TINJAUAN PUSTAKA Spesifikasi Model Berbagai model dalam pemodelan persamaan struktural telah dikembangkan oleh banyak peneliti diantaranya Bollen (1989). Namun demikian sebagian besar penerapannya menggunakan
Lebih terperinciBAHAN DAN METODE. Waktu dan Tempat. Bahan dan Alat. Rancangan Penelitian
BAHAN DAN METODE Waktu dan Tempat Penelitian ini dilaksanakan pada bulan November 010 Maret 011, kecuali lokasi Sukabumi pada bulan Maret Juni 011. Tempat Penelitian dilaksanakan di 7 lokasi yaitu Bogor,
Lebih terperinciPendugaan Data Hilang Menggunakan Metode Connected EM-AMMI dalam Bahasa R
Pendugaan Data Hilang Menggunakan Metode Connected EM-AMMI dalam Bahasa R Siskha Maulana Basrul #1, Atus Amadi Putra *2, Yenni Kurniawati *3 # Student of Mathematics Department State University of Padang,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciBAB 2 LANDASAN TEORI
19 BAB 2 LANDASAN TEORI 2.1. Metode Analisis Data 2.1.1. Uji Validitas Validitas adalah suatu ukuran yang membuktikan bahwa apa yang diamati peneliti sesuai dengan apa yang sesungguhnya ada dalam dunia
Lebih terperinciBAB III MINIMUM VOLUME ELLIPSOID PADA ANALISIS KOMPONEN UTAMA ROBUST. Pada bab ini akan dikaji bahasan utama yaitu pencilan dan analisis
BAB III MINIMUM VOLUME ELLIPSOID PADA ANALISIS KOMPONEN UTAMA ROBUST Pada bab ini akan dikaji bahasan utama yaitu pencilan dan analisis komponen utama robust sebagai konsep pendukung serta metode Minimum
Lebih terperinciIV METODE PENELITIAN Metode Pengumpulan Data Metode pengumpulan data yang digunakan untuk memperkuat dan mendukung analisis penelitian adalah:
IV METODE PENELITIAN 4.1. Lokasi Penelitian Penelitian ini dilaksanakan di UPTD Balai Pengembangan Teknologi (BPT) Mekanisasi Pertanian Jawa Barat yang terletak di Jalan Darmaga Timur Bojongpicung, Cihea,
Lebih terperinciTINJAUAN PUSTAKA. Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan
4 II. TINJAUAN PUSTAKA 2.1 Definisi Pencilan Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan yang bervariasi (beragam). Keberagaman data ini, di satu sisi sangat dibutuhkan dalam
Lebih terperinciMETODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 3 (2014), hal 163-168. METODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Lebih terperinciGAMBARAN UMUM TUJUAN ANALISIS FAKTOR
GAMBARAN UMUM TUJUAN ANALISIS FAKTOR 1. Latar Belakang Analisis faktor adalah alat analisis statistik yang dipergunakan untuk mereduksi faktor-faktor yang mempengaruhi suatu variabel menjadi beberapa set
Lebih terperinciBAB 2 TINJAUAN PUSTAKA = (2.2) =
BAB 2 TINJAUAN PUSTAKA 2.1. Regresi Linear Berganda Regresi linear berganda adalah regresi dimana variabel terikatnya dihubungkan atau dijelaskan dengan lebih dari satu variabel bebas,,, dengan syarat
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis Komponen Utama (AKU, Principal Componen Analysis) bermula dari
BAB 2 LANDASAN TEORI 21 Analisis Komponen Utama 211 Pengantar Analisis Komponen Utama (AKU, Principal Componen Analysis) bermula dari tulisan Karl Pearson pada tahun 1901 untuk peubah non-stokastik Analisis
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan fungsional antara variabel respon dengan satu atau beberapa variabel prediktor.
Lebih terperinciMODEL MODEL LEBIH RUMIT
08/0/06 MODEL MODEL LEBIH RUMIT Di susun oleh Nurul Hani Ulvatunnisa Kanthi Wulandari Sri Siska Wirdaniyati Kamal Adyasa Unib Sedya Pramuji 08/0/06 Model Polinom Berbagai Ordo Model Yang Melibatkan Transformasi
Lebih terperinciBAB 3 PENGOLAHAN DATA
BAB 3 PENGOLAHAN DATA 3.1 Pengertian Pengolahan Data Pengolahan data dapat diartikan sebagai penjabaran atas pengukuran data kuantitatif menjadi suatu penyajian yang lebih mudah dimengerti dan menguraikan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Aljabar Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemen-elemen yang disusun secara teratur menurut baris dan kolom sehingga
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Rancangan Percobaan Rancangan percobaan merupakan suatu uji dalam atau deretan uji baik menggunakan statistika deskripsi maupun statistika inferensia, yang bertujuan untuk mengubah
Lebih terperinciBAB II TINJAUAN PUSTAKA. digunakan sebagai rujukan ada dua penelitian. Rujukan penelitian pertama yaitu penelitian Lavoranti et al.
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terdahulu Sebagai bahan pertimbangan dalam penelitian ini dicantumkan mengenai penelitian terdahulu yang digunakan sebagai rujukan. Penelitian terdahulu yang digunakan
Lebih terperinciTINJAUAN PUSTAKA. Model Regresi Linier Ganda
TINJAUAN PUSTAKA Model Regresi Linier Ganda Hubungan antara y dan X dalam model regresi linier umum adalah y = X ß + e () dengan y merupakan vektor pengamatan pada peubah respon (peubah tak bebas) berukuran
Lebih terperinciOPERASI MATRIKS. a 11 a 12 a 13 a 14 A = a 21 a 22 a 23 a 24 a 31 a 32 a 33 a 34 a 41 a 42 a 43 a 44
OPERASI MATRIKS Topik yang akan dibahas transpose perkalian TRANSPOSE Definisi: a 11 a 12 a 13 a 14 A = a 21 a 22 a 23 a 24 a 31 a 32 a 33 a 34 a 41 a 42 a 43 a 44 a 11 a 21 a 31 a 41 A T = a 12 a 22 a
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah. Sebuah fakta bahwa waktu adalah uang dalam aktivitas penjualan. Pengambilan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Sebuah fakta bahwa waktu adalah uang dalam aktivitas penjualan. Pengambilan keputusan merupakan hal yang penting untuk kesuksesan penjualan. Dalam hal ini seseorang
Lebih terperinciBAB IX ANALISIS REGRESI
BAB IX ANALISIS REGRESI 1. Model Analisis Regresi-Linear Analisis regresi-linear adalah metode statistic yang dapat digunakan untuk mempelajari hubungan antarsifat permasalahan yang sedang diselidiki.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Repeated Measurement Dalam repeated measurement setiap perlakuan menunjukkan pengukuran terhadap satu sampel (unit eksperimen ) atau beberapa sampel yang memiliki karakter sama
Lebih terperinci10 Departemen Statistika FMIPA IPB
Suplemen Responsi Pertemuan ANALISIS DATA KATEGORIK (STK35) 0 Departemen Statistika FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referensi Waktu Tabel Kontingensi Struktur peluang tabel kontingensi Perbandingan
Lebih terperinciHASIL DAN PEMBAHASAN. Suara sah calon nomor urut 4 Jumlah Rata-Rata Ragam
HASIL DAN PEMBAHASAN Deskripsi Data Tabel 4 menunjukkan deskripsi dari data suara sah calon nomor urut 2, 3, dan 4. Jumlah suara tertinggi diperoleh calon nomor urut 2. Sedangkan suara sah calon nomor
Lebih terperinciSemakin besar persentase CCR yang dihasilkan, maka tingkat akurasi yang dihasilkan semakin tinggi (Hair et. al., 1995).
3 fungsi diskriminan cukup untuk memisahkan k buah kelompok. Karena fungsi-fungsi diskriminan tidak saling berkorelasi, maka komponen aditif dari V masing-masing didekati dengan khi-kuadrat dengan V j
Lebih terperinciBAB I PENDAHULUAN. menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi linier berganda merupakan analisis yang digunakan untuk menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah respon Y yang
Lebih terperinciII. TINJAUAN PUSTAKA
II. INJAUAN PUSAKA.1 Penduga Area Kecil Rao (003) mengemukakan bahwa suatu area disebut kecil apabila contoh yang diambil pada area tersebut tidak mencukupi untuk melakukan pendugaan langsung dengan hasil
Lebih terperinciHASIL DAN PEMBAHASAN
18 HASIL DAN PEMBAHASAN Eksplorasi data Tahap pertama dalam pembentukan model VAR adalah melakukan eksplorasi data untuk melihat perilaku data dari semua peubah yang akan dimasukkan dalam model. Eksplorasi
Lebih terperinci= parameter regresi = variabel gangguan Model persamaan regresi linier pada persamaan (2.2) dapat dinyatakan dalam bentuk matriks berikut:
BAB II LANDASAN TEORI 2. Analisis Regresi Linier Berganda Analisis regresi merupakan salah satu analisis statistik yang sering digunakan untuk menganalisis hubungan antara dua variabel atau lebih. Menurut
Lebih terperinciKarakteristik Pendugaan Emperical Best Linear Unbiased Prediction (EBLUP) Pada Pendugaan Area Kecil
Prosiding Semirata FMIPA Universitas Lampung, 2013 Karakteristik Pendugaan Emperical Best Linear Unbiased M. Adi Sidauruk, Dian Kurniasari, Widiarti Jurusan Matematika, FMIPA Universitas Lampung E-mail:
Lebih terperinciLU DECOMPOSITION (FAKTORISASI MATRIK)
LU DECOMPOSITION (FAKTORISASI MATRIK) Dr. Eng. Supriyanto, M.Sc Lab. Komputer, Departemen Fisika, Universitas Indonesia email: supri@fisika.ui.ac.id atau supri92@gmail.com 5 Februari 2005 Pada semua catatan
Lebih terperinciMenentukan Titik Evakuasi Selanjutnya bagi Sekelompok Regu Tim SAR dengan Algoritma Branch and Bound
Menentukan Titik Evakuasi Selanjutnya bagi Sekelompok Regu Tim SAR dengan Algoritma Branch and Bound Willy Fitra Hendria / 13511086 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika
Lebih terperinciPERCOBAAN SATU FAKTOR: RANCANGAN ACAK LENGKAP (RAL) Arum Handini Primandari, M.Sc.
PERCOBAAN SATU FAKTOR: RANCANGAN ACAK LENGKAP (RAL) Arum Handini Primandari, M.Sc. PENGUJIAN HIPOTESIS Langkah-langkah pengujian hipotesis: 1) Merumuskan hipotesis 2) Memilih taraf nyata α 3) Menentukan
Lebih terperinciII. MODEL AMMI PADA DATA BERDISTRIBUSI BUKAN NORMAL: TRANSFORMASI KENORMALAN
II. MODEL AMMI PADA DATA BERDISTRIBUSI BUKAN NORMAL: TRANSFORMASI KENORMALAN.1 Pendahuluan Analisis AMMI adalah suatu teknik analisis data percobaan dua faktor perlakuan dengan pengaruh utama perlakuan
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciBab IV Simulasi dan Pembahasan
Bab IV Simulasi dan Pembahasan IV.1 Gambaran Umum Simulasi Untuk menganalisis program pemodelan network flow analysis yang telah dirancang maka perlu dilakukan simulasi program tersebut. Dalam penelitian
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
Lebih terperinciDATA DAN METODE. Data
DATA DAN METODE Data Data yang digunakan dalam penelitian ini adalah data sekunder hasil percobaan padi varietas IR 64 yang dilaksanakan tahun 2002 pada dua musim (kemarau dan hujan). Lokasi penelitian
Lebih terperinciPercobaan Dua Faktor: Percobaan Faktorial. Arum Handini Primandari, M.Sc.
Percobaan Dua Faktor: Percobaan Faktorial Arum Handini Primandari, M.Sc. Pendahuluan Dalam berbagai bidang penerapan perancangan percobaan diketahui bahwa respon dari individu merupakan akibat dari berbagai
Lebih terperinciPertemuan Ke-12. Analysis of Varians (anova)_m. Jainuri, M.Pd
Pertemuan Ke-1 1 Pendahuluan Statistik parametrik yang digunakan untuk mencari perbedaan atau persamaan dua rata-rata adalah Uji-t, dan analysis of varians (anova/ anova) digunakan untuk mencari perbedaan
Lebih terperinciPelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi. Bertho Tantular 1)
Pelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi S-28 Bertho Tantular 1) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD berthotantular@gmail.com Abstrak Secara umum model
Lebih terperinciBAB III METODOLOGI PENELITIAN. simulasi komputer yang diawali dengan membuat model operasional sistem sesuai dengan
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Penulisan ini dilakukan dengan menggunakan metoda System Dynamics yaitu sebuah simulasi komputer yang diawali dengan membuat model operasional sistem
Lebih terperinciPengubahan Model Ketidaksamaan Persamaan
METODA SIMPLEKS Metoda Simpleks Suatu metoda yang menggunakan prosedur aljabar untuk menyelesaikan programa linier. Proses penyelesaiannya dengan melakukan iterasi dari fungsi pembatasnya untuk mencapai
Lebih terperinciBAB II TINJAUAN PUSTAKA. Dalam bab ini dibahas tentang matriks, metode pengganda Lagrange, regresi
BAB II TINJAUAN PUSTAKA Dalam bab ini dibahas tentang matriks, metode pengganda Lagrange, regresi linear, metode kuadrat terkecil, restriksi linear, multikolinearitas, regresi ridge, uang primer, dan koefisien
Lebih terperinci(α = 0.01). Jika D i > , maka x i atau pengamatan ke-i dianggap pencilan (i = 1, 2,..., 100). HASIL DAN PEMBAHASAN
4 karena adanya perbedaan satuan pengukuran antar peubah. 1.. Memastikan tidak adanya pencilan pada data dengan mengidentifikasi adanya pencilan pada data. Pengidentifikasian pencilan dilakukan dengan
Lebih terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
Lebih terperinciHASIL DAN PEMBAHASAN. Selang Kepercayaan Bootstrap bagi Arah Rata-rata dan Arah Median
HASIL DAN PEMBAHASAN Sebelum dilakukan pendugaan selang kepercayaan, terlebih dahulu dilihat ketakbiasan dari penduga titik. Caranya adalah dengan menghitung nilai harapan dari arah rata-rata dan arah
Lebih terperinciAlgoritma Simplex. Algoritma Simplex adalah algoritma yang digunakan untuk mengoptimalkan fungsi objektif dan memperhatikan semua persamaan
Algoritma Simplex Algoritma Simplex adalah algoritma yang digunakan untuk mengoptimalkan fungsi objektif dan memperhatikan semua persamaan kendala. (George Dantizg, USA, 1950) Contoh Kasus Suatu perusahaan
Lebih terperinciPeramalan (Forecasting)
Peramalan (Forecasting) Peramalan (forecasting) merupakan suatu proses perkiraan keadaan pada masa yang akan datang dengan menggunakan data di masa lalu (Adam dan Ebert, 1982). Awat (1990) menjelaskan
Lebih terperinciBab 2 LANDASAN TEORI. : Ukuran sampel telah memenuhi syarat. : Ukuran sampel belum memenuhi syarat
Bab 2 LANDASAN TEORI 2.1. Uji Kecukupan Sampel Dalam melakukan penelitian ini yang berhubungan dengan kecukupan sampel maka langkah awal yang harus dilakukan adalah pengujian terhadap jumlah sampel. Pengujian
Lebih terperinciBAB 4 Sistem Persamaan Linear. Sistem m persamaan linear dalam n variabel LG=C adalah himpunan persamaan linear
BAB 4 Sistem Persamaan Linear berbentuk Sistem m persamaan linear dalam n variabel LG=C adalah himpunan persamaan linear Dengan koefisien dan adalah bilangan-bilangan yang diberikan. Sistem ini disebut
Lebih terperinciPERSAMAAN NON LINIER
PERSAMAAN NON LINIER Obyektif : 1. Mengerti penggunaan solusi persamaan non linier 2. Mengerti metode biseksi dan regulafalsi 3. Mampu menggunakan metode biseksi dan regula falsi untuk mencari solusi PENGANTAR
Lebih terperinciPAM 252 Metode Numerik Bab 3 Sistem Persamaan Linier
PAM 252 Metode Numerik Bab 3 Sistem Persamaan Linier Mahdhivan Syafwan Jurusan Matematika FMIPA Universitas Andalas Semester Genap 2016/2017 1 Mahdhivan Syafwan Metode Numerik: Sistem Persamaan Linier
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
Lebih terperinciPENERAPAN LEAST SQUARE METHOD UNTUK PERAMALAN PENJUALAN DI HIJABSTORY BANDUNG
PENERAPAN LEAST SQUARE METHOD UNTUK PERAMALAN PENJUALAN DI HIJABSTORY BANDUNG Wendi Wirasta, Muhamad Luthfi Ashari 2 Program Studi Teknik Informatika, STMIK & Ilmu Komputer LPKIA Jl. Soekarno Hatta 456,
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Deskripsi Data Simulasi Plot pencaran titik data antara peubah respon dengan peubah penjelas dapat dilihat pada Gambar 5. Gambar tersebut mengungkapkan bahwa secara keseluruhan pola
Lebih terperinciBentuk umum : SPL. Mempunyai penyelesaian disebut KONSISTEN. Tidak mempunyai penyelesaian disebut TIDAK KONSISTEN TUNGGAL BANYAK
Bentuk umum : dimana x, x,..., x n variabel tak diketahui, a ij, b i, i =,,..., m; j =,,..., n bil. diketahui. Ini adalah SPL dengan m persamaan dan n variabel. SPL Mempunyai penyelesaian disebut KONSISTEN
Lebih terperinci