PERBADINGAN BIAS ESTIMATOR KERNEL NADARAYA-WATSON DAN LOCALLY LINEAR PADA REGRESI NONPARAMETRIK

Ukuran: px
Mulai penontonan dengan halaman:

Download "PERBADINGAN BIAS ESTIMATOR KERNEL NADARAYA-WATSON DAN LOCALLY LINEAR PADA REGRESI NONPARAMETRIK"

Transkripsi

1 SAINTEBU Jural Sa da Tekolog PERBADINGAN BIAS ESTIMATOR ERNEL NADARAYA-WATSON DAN LOCALLY LINEAR PADA REGRESI NONPARAMETRI BIAS COMPARISON NADARAYA WATSON AND LOCALLY LINEAR ERNEL ESTIMATOR OF NONPARAMETRIC REGRESSION Zulfkar Doe pada Jurua Stem Iforma da Tekk Iformatka STMI Barul Ulum, Jombag tp//wwwtmkbuacd Abtrak Dberka data, erta ubuga atara da model regre oparametrk: m,,,, daumka megkut urva regre m daumka betuka tdak dketau da eata radom berdtrbu depede dega mea ol da vara Dalam peelta aka dkaj betuk etmator utuk m dega polomal lokal derajat p Jka p = 0 dperole etmator Nadaraa-Wato Utuk p = dperole etmator Locall Lear Selajuta dbadgka la ba, vara da MSE dar kedua etmator terebut Aplka etmator kerel dlakuka pada data Caada Male dar al peelta Murp da Welc 990 ata uc: Etma Noparametrk,leat quare terbobot, Polomal Lokal Abtract Gve a data et, ad coectg betwee ad oparametrc regreo model : m,,,, be aumed to follow Regreo curve of m be aumed a ukow form ad, a error term te obervato are IID wt mea 0 ad fte varace I t paper propoe to et mea codtoal etmator wt emplo te local polomal metod wc polomal degree p = 0 wll be formed te Nadaraa-Wato etmator ad p = to et te Locall Lear etmator Furtemore, wt te ame metod alo be eted te comparo bot ba ad varace erel etmator wll be appled of te Caada Male Data b Murp ad Welc 990 e word: Noparametrc etmato, wegted leat quare, Local polomal Pedaulua Dalam proe etma oparametrk, etmator kerel megalka ba ag agat megggaggu fere Ba memlk dua umber, atu kurva ba da boudar ba Race, 990 Pertama, kerel order ke-p, ba tergatug pada turua ke-p erel order kedua mala megalka ba ag berkata dega turua kedua edua, etmator kerel memlk kecepata kovergea ag lambat da memlk ba ag tgg dekat bata-bata terval Tpe dtujukka ebaga boudar ba

2 SAINTEBU Jural Sa da Tekolog Beberapa pedekata reduk ba dalam etma bertumpu pada fat-fat amtotk, pegguaa kerel order tgg da metode reamplg Hardle da Bowma 988 meujukka bawa ekpa amtotk utuk reduk ba Pedekata reduk ba aa megguaka ekpa da tdak megguaka order leb reda Pedekata reduk ba terkorek dega boottrap utuk etmator kerel ag dlakuka Hardle da Marro 99 Pedekata la utuk mereduk ba adala dega kerel order tgg Bartlett 963 mempertmbagka reduk ba berdaarka Mea Square Error MSE Gaer da Muller 979 da Rce 984 meujukka bawa etmator kerel Nadaraa- Wato memlk kecepata koverge ag lambat da ba ag tgg dekat bata-bata pada terval Gaer da Muller 979 meujukka perlaku amtotk ecara global da pegarua mejad buruk utuk kerel order tgg Dalam peelta dguaka etmator kerel Nadaraa-Wato da Locall Lear utuk megkaj ba reger kerel order reda, epert kerel order dua Etmator erel pada Fug Regre Aum daar regre oparametrk adala keberadaa fug pegalu m dar ubuga repo da predktor, atu : Y m,,,, dmaa ~ N0, da m kurva regre ag betuka tdak dketau Fug regre m pada model regre oparametrk dapat detma dega pedekata kerel ag ddaarka pada fug deta kerel, erta pegalu dega pedekata kerel elajuta dekeal ebaga pegalu kerel mootg kerelhardle 99 Dua etmator kerel terkeal adala etmator Nadaraa-Wato da Locall Lear Metode ag dguaka adala dega peetapa polomal lokal Wad da Joe, 995 Metode meetapka etma leat quare terbobot : pada dejarat p dega memmumka : T β =, 0,,, p p Y 0 p, dmaa ebaga pembobot kerel Solu tadar adala etmator p + : X T W X, - X T W Y 3 T dalam betuk matrk gular, dmaa Y = Y,, adala vektor repo, Y 3

3 SAINTEBU Jural Sa da Tekolog 4 X = P P adala ebua betuk matrk p + da W =,, dag merupaka matrk dagoal pada pembobot etka etmator pada m adala koefe tercept dperole :, ; p m e T X T W X, - X T W Y 4 dmaa e adala vektor p + berla dalam mauka pertama da ol utuk ag laa Scuca 004 meataka bawa ketka p = 0 ecara ekplt aka membetuk formula etmator Nadaraa-Wato da p = aka membetuk etmator Locall Lear Utuk p = 0 dperole etma : NW Y m / ;0, 5 ebaga betuk etmator kerel Nadaraa-Wato Sedagka utuk p = dperole etma ;, m LL Y Jka,, j j j maka dperole etmator kerel Locall Lear,, Y m LL 6 Utuk medapatka peramaa ba, da vara maka dbuat aum ebaga berkut : Fug m, m da ' ' m kotu dalam [0,] erel metr ektar ol Segga dperole ba da vara ebaga berkut :

4 SAINTEBU Jural Sa da Tekolog Tabel Ba da Var etmator kerel order dua erel Ba Vara Nadaraa-Wato m' f ' Ba{ m } m'' z z dz f Var{ m } Locall Lear Ba { m } { z z dz} m'' Var{ m }! z dz z dz 3 Aplka erel Utuk megaplkaka etmator kerel Nadaraa-Wato da Locall Lear dguaka data peelta Caada Male ole Murp da Wecl 990 dega melat ubuga atara pegalama kerja da beara pegala Badwdt optmum dperole ebear 7, utuk kerel Nadaraa-Wato da 4,33 utuk kerel Locall Lear dega megguaka Geeralzed Cro Valdato GCV Gambar erel Nadaraa-Wato dega Badwdt optmal = 7kr, da tdak optmal = 0,5 kaa Gambar erel Locall Lear dega Badwdt optmal = 4,33kr, da tdak optmal = 0, kaa Pada gambar da terlat bawa kurva regre dega badwdt optmal terlat moot dbadgka dega badwdt tdak optmal da dtujukka bawa la ba, vara da MSE pada badwdt optmal leb kecl dbadgka pada badwdt tdak 5

5 SAINTEBU Jural Sa da Tekolog optmal Nla vara da MSE pada optmal leb kecl utuk kerel Nadaraa-Wato da Locall Lear order dua epert terlat pada tabel berkut: Tabel Perbadga Nla, Ba, Varace, MSE da orek Ba atara Dua Etmator erel Ba Varace MSE Nadaraa-Wato H = 7, optmal H = 0,5 Locall Lear H = 4,33 optmal H = 0,0 0, , , , , , , , , , , , Dega melat la ba, vara da MSE dapat dmpulka etmator kerel Nadaraa-Wato leb bak pada aplka data Caada Male dbadgka kerel Locall Lear 4 erel Nadaraa-Wato Order Tgg Setela ddapatka etmator terbak, maka elajuta dlakuka perbadga dega kerel order tgg, atu utuk order 4, 6, 8 da 0 Hal pertuga ba, vara da MSE kerel order tgg terlat pada tabel 3 berkut: Tabel 44 Nla Ba, Vara da MSE pada etmator kerel Nadaraa - Wato erel Ba Vara MSE NW Order dua 0, , , NW Order empat 0,0049 0, , NM Order eam 0, , , NM Order delapa 0, , , NM Order epulu 0, , , Pada tabel d ata terlat bawa emak tgg order, la vara da MSE emak kecl Utuk melat kurva regre kerel order tgg dajka pada gambar 3 Gambar 3 terlat bawa pada order 4 permukaa kurva uda moot da ampr bermpt dega order 6, 8 da 0 6

6 3 4 5 SAINTEBU Jural Sa da Tekolog order order 4 order 6 order 8 order Gambar 3 erel Nadaraa-Wato Order Tgg empula a Berdaarka aplka data dar Murp da Welc 990 ddapatka bawa etmator terbak djumpa pada kerel Nadaraa-Wato ag dtujukka pada badwdt optmal dperole la vara da MSE dar etmator kerel Nadaraa-Wato order- leb kecl dar etmator kerel Locall-Lear order- b Pada etma kerel Nadaa-Wato order leb tgg 4, 6, 8 da 0 mempua la ba, vara dab MSE ag leb kecl dar kerel Nadaraa-Wato order- Utuk order-4, 6, 8 da 0 memperlatka pola ag ampr bermpt Daftar Putaka Bartlett, M S 963, Stattcal Etmato of Det Fucto, Saka 5, Gaer, T ad Muller, H G98, erel etmato of Regreo Fucto, Smootg Tecque for Curve etmato, Sprger-Verlag, Berl, Heldleberg, New York, pp 3-68 Hardle, W 99, Appled Noparametrc Regreo, Cambrdge Uvert Pre, Cambrdge Hardle, W ad Bowma, S 988, Boottrappg Noparametrc Regreo Local Adaptve Smootg ad Cofdece Boud, Joural of te Amerca Stattc Aoato 83, 0-0 Hardle, W ad Maro, S 99, Boottrappg Smultaeou Error Bar for Noparametrc regreo Aal of Stattc 9, Murp, M da Welc, F 990, Emprcal Age- Earg Profle, Joural of Labour Ecoomc 8, 0-9 Race, J 998, Ba-Corrected erel Regreo, Departmet of Ecoomc, Uvert of Sout Florda, Tampa, FL, USA 3360 Rce, J A 984, Boudar Modfcato for erel Regreo, Commucato Stattc 3, Scuca, W R 004, erel Smooter: A Overvew of Curve Etmato for Te Frt Graduate Coure Noparametrc Stattc Departmet of Stattcal Scece, SMU, Dalla TX 7

BAB III REVIEW SIFAT- SIFAT STATISTIK PENDUGAAN TIPE KERNEL BAGI FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN PERIODE GANDA

BAB III REVIEW SIFAT- SIFAT STATISTIK PENDUGAAN TIPE KERNEL BAGI FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN PERIODE GANDA 9 BAB III REVIEW SIFAT- SIFAT STATISTI PENDUGAAN TIPE ERNE BAGI FUNGSI INTENSITAS PROSES POISSON PERIODI DENGAN PERIODE GANDA 3. Perumua Peduga Malka adala proe Poo ag damat pada terval [0] dega fug teta

Lebih terperinci

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo Estmas Regres Deret Fourer ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo 2 ) Jurusa Matematka, FMIPA, Udp 2) Jurusa Ped. Matematka, FPMIPA, IKIP PGRI, Semarag

Lebih terperinci

PEMULUSAN SEBARAN DATA MENGGUNAKAN PENAKSIR KERNEL NADARAYA-WATSON DAN LINIER LOKAL UNTUK KERNEL NORMAL. Sudarno 1.

PEMULUSAN SEBARAN DATA MENGGUNAKAN PENAKSIR KERNEL NADARAYA-WATSON DAN LINIER LOKAL UNTUK KERNEL NORMAL. Sudarno 1. PROSIDING SEMINAR NASIONAL STATISTIA UNIVERSITAS DIPONEGORO ISBN: 978-979-97-- PEMULUSAN SEBARAN DATA MENGGUNAAN PENASIR ERNEL NADARAA-WATSON DAN LINIER LOAL UNTU ERNEL NORMAL Sudaro ) Program Stud Statstka

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN MEDIAN DAN KOEFISIEN KURTOSIS

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN MEDIAN DAN KOEFISIEN KURTOSIS PENAKIR RAIO YANG EFIIEN UNTUK RATA-RATA POPULAI PADA AMPLING ACAK EDERHANA MENGGUNAKAN MEDIAN DAN KOEFIIEN KURTOI abarah * Haro H rat Mahawa Program Matematka Doe Jurua Matematka Fakulta Matematka da

Lebih terperinci

PENGUJIAN HIPOTESIS PROSEDUR UMUM PROSEDUR UMUM PROSEDUR UMUM. Langkah 1 : tentukan hipotesis 0 (H 0 ) dan anti hipotesis (H 1 )

PENGUJIAN HIPOTESIS PROSEDUR UMUM PROSEDUR UMUM PROSEDUR UMUM. Langkah 1 : tentukan hipotesis 0 (H 0 ) dan anti hipotesis (H 1 ) PENGUJIAN HIPOTESIS PROSEDUR UMUM Lagkah : tetuka hpote 0 (H 0 ) da at hpote (H ) malya: H 0 : µ 00 H : µ 00 atau H : µ > 00 atau H : µ < 00 PROSEDUR UMUM Lagkah : tetuka je dtrbu yag cocok: bla > 30 da

Lebih terperinci

III. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah seluruh siswa kelas X SMA Negeri 1

III. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah seluruh siswa kelas X SMA Negeri 1 8 III. MEODOLOGI PEELIIA A. Popula da Sampel Popula dalam peelta adalah eluruh wa kela X SMA eger Bagurejo Lampug egah tahu pelajara 009/00 ebayak 75 orag yag terdtrbu dalam lma kela dmaa tgkat kemampua

Lebih terperinci

JMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb.

JMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb. JMP : Volume Nomor, Oktober 009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK Agust Trpea Br.Sb. Fakultas Sas da Tekk, Uverstas Jederal Soedrma Purwokerto, Idoesa

Lebih terperinci

PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE. Suparti 1 dan Tarno 2

PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE. Suparti 1 dan Tarno 2 Pemodela Data (Supart) PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE Supart 1 da Taro 2 1 Staf Jurusa Statstka FSM UNDIP,

Lebih terperinci

KERNEL ORDER TINGGI UNTUK ESTIMASI VALUE AT RISK (VaR) MANAJEMEN RESIKO TENAGA KERJA

KERNEL ORDER TINGGI UNTUK ESTIMASI VALUE AT RISK (VaR) MANAJEMEN RESIKO TENAGA KERJA KERNEL ORDER TINGGI UNTUK ESTIMASI VALUE AT RISK (VaR) MANAJEMEN RESIKO TENAGA KERJA Zulfkar Sstem Ifromas da Tekk Iformatka STMIK Bahrul Ulum Jombag Emal: zulfkarda@gmal.com ABSTRAK Implkas dar maeeme

Lebih terperinci

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1 Itegras Metode Itegral Rema Metode Itegral Trapezoda Metode Itegral Smpso Itegras Permasalaa Itegras Pertuga tegral adala pertuga dasar yag dguaka dalam kalkulus, dalam bayak keperlua. Itegral secara det

Lebih terperinci

ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan

ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan JMP : Vol. 8 No., Des. 016, al. 33-40 ISSN 085-1456 ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI Novita Eka Cadra Uiversitas Islam Darul Ulum Lamoga ovitaekacadra@gmail.com Masriai Mayuddi Uiversitas

Lebih terperinci

III. METODE PENELITIAN. Populasi dalam penelitian ini adalah seluruh siswa kelas VII semester ganjil SMP

III. METODE PENELITIAN. Populasi dalam penelitian ini adalah seluruh siswa kelas VII semester ganjil SMP III. METODE PENELITIAN A. Popula da Sampel Popula dalam peelta adalah eluruh wa kela VII emeter gajl SMP Ba Mulya Badar Lampug Tahu Pelajara 0/0 dega jumlah wa ebayak 03 wa yag terbag dalam 3 kela. Sampel

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2 INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas

Lebih terperinci

ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI POLINOMIAL LOKAL

ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI POLINOMIAL LOKAL IdoMS Joural o Statstcs Vol., No. 1 (014), Page 65-78 ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI POLINOMIAL LOKAL Supart 1, Bud Warsto, Moc Abdul Mukd 3 1,,3 Staf Jurusa Statstka, FSM,

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN 5 BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Dekrp Data Hal Peelta Setelah melakuka peelta, peelt medapatka hal tud lapaga utuk memperoleh data dega tekk te, etelah dlakuka uatu pembelajara atara kelompok

Lebih terperinci

PENDEKATAN ESTIMATOR KERNEL UNTUK ESTIMASI DENSITAS MULUS

PENDEKATAN ESTIMATOR KERNEL UNTUK ESTIMASI DENSITAS MULUS J. Pjar MIPA Vol. V No. September : 8-85 ISSN 97-7 PENDEATAN ESTIMATOR ERNEL UNTU ESTIMASI DENSITAS MULUS Lala Hayat Program Std Peddka Matematka PMIPA FIP Uverstas Mataram Jl. Majapat No. 6 Mataram 835

Lebih terperinci

X, Y, yang diasumsikan mengikuti model :

X, Y, yang diasumsikan mengikuti model : PERBANDINGAN MODEL REGRESI NONPARAMETRIK DENGAN REGRESI SPLINE DAN KERNEL Lls Laome Jurusa Matematka FMIPA Uverstas Haluoleo Kedar 933 emal : ls@yaoo.com Abstrak Tulsa membaas model regres oarametrk utuk

Lebih terperinci

5/12/2014. Tempat Kedudukan Akar(Root Locus Analysis) ROOT LOCUS ANALYSIS

5/12/2014. Tempat Kedudukan Akar(Root Locus Analysis) ROOT LOCUS ANALYSIS 5//04 Matakulah: T EDALI Tahu : 04 Pertemuaa 45 Tempat eduduka Akar(Root Lou Aaly) Learg Outome Pada akhr pertemua, dharapka mahawa aka mampu : meerapka aal da aplka Tempat keduduka Akar dalam dea tem

Lebih terperinci

BAB III TEOREMA GLEASON DAN t-desain

BAB III TEOREMA GLEASON DAN t-desain BAB III TEOREMA GLEASON DAN t-desain Dalam ubbab 3., kta aka mempelaar alah atu fat petg dar kode wa-dual geap. Sfat terebut dberka oleh Teorema 3.(Teorema Gleao), Teorema ecara megeaka telah meetuka betuk

Lebih terperinci

BAB IV HASIL PENELITIAN. Hasil penelitian ini berdasarkan data yang diperoleh dari kegiatan penelitian

BAB IV HASIL PENELITIAN. Hasil penelitian ini berdasarkan data yang diperoleh dari kegiatan penelitian BAB IV HASIL PENELITIAN Hasl peelta berdasarka data yag dperole dar kegata peelta yag tela dlaksaaka ole peelt d MTs Salafya II Radublatug Blora pada kelas VIII A tau ajara 1 11. Data asl peelta tersebut

Lebih terperinci

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

Penelitian Operasional II Teori Permainan TEORI PERMAINAN Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game

Lebih terperinci

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

Lebih terperinci

ANALISIS DATA INFLASI DI INDONESIA PASCA KENAIKAN TDL DAN BBM TAHUN 2013 MENGGUNAKAN MODEL REGRESI KERNEL. Suparti 1

ANALISIS DATA INFLASI DI INDONESIA PASCA KENAIKAN TDL DAN BBM TAHUN 2013 MENGGUNAKAN MODEL REGRESI KERNEL. Suparti 1 Aalss Data (Supart) ANALISIS DATA INFLASI DI INDONESIA PASCA KENAIKAN TDL DAN BBM TAHUN 013 MENGGUNAKAN MODEL REGRESI KERNEL Supart 1 1 Staf Pegajar Jurusa Statstka Udp e-mal : supartsudargo@yaoo.co.d

Lebih terperinci

BAB 4 SISTEM DINAMIK ORDE-TINGGI

BAB 4 SISTEM DINAMIK ORDE-TINGGI Stem Damk Ore-Tgg 47 BAB 4 SISTEM DINAMI ORDE-TINI Stem amk ore-tgg gabuga ua atau lebh tem amk ore-atu. Cotoh:. Level cotrol paa tagk-tagk, bak yag tem o- terka oteractg ytem maupu yag terterak teractg

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab ini akan dibahas dasar-dasar teori yang akan digunakan

BAB II LANDASAN TEORI. Pada bab ini akan dibahas dasar-dasar teori yang akan digunakan BAB II LANDASAN TEORI Pada bab ii aka dibaa daar-daar teori yag aka diguaka dalam peulia kripi ii, yaitu megeai metode peakira maximum likeliood, metode peakira oit maximum likeliood da fier iformatio..1

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

SIFAT-SIFAT LANJUT FUNGSI TERBATAS Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas

Lebih terperinci

PENGGUNAAN BOOTSTRAP UNTUK MENDETEKSI KEAKURATANAN KRIGING. Isnani, M.Si. PMTK FKIP Univ. Pancasakti Tegal

PENGGUNAAN BOOTSTRAP UNTUK MENDETEKSI KEAKURATANAN KRIGING. Isnani, M.Si. PMTK FKIP Univ. Pancasakti Tegal PROSIDING ISBN: 978-979-6353-3- S- PENGGUNAAN BOOTSTRAP UNTUK MENDETEKSI KEAKURATANAN KRIGING Ia, MS Abtrak PMTK FKIP U Pacaakt Tegal Boottrap dkembagka utuk data tak berkorela, jka berkorela maka dperluka

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI Utu mempermudah dalam meyeleaa pembahaa pada bab, maa aa dbera beberapa def da beberapa teor daar yag meduug... Teor Teor Peduug... Rua Gar Def. Rua Gar Ja ada d R atau 3 R, maa ebuah

Lebih terperinci

Estimasi Densitas Mulus dengan Metode Wavelet. (Wavelet Method in Smooth Density Estimation)

Estimasi Densitas Mulus dengan Metode Wavelet. (Wavelet Method in Smooth Density Estimation) Supart da Subaar Estmas Destas Mulus dega Metode Wavelet (Wavelet Method Smooth Desty Estmato) Oleh Supart ) da Subaar ) Let X Abstract =,,, be depedet observato data from a dstrbuto wth a ukow desty fucto

Lebih terperinci

PEMILIHAN VARIABEL DAN REDUKSI DIMENSI DALAM REGRESI NONPARAMETRIK BERDIMENSI BESAR

PEMILIHAN VARIABEL DAN REDUKSI DIMENSI DALAM REGRESI NONPARAMETRIK BERDIMENSI BESAR PEMILIHAN VARIABEL DAN REDUKSI DIMENSI DALAM REGRESI NONPARAMETRIK BERDIMENSI BESAR Eva Yat Sregar Dose Program Stud Peddka Matematka STKIP Tapaul Selata Jl. Suta Muammad Arf Kel. BatagAyum Jae Padagsdmpua

Lebih terperinci

ANALISIS MULTIVARIAT. Pengantar Analisis Multivariat Lanjutan. Irlandia Ginanjar M.Si

ANALISIS MULTIVARIAT. Pengantar Analisis Multivariat Lanjutan. Irlandia Ginanjar M.Si ANALISIS MULTIVARIAT Pegatar Aal Multvarat Lauta Irlada Gaar M.S Jurua Stattka FMIPA Uad Nota utuk varabel varabel berkala l terval atau rao k bl k Vektor varabel acak: Nla haraa vektor Nla haraa vektor

Lebih terperinci

PENAKSIR RASIO REGRESI LINEAR YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO REGRESI LINEAR YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKIR RAIO REGREI LINEAR ANG EFIIEN UNTUK RATA-RATA POPULAI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Ed Jamlu 1* Harso Haposa rat 1 Mahasswa Program tud 1 Matematka Dose Jurusa Matematka Fakultas Matematka

Lebih terperinci

PENAKSIR REGRESI CUM RASIO UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN KOEFISIEN KURTOSIS DAN KOEFISIEN SKEWNESS

PENAKSIR REGRESI CUM RASIO UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN KOEFISIEN KURTOSIS DAN KOEFISIEN SKEWNESS PENAKIR REGREI CUM RAIO UNTUK RATA-RATA POPULAI DENGAN MENGGUNAKAN KOEFIIEN KURTOI DAN KOEFIIEN KEWNE usta Wula ar *, Arsma Ada, Haposa rat Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka

Lebih terperinci

100% r n. besarnya %. n. h t t p : / / m a t e m a t r i c k. b l o g s p o t. c o m =. 400

100% r n. besarnya %. n. h t t p : / / m a t e m a t r i c k. b l o g s p o t. c o m =. 400 h t t p : / / m a t e m a t r c k. b l o g p o t. c o m Meetuka uur-uur pada dagram lgkara atau batag Rgkaa Mater : Uur uur pada dagram lgkara yag pokok haya hal :. Meetuka bear baga dalam lgkara ( dapat

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB LANDASAN TEOR. Aal Regre Salah atu tuua aal data adalah utuk memperkraka/memperhtugka beara efek kuattatf dar perubaha uatu keada terhadap keada laa. Setap kebaka (polc), bak dar pemertah maupu wata,

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDAAN TEOR. Aal Regre alah atu tuua aal data adalah utuk memperkraka/memperhtugka beara efek kuattatf dar perubaha uatu keada terhadap keada laa. etap kebaka polc, bak dar pemertah maupu wata, elalu

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

REGRESI NONPARAMETRIK KERNEL ADJUSTED. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan

REGRESI NONPARAMETRIK KERNEL ADJUSTED. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan JMP : Volume 7 Nomor, Ju 05, hal. - 0 REGRESI NONPARAMETRIK KERNEL ADJUSTED Novta Eka Chadra Uverstas Islam Darul Ulum Lamoga ovtaekachadra@gmal.com Sr Haryatm da Zulaela Jurusa Matematka FMIPA UGM ABSTRACT.

Lebih terperinci

PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA ADAPTIF CLUSTER

PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA ADAPTIF CLUSTER PEAKI AIO UTUK ATA-ATA POPUAI PADA AMPIG ACAK BETATA ADAPTIF CUTE Dita Ardii uam Efedi Buami Maasisa Program Matematika Dose Jurusa Matematika Fakultas Matematika da Ilmu Pegetaua Alam Uiversitas iau Kampus

Lebih terperinci

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari: 5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut

Lebih terperinci

BAB IV SEBARAN ASIMTOTIK PENDUGA DENGAN MENGGUNAKAN KERNEL SERAGAM. ) menyatakan banyaknya kejadian pada interval [ 0, n ] dan h

BAB IV SEBARAN ASIMTOTIK PENDUGA DENGAN MENGGUNAKAN KERNEL SERAGAM. ) menyatakan banyaknya kejadian pada interval [ 0, n ] dan h BAB IV SEBARAN ASIMTOTIK PENDUGA DENGAN MENGGUNAKAN KERNEL SERAGAM 4.1 Peduga dega Kerel Seragam Pada bab ii diguaka peduga dega kerel eragam. Hal ii karea aya belum berail memperole ebara aimtotik dari

Lebih terperinci

IMPLEMENTASI DELAY DIFFERENTIAL EQUATION PADA SOLVER ORDINARY DIFFERENTIAL EQUATION MATLAB. Rully Soelaiman dan Yudhi Purwananto

IMPLEMENTASI DELAY DIFFERENTIAL EQUATION PADA SOLVER ORDINARY DIFFERENTIAL EQUATION MATLAB. Rully Soelaiman dan Yudhi Purwananto IMPLEMENTASI DELAY DIFFERENTIAL EQUATION PADA SOLVER ORDINARY DIFFERENTIAL EQUATION MATLAB Rull Soelama da Yudh Purwaato Fakulta Tekolog Iorma, Ittut Tekolog Sepuluh Nopember Kampu ITS, JlRaa ITS Sukollo,

Lebih terperinci

Perancangan Pengendali PID. Institut Teknologi Sepuluh Nopember

Perancangan Pengendali PID. Institut Teknologi Sepuluh Nopember Peracaga Pegedal PID Ittut Tekolog Seuluh Noember Pegatar Mater Cotoh Soal Latha Rgkaa Pegatar Mater Cotoh Soal Peracaga Pegedal P Peracaga Pegedal PI Peracaga Pegedal PD Peracaga Pegedal PID Latha Rgkaa

Lebih terperinci

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS LGORITM MENENTUKN HIMPUNN TERBESR DRI SUTU MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar Program Stud Matematka FMIP UNDIP JlProfSoedarto SH Semarag 575 bstract Ths research dscussed about how to obtaed

Lebih terperinci

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema II. LANDAAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teoremateorema ag medukug utuk pembahasa pada bab IV. Pegerta (defs) da teorema tersebut dtulska sebaga berkut.. Teorema Proeks Teorema

Lebih terperinci

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

PENYELESAIAN PENGOPTIMUMAN PORTOFOLIO FUZZY MENGGUNAKAN PENDEKATAN FUNGSI LAGRANGE. Sugiyarto

PENYELESAIAN PENGOPTIMUMAN PORTOFOLIO FUZZY MENGGUNAKAN PENDEKATAN FUNGSI LAGRANGE. Sugiyarto Prodg ear Naoal Peelta Peddka Peerapa MIPA akulta MIPA Uverta Neger Yogyakarta 6 Me 009 M-8 PENYELEAIAN PENGOPTIMUMAN PORTOOLIO UY MENGGUNAKAN PENDEKATAN UNGI LAGRANGE ugyarto MIPA Matematka Uverta Ahmad

Lebih terperinci

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud

Lebih terperinci

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas

Lebih terperinci

Weight Estimation Using Generalized Moving Average

Weight Estimation Using Generalized Moving Average IPTEK, The Joural for Techolog ad Scece, Vol. 9, No. 4, November 8 3 Weght Estmato Usg Geeralzed Movg Average Jerr Dw Trjoo Puromo, I Noma Budatara, da Kartka Ftrasar Abstract Estmato of regresso curve

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi 3 II. TINJAUAN PUSTAKA. Aalss Regres Aalss regres merupaka salah satu metode statstka ag dguaka utuk mempelajar da megukur huuga statstk ag terjad atara dua atau leh varael. Dalam regres sederhaa dkaj

Lebih terperinci

BOBOT OPTIMAL PADA REGRESI SEMIPARAMETRIK SPLINE

BOBOT OPTIMAL PADA REGRESI SEMIPARAMETRIK SPLINE BOBOT OPTIMAL PADA REGRESI SEMIPARAMETRIK SPLINE Jerry Dw Trjoyo Puromo Jurusa Statstka Isttut Tekolog Sepuluh Nopember Surabaya Emal: jerrypuromo@yahoo.com ABSTRAK Regres semparametrk sple adalah metode

Lebih terperinci

PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN MEDIAN

PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN MEDIAN PENAKI AIO UNTUK ATA-ATA POPULAI PADA AMPLING ACAK EDEHANA MENGGUNAKAN KOEFIIEN VAIAI DAN MEDIAN sk ahmada *, Arsma Ada, Haposa rat Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da

Lebih terperinci

On A Generalized Köthe-Toeplitz Duals

On A Generalized Köthe-Toeplitz Duals JMP : Volume 4 Nomor, Ju 202, hal. 3-39 O A Geeralzed Köthe-Toepltz Duals Sumardoo, Supama 2, da Soepara Darmawaa 3 PPPPTK Matematka, smrd2007@gmal.com 2 Mathematcs Departmet, Gadah Mada Uverst, supama@ugm.ac.d

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI

KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI Defl Ardh 1, Frdaus, Haposa Srat defl_math@ahoo.com

Lebih terperinci

X a, TINJAUAN PUSTAKA

X a, TINJAUAN PUSTAKA PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel

Lebih terperinci

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER TUGAS ATA KULIAH TEORI RING LANJUT ODUL NOETHER Da Aresta Yuwagsh (/364/PPA/03489) Sebelumya, telah dketahu bahwa sebaga rg dega eleme satua memeuh sfat rata ak utuk deal-deal d. Apabla dpadag sebaga modul,

Lebih terperinci

Regresi & Korelasi Linier Sederhana

Regresi & Korelasi Linier Sederhana Regres & Korelas Ler Sederhaa. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar la peubah

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 3, , Desember 2001, ISSN :

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 3, , Desember 2001, ISSN : Vol. 4. No. 3, 5-59, Deember 00, ISSN : 40-858 APLIKASI METODE BESARAN PIVOTAL DALAM PENENTUAN SELANG KEYAKINAN TAKSIRAN PARAMETER POPULASI. Agu Rugyoo Jurua Matematka FMIPA UNDIP Abtrak Dberka popula

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

REGRESI & KORELASI LINIER SEDERHANA

REGRESI & KORELASI LINIER SEDERHANA . Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

ANALISIS REGRESI SEMIPARAMETRIK PADA KASUS HILANGNYA RESPON

ANALISIS REGRESI SEMIPARAMETRIK PADA KASUS HILANGNYA RESPON ANALISIS REGRESI SEMIPARAMERIK PADA KASUS HILANGNA RESPON Irma ahya ), I Nyoma Budatara ), da Kartka Ftrasar ) ) Jurusa Matematka FMIPA, Uverstas Haluoleo Kedar ) Jurusa Statstka FMIPA, IS Sukollo Surabaya

Lebih terperinci

SEBARAN ASIMTOTIK PENDUGA FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN PERIODE GANDA IDDAYATI

SEBARAN ASIMTOTIK PENDUGA FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN PERIODE GANDA IDDAYATI SEBARAN ASIMTOTI PENDUGA FUNGSI INTENSITAS PROSES POISSON PERIODI DENGAN PERIODE GANDA IDDAYATI SEOAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 0 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dega aya

Lebih terperinci

MODEL SPLINE DENGAN ERROR BERKORELASI. Nalim, I Nyoman Budiantara dan Kartika Fitriasari Jurusan Statistika ITS Kampus ITS Sukolilo Surabaya 60111

MODEL SPLINE DENGAN ERROR BERKORELASI. Nalim, I Nyoman Budiantara dan Kartika Fitriasari Jurusan Statistika ITS Kampus ITS Sukolilo Surabaya 60111 MODEL SPLINE DENGAN ERROR BERKORELASI Nalm I Nyoma Budatara da Kartka Ftrasar Jurusa Statstka ITS Kampus ITS Sukollo Surabaya 60 Abstract Sple smoothg s a popular method for estmatg the fucto oparametrc

Lebih terperinci

BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA

BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA 3. Perumusa Peduga Misalka N adala proses Poisso o omoge pada iterval [, dega fugsi itesitas yag tidak diketaui. Fugsi ii diasumsika teritegralka

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

8. MENGANALISIS HASIL EVALUASI 8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara

Lebih terperinci

PENAKSIR DUAL RATIO-CUM-PRODUCT UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA

PENAKSIR DUAL RATIO-CUM-PRODUCT UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA ENAKSI DUAL ATIO-UM-ODUT UNTUK ATA-ATA OULASI ADA SAMLING AAK SEDEHANA hrsta ajata, Frdaus, Haposa Srat Mahasswa rogram Stud S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu egetahua Alam Uverstas

Lebih terperinci

Penurunan Syarat Orde Metode Runge-Kutta dengan Deret Butcher

Penurunan Syarat Orde Metode Runge-Kutta dengan Deret Butcher Vol., No., -9, Januar 06 Penurunan Syarat Orde Metode Runge-Kutta dengan Deret Butcer Mutar Abtrak Tulan n membaa aplka deret Butcer dalam penurunan yarat orde metode Runge- Kutta. Penurunan deret Butcer

Lebih terperinci

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data //203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

PENAKSIR RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KUARTIL DARI KARAKTER TAMBAHAN PADA SAMPLING ACAK SEDERHANA

PENAKSIR RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KUARTIL DARI KARAKTER TAMBAHAN PADA SAMPLING ACAK SEDERHANA PEAKIR RAIO UTUK VARIAI POPULAI MEGGUAKA KUARTIL DARI KARAKTER TAMBAHA PADA AMPLIG ACAK EDERHAA Ari Elvita *, Arima Ada, Hapoa irait Mahaiwa Program Matematika Doe Jurua Matematika Fakulta Matematika da

Lebih terperinci

PERBANDINGAN METODE ESTIMASI-, ESTIMASI-, DAN ESTIMASI- PADA MODEL REGRESI ROBUST UNTUK MEMPREDIKSI PRODUKSI KEDELAI DI INDONESIA

PERBANDINGAN METODE ESTIMASI-, ESTIMASI-, DAN ESTIMASI- PADA MODEL REGRESI ROBUST UNTUK MEMPREDIKSI PRODUKSI KEDELAI DI INDONESIA PERBANDINGAN METODE ESTIMASI-, ESTIMASI-, DAN ESTIMASI- PADA MODEL REGRESI ROBUST UNTUK MEMPREDIKSI PRODUKSI KEDELAI DI INDONESIA Jural Daua epada Faulta Matemata da Ilmu Pegetahua Alam Uverta Neger Yogyaarta

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat. KALKULUS LANJUT Pertemua ke-4 Rey Ra Marlaa, S.S.,M.Stat. Plot Mater Notas Jumlah & Sgma Itegral Tetu Jumlah Rema Pedahulua Luas Notas Jumlah & Sgma Purcell, et all. (page 226,2003): Sebuah fugs yag daerah

Lebih terperinci

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut 3/9/202 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas

Lebih terperinci

REGRESI NONPARAMETRIK SPLINE UNTUK DATA BERAT BADAN BALITA MENURUT UMUR DI KABUPATEN BOJONEGORO TAHUN 2010

REGRESI NONPARAMETRIK SPLINE UNTUK DATA BERAT BADAN BALITA MENURUT UMUR DI KABUPATEN BOJONEGORO TAHUN 2010 REGRESI NONPARAMETRIK SPLINE UNTUK DATA BERAT BADAN BALITA MENURUT UMUR DI KABUPATEN BOJONEGORO TAUN Mahasswa Yulda Federka 9 5 6 Dose Pembmbg Ir. Mutah Salamah,M.Kes da Jerry Dw T.P.,S.S,M.S ABSTRAK Pertumbuha

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Hasl Peelta Peelta megguaka metde eksperme kuattat dega desa psttest ctrl grup desg yak meempatka subyek peelta kedalam dua kelmpk (kelas) yag dbedaka mejad kategr

Lebih terperinci

BAB III METODE MULTISTAGE CLUSTER SAMPLING. dilakukan melalui dua tahap pengambilan sampel atau lebih (Cochran, 1977:314).

BAB III METODE MULTISTAGE CLUSTER SAMPLING. dilakukan melalui dua tahap pengambilan sampel atau lebih (Cochran, 1977:314). BAB III METODE MULTISTAGE CLUSTER SAMPLIG A. Pedahulua Metode ulttage cluter aplg adalah proe pegabla apel ag dlakuka elalu dua tahap pegabla apel atau lebh (Cochra, 977:34). Pearka apel dega etode ebeara

Lebih terperinci

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode BAB II ANDASAN TEORI. Regres Noparametrk Metode statstka oparametrk merupaka metode statstka ag dapat dguaka dega megabaka asums-asums ag meladas pegguaa metode statstk parametrk. Terutama ag berkata dega

Lebih terperinci

ISSN: X 45 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA. Maria Suci Apriani a, Sri Haryatmi b

ISSN: X 45 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA. Maria Suci Apriani a, Sri Haryatmi b ISSN: 088-687X 5 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA Mara Suc Ara a, Sr Haryatm b a rogram Stud edda Matemata FKI USD Kamus 3 aga, Yogyaarta 558, marasuc@usdacd b Jurusa

Lebih terperinci

POLIGON TERBUKA TERIKAT SEMPURNA

POLIGON TERBUKA TERIKAT SEMPURNA MODUL KULIAH ILMU UKUR TANAH POLIGON TERBUKA TERIKAT SEMPURNA Pegerta : peetua azmuth awal da akhr, peetuat kesalaha peutup sudut,koreks sudut, kesalaha lear da koreks lear kearah sumbu X da Y, Peetua

Lebih terperinci

JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 5 NO. 2 SEPTEMBER 2012

JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 5 NO. 2 SEPTEMBER 2012 JUNAL TEKNOLOGI INFOMASI & PENDIDIKAN ISSN : 86 498 VOL. NO. SEPTEMBE SIMULASI KAPASITAS MIMO PADA KANAL FADING MENGGUNAKAN MATLAB 7. Delsa Faza ABSTACT MIMO s a ew veto wreless commucato tecolog, based

Lebih terperinci

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut

Lebih terperinci

BAB III METODE PENELITIAN. Jenis penelitian ini merupakan jenis penelitian kuantitatif, karena data yang

BAB III METODE PENELITIAN. Jenis penelitian ini merupakan jenis penelitian kuantitatif, karena data yang BAB III METODE PENELITIAN A. Je Peelta Je peelta merupaka je peelta kuattatf, karea data yag dperoleh adalah data kuattatf megea hal belajar wa, yag dguaka utuk megaal data dega megguaka hpote keamaa dua

Lebih terperinci

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin 4/6/015 Oleh : Fauza Am Se, 06 Aprl 015 GDL 11 (07.30-10.50) Pedahulua Aalsa regres dguaka utuk mempelajar da megukur hubuga statstk ag terjad atara dua atau lebh varbel. Dalam regres sederhaa dkaj dua

Lebih terperinci

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel Uura Statt. Pedahulua Uura Statt:. Uura Pemuata Bagamaa, d maa data berpuat? Rata-Rata Htug Arthmetc Mea Meda Modu Kuartl, Del, Peretl. Uura Peyebara Bagamaa peyebara data? Ragam, Vara Smpaga Bau Uura

Lebih terperinci