METODOLOGI HASIL DAN PEMBAHASAN
|
|
- Siska Tanudjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 mendekati akhir plot, ataupun jika plot mengalami pembelokan maka kemungkinan terdapat titik yang memerlukan perhatian lebih lanjut (Sen & Srivastava 1990). METODOLOGI Data Data yang digunakan dalam penelitian ini adalah data hasil penelitian dari Kelompok Peneliti Pengelolaan Sumber Daya Genetik di Balai Besar Penelitian dan Pengembangan Bioteknologi dan Sumber Daya Genetik Pertanian (BB Biogen). Terdapat 8 percobaan rancangan acak yang akan diperiksa asumsi analisis ragam yang dapat dilihat pada Tabel 1. Tabel 1 Percobaan dengan rancangan acak Jumlah Percobaan perlakuan dan Respon 1. Kacang bogor 9 varietas, 3 Berat 100 biji (gr/100 biji) 2. Kacang 6 varietas, 3 Berat 100 biji koro (gr/100 biji) pedang 3. Kacang tunggak 10 varietas, 3 4. Kacang kedelai 50 varietas, 3 (gr/5tanaman) 5. Padi di 25 varietas, 3 Berat kering Serang 6. Padi di Sukamandi 7. Kacang kedelai di Taman Bogo 8. Kacang kedelai di Plumbon 23 varietas, 3 14 galur, 4 14 galur, 4 (gr/5rumpun) Berat gabah Metode Tahapan-tahapan yang dilakukan pada penelitian ini adalah sebagai berikut: 1. Pemeriksaan asumsi analisis ragam yaitu asumsi keaditifan model, kehomogenan ragam, dan kenormalan galat dari percobaan. 2. Penanganan bagi data yang tidak memenuhi asumsi analisis ragam. HASIL DAN PEMBAHASAN Pemeriksaan asumsi analisis ragam Hasil pemeriksaan asumsi analisis ragam pada beberapa data percobaan dapat diketahui ada 1 percobaan yang tidak memenuhi asumsi keaditifan model. Data yang tidak memenuhi asumsi keaditifan model adalah data hasil percobaan kacang bogor (Lampiran 1). Pada asumsi kehomogenan ragam terdapat 1 percobaan yang tidak memenuhi asumsi yaitu data hasil percobaan kacang bogor (Lampiran 2). Selain itu juga terdapat 3 percobaan yang tidak memenuhi asumsi kenormalan galat yaitu data hasil percobaan kacang bogor, kacang kedelai, dan padi di Sukamandi (Lampiran 3). Asumsi kebebasan galat tidak dilakukan pemeriksaan asumsi karena sudah dilakukan pengacakan di lapangan. 1. Asumsi keaditifan model Data yang tidak memenuhi asumsi keaditifan model adalah data hasil percobaan kacang bogor dengan respon yang diamati adalah berat 100 biji (gram/100biji). Plot galat terhadap dugaan tidak membentuk pola (Gambar 1), tetapi pada plot tersebut terdapat nilai yang memencil dari nilai lainnya. Gambar 1 Plot galat dengan dugaan data hasil percobaan kacang bogor.
2 4 Berdasarkan uji Tukey untuk asumsi keaditifan model tidak dapat dipenuhi pada taraf α = 5%, dengan nilai F hitung = > F tabel = yang berarti keaditifan model ditolak. Hasil analisis ragam dengan menambahkan sumber keragaman ketakaditifan dapat dilihat pada Tabel 2. Tabel 2 Analisis ragam dengan sumber keragaman ketakaditifan SK DB JK KT F hitung Var Kel Ketakaditifan Galat Total F (0.05,1,15) = F (0.05,8,15) = Apabila model tidak aditif, dalam kasus model bersifat multiplikatif, maka untuk mengatasi hal tersebut dapat dilakukan transformasi logaritma. Setelah dilakukan transformasi logaritma ternyata asumsi keaditifan model masih belum bisa terpenuhi. Hasil uji Tukey menyimpulkan keaditifan model juga ditolak yang dapat dilihat pada Tabel 3, dengan nilai F hitung = > F tabel = Tabel 3 Analisis ragam dengan sumber keragaman ketakaditifan hasil transformasi log SK DB JK KT F hitung Var Kel Ketakaditifan Galat Total Jika dibandingkan antara data sebelum dan sesudah transformasi dari hasil uji Tukey dapat dilihat bahwa kecenderungan untuk menolak keaditifan semakin besar dari data sebelum transformasi. Hal ini dapat dilihat dari nilai F hitung ketakaditifan yang semakin besar setelah dilakukan transformasi. Hasil analisis ragam sebelum dan sesudah transformasi dapat dilihat pada Tabel 4 dan Tabel 5. Nilai-p sesudah transformasi semakin besar yang mengindikasikan bahwa kecenderungan untuk menyatakan jenis perlakuan akan memiliki pengaruh yang sama terhadap respon yang diamati semakin besar. Tabel 4 Analisis ragam data hasil percobaan kacang bogor Var Kel Galat Total Tabel 5 Analisis ragam data hasil percobaan kacang bogor hasil transformasi log Var Kel Galat Total Tidak terpenuhinya asumsi keaditifan model tersebut bukan disebabkan ketakaditifan, melainkan karena adanya pencilan. Oleh karena itu hasil dari transformasi logaritma tetap tidak dapat memperbaiki asumsi tersebut. Pengamatan yang merupakan pencilan adalah pengamatan pada perlakuan 3, 2 dan 3 yang mempunyai nilai galat jauh lebih besar dibandingkan dengan nilai galat pengamatan yang lain. Apabila perlakuan 3 dihilangkan untuk setiap maka asumsi keaditifan model dapat terpenuhi dengan baik. Hasil uji Tukey untuk asumsi keaditifan model dapat dilihat pada Tabel 6. Nilai F hitung = < F tabel = yang berarti keaditifan model diterima. Tabel 6 Analisis ragam dengan sumber keragaman ketakaditifan tanpa pencilan SK DB JK KT F hitung Var Kel Ketakaditifan Galat Total F (0.05,1,13) = F (0.05,7,13) = Asumsi kehomogenan ragam Data yang tidak memenuhi asumsi kehomogenan ragam adalah data hasil percobaan kacang bogor yang juga merupakan data yang tidak terpenuhi asumsi keaditifan model. Hasil uji Bartlett untuk kehomogenan ragam dapat diketahui bahwa
3 5 kehomogenan ragam tidak terpenuhi dengan χ 2 hitung = > χ 2 α = 0.01 = tetapi χ 2 hitung < χ 2 α = = (Lampiran 2). Berdasarkan pendapat Anderson & McLean (1974), jika hasil pengujian diterima pada taraf α antara maka terlebih dahulu dicoba untuk menemukan bentuk sebaran data. Jika ada alasan yang praktis untuk mentransformasi maka lakukan transformasi data tersebut. Plot galat e ij dengan rataan perlakuan i. membentuk suatu pita di sekitar garis nol jika tidak terdapat pencilan pada perlakuan 3 (Gambar 2). Maka penyebab tidak terpenuhinya asumsi kehomogenan ragam adalah pengamatan yang sama dengan asumsi keaditifan model yang juga tidak terpenuhi. Gambar 2 Plot galat dengan rataan perlakuan pada data hasil percobaan kacang bogor. Jika perlakuan 3 dihilangkan maka asumsi kehomogenan ragam dapat terpenuhi. Berdasarkan uji Bartlett didapatkan nilai χ 2 hitung = 5.75 < χ 2 α = 0.01 = yang berarti kehomogenan ragam diterima (Lampiran 4). Plot galat e ij dengan rataan perlakuan i. setelah perlakuan 3 dihilangkan dapat dilihat pada Gambar 3. Dari plot tersebut dapat dilihat bahwa galat berada di sekitar garis nol dengan lebar pita sama yang mengindikasikan ragam homogen. 3. Asumsi kenormalan galat a. Data hasil percobaan kacang bogor Selain tidak terpenuhi asumsi keaditifan model dan kehomogenan ragam, ternyata asumsi kenormalan galat juga tidak dapat terpenuhi. Gambar 4 menunjukkan plot peluang normal dan boxplot yang terdapat pencilan sehingga membuat plot peluang normal tidak membentuk garis yang cenderung lurus. Gambar 4 data hasil percobaan kacang bogor. Uji kenormalan dengan melihat plot peluang normal atau dengan menggunakan uji formal, memberikan kesimpulan yang sama. Berdasarkan uji formal Shapiro-Wilk ditunjukkan dengan nilai-p < α yang berarti kenormalan galat ditolak (Lampiran 3). Penyebab dari tidak terpenuhi asumsi kenormalan galat juga merupakan pengamatan pada perlakuan yang sama yang membuat keaditifan model dan kehomogenan ragam juga tidak terpenuhi, yaitu pada perlakuan 3. Hasil dari uji Shapiro-Wilk setelah perlakuan 3 dihilangkan didapatkan nilai-p sebesar > 0.1 dengan nilai-p > α = 0.05 yang berarti kenormalan galat diterima (Lampiran 5). Plot peluang normal membentuk garis yang cenderung lurus setelah perlakuan 3 dihilangkan dan boxplot tidak menunjukkan terdapat pencilan (Gambar 5). Gambar 3 Plot galat dengan rataan perlakuan tanpa perlakuan 3. Gambar 5 data hasil percobaan kacang bogor tanpa perlakuan 3.
4 6 b. Data hasil percobaan kacang kedelai Data hasil percobaan kacang kedelai merupakan salah satu data yang tidak memenuhi asumsi kenormalan galat berdasarkan uji Shapiro-Wilk dengan nilai-p = < α = 0.05 (Lampiran 3). Respon yang diamati adalah berat biji (gram/5tanaman). Namun secara visual dapat dilihat pada plot peluang normal terlihat sudah membentuk garis yang cenderung lurus meskipun masih terdapat beberapa nilai yang agak menjauhi garis kenormalan (Gambar 6). Gambar 6 data hasil percobaan kacang kedelai. Hasil analisis ragam tanpa memperhatikan pemenuhan asumsi kenormalan galat dapat dilihat pada Tabel 7. Tabel 7 Analisis ragam data hasil percobaan kacang kedelai Var Kel Galat Total Jika dilakukan transformasi Box-Cox, maka terlebih dahulu dipilih beberapa nilai p untuk mencari nilai L(p). Hasil L(p) yang mencapai nilai kritis yang digunakan sebagai bentuk transformasi. Tabel 8 menunjukkan hasil L(p) dengan beberapa nilai p. Tabel 8 Hasil L(p) dengan beberapa nilai p data hasil percobaan kacang kedelai p L(p) Pada tabel tersebut dapat diketahui bahwa nilai p yang membuat L(p) mencapai nilai kritis adalah diantara nilai p = 0.5 dan p = 1. Jika dibuat dalam bentuk grafik antara p dengan L(p) dapat disajikan seperti yang terlihat pada Gambar 7. Gambar 7 Plot antara L(p) dengan p data hasil percobaan kacang kedelai. Misalnya kita pilih p = 0.5 atau transformasi Y = (x 0.5-1)/(0.5). Hasil plot peluang normal dan boxplot dapat dilihat pada Gambar 8. Gambar 8 data hasil percobaan kacang kedelai untuk p = 0.5.
5 7 Terlihat bahwa plot kenormalan masih belum membentuk garis yang cenderung lurus. Terdapat beberapa pencilan sehingga transformasi dengan p = 0.5 tidak dapat memperbaiki asumsi kenormalan galat. Berdasarkan uji Shapiro-Wilk didapatkan nilai-p = < α = 0.05 (Lampiran 6). Jika dibandingkan antara data sebelum dan sesudah transformasi maka data sebelum transformasi menunjukkan kenormalan galat yang lebih baik dari sesudah transformasi. Hal ini disebabkan adanya beberapa pencilan yaitu pada perlakuan 17, 28, 42 2 dan perlakuan 18, 41, Analisis ragam hasil transformasi dapat dilihat pada Tabel 9. Tabel 9 Analisis ragam data hasil percobaan kacang kedelai hasil transformasi p = 0.5 Var Kel Galat Total Jika perlakuan yang merupakan pencilan dihilangkan untuk setiap maka asumsi kenormalan galat dapat terpenuhi. Hal ini berdasarkan uji Shapiro-Wilk dengan nilai-p sebesar > 0.1, nilai-p > α = 0.05 yang berarti kenormalan galat diterima (Lampiran 7). Plot peluang normal cenderung membentuk garis lurus dan boxplot tidak menunjukkan terdapat pencilan (Gambar 9). Gambar 9 data hasil percobaan kacang kedelai tanpa pencilan. c. Data hasil percobaan padi di Sukamandi Asumsi kenormalan galat pada data hasil percobaan padi di Sukamandi tidak dapat terpenuhi. Respon yang diamati adalah berat gabah padi. Berdasarkan uji Shapiro- Wilk didapatkan nilai-p sebesar < 0.01 dengan nilai-p < α = 0.05 yang berarti kenormalan galat ditolak. Hal ini dapat dilihat juga dengan plot peluang normal. Terdapat beberapa nilai yang membuat plot tidak membentuk garis yang cenderung lurus yang disebabkan oleh pencilan (Gambar 10). Gambar 10 Sukamandi. Hasil analisis ragam tanpa pemenuhan asumsi kenormalan galat dapat dilihat pada Tabel 10. Tabel 10 Analisis ragam data hasil percobaan padi di Sukamandi Var Kel Galat Total Karena data tidak memenuhi asumsi kenormalan galat maka dilakukan transformasi Box-Cox. Dilakukan pemilihan beberapa nilai p untuk mencari nilai L(p). Hasil L(p) yang mencapai nilai kritis yang digunakan sebagai bentuk transformasi. Tabel 11 menunjukkan hasil L(p) dengan beberapa nilai p. Tabel 11 Hasil L(p) dengan beberapa nilai p Sukamandi p L(p)
6 8 Dari tabel tersebut dapat diketahui nilai p yang membuat L(p) mencapai nilai kritis adalah antara p = 1.5 dan p = 2. Grafik antara L(p) dengan p dapat dilihat pada Gambar 11. Gambar 11 Plot antara L(p) dengan p data hasil percobaan padi di Sukamandi. Misalkan dipilih p = 1.5 dengan bentuk transformasi Y = (x 1.5-1)/(1.5) didapatkan plot peluang normal yang sedikit memperbaiki garis kenormalan meskipun masih terdapat pencilan (Gambar 12). Berdasarkan uji Shapiro-Wilk, asumsi kenormalan galat tidak dapat terpenuhi dengan nilai-p sebesar < 0.01, nilai-p < α = 0.05 yang berarti kenormalan galat ditolak (Lampiran 9). Gambar 12 Sukamandi untuk p = 1.5. didapatkan nilai W hitung sebesar (Lampiran 10), Sehingga bentuk transformasi yang sesuai adalah pada p = 1.5 meskipun asumsi kenormalan galat masih belum bisa terpenuhi. Analisis ragam hasil transformasi p = 1.5 dapat dilihat pada Tabel 12. Tabel 12 Analisis ragam data hasil percobaan padi di Sukamandi hasil transformasi p = 1.5 Var E E Kel E E+9 Galat 44 Total E E E+11 Tidak terpenuhi asumsi kenormalan galat meskipun sudah dilakukan transformasi disebabkan terdapat pencilan yaitu pada perlakuan 18 1 dan perlakuan 15, Jika perlakuan tersebut dihilangkan untuk setiap maka asumsi kenormalan galat dapat terpenuhi dengan baik. Berdasarkan uji Shapiro-Wilk didapatkan nilai-p sebesar > 0.1 dengan nilaip > α = 0.05 yang berarti kenormalan galat diterima (Lampiran 11). Plot peluang normal juga cenderung membentuk garis lurus dan boxplot tidak menunjukkan terdapat pencilan (Gambar 14). Jika dipilih nilai p = 2 didapatkan plot peluang normal dan boxplot seperti yang terlihat pada Gambar 13. Gambar 14 Sukamandi tanpa pencilan. Gambar 13 Sukamandi untuk p = 2. Berdasarkan nilai W hitung sebelum dan sesudah transformasi dapat dilihat bahwa transformasi dengan p = 1.5 sudah memperbaiki asumsi kenormalan galat meskipun tidak terlalu berbeda nyata. Hal ini dapat dilihat dengan nilai W hitung sebelum transformasi sebesar (Lampiran 8) dan W hitung sesudah transformasi sebesar (Lampiran 9). Sedangkan untuk p = 2 Pendugaan parameter pada seluruh data percobaan tersebut dilakukan dengan metode kuadrat terkecil (MKT) yang menghasilkan penduga tak bias selama asumsi-asumsinya dipenuhi. Sedangkan dari data percobaan tersebut, tidak terpenuhi asumsi analisis ragam disebabkan karena adanya pencilan. Pencilan ini menyebabkan penduga parameter menjadi berbias jika menggunakan pendugaan dengan MKT. Transformasi data yang dilakukan tidak mampu memperbaiki pemenuhan asumsi analisis ragam. Asumsi analisis ragam menjadi terpenuhi dengan tidak
7 9 mengikutsertakan pencilan. Tetapi hal ini tidak disarankan karena dengan menghilangkan pencilan maka akan menghilangkan informasi yang seharusnya didapatkan dari pencilan tersebut. Sehingga diperlukan metode lain yang dapat mengatasi pencilan yaitu analisis ragam kekar. Pendekatan analisis ragam kekar terhadap data hasil percobaan kacang bogor Menurut Draper & Smith (1966), masalah analisis ragam dapat ditangani melalui pendekatan metode regresi. Salah satu alternatif terhadap pendugaan kuadrat terkecil yang bersifat kekar adalah pendugaan dengan kriteria meminimumkan y i ŷ i p, dengan 0 < p < 2. Jika p = 2 maka pendugaan ini adalah kuadrat terkecil, jika p = 1 maka penduga ini adalah penduga simpangan mutlak terkecil (least absolute deviation). Penetapan bobot (w i ) untuk penduga simpangan mutlak terkecil dapat didefinisikan sebagai berikut (Aunuddin1989): w i dengan S = median y i ŷ i. Prosedur untuk mendapatkan pendugaan parameter yaitu iterasi yang disebut dengan IRLS (Iterative Reweight Least Square). Tahapan dalam IRLS (Staudte & Sheather 1990) sebagai berikut: 1. Pemilihan penduga awal β (0) dengan MKT. 2. Hitung galat e (j) = Y-XB (j) pada setiap dugaan ke-j kemudian hitung penimbang/bobot yang akan digunakan untuk pendugaan selanjutnya. 3. Gunakan bobot yang diperoleh pada tahap 2 untuk mendapatkan β (j+1) lakukan langkah di atas hingga menghasilkan dugaan koefisien yang konvergen. β (j) = [X t W (j-1) X] -1 X t W (j-1) Y W (j-1) = diag (w (j-1) i ) Pada analisis ragam kekar, data yang mempunyai galat yang lebih besar akan mempunyai bobot yang lebih kecil. Sedangkan apabila dengan MKT, bobot akan bernilai sama. Sehingga analisis ragam kekar adalah analisis yang tidak mudah terpengaruhi oleh adanya pencilan. Penerapan analisis ragam kekar hanya dilakukan terhadap data hasil percobaan kacang bogor. Hasil analisis ragam kekar dengan 5 kali iterasi dapat dilihat pada Tabel 13. Tabel 13 Analisis ragam kekar data hasil percobaan kacang bogor dengan 5 kali iterasi Var Kel Galat Total Jika dibandingkan antara hasil analisis ragam kekar 5 kali iterasi dengan analisis ragam MKT (Tabel 14), terjadi penurunan jumlah kuadrat galat (JK galat ) pada analisis ragam kekar dengan jumlah kuadrat perlakuan (JK perlakuan ) yang lebih besar dari JK galat sehingga nilai F hitung menjadi lebih besar yang disertai dengan nilai-p yang lebih kecil. Hal ini menyebabkan kesensitifan pengujian dengan menggunakan analisis ragam kekar menjadi lebih tinggi dibandingkan dengan menggunakan analisis ragam MKT. Tabel 14 Analisis ragam data hasil percobaan kacang bogor (MKT) Var Kel Galat Total KESIMPULAN Pada pemeriksaan asumsi analisis ragam, tidak semua percobaan dapat memenuhi asumsi keaditifan model, kehomogenan ragam, dan kenormalan galat secara bersamasama. Transformasi data yang dilakukan tidak dapat memenuhi asumsi analisis ragam dikarenakan terdapat pencilan. Pengabaian pencilan membuat asumsi analisis ragam menjadi terpenuhi tetapi akan menghilangkan informasi yang seharusnya didapatkan dari pencilan tersebut. Analisis ragam kekar adalah metode yang tepat digunakan untuk meningkatkan kesensitifan pengujian tanpa menghilangkan pencilan.
PEMERIKSAAN ASUMSI ANALISIS RAGAM DEWI NURHASANAH
PEMERIKSAAN ASUMSI ANALISIS RAGAM DEWI NURHASANAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 ABSTRAK DEWI NURHASANAH. Pemeriksaan asumsi analisis
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 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 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 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 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 terperinciAnalisis Regresi 2. Pokok Bahasan : Asumsi sisaan dan penanganannya
Analisis Regresi 2 Pokok Bahasan : Asumsi sisaan dan penanganannya Tujuan Instruksional Khusus : Mahasiswa dapat menjelaskan asumsi-asumsi yang melandasi analisis regresi linier sederhana dan berganda,
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 PENDAHULUAN Latar Belakang Analisis regresi berguna dalam menelaah hubungan antara sepasang peubah atau lebih, dan terutama untuk menelusuri pola hubungan yang modelnya belum diketahui sempurna sehingga
Lebih terperinciESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER
ESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER Siswanto 1, Raupong 2, Annisa 3 ABSTRAK Dalam statistik, melakukan suatu percobaan adalah salah satu cara untuk mendapatkan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini terdiri dari dua bagian. Pada bagian pertama berisi tinjauan pustaka dari penelitian-penelitian sebelumnya dan beberapa teori penunjang berisi definisi-definisi 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 terperinciBAB 1 PENDAHULUAN. diharapkan hasil yang diperoleh akan berguna untuk masyarakat sekitar.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Indonesia sebagai sebuah negara yang sedang berkembang, dimana perkembangan dalam berbagai aspek terus menerus ditingkatkan. Sekarang ini pun, dapat dilihat
Lebih terperinciEFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH
EFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH May Cristanti, Yuliana Susanti, dan Sugiyanto Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
35 BAB 3 METODOLOGI PENELITIAN 3.1 Analisis Permasalahan Hasil uji ANOVA yang didapat dari rancangan percobaan akan sah atau valid nilainya jika memenuhi salah satu asumsi yang telah ditetapkan. Salah
Lebih terperinciHASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut:
. Menyiapkan gugus data pencilan dengan membangkitkan peubah acak normal ganda dengan parameter µ yang diekstrimkan dari data contoh dan dengan matriks ragam-peragam yang sama dengan data contoh. Proses
Lebih terperinciMENENTUKAN PENGARUH INTERAKSI PERLAKUAN DENGAN METODE POLINOMIAL ORTOGONAL
MENENTUKAN PENGARUH INTERAKSI PERLAKUAN DENGAN METODE POLINOMIAL ORTOGONAL E. JULIANTINI Balai Besar Penelitian dan Pengembangan Bioteknologi dan Sumberdaya Genetik Pertanian, Jl. Tentara Pelajar No.,
Lebih terperinciBAB II TINJAUAN PUSTAKA. satu peubah prediktor dengan satu peubah respon disebut analisis regresi linier
BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Linier Berganda Analisis regresi pertama kali dikembangkan oleh Sir Francis Galton pada abad ke-19. Analisis regresi dengan satu peubah prediktor dan satu peubah
Lebih terperinciHASIL DAN PEMBAHASAN
Konsentrasi lemak ikan (%) Kandungan zat aktif (absorban) HASIL DAN PEMBAHASAN Deskripsi Data Berdasarkan data yang digunakan dalam penelitian ini, akan dilakukan pengidentifikasian multikolinieritas.
Lebih terperinci4 HASIL DAN PEMBAHASAN
16 4 HASIL DAN PEMBAHASAN Pada bab ini dibahas mengenai kajian simulasi dan kajian terapan. Simulasi dilakukan untuk mengevaluasi penduga yang diperoleh dengan menggunakan metode pendugaan klasik dan metode
Lebih terperinciTINJAUAN PUSTAKA. Gambar 1 Diagram kotak garis
TINJAUAN PUSTAKA Diagram Kotak Garis Metode diagram kotak garis atau boxplot merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran dan kemiringan pola
Lebih terperinciREGRESI ROBUST DENGAN METODE CONSTRAINED M ESTIMATION PADA PRODUKSI PADI SAWAH DI JAWA TENGAH. oleh IDA YUSWARA DYAH PITALOKA M
REGRESI ROBUST DENGAN METODE CONSTRAINED M ESTIMATION PADA PRODUKSI PADI SAWAH DI JAWA TENGAH oleh IDA YUSWARA DYAH PITALOKA M0108046 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh
Lebih terperinciS T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON
S T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2011 PENGUJIAN HIPOTESIS V. PENGUJIAN HIPOTESIS Hipotesis adalah jawaban sementara terhadap suatu masalah. Setiap
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Karakteristik tanaman padi yang akan dikaji dalam penelitian ini meliputi komponen hasil (jumlah malai per m 2, persen gabah isi, dan produktivitas) dan serapan hara (serapan total
Lebih terperinciPERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN
E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751 PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN NI PUTU NIA IRFAGUTAMI 1, I GUSTI
Lebih terperinciPRAKTIKUM RANCANGAN PERCOBAAN KATA PENGANTAR
PRAKTIKUM RANCANGAN PERCOBAAN 2012-2013 1 KATA PENGANTAR Buku ini dibuat untuk membantu mahasiswa dalam mempelajari, melilih dan melakukan prosedur analisis data berdasarkan rancangan percobaan yang telah
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 terperinciTransformasi Data & Anlisis Data Hilang
Transformasi Data & Anlisis Data Hilang Rommy Andhika Laksono Perancangan Percobaan UNSUR DASAR PERCOBAAN : 1. Perlakuan (treatment) 2. Ulangan (replication) 3. Pengaturan atau pembatasan lokal (local
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 terperinciADE (Analisis Data Eksplorasi)
3 3 DATA BERPASANGAN & PERSAMAAN GARIS LURUS 1. GARIS RESISTEN 2. PROSES ITERASI DALAM GARIS RESISTEN D10F-3003 / 4 (3-1) SKS ADE (Analisis Data Eksplorasi) Tim Teaching ADE DATA BERPASANGAN & PERSAMAAN
Lebih terperinciPERBANDINGAN METODE MKT, LTS, WIN, DAN THEIL PADA PENDUGAAN PARAMETER REGRESI APABILA GALATNYA MENYEBAR EKSPONENSIAL HELGA ARINA PRAMUDITYA
PERBANDINGAN METODE MKT, LTS, WIN, DAN THEIL PADA PENDUGAAN PARAMETER REGRESI APABILA GALATNYA MENYEBAR EKSPONENSIAL HELGA ARINA PRAMUDITYA STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperincimenggunakan analisis regresi dengan metode kuadrat terkecil. Model analisis data panel yang dievaluasi kemudian adalah model gabungan, model
4 kurang dari 10, maka peubah bebas tersebut tidak mengalami masalah multikolinearitas dengan peubah bebas lainnya. Selanjutnya Uji ARCH atau White digunakan untuk menguji asumsi kehomogenan ragam sisaan.
Lebih terperinciBAHAN DAN METODE. Tempat dan Waktu
7 BAHAN DAN METODE Tempat dan Waktu Penanaman di lapangan dilaksanakan di Kebun Percobaan IPB Cikabayan Darmaga Bogor. Kebun percobaan memiliki topografi datar dengan curah hujan rata-rata sama dengan
Lebih terperinciMA5283 STATISTIKA Bab 7 Analisis Regresi
MA5283 STATISTIKA Bab 7 Analisis Regresi Orang Cerdas Belajar Statistika Silabus Silabus dan Tujuan Perkuliahan Silabus Tujuan Peubah bebas dan terikat, konsep relation, model regresi linier, penaksir
Lebih terperinciESTIMASI DATA HILANG MENGGUNAKAN REGRESI ROBUST S
ESTIMASI DATA HILANG MENGGUNAKAN REGRESI ROBUST S PADA RANCANGAN ACAK KELOMPOK Andi Fabiola Awalet 1, Raupong 2, Anisa 3 Program studi Statistika, Jurusan Matematika, FMIPA, Universitas Hasanuddin andiiiola@gmail.com
Lebih terperinciMETODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE
METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2010 RINGKASAN
Lebih terperinciIV HASIL DAN PEMBAHASAN
6 telah dibangkitkan. Kemudian peubah X dan Y diregresikan dengan OLS sehingga diperoleh kuadrat galat. Kuadrat galat diurutkan dari ang terkecil sampai dengan ang terbesar, lalu dilakukan pemangkasan.
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 terperinciII. TINJAUAN PUSTAKA. Untuk menguji kesamaan dari beberapa nilai tengah secara sekaligus diperlukan
II. TINJAUAN PUSTAKA 2.1 Analisis Ragam Klasifikasi Satu Arah Untuk menguji kesamaan dari beberapa nilai tengah secara sekaligus diperlukan sebuah teknik yang disebut analisis ragam. Analisis ragam adalah
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan suatu metode analisis dalam statistika yang digunakan untuk mencari hubungan antara suatu variabel terhadap variabel lain. Dalam
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran dan Hipotesis 3.1.1 Kerangka Pemikiran Untuk melakukan penelitian dilakukan melalui beberapa tahap. Data diperoleh dari variabel bebas dan variabel tak
Lebih terperinciPENDEKATAN WINSOR PADA ANALISIS REGRESI DENGAN PENCILAN MURIH PUSPARUM
PENDEKATAN WINSOR PADA ANALISIS REGRESI DENGAN PENCILAN MURIH PUSPARUM DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015 PERNYATAAN MENGENAI SKRIPSI
Lebih terperinciEfektivitas Metode Regresi Robust Penduga Welsch dalam Mengatasi Pencilan pada Pemodelan Regresi Linear Berganda
Jurnal Penelitian Sains Volume 1 Nomer 1(A) 1101 Efektivitas Metode Regresi Robust Penduga Welsch dalam Mengatasi Pencilan pada Pemodelan Regresi Linear Berganda Dian Cahyawati S. 1), Hadi Tanuji ), dan
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan sebuah alat statistik yang memberi penjelasan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan sebuah alat statistik yang memberi penjelasan tentang pola hubungan (model) antara dua peubah atau lebih (Draper dan Smith, 1992).
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 terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Data yang telah berhasil diumpulan oleh penulis di BB BIOGEN diperoleh hasil bobot biji edelai dengan jumlah varietas yang aan diuji terdiri dari 15
Lebih terperinciTingkat Efisiensi Metode Regresi Robust dalam Menaksir Koefisien Garis Regresi Jika Ragam Galat Tidak Homogen
Tingkat Efisiensi Metode Robust dalam Menaksir Garis Jika Ragam Galat Tidak Homogen Harmi Sugiarti dan Andi Megawarni e-mail: harmi@mailutacid dan mega@mailutacid Abstract This paper aims to compare the
Lebih terperinciDIAGNOSTIK SISAAN PADA MODEL LINIER RANCANGAN ACAK KELOMPOK LENGKAP (RAKL) DUA FAKTOR SKRIPSI
DIAGNOSTIK SISAAN PADA MODEL LINIER RANCANGAN ACAK KELOMPOK LENGKAP (RAKL) DUA FAKTOR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta untuk Memenuhi
Lebih terperinciTINJAUAN PUSTAKA. Rancangan petak teralur (strip plot design) merupakan susunan petak-petak (plotplot)
II. TINJAUAN PUSTAKA 2.1 Rancangan Petak Teralur Rancangan petak teralur (strip plot design) merupakan susunan petak-petak (plotplot) sebagai satuan percobaan yang terdiri dari plot baris untuk perlakuan
Lebih terperincipendekatan dalam penelitian ini dinilai cukup beralasan.
Tabel Hasil pendugaan model pengaruh tetap dengan Y sebagai peubah respon dan X, X dan X sebagai C -. 00 X -5 0.50 X.05 00 X 00 R 0.6 Adjusted R 0.6 Hasil pendugaan model data panel dengan Y sebagai peubah
Lebih terperinciREGRESI ROBUST UNTUK MENGATASI OUTLIER PADA REGRESI LINIER BERGANDA. Isma Hasanah
REGRESI ROBUST UNTUK MENGATASI OUTLIER PADA REGRESI LINIER BERGANDA Isma Hasanah isma_semangat@yahoo.co.id Agustini Tripena, Br. Sb Universitas Jenderal Soedirman ABSTRACT. Regression analysis is statistic
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 terperinciBAB ΙΙ LANDASAN TEORI
7 BAB ΙΙ LANDASAN TEORI Berubahnya nilai suatu variabel tidak selalu terjadi dengan sendirinya, bisa saja berubahnya nilai suatu variabel disebabkan oleh adanya perubahan nilai pada variabel lain yang
Lebih terperinci1. PENDAHULUAN PADA PRODUKSI JAGUNG DI JAWA TENGAH
MODEL REGRESI ROBUST ESTIMASI DENGAN PEMBOBOT FAIR PADA PRODUKSI JAGUNG DI JAWA TENGAH Oktaviana Wulandari, Yuliana Susanti, dan Sri Sulistijowati Handajani Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciBAHAN DAN METODE. Tempat dan Waktu. Bahan dan Alat. Metode Penelitian
17 BAHAN DAN METODE Tempat dan Waktu Penelitian dilaksanakan di Laboratorium Benih, Laboratorium Pemuliaan Tanaman Departemen Agronomi dan Hortikultura, Fakultas Pertanian, Institut Pertanian Bogor, Dramaga
Lebih terperinciDaerah Jawa Barat, serta instansi-instansi lain yang terkait.
IV. METODE PENELITIAN 4.1 Waktu dan Lokasi Penelitian Pengambilan data sekunder untuk keperluan penelitian ini dilaksanakan pada awal bulan juli hingga bulan agustus 2011 selama dua bulan. Lokasi penelitian
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 terperinciPERCOBAAN MENGGUNAKAN SPLIT PLOT DENGAN RANCANGAN DASAR RAK RANCANGAN PERCOBAAN
PERCOBAAN MENGGUNAKAN SPLIT PLOT DENGAN RANCANGAN DASAR RAK RANCANGAN PERCOBAAN Kelompok 11 : Devita Arum S. 12110101015 Saiful Fadillah 12110101027 Wafiyatul Khusna 12110101047 Firstyan Puguh N.C. 12110101051
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Data Pengeluaran Per Kapita Propinsi Jawa Timur Tahun 2008 Jawa Timur adalah provinsi yang terdiri dari 29 kabupaten dan 9 kota. Secara umum wilayah provinsi Jawa Timur dapat dibagi
Lebih terperinciHASIL DAN PEMBAHASAN
3 HASIL DAN PEMBAHASAN Analisis Dekriptif Analisis deskripsi merupakan teknik eksplorasi data untuk melihat pola data secara umum. Dari data TIMSS 7 rata-rata capaian matematika siswa Indonesia sebesar
Lebih terperinciSTUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG PENCILAN
Jurnal Matematika UNAND Vol. 2 No. 4 Hal. 18 26 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND STUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG
Lebih terperinciBAB II TINJAUAN PUSTAKA. Hal ini sangat membantu dalam proses pembuktian sifat-sifat dan perhitungan
6 BAB II TINJAUAN PUSTAKA 2.1 Matriks Persamaan regresi linear berganda dapat dinyatakan dalam bentuk matriks. Hal ini sangat membantu dalam proses pembuktian sifat-sifat dan perhitungan matematis dari
Lebih terperinciS T A T I S T I K A OLEH : WIJAYA
S T A T I S T I K A OLEH : WIJAYA email : zeamays_hibrida@yahoo.com FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 009 V. PENGUJIAN HIPOTESIS Hhipotesis adalah jawaban sementara terhadap suatu
Lebih terperinciMETODE PENELITIAN. A. Variabel Penelitian dan Definisi Operasional. Untuk memperjelas dan memudahkan pemahaman terhadap variabelvariabel
43 III. METODE PENELITIAN A. Variabel Penelitian dan Definisi Operasional Untuk memperjelas dan memudahkan pemahaman terhadap variabelvariabel yang akan dianalisis dalam penelitian ini, maka perlu dirumuskan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini telah dilaksanakan di Laboratorium Silvikultur, Jurusan
III. METODE PENELITIAN A. Lokasi dan Waktu Penelitian Penelitian ini telah dilaksanakan di Laboratorium Silvikultur, Jurusan Kehutanan dan rumah kaca Fakultas Pertanian Universitas Lampung. Waktu penelitian
Lebih terperinciKorelasi Pearson. Pendahuluan
Korelasi Pearson Korelasi Pearson merupakan salah satu ukuran korelasi yang digunakan untuk mengukur kekuatan dan arah hubungan linier dari dua veriabel. Dua variabel dikatakan berkorelasi apabila perubahan
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 terperinciBAB 4 HASIL PENELITIAN
59 BAB 4 HASIL PENELITIAN 4.1 Karakteristik Responden Sebelum hasil penelitian disajikan, terlebih dahulu dengan sederhana dijelaskan karakteristik responden. Karakteristik responden meliputi jenis kelamin,
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 terperinciS T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON
S T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2010 PENGUJIAN HIPOTESIS V. PENGUJIAN HIPOTESIS Hipotesis adalah jawaban sementara terhadap suatu masalah. Setiap
Lebih terperinciBAB III METODE PENELITIAN. September). Data yang dikumpulkan berupa data jasa pelayanan pelabuhan, yaitu
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini berasal dari data sekunder dengan jenis data bulanan mulai tahun 2004 sampai dengan tahun 2011 (bulan September).
Lebih terperinciBAB IV PEMBAHASAN. Proses estimasi pada metode IRLS ini dengan meminimumkan fungsi residu, yang dapat dituliskan sebagai berikut.
BAB IV PEMBAHASAN Pada bab ini akan dibahas mengenai estimasi parameter model Regresi M- kuantil, penurunan model Regresi M-kuantil, dan contoh penerapan model Regresi M-kuantil pada pengaruh pendapatan
Lebih terperinciMA2081 Statistika Dasar
Catatan Kuliah MA2081 Statistika Dasar Orang Cerdas Belajar Statistika Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA2081 Statistika
Lebih terperinciREGRESI LINIER NONPARAMETRIK DENGAN METODE THEIL
Jurnal Matematika UNAND Vol. 2 No. 3 Hal. 167 174 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND REGRESI LINIER NONPARAMETRIK DENGAN METODE THEIL ALDILA SARTI Program Studi Matematika, Fakultas Matematika
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 terperinciIII. METODE PENELITIAN
39 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder tersebut merupakan data cross section dari data sembilan indikator
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction).
Lebih terperinciPERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA
PERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA Ni Luh Putu Ratna Kumalasari 1, Ni Luh Putu Suciptawati 2,, Made Susilawati
Lebih terperinciBAHAN DAN METODE Tempat dan Waktu Penelitian Bahan dan Alat Metode Percobaan
11 BAHAN DAN METODE Tempat dan Waktu Penelitian Penelitian dilaksanakan pada bulan Maret sampai Juli 2012 di Dusun Bandungsari, Kecamatan Natar, Kabupaten Lampung Selatan, Lampung. Analisis tanah dilakukan
Lebih terperinciRancangan Blok Terpisah (Split Blok)
Rancangan Blok Terpisah (Split Blok) KULIAH 13 PERANCANGAN PERCOBAAN (STK 222) rahmaanisa@apps.ac.id Rancangan Split Blok Kedua faktor merupakan petak utama Pengaruh yang ditekankan adalah pengaruh interaksi
Lebih terperinci- Volume bak : -Tinggi = 14 cm. - Volume = 14 cm x 30 cm x 40 cm = 16,8 liter
LAMPIRAN 50 51 Lampiran 1. Perhitungan Kebutuhan Jerami Padi Pengukuran kapasitas bak - Volume bak : -Tinggi = 14 cm -Lebar -Panjang = cm = 40 cm - Volume = 14 cm cm 40 cm = 16,8 liter Perhitungan kebutuhan
Lebih terperinciPengaruh Outlier Terhadap Estimator Parameter Regresi dan Metode Regresi Robust
Pengaruh Outlier Terhadap Estimator Parameter Regresi dan Metode Regresi Robust I GUSTI AYU MADE SRINADI Jurusan Matematika Universitas Udayana, srinadiigustiayumade@yahoo.co.id Abstrak. Metode kuadrat
Lebih terperinciPENDETEKSIAN OUTLIER PADA CAPITAL ASSET PRICING MODEL (CAPM) MENGGUNAKAN LEAST TRIMMED SQUARES (LTS) Elis Ratna Wulan 1, Enung Nurhayati 2
Edisi Juli 014 Volume VIII No. 1 ISSN 1979-8911 PENDETEKSIAN OUTLIER PADA CAPITAL ASSET PRICING MODEL (CAPM) MENGGUNAKAN LEAST TRIMMED SQUARES (LTS) Elis Ratna Wulan 1, Enung Nurhayati 1, Jurusan Matematika,
Lebih terperinciLampiran 1. Sidik Ragam Persentase Kematian Tanaman
LAMPIRAN Lampiran 1. Sidik Ragam Persentase Kematian Tanaman Perlakuan 7 36,45586 5,20798 2,21161 JK Faktor A (Media Tanam) 1 0,498032 0,498032 0,211493 tn 4,26 7,82 JK Faktor B (Mikroorganisme) 3 29,47075
Lebih terperinciPENDETEKSIAN PENGAMATAN PENCILAN DAN BERPENGARUH DENGAN METODE PENGARUH LOKAL GOSEN SITANGGANG
PENDETEKSIAN PENGAMATAN PENCILAN DAN BERPENGARUH DENGAN METODE PENGARUH LOKAL GOSEN SITANGGANG SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciLAMPIRAN. Universitas Sumatera Utara
LAMPIRAN Tabel 1. Data Hasil Pengukuran Ketebalan (cm) Pada Nata de Watermelonskin Perlakuan Ulangan Analisa (berat kulit semangka) I II III Total Rataan 30 gram (tanpa )/kontrol 0,70 0,65 0,65 2,00 0,67
Lebih terperinciBAB 4 HASIL PENELITIAN. Sebelum hasil penelitian disajikan, maka terlebih dahulu akan dijelaskan mengenai
BAB 4 HASIL PENELITIAN 4.1 Karateristik Responden Sebelum hasil penelitian disajikan, maka terlebih dahulu akan dijelaskan mengenai karateristik responden yang meliputi jenis kelamin, usia, pendidikan
Lebih terperinciAnalisis Regresi 1. Pokok Bahasan Pengujian pada Regresi Ganda
Analisis Regresi Pokok Bahasan Pengujian pada Regresi Ganda Model Regresi Linier Berganda Model Regresi Linier Berganda, dengan k peubah penjelas : Y β β X β X β X k k Parameter regresi sebanyak k+ diduga
Lebih terperinciBAB 4 ANALISIS HASIL PENELITIAN
BAB 4 ANALISIS HASIL PENELITIAN 4.1 Penyajian Data Penelitian Data yang digunakan dalam penelitian ini diperoleh dari hasil pengisian kuesioner yang telah dibagikan pada tanggal 16 November 2007 di kantor
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 terperinciPENGGUNAAN MODEL LINIER SEBAGAI ALTERNATIF ANOVA RANCANGAN PERCOBAAN FAKTORIAL TERSARANG PADA DATA NON NORMAL
PENGGUNAAN MODEL LINIER SEBAGAI ALTERNATIF ANOVA RANCANGAN PERCOBAAN FAKTORIAL TERSARANG PADA DATA NON NORMAL Prasetyo Universitas Negeri Malang E-mail : pras_kazekage@yahoo.com Pembimbing: (I) Ir. Hendro
Lebih terperinciPERBANDINGAN TRANSFORMASI BOX-COX DAN REGRESI KUANTIL MEDIAN DALAM MENGATASI HETEROSKEDASTISITAS
E-Jurnal Matematika Vol. 4 (1), Januari 2015, pp. 8-13 ISSN: 2303-1751 PERBANDINGAN TRANSFORMASI BOX-COX DAN REGRESI KUANTIL MEDIAN DALAM MENGATASI HETEROSKEDASTISITAS Ni Wayan Yuni Cahyani 1, I Gusti
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 terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS)
FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS) Yuditia Ari Prabowo, Yuliana Susanti, dan Santoso Budi Wiyono
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 terperinciPEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)
PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing
Lebih terperinciUmur 50% keluar rambut : ± 60 hari setelah tanam (HST) : Menutup tongkol dengan cukup baik. Kedudukan tongkol : Kurang lebih di tengah-tengah batang
Lampiran 1. Deskripsi Jagung Varietas Bisma Golongan : Bersari bebas Umur 50% keluar rambut : ± 60 hari setelah tanam (HST) Umur panen : ± 96 HST Batang : Tinggi sedang, tegap dengan tinggi ± 190 cm Daun
Lebih terperinciBAB IV HASIL PENELITIAN. Data yang dikumpulkan dalam penelitian ini terdiri dari tiga variabel yaitu
BAB IV HASIL PENELITIAN A. Deskripsi Data Data yang dikumpulkan dalam penelitian ini terdiri dari tiga variabel yaitu data tentang kepemimpinan kepala sekolah (X 1 ), sikap guru terhadap pekerjaan (X 2
Lebih terperinciSTK 511 Analisis statistika. Materi 7 Analisis Korelasi dan Regresi
STK 511 Analisis statistika Materi 7 Analisis Korelasi dan Regresi 1 Pendahuluan Kita umumnya ingin mengetahui hubungan antar peubah Analisis Korelasi digunakan untuk melihat keeratan hubungan linier antar
Lebih terperinciKERAGAMAN KARAKTER TANAMAN
MODUL I KERAGAMAN KARAKTER TANAMAN 1.1 Latar Belakang Tujuan akhir program pemuliaan tanaman ialah untuk mendapatkan varietas unggul baru yang sesuai dengan preferensi petani dan konsumen. Varietas unggul
Lebih terperinci