MAKALAH ANALISIS REGRESI TERAPAN REGRESI ROBUST
|
|
- Farida Setiabudi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 MAKALAH ANALISIS REGRESI TERAPAN REGRESI ROBUST TIAR INDARTO G440 PROGRAM STUDI STATISTIKA TERAPAN SEKOLAH PASCA SARJANA
2 INSTITUT PERTANIAN BOGOR 06 DAFTAR ISI DAFTAR ISI ii A. PENDAHULUAN. LATAR BELAKANG. TUJUAN B. TINJAUAN PUSTAKA. REGRESI LINEAR BERGANDA. OLS UNTUK REGRESI LINEAR BERGANDA. UJI ASUMSI MODEL REGRESI LINEAR a. UJI NORMALITAS b. UJI MULTIKOLINEARITAS c. UJI HOMOSKEDASITAS9 d. UJI AUTOKORELASI 4. PENCILAN (OUTLIER) a. STANDARDIZED RESIDUAL b. DELETED (STUDENTIZED RESIDUAL) c. DFITS. REGRESI ROBUST a. Estimasi M b. Estimasi Least Trimmed Square (LTS) 9 c. Estimasi S 9 d. Estimasi MM 0 e. Estimasi LMS 0 f. Estimasi W g. Estimasi L h. Estimasi R C. PEMBAHASAN. PENERAPAN ESTIMASI M a. Estimasi M (Huber) b. Estimasi M (Tukey Bisquare). PENERAPAN ESTIMASI LTS D. DAFTAR PUSTAKA 0 A. PENDAHULUAN. LATAR BELAKANG Aalisis terhadap hubuga atara dua variabel atau lebih megguaka sebuah persamaa matematik (model regresi) adalah aalisis regresi. Dalam model regresi terdapat dua variabel bebas/depedet/respo/akibat) da yaki variabel variabel Y X (variabel tak (variabel
3 bebas/idepedet/pejelas/sebab). Dalam aalisis regresi dapat dibagi mejadi regresi liear sederhaa, regresi liear bergada da regresi o liear. Terdapat beraekaragam metode yag dapat diguaka utuk melihat hubuga atara Y dega X seperti metode kuadrat terkecil (ordiary least square), metode kemugkia maksimum (maximum likelihood method), metode bootstrap, metode kuadrat terkecil terboboti (weighted least square method), da lai lai (Bambag, 009). Metode yag familiar diguaka adalah metode kuadrat terkecil/ordiary Least Square (OLS), karea mudah pegguaaya. Ada beberapa asumsi yag harus dipeuhi dalam OLS agar hasil estimasiya bersifat BLUE (best liear ubiased estimator), yaitu : () E ( ε i ) =0 sisaa meyebar ormal dega da var ( ε i )=σ, () sisaa memiliki ragam yag homogey (homoskedasitas), () sisaa meyebar bebas yaki cov ( ε i, ε j )=E ( ε i, ε j ) =0 (serial idepedet). Namu OLS memiliki kekuraga yaki sesitive terhadap pecila/outlier. karea apabila terdapat outlier maka aka terjadi peyimpaga pedugaa OLS atau terjadi bias estimasi. Sehigga model regresi dapat memberika gambara hubuga yag jauh dari keadaa sebearya. Utuk megatasi hal tersebut dibutuhka suatu peduga robust (kekar) yag mempuyai kemampua medeteksi pecila sekaligus meyesuaika dugaa parameter regresi, sehigga memberika hasil yag resistat (stabil). Regresi robust mejadi alteratif solusi dalam megatasi hal tersebut. Regresi kekar terhadap outlier tersebut diperkealka Adrews (9). Regresi robust yag baik adalah yag sebadig dega OLS tapa outlier. Suatu estimator semaki robust terhadap outlier ketika memiliki efisiesi da breakdow poit yag tiggi. Kemugkia tertiggi breakdow poit utuk sebuah estimator adalah 0%. Ada prosedur estimasi parameter dalam regresi robust, atara lai: a. Estimasi M b. Estimasi Least Trimmed Square (LTS) c. Estimasi S d. Estimasi MM e. Estimasi LMS f. Estimasi W g. Estimasi L
4 h. Estimasi R Masalah yag aka dibahas dalam tulisa makalah ii adalah pegujia ketidakpeuha asumsi klasik, cara pedeteksia outlier da pedugaa model pada data pejuala rokok tahu 0 di yogyakarta dega megguaka metode regresi robust higga didapat persamaa model terbaikya.. TUJUAN Tujua dari peulisa makalah ii adalah utuk megguaka regresi robust estimasi M IRLS dega fugsi pembobot Huber da Bisquare Tukey da regresi robust estimasi LTS pada data yag terdapat outlier. B. TINJAUAN PUSTAKA. REGRESI LINEAR BERGANDA Meurut Motgomery ad Peck (99), secara umum peubah tak bebas y kemugkia berhubuga dega k peubah bebas. Model ii : yi = β0 + β xi + β xi + + βk xik + εi yi adalah peubah tak bebas pada pegamata ke-i, xi, xi,, xik adalah () ilai peubah bebas pada pegamata ke-i da parameter ke-k, β0, β,, βk adalah parameter regresi, da εi adalah error pegamata ke-i.. OLS UNTUK REGRESI LINEAR BERGANDA Dalam kasus k-peubah bebas, peaksir metode kuadrat terkecil diperoleh dega memiimumka : yi εi i= = ) () i= di maa εi i= adalah jumlah kuadrat sisaa. Dalam otasi skalar, metode kuadrat terkecil tercapai dalam meduga β0, β,, βk sehigga εi i= sekecil mugki. Ii dicapai dega meuruka persamaa () secara parsial terhadap ^β, 0 ^β,, ^β k dega ol. da meyamaka hasil yag diperoleh
5 Berdasarka Motgomery ad Peck (99), dalam otasi matriks, metode ε' ε. kuadrat terkecil sama dega memiimumka Dega persamaa : ε = y Xβ () Oleh karea itu, ε ' ε =( y Xβ )' ( y Xβ) y ' y β ' X ' y + β ' X ' Xβ β' X' y adalah (β ' X ' y)' = y ' Xβ matrik (4) x, atau suatu skalar. Trasposeya adalah skalar. Pedugaa metode kuadrat terkecil harus memeuhi : ε i i= = β ε' ε = X ' y+ X ' X ^β β () Bila disederhaaka mejadi : X y + X X ^β=0 ' ' ^ X ' X β= X' y X ' X ^β=x ' y (6) Utuk meyelesaika persamaa (6) kalika keduaya dega ivers dari X ' X. jadi pedugaa kuadrat terkecil dari ^β=( X ' X) X ' y β adalah (). UJI ASUMSI MODEL REGRESI LINEAR a. UJI NORMALITAS Pada regresi liier klasik diasumsika bahwa tiap εi didistribusika ormal dega lambag : ε N (0, σ ). Uji statistik yag dapat diguaka utuk meguji ormalitas residual adalah uji statistik Kolmogorov-Smirov (K-S). b. UJI MULTIKOLINIERITAS Meurut Motgomery ad Peck (99), utuk medeteksi ada atau tidakya multikoliieritas di dalam model regresi, dapat dilihat pada ilai VIF (variace iflatio factors). 4
6 ( Rj ) VIFj = Rj dega () adalah ilai koefisie determiasi yag diperoleh dari meregresika peubah bebas xj dega peubah bebas laiya. Nilai VIF > 0 meujukka multikoliieritas yag kuat. c. UJI HOMOSKEDASITAS Utuk meguji ada tidakya kesamaa variasi residual dari satu pegamata ke pegamata yag lai. Uji ii dapat megguaka Scatter plot. Sumbu X adalah ilai-ilai prediksi ZPRED = Regressio Stadartdized Predicted Value. Jika garfik yag diperoleh meujukka adaya pola tertetu dari titik-titik yag ada, dikataka terjadiya heteroskedastisitas. Aka tetapi, jika tidak membetuk pola tertetu, dikataka tidak terjadi heteroskedastisitas. d. UJI AUTOKORELASI Meurut Gujarati (99), dega megguaka lambig : E( ε i, ε j ) = 0 ; i j. Secara sederhaa dapat dikataka model klasik megasumsika bahwa error yag berhubuga dega pegamata tidak dipegaruhi oleh error yag berhubuga dega pegamata lai yag maapu. Salah satu cara yag dapat diguaka utuk medeteksi masalah autokorelasi adalah dega uji Durbi Watso. Dega terpeuhi semua asumsi regresi liier di atas, model yag dihasilka diaggap baik utuk melihat pegaruh peubah-peubah bebas terhadap peubah-peubah tak bebas. Selajutya, model dapat diguaka sebagai peduga. 4. PENCILAN (OUTLIER) Meurut Motgomery ad Peck (99), pecila adalah suatu pegamata yag ekstrim. Residual yag ilai mutlakya jauh lebih besar daripada yag lai da bisa jadi terletak tiga atau empat simpaga baku dari rata-rataya adalah yag meyebabka data sebagai pecila. Pecila adalah titik-titik data yag tidak setipe dega titik data yag laiya. Meurut Draper ad Smith (99), adakalaya pecila memberika iformasi yag tidak bisa diberika oleh titik data laiya. Berdasarka Motgomery ad Peck (99), sebagai kaidah umum, pecila baru ditolak jika setelah ditelusuri teryata merupaka akibat dari kesalaha-kesalaha seperti memasukka ukura atau alisis yag salah, ketidaktepata pecatata data, da terjadi kerusaka alat pegukura. Bila teryata buka
7 akibat dari kesalaha-kesalaha semacam itu, peyelidika yag seksama harus dilakuka. Meghapus data tersebut utuk memperbaiki persamaa yag cocok dapat berbahaya, tidaka tersebut dapat meimbulka kesalaha ketelitia dalam megestimasi atau memprediksi. Rya (99) megelompokka pecila dalam berbagai tipe : a. Pecila-x, yaki pegamata yag haya meyimpag pada sumbu x saja. Pegamata ii disebut juga sebagai titik leverage. b. Pecila-y, yaki pegamata yag meyimpag haya karea arah peubah tak bebasya. c. Pecila-x,y, yaitu pegamata yag meyimpag pada keduaya yaki pada peubah x da peubah y. Utuk medeteksi adaya pecila dapat dilakuka dega beberapa metode sebagai berikut: a. Stadardized residual Stadardized residual merupaka ilai residual yag distadarka. Nilai ii diguaka utuk medeteksi pecila. Jika r i > atau r i >, maka data pada pegamata ke-i merupaka pecila y. b. Deleted (Studetized Residual) Deleted Studetized Residual merupaka ilai-ilai stadardized residual dimaa observasi ke-i dihilagka. Nilai ii diguaka utuk medeteksi ada atau tidakya pecila. Data dikataka pecila jika t i > ( α, -p) dega p adalah bayak parameter. c. DFITS DFITS yaitu megukur pegaruh suatu pegamata terhadap ilai dega respo ketika suatu pegamata tidak disertaka dalam aalisis. Nilai ii diguaka utuk medeteksi pegaruh pegamata ke-i terhadap ilai diriya sediri. Jika ilai DFITS > p ^y dega p meyataka jumlah parameter dalam model bersagkuta maka hal ii merupaka pegamata berpegaruh.. REGRESI ROBUST Meurut Che (00), regresi robust adalah sebuah alat yag petig utuk megaalisis data yag terkotamiasi pecila. Tujua utama regresi robust adalah utuk memberika hasil yag stabil karea kehadira pecila. a. Estimasi M Berikut adalah diagram alur pembetuka model estimasi M : 6
8 Mulai Tidak koverge Estimasi parameter b dega OLS ya Meghitug fugsi pembobot melalui ( ) Mecari estimasi baru dega weighted least square. ya Model estimasi M (Huber da Tukey Bisquare) Bisquare) revisi selesai Paramater () koverge? Tidak terpeuhi Pegujia sigifikasi parameter Estimasi M diperkealka oleh Huber pada tahu 9 da ii merupaka pedekata yag palig sederhaa baik secara teori maupu perhituga. Diketahui: y i=α + β x i + β xi + + β k x ik + ε i (9) yi xi' i (0) Utuk observasi ke-i dari observasi, model yag sesuai adalah, y i=a+ b x i +b xi + + bk xik +e i () y i xi' b ei () Estimator M umumya dega memiimumka fugsi objektifya adalah,
9 i= i= ρ ( e i )= ρ( y i x 'i b) () Dimaa fugsi ρ memberika kotribusi utuk setiap residual dari utuk fugsi objektifya. Misalka ψ=ρ ' dega ψ merupaka turua dari ρ. Utuk memiimumka fugsi objektif, maka fugsi objektif aka dituruka terhadap b da hasilya persamaa, sebagai berikut : ψ ( y i x 'i b ) x 'i=0 (4) i= ψ merupaka fugsi ifluece yag diguaka dalam memperoleh ψ (ei ) w i= ei bobot (weight). Dega fugsi pembobot e i dimaa merupaka residual yag distadarka, maka persamaaya mejadi : wi ( y i x 'i b ) x 'i=0 () i= X T WXb=X T Wy, betuk matrik Apabila diotasika dalam matrik : tersebut diamaka least square dega peimbag (weighted least square) yag aka memiimalka y i ^ yi wi. Weighted least square dapat i= diguaka utuk medapatka estimasi M, estimasi parameterya mejadi : b=( X T WX ) X T Wy (6) Peimbag tergatug pada residual, residual tergatug pada koefisiea yag diestimasi, da koefisie yag diestimasi tergatug pada peimbag. Utuk meyelesaika masalah tersebut dilakuka proses
10 iterasi yag disebut sebagai Iteratively Reweighted Least-Square (IRLS). Lagkah lagkahya sebagai berikut : ) Pilih estimasi b(0), seperti estimasi least-squares. ) Pada setiap iterasi l, hitug residuals eil- da asosiasika peimbag wi(l-) =w[ei(l-) ] dari iterasi sebelumya. ) Peyelesaia utuk estimasi peimbag baru. b =[ X ' W (t) wl dega adalah (l ) wi,l X ] X 'W (l ) y () merupaka matrik diagoal dega eleme diagoalya. Sehigga estimasi parameter pada iterasi pertama ( l = wi,0 ) megguaka ei,0 da. 4) Lagkah da diulagi sampai koefisie yag diestimasi koverge. Tiga betuk estimasi M diataraya estimasi least square, Huber da Tukey bisquare (biweight). Betuk fugsi objektif, fugsi ifluece da fugsi pembobot utuk ketiga jeis estimasi M sebagai berikut : Metode Fugsi objektif Least Huber Square LS (e ) (e ) * * i ifluec LS (e ) e * * i e Fugsi Pembob ot wls (e * ) (ei* ) /, utuk ei* r k 6 H (e ) B (e ) * * * * r ei r /, utuk ei r ei* Fugsi Tukey Bisquare utuk ei* r H e r utuk e * r i * r utuk ei r * utuk wh e * r / e * i utuk ei* r e r * i ei* r r / 6 utuk 0 utuk * ei B e * ei* r utuk 0 utuk wb e * ei* r ei* r ei* r utuk ei* r ei* r utuk ei* r ei* r Tabel Fugsi objektif, fugsi ifluece, da fugsi pembobot pada estimasi M (Sumber : Fox (00), Mogomery (99)) Nilai r pada fugsi objektif, ifluece da pembobot adalah tuig costat. Kuzmic et.al (004) meyebutka estimasi M Huber efektif diguaka pada α = % dega r=,4, sedagka estimasi M Tukey Bisquare dega r=4,6. Kelly (00) meyataka permasalaha dalam estimasi regresi robust adalah perlu dilakuka pemiliha tuig costat agar estimasi yag diperoleh lebih spesifik da memimimumka jumlah kuadrat residual. Apabila meuruka tuig costat aka meaika 9
11 pembobot terhadap residual yag besar, sedagka meaikka tuig costat aka meuruka pembobot terhadap residual yag besar. Semaki besar r maka estimasi robust aka medekati least square. Setelah estimasi telah didapatka, maka lagkah selajutya adalah melakuka pegujia parameter dalam model regresi bertujua utuk megetahui apakah parameter tersebut telah meujukka hubuga yag yata atara variabel prediktor da variabel respo. Disampig itu juga utuk megetahui kelayaka parameter dalam meeragka model. Terdapat dua tahap pegujia yaitu uji seretak da uji parsial (idividu). ) Uji Seretak Uji seretak merupaka pegujia secara bersama semua parameter dalam model regresi. Hipotesis yag diguaka adalah sebagai berikut : H0 : 0 = =... = j = 0 H : palig tidak ada satu j 0, j = 0,,... k Statistik uji yag diguaka utuk OLS adalah y ) /( k ) i ( yi yˆ i ) /( k ) i ( yˆ Fhitug = MSR MSE = i Sedagka utuk Weighted least squares (WLS) MSRweighted Fhitug(weighted) = MSE weighted y ) /( k ) i wi ( yi yˆ i ) /( k ) i w ( yˆ i = i () Ket : MSR : Mea Square Regressio MSE : Mea Square Error Pegambila keputusa adalah apabila F hitug F (k, -k-) dega k adalah parameter maka H0 ditolak pada tigkat sigifikasi, artiya palig sedikit ada satu j yag tidak sama dega ol. Pegambila keputusa juga dapat melalui P-value dimaa H0 ditolak jika P-value < α. ) Uji Parsial 0
12 Uji parsial merupaka pegujia secara idividu parameter dalam model regresi yag bertujua utuk megetahui parameter model regresi telah sigifika atau tidak. Hipotesis yag diguaka adalah sebagai berikut : H0 : j = 0 H : j 0, j = 0,,,..., k Statistik uji yag diguaka utuk metode OLS adalah t hitug bj S (b j ) (9) Dega S (b j ) ( X T X ) MSE (0) Sedagka utuk metode Weighted least squares (WLS) t hitug( weighted ) dega b j ( weighted ) S (b j ( weighted) ) S (b j ( weighted ) ) () merupaka diagoal matrik kovaria. Pegambila keputusaya yaitu apabila t hitug t(- /, -k-) dega k adalah parameter maka H0 ditolak pada tigkat sigifikasi, artiya ada pegaruh xi terhadap model. Pegambila keputusa juga dapat melalui Pvalue, dimaa H0 ditolak jika P-value < α. b. Estimasi Least Trimmed Square (LTS) Lagkah lagkah yag dilakuka dalam megestimasi parameter regresi robust dega estimasi LTS, sebagai berikut : ) Meghitug kuadrat residual ( e i ) urutka dari ya terkecil sampai terbesar da meghitug h dimaa ) Meghitug E LTS + p+. h = e i. i= ^β baru(i) ) Melakuka estimasi parameter 4) Meetuka kuadrat residual ) Meghitug h= ei ELTS(baru). dari dari hbaru(i) hbaru(i) pegamata. pegamata.
13 6) Melakuka iterasi dari lagkah 4 s.d. sampai medapatka fugsi objektif (h) yag terkecil da koverge ke ol. ) Kemudia lakuka uji hipotesis utuk megetahui apakah variabel bebas mempuyai pegaruh yag sigifika terhadapa variabel tak bebas. c. Estimasi S Lagkah lagkah yag dilakuka dalam megestimasi parameter regresi robust dega metode estimasi S, sebagai berikut : ) Meghitug ilai residual yaki e i= y i ^y i ) Meghitug stadar deviasi sisaa media ei media ( e i) { σ^ i= Dega, iterasi= 0.64 wi ei,iterasi> k i= k =0.99 ) utuk medapatka ilai ui= 4) Meghitug ilai pembobot ei σ^ s { [ ( )] ui ψ (u i), ui.4 w i= =.4 ui 0, ui.4 ) Meghitug ilai koefisie parameter peduga 6) Dari koefisie parameter peduga yag ^β=[ X ' WX ] X ' Wy didapat kembali ulagi lagkah s.d. 4 sampai didapatka kekovergea. ) Kemudia lakuka uji hipotesis utuk megetahui apakah variabel bebas mempuyai pegaruh yag sigifika terhadapa variabel tak bebas. d. Estimasi MM Estimasi MM merupaka gabuga dari estimasi S da estimasi M. Prosedur estimasi ii adalah dega megestimasi parameter regresi megguaka estimasi S yag memiimumka skala sisaa dari estimasi M da dilajutka dega estimasi M. lagkah-lagkahya sebagai berikut : ) Meghitug ilai sisaa e i= y i ^y i dari estimasi S
14 ) Meghitug ilai σ^ s ) Meghitug ilai ui= ei σ^ s 4) Meghitug pembobot [{ ( ) ] ui w i= 4.6 0, ui 4.6, u i 4.6 ^β ) Meghitug parameter pembobot estimasi MM dega metode WLS dega 0 wi 6) Megulagi lagkah s.d. 4 sampai diperoleh ilai ^β estimasi MM yag koverge. ) Kemudia lakuka uji hipotesis utuk megetahui apakah variabel bebas mempuyai pegaruh yag sigifika terhadapa variabel tak bebas. e. Estimasi LMS LMS (Least Media of Square) didefeisika sebagai vector-p, θ^ LMS=argmi Q LMS (θ) θ Dimaa, Q LMS (θ)=r (h) r () < r () < < r() T adalah r i =( y i x i θ ), i=,,, error h (residual) kuadrat didefeisika sebagai yag diurutka, iterval dari + p+ + h. Nilai breakdow utuk estimasi LMS juga berilai 4 h. Namu, estimasi LTS mempuyai beberapa keuggula dibadigka dega estimasi LMS. Fugsi objektifya lebih halus, membuat LTS lebih stabil (kecuali sesitive utuk efek local) daripada estimasi LMS. Efisesi statistikya lebih baik karea estimasi LTS ormal secara asymptotic dimaa estimasi LMS memiliki tigkat kovergesi yag lebih redah.
15 f. Estimasi W Estimasi W mewakili betuk alterative dari estimasi M. Masig-masig estimasi W mempuyai karakteristik fugsi peimbag W(.) meggambarka petigya tiap sample dalam kotribusiya pada estimasi T, yag dihubugka pada estimasi M yag bersesuaia megikuti ψ ( r )=W (r )r. Parameter optimal diperoleh dega meyelesaika, W (r j )r j=0 j= Yag sama seperti persamaa utuk masalah regresi Weighted Least Square. W-Estimator meawarka prosedur peghituga iterative MEstimator yag sederhaa da meyeagka, dimaa persamaa WEstimator dalam iterasi sekarag diselesaika dega perbaika ilai peimbag, W (r j), pada iterasi sebelumya. Prosedur utuk memperoleh hasil merujuk pada Iterative Reweighted Least-Square (IRLS atau RLS). Seperti pada kasus estimator M da W, IRLS bergatug pada skala prefix da akurat utuk defeisi peimbagya. Skala estimasi yag palig umum diguaka adalah,4 x MAD. g. Estimasi L Estimasi L didasarka pada order statistic (statistic terurut), sebagai cotoh adaika kita igi megestimasi parameter lokasi suatu distribusi dari sample acak X, X,, X. Order statistic sampel ii adalah X [ ] X[ ] X [ ]. Media sample merupaka estimasi L, karea itu merupaka suatu ukura lokasi order statistic. h. Estimasi R Sebagai tambaha terhadap estimator M, ada pedekata lai utuk regresi robust. Estimasi R adalah prosedur yag didasarka pada rakig (uruta). Utuk meggambarka prosedur yag umum, gati satu factor pada fugsi sasara kuadrat 4 terkecil s ( β ) = ( y i x i β ) i= ' dega
16 rakigya. Demikia jika Ri adalah rakig dari ' y i x i β, lalu kita igi memiimalka ( y i x 'i β ) Ri i=. Lebih umumya, kita dapat meggati rakig (yag maa iteger,,,) dega fugsi skor a(i)=,,,, sehigga fugsi sasaraya mejadi : mi ( y i x'i β ) a(ri ) β i= Jika kita meetapka fugsi skor sama dega rakig (raks), a(i)=i, hasilya disebut skor Wilcoxo. Kemugkia lai adalah megguaka i< skor media, dimaa a(i)=- jika + da a(i)= jika i> C. PEMBAHASAN. PENERAPAN ESTIMASI M a. Estimasi M (Huber) Data pegamata pejuala rokok tahu 0 di yogyakarta: jml outlet ikla out ikla kora (X) () N o Sales (y) (X) ikla radio (X) +.
17 Dilakuka uji asumsi terlebih dahulu, yaki : Pertama, uji ormalitas : 6
18 Probability Plot of RESI Normal 99 Mea StDev N KS P-Value E <0.00 Percet RESI Kedua, uji multikoliearitas : Predictor Costat X X X Coef SE Coef T P VIF Karea ilai VIF yag kecil megidikasika tidak ada multikoliearitas. Ketiga, uji homoskedasitas : The regressio equatio is Y = X +Versus.Order X +. X +. (respose is Y) Residual 00 Predictor Costat X 0 X X 0 Coef S = 66. SE Coef R-Sq = 64.0% T P R-Sq(adj) =.% -0 Aalysis of Variace -00 Source 4 6 Regressio Residual Error Total DF 0 SS 4 6 MS 0 4 F 6 P Observatio Order Keempat, uji autokorelasi : Durbi-Watso statistic =.94 Source DF Seq SS X Karea ilai durbi Watso medekati X 6 autokorelasi. X 6 0 meujukka tidak ada Output miitab : Uusual Observatios b. c. Obs 4 0 X Y Fit SE Fit Residual St Resid.9R -.0R -.40R -.R R deotes a observatio with a large stadardized residual.
19 d. e. f. g. h. i. j. k. l. m.. o. p. q. r. s. t. u. Dega megguaka miitab didapatka model regresiya adalah : v. Y = X +. X +. X +. w. Model tersebut merupaka hasil metode OLS. x. y. z. aa. ab. Didapatka model : Y = X +. X +. X +.
20 Kemudia dilakuka pegujia dega ilai stadarized residual, da DFITS. Hasilya sebagai berikut : Berdasarka ilai stadarized residual da DFITS bahwa observasi ke 4,, 0, da teridikasi sebagai outlier. 9
21 ac. Utuk peetua ilai bobotya megguaka fugsi ifluece da fugsi pembobot Huber, sebagai berikut : ad. 0
22 ae. Dega megguaka miitab, maka di dapatka model regresi utuk tiap iterasi sebagai berikut : af. It ag. Model regresi ah. ai. Y = X X +.4 X + 6. aj. ak. Y = X X X al. am. Y = X + 0. X + 4. X a. 4 ao. Y = X + 0. X + 4. X ap. aq. Y = X X + 4. X ar. 6 as. Y = X X + 4. X at. au. Y = X X + 4. X av. aw. Y = X X + 4. X ax. Sehigga model regresi robust utuk estimasi M adalah : ay. Y = X X + 4. X az. Kemudia dilakuka uji secara seretak (apakah keragama Y dapat dijeaska oleh model regresi X terhadap Y sigifika secara statistik?) da uji idividu (apakah peubah X i berpegaruh terhadap peubah Y apabila peubah laiya tetap?). hasil output miitab Weighted aalysis usig weights i W(e*) sebagai berikut : ba. The regressio equatio is bb. Y = X X + 4. X bc. bd. Predictor Coef SE Coef T P be. Costat X bf X X bg bh bi. S = 0.6 R-Sq = 4.0% R-Sq(adj) = 69.% bj. Aalysis bk. of Variace bl. Source DF SS MS F P Regressio bm. Residual Error 64 b. Total 9 46 bo. Source bp. DF Seq SS X 4 X bq. X br bs. Uusual Observatios Obs 0 X Y Fit SE Fit Residual St Resid -.R -.R -.0R R deotes a observatio with a large stadardized residual.
23 bt. bu. bv. bw. bx. Utuk uji seretak didapatka p-value sebesar yag lebih kecil dari alpha sebesar 0.0, sehigga secara statistik keragama Y dapat dijeaska oleh model regresi X terhadap Y sigifika. Utuk uji idividu didapatka peubah X da X tidak sigifika, amu ii masih lebih baik dari model regresi o robust dimaa ada empat peubah yag tidak sigifika yaki costat, peubah X, X, da X. by. b. Estimasi M (Tukey Bisquare) bz. : Dega megguaka miitab didapatka model regresiya adalah ca. Y = X +. X +. X +. cb. Model tersebut merupaka hasil metode OLS. cc. Dega megguaka miitab, maka di dapatka model regresi utuk tiap iterasi sebagai berikut : cd. Iter a s i k e ce. Model regresi cf. cg. Y = X X + 4. X ch. ci. Y = X X + 4. X +. cj. cl. 4 ck. Y = - 0 X +. cm. Y = - 6 X X X X +.00 X c. co. Y = X + 0. X + 4. X +. cp. 6 cq. Y = X +.0 X + 4. X +.9 cr. ct. cv.9 cs. Y = - 0 X +.9 cu. Y = - X +.9 cw. Y = - 99 X X + 0. X X +.9 X X + 0. X + 4. cx. 0 cy. Y = X +. X X cz. da. Y = X + 0. X + 4. X db. dc. Y = X +.4 X +.9 X + 6.0
24 dd. de. Y = X X + 4. X df. 4 dg. Y = X +. X +. X + 6. dh. di. Y = X + 0. X X + 6. dj. 6 dk. Y = X +. X +. X dl. dm. Y = X + 0. X X d. do. Y = X +.60 X +.6 X + 6. dp. 9 dq. Y = X + 0. X X + 6. dr. 0 ds. Y = X +.6 X +.6 X + 6. dt. du. Y = X + 0. X X dv. dw. Y = X +.6 X +.6 X + 6. dx. dy. Y = X + 0. X X dz. 4 ea. Y = X +.6 X +.6 X + 6. eb. ec. Y = X + 0. X X + 6. ed. 6 ee. Y = X +.6 X +.6 X + 6. ef. eg. Y = X + 0. X X + 6. eh. ei. Dalam kasus ii, teryata model regresi robust dega tukey bisquare koverge ke dua model yaki : ej. Y = X +.6 X +.6 X + 6. ek. R el. R s q u a r e a em. Uj i F e. Uji T
25 d j ep. 6. % eo. eq. si g if ik a er. X da X tidak sigifika es. Da et. Y = X + 0. X X + 6. eu. R ey. ev. R s q u a r e a d j ew. Uj i F ex. Uji T ez.. 6 % fa. si g if ik a fb. X da X tidak sigifika fc. fd. Sehigga model terpilih adalah Y = X + 0. X X + 6. fe. ff. fg. fh. fi. fj. fk. fl.. PENERAPAN ESTIMASI LTS fm. Lagkah awal utuk meetuka h dimaa h E LTS = e i i= ELTS =9.00 diguaka model hasil dari h= OLS. + p+ da Didapatka da h = yag artiya data baru (telah diurutka secara ascedig berdasarka ei yag aka diguaka utuk estimasi LTS iterasi ke, hasil output miitabya sebagai berikut : 4
26 f. The regressio equatio is Y = X + 0. X +. X +.9 fo. Predictor Coef Costat fp. X X fq. X fr. S =.00 SE Coef T R-Sq = 9.0% P R-Sq(adj) = 9.4% fs.aalysis of Variace Source DF SS ft.regressio 4 64 Residual Error Total 000 fu. Source DF fv.x X X fw. fx. Uusual Obs fy. MS 94 F 6.9 P Seq SS Observatios Y Fit. 49. X.0 SE Fit 9. Residual 9.6 St Resid.06R R deotes a observatio with a large stadardized residual. ELTS =,9. fz. Dega ga. ilai h baru utuk iterasi ke adalah yag artiya data baru yag aka diguaka, hasil output miitab sebagai berikut : gb. The regressio equatio is Y = X -. X +. X +.69 gc. Predictor Costat gd. X X X ge. gf.s Coef =.669 SE Coef T R-Sq = 99.% P R-Sq(adj) = 99.% gg. Aalysis of Variace Source DF SS Regressio 4 6 gh. Residual Error 40 Total 96 MS 964 F 4. P gi. Source DF Seq SS 0 X 4 The equatio is X regressio 9 gk. Y = X -.49 X X +.6 gj.x Predictor gl. E LTS =.9 Coef SE Coef T. Dega g. S = R-Sq = 99.9% P Costat X X iterasi gm. ilai h baru utuk ke adalah 9 yag artiya 9 data X baru yag aka diguaka, hasil output miitab sebagai berikut : R-Sq(adj) = 99.% go. Aalysis of Variace Source gp. Regressio Residual Error Total Source X X X DF DF 4 4 Seq SS SS 6 MS 49 6 F 9.0 P 0.000
27 gq. gr. gs. gt. gu. gv. gw. gx. gy. Dega ELTS =.44. gz. ilai h baru utuk iterasi ke 4 adalah yag artiya data baru yag aka diguaka, hasil output miitab sebagai berikut : ha. The regressio equatio is Y = - -. X -.00 X +. X hb. Predictor Coef Costat hc. X X hd. X he. hf.s =. SE Coef T R-Sq = 00.0% Aalysis of Variace DF SS Regressio 4 40 hh. Residual Error 0 Total 60 hg. Source P R-Sq(adj) = 99.9% MS F 0.0 P hi. Source hj.x X X hk. DF hl. Dega Seq SS ELTS =6.44. hm. The regressio equatio is Y = X -.4 X X +. h. Predictor ho. Coef SE Coef T P Costat X hp. X X hq. ilai h baru utuk iterasi ke adalah yag artiya data baru yag aka diguaka, hasil output miitab sebagai berikut : S =.4 hr. R-Sq = 00.0% Aalysis of Variace DF SS Regressio Residual Error ht. Total Source hs. Source X X X DF Seq SS R-Sq(adj) = 00.0% MS 6 F 94.9 P 0.000
28 hu. hv. hw. hx. hy. hz. ia. ib. ic. Dega ELTS =0.0. id. Iterasi berheti sampai iterasi ke karea ilai h pada itreasi ke 6 sama dega iterasi ke yaki. ie. if. ig. ih. ii. ij. ik. il. im. i. io. ip. iq. ir. is. it. D. DAFTAR PUSTAKA iu. Bambag J Ekoometrika: Pemodela da Pedugaa. Bogor (ID): IPB Pr. iv. iw. Che C. 00. Robust Regressio ad Outlier Detectio with the Robustreg Procedure. Paper 6-, Statistics ad Data Aalysis, SUGI, North Carolia: SAS Istitute Ic. ix.
29 iy. Draper NR, Smith. 99. Aalisis Regresi Terapa. Diterjemahka oleh Bambag Sumatri. Jakarta (ID): Gramedia. iz. ja. Motgomery DC, Peck EA. 99. Itroductio to Liear Regressio Aalysis. New York (NY): Joh Wiley ad Sos. jb. jc. Musarifah, Raupog, Nasrah S. Perbadiga Metode Robust Least Trimmed Square Dega Metode Scale Dalam Megestimasi Parameter Regresi Liear Bergada Utuk Data Yag Megadug Pecila. [Iteret]. Makassar (ID). [diuduh 06 jam 4: WIB]. Tersedia pada: NAL.pdf?sequece= jd. je. Paper Robust. jg. Rokhdaa DB. Regresi Robust Dega M-Estimatio. jf. jh. ji. Rya TP. 99. Moder Regressio Methods. Caada: Joh Wiley & Sos Ic. jj. jk. Yuliaa S, Hasih P, Sri SH. 0. Optimasi Model Regresi Robust Utuk Memprediksi Produksi Kedelai di Iodoesia. [Iteret]. Yogyakarta (ID). [diuduh 06 jam :4 WIB]. Tersedia pada: jl. jm. j. jo. Yuliaa. 04. Peerapa Model Regresi Liear Robust Dega Estimasi M Pada Data Nilai Kalkulus II Mahasiswa Uiversitas Widya Dharma Klate. Magistra No. 90 Th. XXVI [Iteret]. Hlm 9; [diuduh 06 jam 09:46 WIB]. Tersedia pada: article=9460&val=60&title=penerapan%0model %0REGRESI%0LINEAR%0ROBUST%0DENGAN%0ESTIMASI %0M%0PADA%0DATA%0NILAI%0KALKULUS%0II %0MAHASISWA%0UNIVERSITAS%0WIDYA%0DHARMA %0KLATEN jp. jq. jr. js.
Perbandingan Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, dan Estimasi Method Of Moment
PRISMA 1 (2018) https://joural.ues.ac.id/sju/idex.php/prisma/ Perbadiga Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, da Estimasi Method Of Momet Muhammad Bohari Rahma, Edy Widodo
Lebih terperinciCONTOH SOAL MATEMATIKA SMP SATU ATAP: 1. Hasil dari (3 + (-4)) (5 + 3) adalah... A. 8 B. -7 C. -8 D Hasil dari adalah... A.
CONTOH SOAL MATEMATIKA SMP SATU ATAP: 1. Hasil dari (3 + (-4)) (5 + 3) adalah... A. 8 B. -7 C. -8 D. -15 2. Hasil dari 12+13-14 adalah... A. 320 B. 512 C. 712 D. 1 E. 3. Ibu membeli 24 permen yang akan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciMENENTUKAN KOEFISIEN DETERMINASI ANTARA ESTIMASI M DENGAN TYPE WELSCH DENGAN LEAST TRIMMED SQUARE DALAM DATA YANG MEMPUNYAI PENCILAN
Saitia Matematika ISSN: 337-9197 Vol. 0, No. 03 (014), pp. 5 35. MENENTUKAN KOEFISIEN DETERMINASI ANTARA ESTIMASI M DENGAN TYPE WELSCH DENGAN LEAST TRIMMED SQUARE DALAM DATA YANG MEMPUNYAI PENCILAN Sabam
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini akan dijelaskan mengenai analisis regresi robust estimasi-s
BAB III PEMBAHASAN Pada bab ii aka dijelaska megeai aalisis regresi robust estimasi-s dega pembobot Welsch da Tukey bisquare. Kemudia aka ditujukka model regresi megguaka regresi robust estimasi-s dega
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciPemilihan Model Terbaik
Pemiliha Model Terbaik Hazmira Yozza Jur. Matematika FMIPA Uiv. Adalas Jadi bayak model yag mugki dibetuk Var. Bebas :,, 3 Model Maa Yag Mampu Mewakili Data 3,, 3, 3,, 3 + model akar, log, hasil kali,
Lebih terperinciAPLIKASI REGRESI RIDGE LEAST ABSOLUTE DEVIATION PADA KASUS PELANGGARAN ASUMSI KENORMALAN DAN MULTIKOLINIERITAS
APLIKASI REGRESI RIDGE LEAST ABSOLUTE DEVIATION PADA KASUS PELANGGARAN ASUMSI KENORMALAN DAN MULTIKOLINIERITAS Idah Ayustia, Aa Islamiyati, Raupog Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena
7 BAB III METODE PENELITIAN A. Jeis Peelitia Peelitia ii merupaka jeis peelitia deskriptif-kuatitatif, karea melalui peelitia ii dapat dideskripsika fakta-fakta yag berupa kemampua siswa kelas VIII SMP
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciBAB II LANDASAN TEORI. regresi linier, metode kuadrat terkecil (MKT), uji simultan, uji asumsi regresi
BAB II LANDASAN TEORI Dalam peelitia ii diberika beberapa teori yag diperluka sebagai pedukug dalam pembahasa selajutya di ataraya adalah variabel radom, regresi liier, metode kuadrat terkecil (MKT), uji
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperinciSTATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA
STATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA OUTLINE LANJUTAN Peetua garis duga regresi dega Metode OLS kostata a da koefisie b Aalisis Varias komposisi variasi sekitar garis r da r Stadard
Lebih terperinciMetode Regresi Robust Dengan Estimasi-M pada Regresi Linier Berganda (Studi Kasus : Indeks Harga Konsumen Kota Tarakan)
Jural EKSPONENSIAL Volume 6, Nomor, Nopember 05 ISSN 085-789 Metode Regresi Robust Dega Estimasi-M pada Regresi Liier Bergada (Studi Kasus : Ideks Harga Kosume Kota Taraka) Robust Regressio Method to m-estimatio
Lebih terperinciBAB IV DESKRIPSI DAN ANALISIS DATA. penelliti dilakukan ada dua jenis. Tes kemampuan verbal disusun untuk
44 BAB IV DESKRIPSI DAN ANALISIS DATA A. Deskripsi Hasil Peelitia Data yag diperoleh dari siswa kelas VIII SMP Zaiuddi Waru adalah skor tes kemampua verbal (X 1 ), skor tes kemampua umerik (X ), da skor
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinciBAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28
5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Metode Kuadrat Terkecil Aalisis regresi merupaka aalisis utuk medapatka hubuga da model matematis atara variabel depede (Y) da satu atau lebih variabel idepede (X). Hubuga atara
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 86-88 Latiha 2 Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciProgram Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi
Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.
Lebih terperinciBAB II METODOLOGI PENELITIAN. kualitatif. Kerangka acuan dalam penelitian ini adalah metode penelitian
BAB II METODOLOGI PEELITIA 2.1. Betuk Peelitia Betuk peelitia dapat megacu pada peelitia kuatitatif atau kualitatif. Keragka acua dalam peelitia ii adalah metode peelitia kuatitatif yag aka megguaka baik
Lebih terperinciPenyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered.
2. Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a) Hitug Sum of Square for Regressio (X) b) Hitug Sum of Square for Residual c) Hitug Meas Sum of Square for Regressio (X) d) Hitug
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciPertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd
Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag
Lebih terperinciAn = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3
BAB XII. SUKU BANYAK A = a Pegertia: f(x) = a x + a x + a x + + a x +a adalah suku bayak (poliom) dega : - a, a, a,.,a, a, a 0 adalah koefisiekoefisie suku bayak yag merupaka kostata real dega a 0 - a
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 85-88 Latiha 1 Pelajari data dibawah ii, tetuka depede da idepedet variabel serta a. Hitug Sum of for Regressio (X) b. Hitug
Lebih terperinciAn = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3
SUKU BANYAK A Pegertia: f(x) x + a 1 x 1 + a 2 x 2 + + a 2 +a 1 adalah suku bayak (poliom) dega : - a, a 1, a 2,.,a 2, a 1, a 0 adalah koefisiekoefisie suku bayak yag merupaka kostata real dega a 0 - a
Lebih terperinciA. Pengertian Hipotesis
PENGUJIAN HIPOTESIS A. Pegertia Hipotesis Hipotesis statistik adalah suatu peryataa atau dugaa megeai satu atau lebih populasi Ada macam hipotesis:. Hipotesis ol (H 0 ), adalah suatu hipotesis dega harapa
Lebih terperinciUniversitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas
Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga REGRESI DAN KORELASI Statistika da Probabilitas Kurva Regresi Mecari garis/kurva yag mewakili seragkaia titik data Ada dua cara utuk
Lebih terperinciBAB II TINJAUAN PUSTAKA. dengan asumsi bahwa telah diketahui bentuk fungsi regresinya. atau dalam bentuk matriks dapat ditulis dengan:
BAB II TINJAUAN PUSTAKA 2.1 Regresi Parametrik Regresi parametrik merupaka metode statistika yag diguaka utuk megetahui pola hubuga atara variabel prediktor dega variabel respo, dega asumsi bahwa telah
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Saham Saham adalah surat berharga yag dapat dibeli atau dijual oleh peroraga atau lembaga di pasar tempat surat tersebut diperjualbelika. Sebagai istrumet ivestasi, saham memiliki
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinciMANAJEMEN RISIKO INVESTASI
MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya
Lebih terperinciPENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA
PENAKSIRAN DAN PERAMALAN BIAYA Ari Darmawa, Dr. S.AB, M.AB Email: aridarmawa_fia@ub.ac.id A. PENDAHULUAN B. PENAKSIRAN DAN PRAKIRAAN FUNGSI BIAYA C. PENAKSIRAN JANGKA PENDEK - Ekstrapolasi sederhaa - Aalisis
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinciANALISIS REGRESI DAN KORELASI SEDERHANA
LATAR BELAKANG DAN KORELASI SEDERHANA Aalisis regresi da korelasi megkaji da megukur keterkaita seara statistik atara dua atau lebih variabel. Keterkaita atara dua variabel regresi da korelasi sederhaa.
Lebih terperinciL A T I H A N S O A L A N R E G 1 Muhamad Ferdiansyah, S. Stat.
L A T I H A N S O A L A N R E G Muhamad Ferdiasyah, S. Stat. *Saya saraka utuk mecoba sediri baru lihat jawabaya **Jawaba saya BELUM TENTU BENAR karea saya mausia biasa. Silaka dikosultasika jika ada jawaba
Lebih terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinciREGRESI DAN KORELASI
REGRESI DAN KORELASI Pedahulua Dalam kehidupa sehari-hari serig ditemuka masalah/kejadia yagg salig berkaita satu sama lai. Kita memerluka aalisis hubuga atara kejadia tersebut Dalam bab ii kita aka membahas
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
Lebih terperinciREGRESI RIDGE ROBUST-M
REGRESI RIDGE ROBUST-M DENGAN PEMBOBOT WELSCH (Studi Kasus : Faktor-Faktor Yag Mempegaruhi Harga Jual Dagke Di Kecamata Cedaa, Kabupate Erekag) Nur Aliaa Majid, Raupog 2, Kresa Jaya 3. Program Studi Statistika,
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I
7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3
Lebih terperinciBAB I KONSEP DASAR PERSAMAAN DIFERENSIAL
BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah
Lebih terperinciProgram Perkuliahan Dasar Umum Sekolah Tinggi Teknologi Telkom. Barisan dan Deret
Program Perkuliaha Dasar Umum Sekolah Tiggi Tekologi Telkom Barisa da Deret Barisa Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) a Fugsi tersebut
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinciLIMIT. = δ. A R, jika dan hanya jika ada barisan. , sedemikian hingga Lim( a n
LIMIT 4.. FUNGSI LIMIT Defiisi 4.. A R Titik c R adalah titik limit dari A, jika utuk setiap δ > 0 ada palig sedikit satu titik di A, c sedemikia sehigga c < δ. Defiisi diatas dapat disimpulka dega cara
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciRIWAYAT HIDUP. : Nurdiyana Abdullah Tempat / Tanggal Lahir : Malaysia / 11 Oktober 1985
Lampiran 1 RIWAYAT HIDUP Nama : Nurdiyana Abdullah Tempat / Tanggal Lahir : Malaysia / 11 Oktober 1985 Agama : Islam Alamat : Jl. Kangkung No. 36 Medan Riwayat Pendidikan : 1. Sek Ren Keb Sultanah Asma
Lebih terperinciBAB III METODOLOGI PENELITIAN
14 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di IUPHHK-HA PT. Mamberamo Alasmadiri, Provisi Papua pada bula Jui higga Juli 2011. 3.2 Alat da Baha Alat da baha yag
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Peelitia Peelitia ii megguaka metode peelitia Korelasioal. Peelitia korelasioaal yaitu suatu metode yag meggambarka secara sistematis da obyektif tetag hubuga atara
Lebih terperinciMakalah ANALISIS REGRESI DAN REGRESI GANDA
1 Makalah ANALISIS REGRESI DAN REGRESI GANDA Disusu oleh : 1. Rudii mulya ( 41610010035 ). Falle jatu awar try ( 41610010036 ) 3. Novia ( 41610010034 ) Tekik Idustri Uiversitas Mercu Buaa Jakarta 010 Rudii
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperinciBAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA DAN FAKTOR DISKON
BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARA DAN FAKTOR DIKON 3.1 Ecoomic Order Quatity Ecoomic Order Quatity (EOQ) merupaka suatu metode yag diguaka utuk megedalika
Lebih terperinciREGRESI LINIER GANDA
REGRESI LINIER GANDA Secara umum, data hasil pegamata Y bisa terjadi karea akibat variabelvariabel bebas,,, k. Aka ditetuka hubuga atara Y da,,, k sehigga didapat regresi Y atas,,, k amu masih meujukka
Lebih terperinciBARISAN DAN DERET. Nurdinintya Athari (NDT)
BARISAN DAN DERET Nurdiitya Athari (NDT) BARISAN Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) = a Fugsi tersebut dikeal sebagai barisa bilaga
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciPengantar Statistika Matematika II
Pegatar Statistika Matematika II Metode Evaluasi Atia Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Uiversitas Islam Idoesia April 11, 2017 atiaahdika.com Pegguaa metode estimasi yag berbeda dapat meghasilka
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL. Nurul Muthiah, Raupong, Anisa Program Studi Statistika, FMIPA, Universitas Hasanuddin ABSTRAK
ESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL Nurul Muthiah, Raupog, Aisa Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK Regresi spasial merupaka pegembaga dari regresi liier klasik.
Lebih terperinciSolusi Numerik PDP. ( Metode Beda Hingga ) December 9, 2013. Solusi Numerik PDP
( Metode Beda Higga ) December 9, 2013 Sebuah persamaa differesial apabila didiskritisasi dega metode beda higga aka mejadi sebuah persamaa beda. Jika persamaa differesial parsial mempuyai solusi eksak
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 1, 39-46, April 2002, ISSN :
JURNAL MATEMATKA DAN KOMPUTER Vol 5 No, 39-46, April 22, SSN : 4-858 MENCAR SOLUS PENAKSR PARAMETER PADA ANALSS VARANS DENGAN PENDEKATAN GENERAL NVERS Sukestiaro Jurusa Matematika FMPA Uiversitas Negeri
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciBAB 3 METODE PENELITIAN. Disini penerapan kriteria optimasi yang digunakan untuk menganalisis
BAB 3 METODE PENELITIAN 3.1 Peetapa Kriteria Optimasi Disii peerapa kriteria optimasi yag diguaka utuk megaalisis kebutuha pokok pada PT. Kusuma Kecaa Khatulistiwa yaitu : 1. Aalisis forecastig (peramala
Lebih terperinciPedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai
PENGUJIAN HIPOTESIS Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai ilai-ilai parameter populasi,
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciMETODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa
19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Maajeme risiko merupaka salah satu eleme petig dalam mejalaka bisis perusahaa karea semaki berkembagya duia perusahaa serta meigkatya kompleksitas aktivitas perusahaa
Lebih terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT
Vol. 6. No., 97-09, Agustus 003, ISSN : 40-858 METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak Tulisa ii membahas peetua persamaa ruag
Lebih terperinciBAB III PENGGUNAAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA GENERAL LINEAR MIXED MODEL
BAB III PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP PADA GENERAL LINEAR MIXED MODEL Pada Bab III ii aka dibahas megeai taksira parameter pada Geeral Liear Mixed Model berdasarka asumsi
Lebih terperinciIII. METODE PENELITIAN. Lokasi penelitian dilakukan di Provinsi Sumatera Barat yang terhitung
42 III. METODE PENELITIAN 3.. Lokasi da Waktu Peelitia Lokasi peelitia dilakuka di Provisi Sumatera Barat yag terhitug mulai miggu ketiga bula April 202 higga miggu pertama bula Mei 202. Provisi Sumatera
Lebih terperinciPersamaan Non-Linear
Persamaa No-Liear Peyelesaia persamaa o-liear adalah meghitug akar suatu persamaa o-liear dega satu variabel,, atau secara umum dituliska : = 0 Cotoh: 2 5. 5 4 9 2 0 2 5 5 4 9 2 2. 2 0 2 5. e 0 Metode
Lebih terperinciBAB III METODOLOGI PENELITIAN
10 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di areal kerja IUPHHK-HA PT. Sarmieto Parakatja Timber, Kalimata Tegah selama satu bula pada bula April higga Mei 01.
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan.
9 III. METODOLOGI PENELITIAN A. Populasi Da Sampel Peelitia ii dilaksaaka di MTs Muhammadiyah Natar Lampug Selata. Populasiya adalah seluruh siswa kelas VIII semester geap MTs Muhammadiyah Natar Tahu Pelajara
Lebih terperinciPENGANTAR MODEL LINEAR Oleh: Suryana
PENGANTAR MODEL LINEAR Oleh: Suryaa Model liear meyagkut masalah statistik yag ketergatugaya terhadap parameter secara liear. Betuk umum model liear adalah 0 1X1... px p, dega = Variabel respo X i = Variabel
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika
Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciBAB I PENDAHULUAN. X Y X Y X Y sampel
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Aalisis regresi merupaka metode aalisis data yag meggambarka hubuga atara variabel respo dega satu atau beberapa variabel prediktor. Aalisis regresi tersebut
Lebih terperinciSEBARAN t dan SEBARAN F
SEBARAN t da SEBARAN F 1 Tabel uji t disebut juga tabel t studet. Sebara t pertama kali diperkealka oleh W.S. Gosset pada tahu 1908. Saat itu, Gosset bekerja pada perusahaa bir Irladia yag melarag peerbita
Lebih terperinciIV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data
IV METODE PENELITIAN 4.1 Lokasi da waktu Peelitia ii dilakuka di PD Pacet Segar milik Alm Bapak H. Mastur Fuad yag beralamat di Jala Raya Ciherag o 48 Kecamata Cipaas, Kabupate Ciajur, Propisi Jawa Barat.
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciBAB III METODE PENELITIAN
6 BAB III METODE PENELITIAN 3.1 Desai Peelitia Meurut Kucoro (003:3): Peelitia ilmiah merupaka usaha utuk megugkapka feomea alami fisik secara sistematik, empirik da rasioal. Sistematik artiya proses yag
Lebih terperinci