2. TINJAUAN PUSTAKA. Pada model berbasis area diasumsikan bahwa peubah yang menjadi perhatian merupakan fungsi dari rata-rata peubah respon, = g( )
|
|
- Ivan Budiaman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 . INJAUAN PUSAKA. Model Area Kecl Model area kecl erupakan odel dasar dala pendugaan area kecl. Model n dkelopokkan enjad dua kelopok yatu odel berbass area (basc area level odel odel berbass unt (basc unt level odel... Model Berbass Area Pada odel berbass area dasuskan bahwa peubah yang enjad perhatan erupakan fungs dar rata-rata peubah respon, g( untuk g(. Y tertentu yang berkatan dengan data penyerta area kecl x ( x,, x engkut odel lner sebaga berkut: L x β + bv,,..., (. p dengan b adalah kostanta bernla postf yang dketahu β ( β,..., β p adalah vektor koefsen regres berukuran p x. Segkan v adalah pengaruh acak area kecl yang dasuskan elk sebaran dentk yang salng bebas yakn dengan E ( v 0, V (v σ v A( 0 (. E enyatakan nla harapan odel V raga odel. Serngkal pengaruh acak v ggap enyebar noral. Untuk elakukan nferens tentang rata-rata area kecl Y pada odel (., dsalkan bahwa penduga langsung Yˆ ada, sehngga ˆ g(ŷ + e,,..., (.3 dengan galat contoh e bebas serta E p ( e 0, V p ( e D Basanya raga contoh ψ dketahu. ψ (.4 Dengan enggabungkan persaaan (. (.3 aka dperoleh odel
2 dengan ˆ x β + b v + e,,..., (.5 v e salng bebas. Model (.5 n erupakan kasus khusus dar odel capuran lner dkenal pula sebaga odel Fay Herrot dala lteratur area kecl, karena ereka yang pertaa kal enggunakan odel tersebut pada pendugaan area kecl (Rao Model Berbass Unt Model berbass unt engasuskan bahwa data penyerta unt x j ( x,..., j xjp ada untuk asng-asng anggota populas j dala asngasng area kecl, naun kag cukup dengan rata-rata populas X dketahu saja. Selanjutnya peubah perhatan y j ggap berkatan dengan x j engkut odel regres lner galat tersarang satu tahap y x j β + v e ; j,..., N,..., (.6 j + j Pengaruh acak area kecl v n epunya sebaran dentk salng bebas, e j kje~ j dengan konstanta k j dketahu e~ j peubah acak yang elk sebaran dentk bebas pula serta bebas dengan v, E ( ~ 0, e j V ~ e (.7 ( j σ e Serngkal dasuskan bahwa v e berdstrbus noral.. Model Fay-Herrot Model Fay-Herrot adalah odel yang banyak dpaka dala pendugaan area kecl erupakan odel capuran lner. Fay and Herrot (979 enggunakan odel dua level berkut untuk enduga pendapatan perkapta untuk area kecl d Aerka Serkat dengan populas kurang dar 000. Level : y ~ N(, D Level : ~ N ( β, A x Model dua level d atas dapat dtulskan sebaga odel lner capuran sebaga berkut :
3 y + e x β + v + e dana v ~ N ( 0, A e ~ N ( 0,,,..., (.8 D Pengaruh acak area v N( 0, A ~ dgunakan untuk enghubungkan rataan area kecl dengan vektor peubah penyerta x yang serng dperoleh dar data sensus. Paraeter β A uunya tdak dketahu dduga dar sebaran argnal y. Raga contoh D basanya dasuskan dketahu..3 Penduga EBLUP Model dasar pendugaan area kecl oleh Fay-Herrot (979 enjad dasar dala pengebangan pendugaan area kecl berbass odel yang banyak dbahas dala berbaga lteratur. Jka β + v adalah paraeter yang enjad x perhatan y adalah nla pendugaan langsung berdasarkan rancangan surve, aka y + e dana area kecl. Model tersebut dapat dtuls enjad e adalah saplng error v adalah pengaruh acak y β + v + e (.9 x dengan v e salng bebas serta v ~ N( 0, A e N( 0, D ~ untuk,...,. Dasuskan bahwa β A (keragaan antar area kecl tdak dketahu, tetap D (keragaan karena saplng error untuk,,..., dketahu. Penduga terbak (best predctor, BP bag β + v jka β A x dketahu adalah BP ˆ ˆ y β, A x β + B y x β (.0 ( ( ( dengan B D ( A + D untuk,,...,. Jka A dketahu, β dapat dduga dengan etode kuadrat terkecl terbobot (A dengan ensubsttus β oleh βˆ pada yatu β ( X V X X V Y BP ˆ, aka dperoleh ˆ BLUP BLUP ˆ ( y A x βˆ + ( B ( y x βˆ ( y A ( B y B x βˆ ˆ ˆ + (.
4 Dala praktek, bak β aupun A basanya tdak dketahu sehngga untuk kasus pendugaan dengan BLUP, A terlebh dahulu harus dduga. Untuk enduga A dapat dgunakan etode keungknan aksu (axu lkelhood, ML, etode keungknan aksu terkendala (restrcted axu lkelhood, REML, etode adjusted for densty axzaton (ADM atau etode oen. Dengan ensubsttus β oleh βˆ A oleh  terhadap penduga BLUP, aka akan dperoleh suatu penduga baru ˆ ˆ ( y ˆ x βˆ + ( ˆ ( x βˆ A B y ( y ˆ ( ˆ ˆ x βˆ A B y + B EBLUP ˆ EBLUP ˆ (. yang keu dkenal sebaga eprcal best lnear unbased predctor (EBLUP..4 eknk Pendugaan Selang Rset pada selang predks area kecl sebagan besar dpusatkan pada kasus khusus odel Fay-Herrot, yang dgabarkan sebaga berkut :. Bergantung pada (,, Y ( L, n n Y, LY n engkut sebaran noral n-peubah dengan rataan atrks dspers D dengan eleen dagonal utaa dketahu D > 0 eleen lannya 0. Dsn selanjutnya seua vektor erupakan vektor kolo, untuk setap vektor (atrks a (A.. Peubah engkut sebaran noral n-peubah dengan rataan X β untuk suatu atks X berukuran n x p vektor tetap β yang tdak dketahu. Matrks dspersnya AI n dana I n adalah atrks denttas berdens n A adalah suatu konstanta yang tdak dketahu. Ada beberapa plhan dala ebangun dugaan selang β + v, x yatu hanya enggunakan odel level untuk data aatan, hanya level untuk koponen enja kekuatan, atau kobnas dar keduanya.
5 I D Selang yang hanya ddasarkan pada odel level dberkan oleh ( : y z α D α ±. Selang n tdak efsen, karena rata-rata panjang selang terlalu besar untuk ebuat suatu kespulan. In dsebabkan oleh keragaan yang tngg pada penduga ttk y. Suatu selang yang ddasarkan hanya pada odel level engabakan data spesfk area yang pentng sepert yang dodelkan pada level, n engakbatkan hal yatu kegagalan pada ketersangkutan dengan area kecl kegagalan enghaskan keakuratan coverage. Oleh karena tu, dperlukan teknk pendugaan selang yang engkobnaskan kedua level dar odel Fay-Herrot. Pendekatan populer adalah etode Bayes Eprk (eprcal Bayes yang dkeukakan oleh Cox(Chatterjee et.al 006 sebaga berkut : dana I ( Bˆ y + Bˆ x ˆ ± z ( D ( Bˆ α β C : (.3 Bˆ adalah penduga dar B D ( A + D, βˆ adalah penduga dar β x adalah bars ke- dar atrks X. Selang predks n secara asytotk encapa coverage probablty yang dngnkan, tetap tdak cukup akurat bag banyak terapan area kecl. Kekurangakuratan n terkat dengan keragaan tabahan yang dhaslkan dar pendugaan β A. D sapng pendekatan analtk, pebuatan selang predks juga dlakukan dengan kalbras enggunakan teknk bootstrap yang berbeda-beda. Perbedaan n terletak pada cara pebangktan contoh koreks bas, sepert yang dlakukan oleh Lard and Lous Carln and Gelfand (Chatterjee et.al(006. Pada akhrnya, Chatterjee et.al. (006 enghaslkan selang predks dengan tngkat keakuratan yang tngg enggunakan bootstrap paraetrk..5 Selang Predks Menggunakan Bootstrap Paraetrk Model capuran lner berkut erupakan odel area kecl yang uu dgunakan :
6 Y Xβ + Zv + e (.4 d ana X(n x p Z(n x q adalah atrks yang dketahu, Y(n x adalah data pengaatan, v enyebar noral N(0,A e enyebar noral N(0,D. A A ( ψ ( q q D D ( ψ ( n n tergantung pada ψ ( ψ ψ Lψ ' 0,, k, suatu vektor berukuran (k + x dar koponen raga tetap. Perhatkan bahwa atrks dspers dar data aatan Y dberkan oleh (ψ D ZAZ. Σ + Kta tertark dala enyeldk sebaran dar Θ c ( Xβ + Zv, dana c adalah vektor tetap yang dketahu berukuran (n x. Ketka c ( 0,0, L,, L,0 dana hanya eleen ke- bernla, erupakan rataan area kecl ke- atau. Ketka ( β,ψ dana syarat Y, φ dketahu, ( μ, σ ΘY (.5 ~ N Θ Θ μ Θ μ Θ σ Θ erupakan nla tengah raga posteror dar dengan c Xβ + c ZAZ Σ ( Y Xβ c DΣ Xβ + c ZAZ Σ Y (.6 ' ( A AZ Σ ZA Z c Θ σ c Z (.7 Secara ala kta dapat ebangun selang predks dar dengan : [ μ zασ, μ ασ ] PI ( + z (.8 Dala praktek, basanya φ tdak dketahu dduga dengan sebaran arjnal Y. Keu penduga EBLUP dar adalah μˆ, yang dhaslkan dar μ dengan φ dgantkan oleh φˆ. Juga penduga raga nave dar dberkan oleh σ ˆ yang dhaslkan dengan φ dgantkan oleh φˆ. Selang predks nave dbuat sebaga : [ ˆ μ z α ˆ σ, ˆ μ z α ˆ σ ] PI nave ( + (.9 Selang predks n basanya terlalu sept untuk encapa target coverage probablty yang dharapkan terkat keragaan yang dsebabkan oleh pendugaan
7 φ pada σˆ. Chaterjee et.al.(006 engeukakan suatu selang predks enggunakan pendekatan bootstrap paraetrk. Mereka enggunakan μˆ ˆ σ untuk ebangun selang predks. Karena ( / noral baku, dala hal n ˆ μ ˆ σ tdak enyebar z α bukan erupakan cut-off yang bak. Mereka encar cut-off t dar contoh bootstrap. Selang predks etode n adalah : [ ˆ μ t ˆ σ, ˆ μ t ˆ σ ] PI boot + (.0 ( dana t t d atas dperoleh dengan enggunakan { [ ˆ μ t ˆ σ, ˆ μ + t ˆ σ ]} α P, dana peluang P berkenaan dengan sebaran bootstrap paraetrk, μˆ σˆ adalah saa sepert, μˆ σˆ. Peluang nla paraeter tercakup dala selang predks (coverage probablty etode n akurat sapa dengan O( -3/ (Chaterjee et.al Metode-Metode Pendugaan Selang Predks Berdasarkan perkebangannya, etode yang dgunakan untuk enduga selang predks dar rataan area kecl x β + v sebagan dapat durakan sebaga berkut :.6. Metode Langsung (Drect Method Metode n ddasarkan hanya pada data (Level tdak enggunakan nforas odel pror (Level. Selang predks etode langsung dberkan oleh : PI [ y z α D, y z D ] α + (. D ( α Jelas bahwa selang predks n elk coverage probablty - α. Akan tetap, selang predks n tdak efsen karena rata-rata panjang selang terlalu besar untuk ebuat kespulan. Hal n terkat dengan keragaan yang tngg pada pendugaan ttk y.
8 .6. Metode Sntetk [ x z A] α Ketka β A dketahu, dapat dbangun selang predks sebaga β ± tanpa enggunakan data. Ketka β A tdak dketahu, β A dapat dduga dar sebaran argnal y endapatkan cut-off dar etode bootstrap paraetrk. Selang predks etode n dberkan oleh : PI t x ˆ t A x + t A β ˆ, ˆ ˆ β (. Synt ( Dana ˆβ ( X X X Y Â adalah penduga REML. Nla t t d atas dhaslkan enggunakan ˆ ˆ ˆ P β < x t A α ˆ ˆ ˆ P β > x + t A α dana peluang P berkenaan dengan sebaran bootstrap paraetrk, ˆμ Â adalah saa sepert, μˆ σˆ kecual bahwa contoh bootstrap dgunakan dala enggant contoh asl. Contoh-contoh bootstrap ( y,,, L N dbangktkan enurut ~ N( x ˆ, β Aˆ, ( D y ~ N,. Karena etode n hanya enggunakan level kedua dar odel, raga pror basanya lebh besar darpada raga posteror dar Y. Panjang rata-rata dar selang predks bootstrap paraetrk sntetk selalu lebh besar dar yang ddasarkan pada sebaran bersyarat Y, yang dgunakan dala selang predks bootstrap paraetrk..6.3 Metode Cox Metode Cox erupakan teknk pendugaan selang yang engkobnaskan kedua level dar odel Fay-Herrot. Selang predks Cox druuskan sebaga berkut : I ( ˆ ˆ B y + B x ˆ ± z ( D ( Bˆ α C : β (.3
9 dana Bˆ adalah penduga dar B D ( A + D, βˆ adalah penduga dar β x adalah bars ke- dar atrks X. Selang predks n secara asytotk encapa coverage probablty yang dngnkan, tetap tdak cukup akurat bag banyak terapan area kecl. Kekurangakuratan n terkat dengan keragaan tabahan yang dhaslkan dar pendugaan β A..6.4 Metode Bootstrap Paraetrk dengan Penduga REML Chatterjee, Lahr and L (006 engeukakan etode bootstrap paraetrk baru. Mereka enyusun selang predks enggunakan penduga eprcal Bayes (EB penduga raga navenya. Selang predks yang dkeukakan untuk odel Fay-Herrot adalah : PI PB ( Bˆ y + Bx ˆ ˆ t D ( Bˆ ( Bˆ y + Bx ˆ ˆ + t D ( ˆ, β β B (.3 ˆ, βˆ (X X X Y Â adalah penduga REML. Nla dana B D /( Aˆ + D t t dperoleh dar contoh bootstrap enggunakan : ( ˆ ˆ B y + Bx ˆ β t D ( ˆ α P < B ( ˆ ˆ B y + Bx ˆ β + t D ( ˆ α P > B dana peluang P berkenaan dengan sebaran bootstrap paraetrk, ˆβ ˆB adalah saa sepert, βˆ Bˆ kecual bahwa contoh bootstrap dgunakan dala enggant contoh asl. Contoh-contoh bootstrap ( y,,, L N dbangktkan enurut ~ N( x ˆ, β Aˆ, ( D y ~ N,..6.5 Metode Bootstrap Paraetrk dengan penduga ADM Dala etode n, seua skea dala ebangun selang predks saa dengan etode bootstrap paraetrk dengan penduga REML, kecual dala hal n dgunakan penduga ADM dar A sebaga penggant penduga REML.
10 .7 Penduga raga REML ADM Dala praktek, koponen raga basanya tdak dketahu. Metode ML REML dgunakan untuk enduga koponen raga. Ketka julah area kecl terbatas, MLE kurang bak. Morrs (dala Lahr 006, enyarankan etode ADM. Berkenaan dengan REML adjusted lkelhood L(A sebaga kepekatan posteror dar A, dperoleh odus posteror dengan eaksukan L(A. L(A rght-skewed jka kecl, sehngga rataan A elebh odusnya. Metode ADM eaksukan AL(A enggantkan L(A yang eberkan hasl lebh bak darpada odus. Perkalan oleh A engoreks underestas dar A juga kekonvergenan B. Forula penduga raga REML ADM adalah sebaga berkut (L, 007 : ˆ A REML Aˆ ADM ax s ( 0, dengan s ( y y ( y y ( y y + 8( 4 Ketka enggunakan etode REML, ada keungknan ddapatkan nla negatf dar pendugaan A, yang keu dubah enjad A ˆ 0. Pendugaan nol tu akan ebuat pendugaan raga berasalah, juga enyebabkan kesultan dala prosedur perhtungan. dak sepert penduga ML REML, penduga ADM selalu postf B ada d antara 0..8 Pendugaan Selang Predks Metode-etode pendugaan selang predks d atas yang dbangun dar sebaran eprk enggunakan contoh bootstrap (etode bootstrap paraetrk engasuskan sebaran eprk adalah setr, sehngga untuk eudahkan proses perhtungan pebandngan selang predks dgunakan etode persentl.
11 Akan tetap jka sebaran eprk yang dhaslkan kurang setr, yang dapat dlhat dar pengujan skewness N ( Y Y ( N s 3 3 aka selang predks dapat dbangun dengan enggunakan etode Bas Corrected-accelerated (BCa. Langkah-langkah etode BCa : Htung propors yang lebh kecl dar : P entukan faktor koreks z φ - (P Htung dengan Jacknfe : a ( n 3 n 3 / 6 ( Htung : φ z + a z z + Φ ( α ( z a( + Φ ( α α α φ z + a z + Φ Htung : ( α ( α ( z a( z + Φ N B α N B α
Bab VII Contoh Aplikasi
Bab VII Contoh Aplkas Dala bab n akan dberkan lustras tentang aplkas statstk penguj VVVS dala eontor kestablan atrks korelas pada proses produks dudukan kabel tegangan tngg (flange) d PT PINDAD (Persero).
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciPenerapan Aljabar Matrik Dalam Analisa Masukan-Keluaran Elistya Rimawati 6)
ISSN : 693 73 Penerapan Aljabar Matrk Dala Analsa Masukan-Keluaran Elstya Rawat 6) Abstrak Analsa asukan-keluaran bertolak dar anggapan bahwa suatu sste perekonoan terdr atas sector-sektor yang salng berkatan.
Lebih terperinciBAB III SAMPLING BERKELOMPOK DAN SAMPLING BERKELOMPOK DENGAN PROBABILITY PROPORTIONAL TO SIZE (PPS)
BAB III SAPLING BERKELOPOK DAN SAPLING BERKELOPOK DENGAN PROBABILITY PROPORTIONAL TO SIZE (PPS) 3. Saplng Berkelopok Populas elk konds yang berbeda beda jka dlhat berdasarkan ukurannya. Pada pebahasan
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBab II Tinjauan Pustaka
Bab II Tnauan Pustaka Msalkan vektor acak berdens p dengan atrks kovarans ( ) k sebaga koponen ke-k dan Σ σ. Koefsen korelas antara dua koponen dan adalah ρ σ σσ ( ) ( ) Var ( ) Cov, Var, Nla ρ eenuh ρ
Lebih terperinciPendugaan Parameter Regresi. Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Pendugaan Parameter Regres Menduga gars regres Menduga gars regres lner sederhana = menduga parameter-parameter regres β 0 dan β 1 : Penduga parameter yang dhaslkan harus merupakan penduga yang bak Software
Lebih terperinci2. ANALISIS DATA LONGITUDINAL
. ANALISIS DATA LONGITUDINAL Data longtudnal merupakan salah satu bentuk data berkorelas. Pada data longtudnal, peubah respon dukur pada beberapa ttk waktu untuk setap subyek. Dalam stud longtudnal dmungknkan
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciModel Peramalan Pasokan Energi Primer Dengan Pendekatan Metode Fuzzy Linear Regression (FLR)
JURNAL TEKNIK POMITS Vol, No, (22) -6 Model Peraalan Pasokan Energ Prer Dengan Pendekatan Metode Fuzzy Lnear Regresson (FLR) Hkayangkara Putr Purwareta, Nur Wahyunngsh 2, dan I Gust Ngurah Ra Usadha 3
Lebih terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciPEMODELAN ANGKA PUTUS SEKOLAH USIA SMA DI JAWA TIMUR DENGAN PENDEKATAN REGRESI SPLINE MULTIVARIABEL
PEMODELAN ANGKA PUTUS SEKOLAH USIA SMA DI AWA TIMUR DENGAN PENDEKATAN REGRESI SPLINE MULTIVARIABEL Mega Pradpta, Madu Ratna, I Nyoan Budantara urusan Statstka Fakultas MIPA Insttut Teknolog Sepuluh Nopeber
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB V Model Bayes Pendugaan Area Kecil untuk Respon Binomial dan Multinomial Berbasis Penarikan Contoh Berpeluang Tidak Sama
BAB V Model Bayes Pendugaan Area Kecl untuk Respon Bnomal dan Multnomal Berbass Penarkan Contoh Berpeluang Tdak Sama 5.1. Pendahuluan Pada umumnya pengembangan model SAE dan pendugaannya dlakukan dengan
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih terperinciModel Peramalan Pasokan Energi Primer Dengan Pendekatan Metode Fuzzy Linear Regression (FLR)
JURNAL SAINS DAN SENI ITS Vol 1, No 1, (Sept 2012) ISSN: 2301-928 A-34 Model Peraalan Pasokan Energ Prer Dengan Pendekatan Metode Fuzzy Lnear Regresson (FLR) Hkayangkara Putr Purwareta, I Gust Ngurah Ra
Lebih terperinciPENDUGAAN RASIO, BEDA DAN REGRESI
TEKNIK SAMPLING PENDUGAAN RASIO, BEDA DAN REGRESI PENDAHULUAN Pendugaan parameter dar peubah Y seharusnya dlakukan dengan menggunakan nformas dar nla-nla peubah Y Bla nla-nla peubah Y sult ddapat, maka
Lebih terperinciPemetaan Penyakit Demam Berdarah (DBD) Kota Makassar Dengan Penduga Empirical Bayes
Jurnal Matematka, Statstka & Komputas 1 Vol. 4 No. Januar 008 Pemetaan Penyakt Demam Berdarah (DBD) Kota Makassar Dengan Penduga Emprcal Bayes Ansa Abstrak Peneltan n mengkaj penggunaan model Emprcal Bayes
Lebih terperinciAnalisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :
Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan
Lebih terperinciIII. EVALUASI METODE PENARIKAN CONTOH PADA PENDUGAAN PRODUKTIVITAS KOMODITAS HORTIKULTURA
4 III. VALUASI TOD PNARIKAN CONTOH PADA PNDUGAAN PRODUKTIVITAS KOODITAS HORTIKULTURA 3.. Gabaran Uu etode Penarkan Contoh Penarkan contoh atau saplng erupakan suatu proses nferens engena keseluruhan (populas
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciANALISIS KONSTRUKSI DAN SIFAT BCH CODE
KNM XVI -6 Jul 202 UNPAD, Jatnangor ANALISIS KONSTRUKSI DAN SIFAT BCH CODE ACHMAD FAHRUROZI, M.SI,2, SRI MARDIYATI, M.KOM 2 Unverstas Gunadara Depok, achad.fahruroz@yahoo.co.d 2 Unverstas Indonesa Depok,
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciRegresi Linear Sederhana dan Korelasi
Regres Lnear Sederhana dan Korelas 1. Model Regres Lnear. Penaksr Kuadrat Terkecl 3. Predks Nla Respons 4. Inferens Untuk Parameter-parameter Regres 5. Kecocokan Model Regres 6. Korelas Utrwen Mukhayar
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciMODUL ANALISIS PENGUKURAN FISIKA. Disusun Oleh: Kuncoro Asih Nugroho, M.Pd., M.Sc.
MODUL ANALISIS PENGUKURAN FISIKA Dsusun Oleh: Kuncoro Ash Nugroho, M.Pd., M.Sc. JURUSAN PENDIDIKAN FISIKA FAKULTAS MATEMATIKAN DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI YOGYAKARTA YOGYAKARTA BAB I METODE
Lebih terperinciARUS BOLAK BALIK V R. i m
Modul 9 Elektroagnet KEGIATAN BEAJA A. ANDASAN TEOI AUS BOAK BAIK Arus dan tegangan lstrk bolak balk adalah arus dan tegangan lstrk yang berubah terhadap waktu atau erupakan fungs waktu. Yang berubah adalah
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciPENENTUAN UKURAN CONTOH OPTIMUM DESAIN TWO STAGE CLUSTER SAMPLING (Studi Kasus Pendugaan Variabel Demografi di Kabupaten Blitar)
J. Sans IPA, Aprl 009, Vol. 5, o., Hal.: 66-70 ISS 978-873 PEETUA UKURA COTOH OPTIU DESAI TWO STAGE CLUSTER SAPLIG (Stud Kasus Pendugaan Varabel Deograf d Kabupaten Bltar) Rusda Yulyant* Pusat Peneltan
Lebih terperinciREGRESI LINIER SEDERHANA (MASALAH ESTIMASI)
REGRESI LINIER SEDERHANA (MASALAH ESTIMASI) PowerPont Sldes byyana Rohmana Educaton Unversty of Indonesan 007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 9 Bandung, Telp. 0 013163-53 Hal-hal
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinci*Corresponding Author:
Prosdng Senar Sans dan Teknolog FMIPA Unul Perode Maret 016, Saarnda, Indonesa ISBN: 978-60-7658-1-3 Pengendalan Kualtas Produk Menggunakan Peta Kendal T Hotellng Dan Analss Keapuan Proses Untuk Data Multvarat
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciPelabelan Total Sisi Ajaib Pada Subkelas Pohon
Pelabelan Total Ss Ajab Pada Subkelas Pohon Hlda Rzky Nngtyas, Dr Daraj, SS, MT [] Jurusan Mateatka, Fakultas MIPA, Insttut Teknolog Sepuluh Nopeber (ITS Jl Aref Rahan Hak, Surabaya 60 E-al: daraj@ateatkatsacd
Lebih terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinci5.. Kekakuan Portal Bdang (Plane Frae) BAB 5 ANASS STRUKTUR PORTA BANG Struktur plane rae erupakan suatu sste struktur ang erupakan gabungan dar seulah eleen (batang) d ana pada setap ttk spulna danggap
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciPengendalian Kualitas Proses Produksi Tube Plastik Di Pt. X Menggunakan Peta Kendali P Multivariat
JURNAL SAINS DAN SENI POMITS Vol., No., (3) 33-35 (3-98X Prnt) D-95 Pengendalan Kualtas Proses Produks Tube Plastk D Pt. X Menggunakan Peta Kendal P Multvarat Ia Rdo Rarso, Luca Ardnant, dan Muhaad Mashur
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciPERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA
Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN :2087-0922 PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL
Lebih terperinciRANCANGAN ACAK KELOMPOK TAK LENGKAP (Incomplete Block Design) Dr.Ir. I Made Sumertajaya, M.Si Departemen Statistika-FMIPA IPB 2007
RANCANGAN ACAK KELOMPOK TAK LENGKAP (Incomplete Block Desgn) Dr.Ir. I Made Sumertajaya, M.S Departemen Statstka-FMIPA IPB 007 Revew Rancangan Acak Kelompok Kta ngn membandngkan t perlakuan Pengelompokan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciPerbandingan Mean Squared Error (MSE) Metode Prasad-Rao dan Jiang-Lahiri-Wan Pada Pendugaan Area Kecil
Vol. 2, 2017 Perbandingan Mean Squared Error (MSE) Metode Prasad-Rao dan Jiang-Lahiri-Wan Pada Pendugaan Area Kecil Widiarti 1*, Rifa Raha Pertiwi 2, & Agus Sutrisno 3 Jurusan Mateatika, Fakultas Mateatika
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB LANDASAN TEORI Unverstas Sumatera Utara . Pengertan Regres Istlah regres pertama kal dperkenalkan oleh Francs Galtom. Menurut Galtom, analss regres erkenaan dengan stud ketergantungan dar satu varael
Lebih terperinciKORELASI DAN REGRESI LINIER. Debrina Puspita Andriani /
KORELASI DAN REGRESI LINIER 9 Debrna Puspta Andran www. E-mal : debrna.ub@gmal.com / debrna@ub.ac.d 2 Outlne 3 Perbedaan mendasar antara korelas dan regres? KORELASI Korelas hanya menunjukkan sekedar hubungan.
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciSMALL AREA ESTIMATION TERHADAP PENGELUARAN PER KAPITA DI KABUPATEN SUMENEP DENGAN METODE EMPIRICAL BAYES. Hasan Fausi 1 dan Sutikno 2
SMLL RE ESIMION ERHP PENGELURN PER KPI I KUPEN SUMENEP ENGN MEOE EMPIRICL YES Hasan Faus dan Sutkno Mahasswa Jurusan Statstka IS Surabaa (NRP: 378 osen Pebbng Jurusan Statstka IS Surabaa hasanfaus@gal.co;
Lebih terperinciMETODE LEVENBERG MARQUARDT UNTUK MASALAH KUADRAT TERKECIL NONLINEAR
PROSIDING ISBN : 978 979 6353 3 MEODE LEVENBERG MARQUARD UNUK MASALAH KUADRA ERKECIL NONLINEAR -8 Lusa Krsyat Budash Progra Stud Mateatka Unverstas Sanata Dhara Yogyakarta lusa_krs@sta.usd.ac.d Abstrak
Lebih terperinciMODEL INDEKS TUNGGAL (SINGLE INDEX MODEL)
MODEL INDEKS TUNGGAL (SINGLE INDEX MODEL) 1. Konse Dasar Sngle Index Model. Forula SIM untuk Sekurtas 3. SIM untuk Sekurtas Tunggal 4. SIM untuk Portofolo 5. Portofolo Otal Berdasarkan SIM Munya Alteza
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciRANGKAIAN SERI. 1. Pendahuluan
. Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor
Lebih terperinciII. TEORI DASAR. Definisi 1. Transformasi Laplace didefinisikan sebagai
II. TEORI DASAR.1 Transormas Laplace Ogata (1984) mengemukakan bahwa transormas Laplace adalah suatu metode operasonal ang dapat dgunakan untuk menelesakan persamaan derensal lnear. Dengan menggunakan
Lebih terperinciBAB IV TRIP GENERATION
BAB IV TRIP GENERATION 4.1 PENDAHULUAN Trp Generaton td : 1. Trp Producton 2. Trp Attracton j Generator Attractor - Setap tempat mempunya fktor untuk membangktkan dan menark pergerakan - Bangktan, Tarkan
Lebih terperinciREKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA
REKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA Jl. Boulevard Bntaro Sektor 7, Bntaro Jaya Tangerang Selatan 15224 PENDAHULUAN Bangktan perjalanan (Trp generaton model ) adalah suatu tahapan
Lebih terperinciPowerPoint Slides by Yana Rohmana Education University of Indonesian
SIFAT-SIFAT ANALISIS REGRESI PowerPont Sldes by Yana Rohmana Educaton Unversty of Indonesan 2007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 229 Bandung, Telp. 022 2013163-2523 Hal-hal yang akan
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian merupakan cara atau langkah-langkah yang harus
BAB III METODE PENELITIAN Metode peneltan merupakan cara atau langkah-langkah yang harus dtempuh dalam kegatan peneltan, sehngga peneltan yang dlakukan dapat mencapa sasaran yang dngnkan. Metodolog peneltan
Lebih terperinciPemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Tuberkulosis di Jawa Timur Menggunakan Regresi Nonparametrik Spline
JURNAL SAINS DAN SENI ITS Vol. 5 No. (6) 337-35 (3-98X Prnt) D-7 Peodelan Faktor-Faktor yang Mepengaruh Julah Kasus Tuberkuloss d Jawa Tur Menggunakan Regres Nonparaetrk Splne Frda Fahrun Nsa dan I Nyoan
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciSeemingly Unrelated Regression (SUR) Penderita Penyakit DBD RS. Wahidin Sudirohusodo Dan RS. Stella Maris Makassar
Vol. 3, o., -5, Jul 6 Seemngl Unrelated Regresson Penderta Penakt DBD RS. Wahdn Sudrohusodo Dan RS. Stella ars akassar A n s a Abstrak Hubungan antar varabel adalah salah satu hal ang selalu menark dalam
Lebih terperinci