ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP. Staf Program Studi Statistika Jurusan Matematika FMIPA UNDIP 2

Ukuran: px
Mulai penontonan dengan halaman:

Download "ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP. Staf Program Studi Statistika Jurusan Matematika FMIPA UNDIP 2"

Transkripsi

1 ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP Supart Achmad Mustofa da Agus Rusgyoo 3 3 Staf Program Stud Statsta urusa Matemata FMIPA UNDIP Alum urusa Matemata FMIPA UNDIP l. Prof. H. Soedarto SH Tembalag Semarag 5075 Abstract. Wavelet s a fucto that has the certaly characterstc for example t oscllate about zero pot ascllatg localzed the tme ad frequecy doma ad costruct the orthogoal bases L (R space. O of the wavelet applcato s to estmate o parametrc regresso fucto. There are two ds of wavelet estmator.e. lear ad o lear wavelet estmator. The o lear wavelet estmator s called a thresholdg wavelet rstmator. The applcato of the bootstrap methode the thresholdg wavelet fucto estmato s resample the wavelet coeffcet of resdual. The best of the thresholdg wavelet estmator wth bootstrap method has mmal of mea square error (MSE. The mmal MSE deped from the umber of replcato. Keywords: o parametrc regresso thresholdg wavelet estmator bootstrap method.. PENDAHULUAN Model regres stadar dar seumlah data pegamata depede {( X Y } adalah: Y f ( X + ε (. dega X varabel predtor Y varabel respo da f fugs regres yag tda detahu. Semetara ε varabel radom depede dega mea 0 da vara σ. Ada dua pedeata dalam megestmas fugs f yatu pedeata parametr da pedeata o-parametr []. Pedeata parametr dlaua a asums betu fugs f detahu tergatug dar suatu parameter msalya lear espoesal da la-la sedaga pedeata oparametr dlaua a asums betu f tda detahu. Te regres o-parametr sepert metode erel da deret Fourer megasumsa bahwa fugs f termuat dalam elas fugs mulus artya mempuya turua yag otu. a fugsya tda mulus maa edua metode tersebut tda dapat dguaa dega ba. Sedaga dega metode wavelet asums emulusa fugs dapat dperlemah area wavelet mampu megestmas ba fugs mulus maupu tda mulus. Estmator wavelet sedr dbedaa mead dua macam yatu estmator wavelet lear da estmator wavelet o-lear. Estmator wavelet olear damaa uga estmator wavelet thresholdg atau estmator wavelet shrage. Salah satu uura ebaa dar estmator tersebut adalah la Mea Square Error (MSE atau la Error Kuadrat Rata-rata Tertegras / Itegrated Mea Square Error (IMSE. Estmator wavelet lear mempuya peurua IMSE lebh cepat meuu ol dar pada estmator deret Fourer tetap sama cepatya dega estmator erel []. Sedaga estmator olear mempuya lau overges IMSE yag lebh cepat meuu ol dar estmator lear [3]. Bootstrap merupaa prosedur utu medapata estmas parameter dega resamplg data dega pegembala. Efro da Tbshra [4] megguaa metode bootstrap dalam meetua estmas fugs regres lear dega resamplg resdual. Sedaga dalam maalah metode bootstrap dalam estmas fugs regres wavelet thresholdg dega melaua resamplg oefse wavelet dar resdual sepert yag dlaua oleh Bruce da Gao [5]. 43

2 ural Matemata Vol. 0 No. Agustus 007: Estmator deret Fourer Dasumsa bahwa f L (R dega L R { f : f dx < } maa L (R merupaa ruag Hlbert [6]. Sebuah hasl al dalam pada ruag L (R adalah fugs yag megasosasa blaga rl f g dega masg-masg pasaga fugs f(x da g(x pada L (R. Hasl al dalam L (R dar dua fugs da orma sebuah fugs ddefsa f f g f g( x dx f f ( f dx. ϕ sstem Adaa { }... ortoormal legap (CONS dar L (R maa sembarag f L (R dapat dyataa sebaga f α ϕ dega α f ϕ da memeuh dettas Parseval f α. Karea f dx < maa α < sehgga α 0 utu. Oleh area tu f dapat ddeat oleh f α ϕ utu blaga bulat cuup besar. Khususya a f L [0π] maa f dapat ddeat dega deret Fourer f a0 + ( a cos + b s (. dega oefse Fourer π a f cos(. π π f cos( x dx 0 dega 0 da b f s(. π f s( x dx π π 0 dega. a {( Y } X merupaa data observas depede mempuya model π (. dega X da X [ 0π ] maa estmator regres f adalah fˆ ˆ ( ˆ cos( ˆ a0 + a x + b s (.3 dega aˆ Y cos( X 0 da bˆ Y s( X 3... Fugs Wavelet Fugs wavelet adalah suatu fugs dega sfat-sfat tertetu dataraya yag beroslas d setar ol (sepert fugs sus da cosus terloalsas dalam doma watu da freues serta membetu bass ortogoal dalam L (R [7]. Fugs wavelet dbedaa atas dua es yatu wavelet ayah (φ da wavelet bu (ψ yag mempuya sfat: φ dx da ψ dx 0. Dega dlatas dad da traslas teger wavelet ayah da wavelet bu melahra eluarga wavelet yatu ( ( φ x p φ( p x da ( ( ψ x p ψ ( p x utu suatu salar p>0 da tapa megurag eumuma dapat dambl p sehgga / φ φ( x da / ψ ψ ( x. Fugs φ ( x da ψ ( x mempuya sfat φ φ ' dx δ ' ψ φ ' dx 0 ψ ψ ' ' dx δ ' δ ' a dega δ 0 a. 44

3 Supart Achmad Mustofa da Agus Rusgyoo (Estmas Regres Wavelet Thresholdg dega Metode... Cotoh wavelet palg sederhaa adalah wavelet Haar yag mempuya rumus 0 x ψ ( x / x < 0 x yag la da 0 x φ ( x 0 x yag la Gambar adalah beberapa cotoh wavelet yag melput wavelet Haar wavelet Daubeches (Daublet symmetrs (Symmlet da Cofma (Coflet [8]. Gambar. Beberapa cotoh wavelet. ANALISIS MULTIRESOLUSI Aalss multresolus L (R adalah ruag baga tertutup {V Z} yag memeuh V - V - V 0 V V Z V {0} Z V L (R f V f (. V + v f V0 f (. V0 Z v Terdapat sebuah fugs φ V0 sehgga φ 0 φ(. Z membetu bass ortoormal utu V 0 dmaa utu semua Z ( x φ ( x φ. a {V Z} aalss multresolus dar L (R maa ada bass ortoormal ψ Z utu L (R: { } ; / ψ ψ ( x sehgga utu sembarag f pada L (R P f P f + < f ψ > ψ. yatu Z ψ yag dturua dar ( c( + ψ x. ( φ Z Abat. Bla φ adalah fugs salar yag membagu aalss multresolus da ψ(x ( c( + φ (x Z maa deomposs sembarag f L (R e dalam wavelet ortoormal adalah f c φ + d ψ ( (. o o x Z o Z dega c o < f φ o > da d < f ψ >. 3. ESTIMATOR WAVELET LINEAR Msala terdapat seumpula data depede {( (X Y } yag mempuya model (. da m dega m blaga bulat postp. a X racaga tt reguler pada terval [0] dega X / maa proyes f pada ruag V dapat dtuls mead ( P f c φ atau Z f x c φ dega c ( Z f φ f φ dx. Utu maa f (x f(x. Berdasara deomposs fugs e dalam wavelet ortoormal (. utu sembarag fugs f L ( R dperoleh f c o φ o + d ψ dega Z 0 o Z < f φ o > f φ o dx da c o < f ψ > f ψ dx. d

4 ural Matemata Vol. 0 No. Agustus 007:43-50 Karea fugs regres f tda detahu maa estmator f pada ruag V dapat dtuls sebaga f ˆ x cˆ dega ˆ c ( Z φ Y φ ( X atau o o x o Z fˆ cˆ φ + dˆ ψ ( (3. dega Z ĉ dˆ o Y o ( X φ Y ( X ψ. Estmator wavelet (5 damaa estmator wavelet lear. 4. ESTIMATOR WAVELET THRESHOLDING a dbera data {( X Y } dega model ( maa dar Var ( d Y ~ N ( g( σ d m da X. Mea da vara ˆ adalah [ d ] d σ ˆ da E ˆ sehgga ˆ ~ N(d d ad oefse wavelet emprs d σ. ˆ memuat seumlah ose da haya relatf sedt yag memuat syal sgfa. Oleh area tu dapat dreostrus estmator wavelet dega megguaa seumlah oefse terbesar [79]. Ya haya oefse yag lebh besar dar suatu la tertetu yag dambl sedaga oefse selebhya dabaa area daggap 0. Nla tertetu tersebut damaa la threshold ( la ambag da estmatorya meghasla cˆ φ + ( dˆ ψ o o fˆ (4. o o dega meyataa fugs thresholdg atau fugs ambag dega la ambag atau threshold. Estmator (6 damaa estmator wavelet o lear estmator d wavelet shrage atau estmator wavelet thresholdg. Karea thresholdg dracag utu membedaa atara oefse wavelet emprs yag masu da yag eluar dar reostrus wavelet sedaga utu membuat eputusa ada fator yag mempegaruh etepata estmator yatu uura sampel da tgat ose σ maa setap oefse merupaa calo uat masu d dalam reostrus wavelet a uura sampel besar atau tgat ose ecl. Karea ˆ σ berdstrbus ormal dega vara utu seluruh da σ maa estmator thresholdg dar d ada- lah ~ σ dˆ d σ sehgga estmator wavelet thresholdgya adalah ( ( ( + dˆ fˆ σ x cˆ o φo x ψ x (4. o 0 σ dega c ˆ o : peduga dar c o dˆ : peduga dar d : parameter threshold : fugs thresholdg Lagah-lagah Thresholdg Lagah-lagah thresholdg adalah sebaga berut.. Pemlha Fugs Thresholdg Ada dua es fugs thresholdg yatu: a. Hard Thresholdg H (x x x > 0 x yag la b. Soft Thresholdg x x > S (x 0 x x + x < dega merupaa parameter threshold. 46

5 Supart Achmad Mustofa da Agus Rusgyoo (Estmas Regres Wavelet Thresholdg dega Metode... Fugs Hard thresholdg lebh deal area terdapat dsotyu dalam fugs thresholdg sehgga la x yag berada d atas threshold tda dsetuh. Sebalya fugs soft thresholdg otyu yatu sea la x berada d atas threshold. Motvas pegguaa soft thresholdg berasal dar prsp bahwa ose mempegaruh seluruh oefse wavelet. uga eotyua dar fugs soft shrage membuat ods yag lebh ba utu alasa statst.. Estmas σ Dalam mereostrus fugs wavelet basaya la σ tda detahu. Oleh area tu σ harus destmas dar data. Ogde [7] membera estmas σ berdasara oefse wavelet emprs pada level resolus tertgg dega fugs Meda Devas Absolut (MAD yatu: meda( dˆ meda( dˆ σˆ Pemlha Parameter Threshold Pada estmas fugs dega metode wavelet thresholdg tgat emulusa estmator dtetua oleh level resolus fugs thresholdg da parameter threshold. Namu pemlha da tda sedoma. Nla yag terlalu ecl membera estmas fugs yag sagat tda mulus (uder smooth sedaga la yag terlalu besar membera estmas yag sagat mulus (over smooth. Oleh area tu perlu dplh parameter threshold yag optmal utu medapata fugs yag optmal. Utu memlh la threshold optmal ada dua ategor pemlha yatu memlh satu harga threshold utu seluruh level resolus ( pemlha secara global da pemlha threshold yag tergatug pada level resolus. Utu pemlha global threshold Ogde [7] membera pemlha threshold yag haya bergatug pada bayaya data pegamata yatu threshold uversal ( log da threshold mmax yag telah dtabela oleh Dooho da ohstoe [0]. Nla-la threshold mmax selalu lebh ecl dbadga dega la threshold uversal utu uura sampel yag sama. Pemlha la threshold berdasara level resolus membera emuga adaya perbedaa la threshold yag dplh utu tap le-vel resolus. Ada beberapa cara pem-lha threshold yag tergatug pada level resolus dataraya threshold Adapt da threshold Top. Threshold adapt ddasara pada prsp utu memmala Ste Ubased Rs Estmator (SURE pada suatu level resolus. Threshold adapt utu hmpua oefse detal d yag beraggotaa K oefse ddefsa sebaga arg mt 0SURE( d t dega SURE K ( d t K [ ] + d tσ K m {( d / σ t } Sedaga la threshold Top dtetua berdasara besar prosetase oefse yag aa dguaa dar eseluruha oefse wavelet dalam mereostrus fugs. 4. Estmator Regres Wavelet Thresholdg Terba dega Metode Bootstrap Suatu ebaa estmator dapat dlhat dar besarya tgat esalaha. Sema ecl tgat esalahaya sema ba estmatorya. Salah satu uura ebaa suatu estmator adalah MSE. Suatu estmator f ˆ( x mempuya MSE ( f ˆ( x var( f ˆ +bas ( f ˆ( x dega bas( f ˆ( x E( f ˆ -f(x. Karea f(x tda detahu maa la MSE tda dapat detahu uga sehgga perlu dlaua estmas MSE. Abramovch da 47

6 ural Matemata Vol. 0 No. Agustus 007:43-50 Beam [] membera estmas dar MSE sebaga MSE y y ˆ l. ( y yˆ Bootstrap merupaa suatu metode resamplg dega pegembala. Bootstrap dalam estmas regres dapat dlaua melalu resamplg pada data resdual atau yag la. Dalam maalah bootstrap dlaua dega meresamplg oefse wavelet dar resdual. Utu medapata estmator regres wavelet thresholdg terba dega metode bootstrap a dbagta sampel bootstrap sebaya M al maa aa ddapata Mea Square Error (MSE sebaya M. Dar sebaya M MSE dplh MSE mmal. Estmator yag memmala MSE merupaa estmator terba dar M resamplg bootstrap. Secara gars besar lagah-lagah utu meetua estmator regres wavelet thresholdg dega metode bootstrap sebaga berut.. Melaua estmas fugs regres wavelet thresholdg Yˆ dega prosedur wavelet shrage stadar.. Meghtug resdual dar estmas wavelet thresholdg. 3. Meghtug oefse dar resdual 4. Membetu oefse wavelet baru dega melaua resamplg bootstrap pada oefse wavelet resdual secara sedr-sedr atau bersama-sama. 5. Meyusu data baru Y * berdasara bootstrap oefse wavelet resdual. 6. Mereostrus estmas regres wavelet thresholdg Yˆ berdasara sam- ( ( ple bootstrap Y *. 7. Meghtug Mea Square Error (MSE. 8. Megulag lagah 4 sampa dega 7 sebaya M al sehgga dperoleh M estmas fugs regres bootstrap ˆ ( ˆ ( ˆ ( 3 ˆ ( M Y Y Y Y. ( 9. Memlh Yˆ dega MSE terecl. 0. Gambar estmator wavelet thresholdg terba. ( 4. Stud asus Utu meerapa metode bootstrap dalam estmas regres wavelet dguaa data berat da umlah gas perml model automobl 990 []. Dalam hal varabel-varabelya sebaga berut. Sebaga varabel respo Y meyataa umlah gas perml Sebaga varabel predtor X (dalam utal meyataa berat automobl Dar data tersebut dcar hubuga atara Y da X yatu mecar estmas urva regres wavelet thresholdg dega metode bootstrap terba. Berut adalah estmas dega thresholdg uversal da mmax megguaa program S-PLUS + Wavelets Gambar. Estmas Wavelet Thresholdg Megguaa Threshold Uversal dega Prosedur Bootstrap 48

7 Supart Achmad Mustofa da Agus Rusgyoo (Estmas Regres Wavelet Thresholdg dega Metode... Gambar 3. Estmas Wavelet Thresholdg Megguaa Threshold Mmax dega Prosedur Bootstrap Keteraga Gambar da Gambar 3. / : data : estmas regres wavelet thresholdg : estmas regres wavelet thresholdg terba dega bootstrap : pedeata 90% terval ofdes dega bootstrap Dar Gambar estmas wavelet thrsholdg dega bootstrap terba da tapa bootstrap meghasla urva yag hampr sama. Dar 0 pegulaga 90 perseya sebaga besar mash berada pada gars-gars tebal da tt-tt yag berada pada gars yag salg berdeata merupaa la-la yag deat dega estmas tap ada tt-tt yag dluar estmasya. Dar data sebaya 66 da resamplg sebaya 0 al ddapata MSE wavelet thresholdg tapa bootstrap sebesar da MSE mmal setelah pembootstrapa sebesar yag terleta pada sampel e -3 Dar Gambar 3 estmas wavelet thresholdg dega threshold mmax dega bootstrap terba da tapa bootstrap dhasla urva yag hampr sama. Dar 0 pegulaga 90 perseya sebaga besar mash berada pada gars-gars tebal da tt-tt yag berada pada gars yag salg berdeata merupaa lala yag deat dega estmas tap ada tt-tt yag dluar estmasya. Dar data sebaay 66 da resamplg sebaya 0 al ddapata MSE wavelet thresholdg tapa bootstrap sebesar da MSE mmal setelah pembootstrapa sebesar yag dcapa pada sampel e -84. Dar pegestmasa urva dega metode bootstrap megguaa threshold uversal da mmax MSE mmal dega megguaa threshold uversal mmax lebh ecl dar MSE mmal dega threshold uversal. 5. KESIMPULAN Pada estmas wavelet thresholdg dega bootstrap pemlha parameter threshold da bayaya replas bootstrap berpegaruh pada hasl MSE. Pegguaa parameter threshold mmax meghasla MSE yag lebh ecl dar pada threshold uversal. 6. DAFTAR PUSTAKA [] Abramovch F. ad Beam Y. (995 Thresholdg of Wavelet Coeffcets as Multple Hypothess Testg Procedure I Wavelets ad Statstcs Sprger-Verlag New Yor

8 ural Matemata Vol. 0 No. Agustus 007:43-50 [] Bruce A. ad Gao H Y. (996 Appled Wavelet Aalss wth S- PLUS Sprger-Verlag. New Yor. [3] Daubeches I. (99 Te Lectures o Wavelets Captal Cty Press Phladelpa. [4] Dooho D.L ad ohstoe I.M. (994 Ideal Spatal Adaptato by Wavelet Shrage Bometra 8 ( [5] Dooho D.L. ohstoe I.M. Keryachara G. ad Pcard D. (996 Desty Estmato by Wavelet Thersholdg. The Aals of Statstcs 4( [6] Efro B. Tbshra. (993 A Itroducto to the Bootstrap Chapma ad Hall. New Yor. [7] Hall P ad Patl. P. (995 O Wavelet Methods for Estmatg Smooth Fucto Beroull (/ [8] Hardle W. (993 Appled Noparametrc Regresso. Cambrdge Uversty Press. New Yor. [9] Illustrato of desty oparametrc [0] Ogde R.T. (997 Essetal Wavelet for Statstcal Applcato ad Data Aalyss Brhauser Bosto. [] Supart da Subaar H. (000 Estmas Regres dega Metode Wavelet Shrage. ural Sas & Matemata 8( [] Vetterl M. ad Kovacevc. (995 Wavelets Ad Subbad Co-dg. Pretce Hall PTR New ersey. 50

PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR)

PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR) PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR) Supart, Taro da Yo Haryoo Staf urusa Matemata FMIPA UNDIP Alum urusa Matemata

Lebih terperinci

PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR)

PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR) PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR) Supart Taro da Yo Haryoo Staf urusa Matemata FMIPA UNDIP Alum urusa Matemata

Lebih terperinci

PEMILIHAN THRESHOLD OPTIMAL PADA ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN METODE CROSS VALIDASI

PEMILIHAN THRESHOLD OPTIMAL PADA ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN METODE CROSS VALIDASI Pemlha Threshold Optmal (Supart) PEMILIHAN THRESHOLD OPTIMAL PADA ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN METODE CROSS VALIDASI Supart, Taro, Paula Mela Dw Hapsar 3, Staf Pegaar Program Stud Statsta

Lebih terperinci

Prosiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA

Prosiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA Prosdg SPMIP. pp. 4-46, 6 ISBN : 979.74.47. PERKEMBNGN ESTIMTOR DENSITS NON PRMETRIK DN PLIKSINY Hasb Yas, Supart Staf PS Statsta, urusa Matemata, FMIP, UNDIP l. Prof. Sudarto, Kampus UNDIP Tembalag, Semarag

Lebih terperinci

ESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP

ESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP ESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP Hasb Yas Staf Pegaar Program Stud Statsta FMIPA UNDIP Abstract If X s a predctor varable ad Y s

Lebih terperinci

ESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP

ESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP Estmas Regres No Parametr (Hasb Yas) ESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP Hasb Yas Staf Pegaar Program Stud Statsta FMIPA UNDIP Abstract

Lebih terperinci

Jurnal Sains & Matematika Vol.15 No.4, 2007 ISSN

Jurnal Sains & Matematika Vol.15 No.4, 2007 ISSN Supart Sharta Wahyu Putra a Ruu Satoso Pemlha Threshol Optmal... Pemlha Threshol Optmal paa Estmator Regres Wavelet thresholg ega Proseur U Hpotess Multpel Supart Sharta Wahyu Putra a Ruu Satoso 3 3 Sta

Lebih terperinci

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar. ANALISIS REGRESI Berdasara betu eleara data, model regres dapat dlasfasa mead dua macam yatu lear da o-lear. Ja pola data lear maa dguaa pemodela lear. Begtu uga sebalya apabla pola data tda lear maa dguaa

Lebih terperinci

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua

Lebih terperinci

PERBANDINGAN ESTIMATOR REGRESI NONPARAMETRIK MENGGUNAKAN METODE FOURIER DAN METODE WAVELET

PERBANDINGAN ESTIMATOR REGRESI NONPARAMETRIK MENGGUNAKAN METODE FOURIER DAN METODE WAVELET PERBANDINGAN ESTIMATOR REGRESI NONPARAMETRIK MENGGUNAKAN METODE FOURIER DAN METODE WAVELET Supart urusa Matemata FMIPA UNDIP l. Prof. H. Soearto, S.H, Semarag 575,Y Abstract. Let { } (X be epeet observato

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam BAB II LANDASAN TEORI Pada bab II, aa djelasa tetag teor yag dpaa dalam semvarogram asotrop. Sela tu juga aa dbahas megea teor peduug dalam melaua peasra aduga cadaga baust d daerah Mempawah Kalmata, dataraya

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu terjad dega sedrya amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan II. LANDASAN TEORI.1. Data Kategor Wallpole (1995, medefsa data ategor sebaga data yag dlasfasa meurut rtera tertetu. Data ategor dsebut uga data ometr atau data yag bua merupaa hasl peguura. Data ategor

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (uregstered verso) http://www.smpopdf.com Statst Bss : BAB V. UKURA PEYEBARA DATA.1 Peyebara Uura peyebara data adalah uura statst yag meggambara bagamaa berpecarya data

Lebih terperinci

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

adalah nilai-nilai yang mungkin diambil oleh parameter jika H Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga searag adalah aalss terhadap data megea sebuah araterst atau atrbut (ja data tu ualtatg) da megea sebuah araterst (ja data tu uattatf).

Lebih terperinci

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga saat adalah aalss terhadap data megea sebuah araterst atau atrbut da megea sebuah varabel dsrt atau otu. Tetap, sebagamaa dsadar, baya

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu tejad dega sedrya, amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT Aryato, Kaja Sfat Keompaa pada Ruag Baah KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH Aryato* ABSTRACT The propertes of ompatess Baah spaes ths paper s a geeralzato of a ompat uderstadg the system o the real

Lebih terperinci

H dinotasikan dengan B H

H dinotasikan dengan B H Delta-P: Jural Matemata da Pedda Matemata ISSN 089-855X Vol., No., Aprl 03 OPERATOR KOMPAK Mustafa A. H. Ruhama Program Stud Pedda Matemata, Uverstas Kharu ABSTRAK Detahu H da H dua ruag Hlbert, B H )

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDAAN TEORI Dalam bab aa djelasa teor-teor yag berhubuga dega peelta yag dapat djada sebaga ladasa teor atau teor peduug dalam peelta Ladasa teor aa mempermudah pembahasa hasl peelta pada bab 3 Adapu

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN III. METODOLOGI PENELITIAN 3.. Watu da Temat Peelta Peelta srs dlaua d Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas Lamug ada tahu aadem 2009/200. 3.2. Metode Peelta Secara umum, elasaaa

Lebih terperinci

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data, blaga ataupu

Lebih terperinci

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d Jural Grade Vol4 No Jul 008 : 37-38 Kaja Hubuga Koefse Korelas Pearso (r), Spearma-rho (ρ), Kedall-Tau (τ), Gamma (G), da Somers ( d yx ) Sgt Nugroho, Syahrul Abar, da Res Vusvtasar Jurusa Matemata, Faultas

Lebih terperinci

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1 HIMPUNAN RENTANGAN DAN BEBA LINIER HIMPUNAN RENTANGAN Defs (Kombas Ler) Msala V suatu ruag etor atas feld F. w etor d V, da, 1, juga etoretor d V. Vetor w dataa sebaga ombas ler dar etor-etor, 1, ja w

Lebih terperinci

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,

Lebih terperinci

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion Jural Iformata Mulawarma Vol 4 No. 3 September 009 37 Pemlha Model Regres erba Megguaa Metode Aae s Iformato Crtero da Schwarz Iformato Crtero M. Fathurahma Program Stud Ilmu Komputer, FMIPA Uverstas Mulawarma

Lebih terperinci

BAB II KAJIAN PUSTAKA

BAB II KAJIAN PUSTAKA BAB II KAJIAN PUSTAKA Beberapa teor yag dperlua utu meduug pembahasa dataraya adalah varabel radom, regres lear bergada, metode uadrat terecl (MKT), peguja asums aalss regres, pecla (outler), regres robust,

Lebih terperinci

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t) BAB II KONSEP DASAR Kosep dasar yag dtuls dalam bab, merupaa beberapa dasar acua yag aa dguaa utu megaalsa model rso las da meetua fugs sebara peluag bertaha dalam model rso las Datara dasar acua tersebut

Lebih terperinci

BAB 3 Interpolasi. 1. Beda Hingga

BAB 3 Interpolasi. 1. Beda Hingga BAB Iterpolas. Hgga. Iterpolas Lear da Kuadrat. Iterpolas -Maju da -Mudur Newto 4. Polo Iterpolas Terbag Newto 5. Polo Iterpolas Lagrage . Hgga Msala dbera suatu tabel la-la uers j j dar suatu ugs pada

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab bers defs-defs da sfat-sfat yag petg yag berhubuga dega modul. Hal-hal tersebut dperlua dalam pembahasa megea modul jetf pada Bab III. 2.1. Modul Mata ulah Aljabar Ler membahas

Lebih terperinci

(R.17) ESTIMASI SMOOTHING SPLINE PADA FUNGSI VARIANSI BERDISTRIBUSI GAMMA DALAM PENDEKATAN REGRESI NONPARAMETRIK

(R.17) ESTIMASI SMOOTHING SPLINE PADA FUNGSI VARIANSI BERDISTRIBUSI GAMMA DALAM PENDEKATAN REGRESI NONPARAMETRIK PROSIDING ISSN : 87-59. Semar Nasoal Statsta November Vol, November (R.7) ESIMASI SMOOHING SPLINE PADA FUNGSI VARIANSI BERDISRIBUSI GAMMA DALAM PENDEKAAN REGRESI NONPARAMERIK Sfrya Dose Program Stud Statsta

Lebih terperinci

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,

Lebih terperinci

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model Jural ILMU DASAR Vol. 9 No. Jul 008 : 5-7 5 Estmator Robust S Pada Model Seemgl Urelated Regresso he S Robust Estmator Seemgl urelated Regresso Model Sulato Jurusa Matemata FMIPA Uverstas Arlagga ABSRAC

Lebih terperinci

Pemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression

Pemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prt) D-361 Pemodela Aga Buta Huruf d Provs Sumatera Barat Tahu 014 dega Geographcally Weghted Regresso Rath Mahara da Wwe Setya Wahju Jurusa

Lebih terperinci

titik tengah kelas ke i k = banyaknya kelas

titik tengah kelas ke i k = banyaknya kelas STATISTIKA Bab 0 UKURAN PEMUSATAN DAN PENYEBARAN. Mea X. a. Data Tuggal... 3 b. Data Kelompo ( dstrbus frewes) f. f. f.... f. 3 3 f f f... f = f. f 3 Ket : tt tegah elas e = bayaya elas f frewes elas e

Lebih terperinci

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON Jural Bareeg Vol. 5 No. Hal. 3 7 () PEMODELAN JUMLAH KEMAIAN BAYI DI PROVINSI MALUKU AHUN DENGAN MENGGUNAKAN REGRESI POISSON SALMON N. AULELE Staf Jurusa Matemata, FMIPA, Upatt Jl. Ir. M. Putuhea, Kampus

Lebih terperinci

Analisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014)

Analisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014) Jural EKSPONENSIAL Volume 6, Nomor, Nopember 5 ISSN 85-789 Aalss Regres Espoesal Bergada (Stud Kasus: Jumlah Kelahra Bay d Kalmata Tmur pada Tahu 3 da 4) Double Expoetal Regresso Aalyss (Case Study: Number

Lebih terperinci

BAB I PANDAHULUAN. 1.1 Latar Belakang

BAB I PANDAHULUAN. 1.1 Latar Belakang BB I PNDHULUN Latar Belaag Data merupaa seumlah formas yag dapat membera gambara/eteraga tetag suatu eadaa Iformas yag dperoleh membera eteraga, gambara, atau fata megea suatu persoala dalam betu ategor,

Lebih terperinci

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

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

Lebih terperinci

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal Vol 5, No, 9-98, Jauar 9 But Teorema Ssa Cha dega egguaa deal asmal Abstra Sstem perogruea yag dapat dcar peyelesaaya secara teor blaga dasar teryata dapat dbuta melalu teor-teor strutur aljabar hususya

Lebih terperinci

E ax by c ae X be Y c. 6.1 Pengertian Umum

E ax by c ae X be Y c. 6.1 Pengertian Umum 6.1 Pegerta Umum Baya permasalaha yag dataya dyataa oleh lebh dar sebuah varabel. Hubuga atara dua atau lebh varabel dapat dyataa secara matemata sehgga merupaa suatu model yag dapat dguaa utu berbaga

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di: ISSN: 339-541 JURNAL GAUSSIAN, Volume 4, Nomor, ahu 015, Halama 05-14 Ole d: http://eoural-s1.udp.ac.d/dex.php/gaussa ANALISIS FAKOR FAKOR YANG MEMPENGARUHI JUMLAH KEJAHAAN PENCURIAN KENDARAAN BERMOOR

Lebih terperinci

Analisa Probabilistik Algoritma Routing pada Jaringan Hypercube

Analisa Probabilistik Algoritma Routing pada Jaringan Hypercube Aalsa Probablst Algortma Routg pada Jarga ypercube Zuherma Rustam Jurusa Matemata Uverstas Idoesa Depo 644. E-mal : rustam@maara.cso.u.ac.d Abstra Algortma routg pada suatu arga teroes suatu measme utu

Lebih terperinci

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

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

Lebih terperinci

8.4 GENERATING FUNCTIONS

8.4 GENERATING FUNCTIONS 8.4 GEERATIG FUCTIOS Fugs pembagt Fugs pembagt dguaa utu merepresetasa barsa secara efse dega megodea usur barsa sebaga oefse deret pagat dalam varabel. Fugs pembagt dapat dguaa utu: memecaha berbaga masalah

Lebih terperinci

Pemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline

Pemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 337-35 (-98X Prt) D-5 Pemodela Fator-Fator yag Mempegaruh Aga Morbdtas d Jawa Tmur Megguaa Regres Noparametr Sple Krsa Wuladar, I Nyoma Budatara, da Madu

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

Model Log Linier untuk Empat Dimensi. Log Linier Model for Four Dimentions

Model Log Linier untuk Empat Dimensi. Log Linier Model for Four Dimentions ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN 085-789 Model Log Ler utu Empat Dmes Log Ler Model for Four Dmetos M. Ars Budyoo 1, Sr ayugs, a Puramasar 3 1 Maasswa Program Stud Statsta Faultas MPA

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI MINGGU KE-0 HUBUNGAN ANTAR KONVERGENSI Hubuga atar koverges Hrark atar koverges dyataka dalam teorema berkut. Teorema Msalka X da X, X, X 3,... adalah varabel radom yag ddefska pada ruag probabltas yag

Lebih terperinci

Ir. Tito Adi Dewanto

Ir. Tito Adi Dewanto Ir. Tto A Dewato Dega megetahu la rata-rata saja,ormas yag apat aag-aag bsa salah terpretas. Msalya, ar ua elompo ata etahu rata-rataya sama, alau haya ar ormas ta suah meyataa bahwa ua elompo sama, mug

Lebih terperinci

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

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

Lebih terperinci

UKURAN DASAR DATA STATISTIK

UKURAN DASAR DATA STATISTIK UKURAN DASAR DATA STATISTIK UKURAN PUSAT Apa yag dapat ta smpula secara gamblag da cepat dar data yag dsodora berut : Tabel 1 Sampel Data Karyawa peserta Jamsoste Nama Sex Status Kerja Gaj/Bl Umur NATUL

Lebih terperinci

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah 3 III. METODE ENELITIAN 3.1 Watu da Tempat eelta da peracaga tugas ahr dlaua d Laboratorum Terpadu Te Eletro Uverstas Lampug da dusu Margosar, desa esawara Idah abupate esawara pada bula Agustus 1 sampa

Lebih terperinci

Regresi Kontinum dengan Prapemrosesan Transformasi Wavelet Diskret (Continum Regression with Discrete Wavelet Transformation Preprocessing)

Regresi Kontinum dengan Prapemrosesan Transformasi Wavelet Diskret (Continum Regression with Discrete Wavelet Transformation Preprocessing) Jural ILMU DASAR Vol 8 No Jul 7 : 3-9 3 Regres Kotum dega Prapemrosesa rasformas Wavelet Dsret (Cotum Regresso th Dscrete Wavelet rasformato Preprocessg) Setaa ) da Kharl Aar Notodputro ) ) Staf Pegaar

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

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

Lebih terperinci

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi Pemodela Reso Peyat Peumoa pada Balta d Jawa Tmur Megguaa Regres Logst Ber Stratfas Ita Novaa, Sr Pgt Wuladar da Purhad Jurusa Statsta, Faultas Matemata da Ilmu Pegetahua Alam, Isttut Teolog Sepuluh Nopember

Lebih terperinci

π(x) 1 e JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-277

π(x) 1 e JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-277 JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 22) ISSN: 23-928X D-277 Klasfas Pase Hasl Pap Smear Test sebaga Pedetes Awal Upaya Peagaa D pada Peyat Kaer Servs d RS. X Surabaya dega Metode Baggg Logstc Regresso

Lebih terperinci

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

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

Lebih terperinci

STATISTIKA ELEMENTER

STATISTIKA ELEMENTER STATISTIKA ELEMENTER Statsta Apa tu statsta? Apa beda statsta dega statst? Populas? Sampel? Parameter? Sala Peguura: Nomal Ordal 3 Iterval 4 Raso Bagamaa r-r eempat sala d atas? Bera masg-masg otoh sala

Lebih terperinci

BAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai

BAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai BB III FUZZY C-MENS 3. Fuzzy Klasterg Fuzzy lasterg erupaa salah satu etode aalss laster dega epertbaga tgat eaggotaa yag eaup hpua fuzzy sebaga dasar pebobota bag pegelopoa (Bezde,98). Metode erupaa pegebaga

Lebih terperinci

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok) ANALSS DSRNAN (asus : Lebh dar elompo) Hazmra Yozza Jur. atemata FPA Uad LOGO POP POP POP 4 : POP Uura sampel : Sampel telah detahu dar elompo maa berasal Terhadap masg-masg obe damat/duur p peubah POP

Lebih terperinci

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

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

Lebih terperinci

ANALISIS JUMLAH TENAGA KERJA TERHADAP JUMLAH PASIEN RSUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGRESI GULUD

ANALISIS JUMLAH TENAGA KERJA TERHADAP JUMLAH PASIEN RSUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGRESI GULUD Jural as, Teolog da Idustr, Vol., No., Desember 04, pp. 48-57 IN 693-390 prt/in 407-0939 ole ANALII JUMLAH TENAGA KERJA TERHADAP JUMLAH PAIEN RUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGREI GULUD

Lebih terperinci

KAJIAN ESTIMASI-M IRLS MENGGUNAKAN FUNGSI PEMBOBOT HUBER DAN BISQUARE TUKEY PADA DATA KETAHANAN PANGAN DI JAWA TENGAH. Elen Dwi Pradewi 1, Sudarno 2

KAJIAN ESTIMASI-M IRLS MENGGUNAKAN FUNGSI PEMBOBOT HUBER DAN BISQUARE TUKEY PADA DATA KETAHANAN PANGAN DI JAWA TENGAH. Elen Dwi Pradewi 1, Sudarno 2 Kaa Estmas-M (Ele) KAJIAN ESTIMASI-M IRLS MENGGUNAKAN FUNGSI PEMBOBOT HUBER DAN BISQUARE TUKEY PADA DATA KETAHANAN PANGAN DI JAWA TENGAH Ele Dw Pradew, Sudaro Alum Program Stud Statsta FSM Uverstas Dpoegoro

Lebih terperinci

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

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

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

BAB 2 DASAR TEORI ALIRAN DAYA. Sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen

BAB 2 DASAR TEORI ALIRAN DAYA. Sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen BAB DAAR TEOR ALRAN DAA. Umum,,3,4 stem teaga lstr Electrc ower stem terdr dar tga ompoe utama, atu sstem pembagta teaga lstr, sstem trasms teaga lstr, da sstem dstrbus teaga lstr. Kompoe dasar ag membetu

Lebih terperinci

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi JURNAL SAINS DAN SENI POMITS Vol., No., (13) ISSN: 337-35 (31-98X Prt D-5 Pemodela Reso Peyat Peumoa pada Balta d Jawa Tmur Megguaa Regres Logst Ber Stratfas Ita Novaa, Sr Pgt Wuladar da Purhad Jurusa

Lebih terperinci

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data Raguma. Statt meyataa umpula data yag dapat berupa aga yag damaa data uattat maupu o aga yag damaa data ualtat yag duu dalam betu tabel da atau dagram/gra, yag meggambara da mempermudah pemahama aa aga

Lebih terperinci

BAB II KAJIAN TEORI. tertentu (Martono, 1999). Sistem bilangan real dinotasikan dengan R. Untuk

BAB II KAJIAN TEORI. tertentu (Martono, 1999). Sistem bilangan real dinotasikan dengan R. Untuk 5 BAB II KAJIAN TEOI A. Sstem Blaga eal Sstem blaga real adalah hmpua blaga real ag dserta dega operas pejumlaha da perala sehgga memeuh asoma tertetu (Martoo, 999). Sstem blaga real dotasa dega. Utu lebh

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

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

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

PENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA

PENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA PEAKI ATAI AIO-CUM-DUAL UTUK ATA-ATA POPULAI PADA AMPLIG GADA Holla Maalu Bustam Haposa rat Mahasswa Program Matemata Dose Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas au Kampus Bawda

Lebih terperinci

Teknik Mengatasi Data Hilang pada Kasus Rancangan Blok Lengkapacak

Teknik Mengatasi Data Hilang pada Kasus Rancangan Blok Lengkapacak Jural Sas Matemata da Statsta, Vol. 3, No., Jul 07 ISSN 693-390 prt/issn 407-0939 ole Te Megatas Data Hlag pada Kasus Racaga Blo Legapaca Rado Yedra, Muslm, Jurusa Matemata, Faultas Sas da Teolog, UIN

Lebih terperinci

METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k

METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k Prma: Jural Program Stud Pedda da Peelta Matemata Vol. 6, No., Jauar 07, hal. 7-59 P-ISSN: 0-989 METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l UNTUK BEBERAPA NILAI

Lebih terperinci

Bab II Teori Pendukung

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

Lebih terperinci

METODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap

METODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap III. METODE PENELITIAN A. Populas da Sampel Populas dar peelta adalah seluruh peserta dd elas VII semester geap SMP Neger 3 Terbaggbesar tahu pelaara 0/0 yag terdstrbus e dalam tuuh elas, yatu elas VII

Lebih terperinci

ESTIMASI DAN INFERENSI MODEL REGRESI SEMI-PARAMETRIK PROSES PRODUKSI. Tubagus Pamungkas, Dosen Tetap Pendidikan Matematika FKIP UNRIKA Batam

ESTIMASI DAN INFERENSI MODEL REGRESI SEMI-PARAMETRIK PROSES PRODUKSI. Tubagus Pamungkas, Dosen Tetap Pendidikan Matematika FKIP UNRIKA Batam ABSRAK ESIMASI DAN INFERENSI MODEL REGRESI SEMI-PARAMERIK PROSES PRODUKSI ubagus Pamugas, Dose etap Pedda Matemata FKIP UNRIKA Batam Regres bergada terdapat asus husus dalam sebuah aalsa regres, pada regres

Lebih terperinci

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat Mater Bahasa Pemrograma Blaga Bulat (Iteger Programmg) Kulah - Pegatar pemrograma blaga bulat Beberapa cotoh model pemrograma blaga bulat Metode pemecaha blaga bulat Metode cuttg-plae Metode brach-ad-boud

Lebih terperinci

BAB III UKURAN PEMUSATAN (RATA-RATA)

BAB III UKURAN PEMUSATAN (RATA-RATA) BAB III UKUAN PEMUSATAN (ATA-ATA Salah sat ra mer yag mejelasa cr-cr data yag petg adalah ra pemsata, yat ra yag meja psat seggs data yag telah drta dar yag terecl sampa yag terbesar ata sebalya Ura pemsata

Lebih terperinci

Prosiding Seminar Nasional Matematika dan Pembelajarannya. Jurusan Matematika, FMIPA UM. 13 Agustus 2016

Prosiding Seminar Nasional Matematika dan Pembelajarannya. Jurusan Matematika, FMIPA UM. 13 Agustus 2016 Prosdg Semar Nasoal Matemata da Pembelajaraya. Jurusa Matemata, FMIPA UM. Agustus 06 METODE NUMERIK STEPEST DESCENT DENGAN ARAH PENCARIAN RERATA ARITMATIKA Rumoo Bud Utomo Uverstas Muhammadyah Tagerag

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan

Lebih terperinci

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM Ed-Math; ol Tah EKITENI BAI ORTHONORMAL PADA RUANG HAIL KALI DALAM Mhammad Kh Abstras at rag etor ag dlegap oleh sat operas ag memeh beberapa asoma tertet damaa Rag Hasl Kal Dalam (RHKD) Pada RHKD deal

Lebih terperinci

Pemilihan Model Regresi Terbaik Menggunakan Akaike s Information Criterion (The Best Regression ModelSelection UsingAkaike s Information Criterion)

Pemilihan Model Regresi Terbaik Menggunakan Akaike s Information Criterion (The Best Regression ModelSelection UsingAkaike s Information Criterion) Jural EKSPONENSIALVolume Nomor September 00 ISSN 085-789 Pemlha Model Regres Terba Megguaa Aae s Iformato Crtero (The Best Regresso ModelSelecto UsgAae s Iformato Crtero) M. Fathurahma Staf Pegaar Program

Lebih terperinci

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M JP : Volue 4 Noor Ju 0 hal. 4-5 LEA HENSTOCK PADA NTEGRAL uslch Jurusa ateata FPA UNS uslch_us@yahoo.co ABSTRACT. Based o the cshae e partto ad cshae tegral t ca be arraged the e partto ad tegral cocepts.

Lebih terperinci

HUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN

HUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN HUBUNGAN ARKS AB DAN BA ADA SRUKUR ORDAN NLOEN Sodag uraasar aaha (sodag@ub-ut.ac.d) UB-U eda Elva Herawaty FA ateata Uverstas Suatera Utara ABSRAC ths aer, we gve aother roof about the relatosh betwee

Lebih terperinci

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

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

Lebih terperinci

SEPUTAR IDEAL DARI GELANGGANG POLINOM MIRING AROUND IDEAL OF THE SKEW POLYNOMIAL RING

SEPUTAR IDEAL DARI GELANGGANG POLINOM MIRING AROUND IDEAL OF THE SKEW POLYNOMIAL RING SEPUTAR IDEAL DARI GELANGGANG POLINOM MIRING Afra, Ar Kaal Ar da Nur Erawaty Jurusa Mateata Faultas Mateata da Ilu Pegetahua Ala Uverstas Hasaudd (UNHAS) Jl. Perts Keerdeaa KM.0 Maassar 90245, Idoesa thalabu@gal.co

Lebih terperinci

Gambar 3.1Single Channel Multiple Phase

Gambar 3.1Single Channel Multiple Phase BAB III MODEL ANTRIAN PADA PEMBUATAN SIM C. Sigle Chael Multiple Phase Sistem atria sigle chael multiple phase merupaa sistem atria dimaa pelagga yag tiba, dapat memasui sistem dega megatri di tempat yag

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 30 BAB III METODE PENELITIAN A. Tujua Peelta Tujua ag g dcapa dalam peelta adalah utu megetahu apaah hasl belajar perserta dd elas IX MP Nusa Bagsa Mragge Dema pada mater poo volume bagu ruag ss legug

Lebih terperinci

PENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNYA

PENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNYA PENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNA Srps dsaja sebaga salah satu syarat utu memperoleh gelar Sarjaa Sas Program Stud Matemata Oleh Layyatus

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA, Fakultas MIPA, Uverstas Neger Yogyakarta, 4 Me ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Ksmat Jurusa Peddka

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci