ABSTRAK. Ika Dewi Ariyanti 1 dan Sutikno 2

Ukuran: px
Mulai penontonan dengan halaman:

Download "ABSTRAK. Ika Dewi Ariyanti 1 dan Sutikno 2"

Transkripsi

1 Pemodela Aomal Luas Pae Pad da Curah Huja Terbobot (Weghted Rafall Idex) dega Pedekata Robust Bootstrap LTS (Stud Kasus: Pemodela Luas Pae d Kabupate Subag) Ika Dew Aryat da Sutko Mahasswa S Statstka ITS, Dose Pembmbg, Staf Pegajar Jurusa Statstka FMIPA-ITS. e-mal : ka_3a@yahoo.com, sutko@statstka.ts.ac.d ABSTRAK Pad merupaka makaa pokok utuk sebaga besar peduduk d wlayah Idoesa. Luas pae pad dpegaruh oleh curah huja yag sergkal megalam kejada ekstrm (kebajra da kekerga). Kejada ekstrm lah yag meyebabka adaya outler. Estmas parameter regres dega metode Ordary Least Square (OLS) kurag bak dguaka apabla ada pegamata outler. Regres robust merupaka salah satu metode utuk meduga parameter jka terjad amata outler. Peelta bertujua memodelka aomal luas pae pad (ALP p ) d Kabupate Subag yag merupaka salah satu setra produks pad d Jawa Barat sebaga varabel respo da curah huja terbobot (WRI) sebaga varabel predktor dega pedekata robust bootstrap LTS. Pegguaa metode tersebut utuk megatas adaya outler da jumlah data yag sedkt. Utuk megetahu kehadala dar model dguaka metode LTS (tapa bootstrap) sebaga pembadg. Dalam hal, utuk medapatka model terbak dar estmator metode robust bootstrap LTS tersebut dguaka krtera RMSEP. Hasl peelta meujukka bahwa metode robust bootstrap LTS dperoleh la RMSEP perode II da III lebh kecl dbadgka metode robust LTS (tapa bootstrap) yatu sebesar. da.3, sehgga dapat dsmpulka metode robust bootstrap LTS memlk kerja yag lebh bak. Metode robust bootstrap LTS memlk kerja yag lebh bak ketka jumlah observas yag merupaka outler lebh bayak. Kata kuc: aalss regres, OLS, outler, robust bootstrap LTS, RMSEP.. Pedahulua Pad merupaka makaa pokok utuk sebaga besar peduduk d wlayah Idoesa. Aka tetap letak wlayah Idoesa yag dlalu gars katulstwa, meyebabka adaya keragama klm (curah huja) yag tgg, sehgga mempegaruh sektor pertaa salah satuya yatu produks pad. Kejada alam sepert klm sergkal tdak meetu (berfluktuas) sehgga dtemuka adaya pegamata outler karea adaya kejada-kejada ekstrm. Ketersedaa komodtas pad sagat berpegaruh terhadap ketahaa paga asoal. Oleh karea tu, salah satu upaya yag perlu dlakuka utuk mempertahaka ketahaa paga yatu melakuka pemodela yag hadal terhadap kejada ekstrm utuk megetahu produks pad yag dhaslka. Aalss regres merupaka aalss utuk megetahu hubuga atara satu varabel respo (Y) da satu atau lebh varabel predktor (X). Dalam aalss regres, asums resdual yag harus terpeuh atara la detk, depede da berdstrbus ormal dega mea ol da varas σ, resdual dotaska ε dega asums IIDN (,σ ). Apabla asums resdual terpeuh maka metode Ordary Least Square (OLS) dapat meduga parameter dega bak. Aka tetap, jka tdak terpeuh maka hasl estmas OLS tdak sahh. Regres robust merupaka metode regres yag dguaka ketka adaya beberapa pegamata outler yag berpegaruh terhadap model (Rya, 99). Pemodela luas pae yag perah dlakuka sebelumya atara la Sutko () memodelka curah huja terbobot (Weghted Rafall Idex: WRI) terhadap aomal luas pae per perode (ALP p ) dega megguaka metode regres OLS da Robust. Mur

2 (9) megdkaska bahwa pemodela dega varabel WRI sebaga varabel predktor mempuya tgkat ketepata predks yag akurat. Adba (9) megguaka metode bootstrap utuk megestmas parameter karea jumlah dataya sedkt tetap tdak megadug outler. Bekt (9) meyataka secara umum metode regres robust meujukka kerja yag bak darpada metode OLS. Pada pealta aka dlakuka pemodela regres atara aomal luas pae pad per perode (ALP p ) sebaga varabel respo da curah huja terbobot (WRI) sebaga varabel predktor dega pedekata robust bootstrap LTS. Pegguaa metode tersebut utuk megatas adaya outler da jumlah data yag sedkt. Utuk megetahu kehadala model dguaka metode LTS (tapa bootstrap) sebaga pembadg.. Tjaua Pustaka Aalss Regres Aalss regres merupaka aalss utuk medapatka hubuga da model matemats atara varabel respo (Y) da satu atau lebh varabel predktor (X). Pedugaa parameter dalam model regres dapat dlakuka dega megguaka metode OLS (ordary least square). Hubuga atara varabel respo da predktor sebaga berkut : Taksra persamaa tersebut adalah k j j j Y X () k Yˆ b b X () =,, da j =,,, k, dega adalah bayakya pegamata da (k+) adalah bayakya parameter, ε adalah resdual dega asums ε~iidn(,σ ). Pedugaa parameter β melalu metode OLS bertujua utuk memmumka Sum Square Error (SSE). Persamaa regres dapat dotaska dalam betuk matrk : y X β ε (3) utuk meaksr β maka : j j j T T b ( X X) X y () Deteks Outler Outler merupaka pegamata yag meympag jauh dbadgka pegamata laya. Cara yag dapat dlakuka utuk memutuska yatu suatu pegamata outler dhlagka kemuda megaalss kembal tapa amata tersebut. Namu dalam beberapa kasus, pegamata outler memberka formas yag tdak dapat dberka oleh pegamata la da bahka perlu dseldk lebh jauh (Drapper ad Smth, 996). Utuk medeteks pegamata outler dapat dlakuka dega DFFITS (Myers, 99). Adapu persamaa utuk DFFITS sebaga berkut : Yˆ Yˆ, DFFITS utuk =,,..., (5) S h Y la taksra Y dega megguaka pegamata ke-, Yˆ, la taksra Y tapa megguaka pegamata ke-, S mea square error tapa megguaka pegamata ke-, T T da h adalah eleme dagoal ke- dar matrk H X( X X) X.

3 Jka k DFFITS dega (k+) merupaka bayakya parameter dalam model da adalah bayakya pegamata maka pegamata ke- merupaka pegamata outler yag berpegaruh. Regres Robust Regres robust merupaka alat yag dguaka utuk megaalss adaya data outler supaya dperoleh model yag robust terhadap outler. Dalam pembahasa, pedugaa parameter aka dlakuka megguaka metode LTS-Estmato. Least Trmmed Square (LTS) Regres LTS pertama kal dkealka oleh Roesseauw&Leroy (9). Metode hampr sama dega OLS. Least Trmmed Square (LTS) merupaka metode pedugaa parameter regres robust utuk memmumka jumlah kuadrat h resdual (fugs objektf) (Rya, 99) : h e( (6) : ) dega h = / ( k )/ e() e () () adalah kuadrat resdual yag durutka dar terkecl ke terbesar, e () < e < () e < < (3) da k adalah bayakya varabel predktor. Pada persamaa () jumlah h meujukka subset data dega kuadrat fugs objektf terkecl. LTS memmumka trmmed sum square of resduals, dega membarka beberapa pegamata outler yag memlk resdual besar. Algortma LTS meurut Rousseeuw da Va Dresse (999) dalam Wllems & Aelst (5) adalah gabuga FAST-LTS da C-steps. Estmas parameter dlakuka hgga proses Fal Weghted Least Square (FWLS). Fugs pembobotya yatu :, e /slts r w (), laya dega r = 3 da s d LTS h, h d h e (9), ( ) h () (/ ch, ) hc c h,. (( h ) / )) adalah fugs komulatf ormal stadart da adalah fugs desty ormal stadart. h, Peguja Sgfkas Parameter Peguja sgfkas parameter model regres bertujua megetahu apakah parameter meujukka hubuga yag yata atara varabel predktor dega varabel respo da megetahu kelayaka parameter meeragka model. () 3

4 a. Uj Seretak Hpotess yag dguaka dalam peguja secara bersama-sama utuk semua parameter model regres sebaga berkut : H : j H : mmal ada satu, (j =,, k) j MSR Statstk uj : F htug = MSE Daerah keputusa : jka F htug F (k, -k-) atau P-value < α maka tolak H. b. Uj Parsal Peguja parameter dalam model regres secara dvdu bertujua utuk megetahu parameter model regres telah sgfka atau tdak. Hpotess yag dguaka adalah sebaga berkut : H : Statstk uj : t j H :, j =,,, k j ˆ S ˆ j () j htug (3) Daerah keputusa : jka t htug > t (-α/, -k-) maka tolak H. Peguja Asums Resdual Asums resdual yag harus terpeuh dalam aalss regres yatu detk, depede da berdstrbus ormal (,σ ). a. Uj Asums Idetk Pedeteksa heteroskedaststas resdual dapat secara vsual yatu membuat plot atara resdual da Yˆ. Cara kedua medeteks heteroskedaststas yatu melalu uj glejser yag dlakuka dega cara meregreska harga mutlak resdual dega varabel predktor (X). e X () Hpotess yag dguaka adalah : H :... k H : mmal ada satu j dmaa, j =,,..., k j da k adalah varabel predktor. Statstk uj : F htug MSR MSE ^ ( e e ) /( k). ^ ( e e ) /( k ) Daerah keputusa : jka F htug F (k, -k-) atau P-value < α maka Tolak H. b. Uj Idepede Uj depede atau uj autokorelas resdual utuk megetahu apakah ada korelas atar resdual atau tdak. Hpotess peguja melalu uj Durb-Watso sebaga berkut : H : H : Statstk uj: d htug e e e (5) (6)

5 Daerah keputusa : jka d htug d L,α/ atau d L,α/ (-d htug ) d L,α/ maka tolak H. c. Uj Dstrbus Normal Peguja asums resdual ormal (,σ ) dapat dlakuka melalu uj Kolmogorov Smrov. Hpotess yag dguaka adalah : H : F (x)=f(x) (Resdual berdstrbus ormal (,σ )) H : F (x) F(x) (Resdual tdak berdstrbus ormal (,σ )) Statstk uj : D maks F x S x () N F (x) adalah fugs dstrbus kumulatf sedagka S N (x)=/ merupaka fugs peluag kumulatf pegamata dar sampel dega adalah pegamata da bayakya pegamata. Daerah keputusa : jka D > q (-α) maka tolak H. Regres Bootstrap Bootstrap pertama kal dkealka oleh Bradley Efro pada tahu 99. Kosep dasar metode adalah membagktka sampel data yag besar secara acak dar sekumpula sampel pegamata dega pegembala. Jumlah replkas bootstrap (B) yag dguaka utuk medapatka la taksra statstk yag cukup bak berada pada selag 5 sampa (Efro &Tbshra, 993). Dalam peelta metode bootstrap yag dguaka yatu pars bootstrap. Resamplg dalam metode bootstrap dlakuka pada masg-masg varabel predktor da respo dar data asl (Flachare, 3). Robust Bootstrap LTS Peerapa prosedur bootstrap, yatu dega cara megambl sampel dega pegembala sebayak dar data asl, kemuda dlakuka berulag-ulag sebayak B. Lagkah utuk meghtug setap sampel bootstrap megguaka LTS-Estmato sebaga berkut :. Meghtug estmas parameter b melalu OLS.. Meetuka h-subset (persamaa ) da meghtug e( : 3. Meerapka lagkah C-steps pada tal h-subset tersebut sampa koverge utuk medapatka pedekata LTS. Adapu lagkah C-steps yatu : - Melakuka estmas parameter b ew dar h o pegamata melalu OLS. - Meetuka e h ew dega la h ew - Meghtug e h yag bersesuaa dega OLS (b ew ). Kemuda meghtug sejumlah e() ( ) terkecl.. Meggabugka sampel bootstrap utuk medapatka estmas rata-rata parameterya. Seleks Model Terbak Pemlha model terbak dapat dlakuka dega melhat la R. Model dkataka bak jka la (R ) tgg. Adapu cara utuk memperoleh la R sebaga berkut : S LTS X, y R LTS () S LTS, y Sela dar la R dlakuka juga dega pedekata out sampel yatu megguaka Root Mea Square Error Predcto (RMSEP). Metode terbak adalah metode dega la RMSEP terkecl. Krtera RMSEP dtetuka dega cara : RMSEP e ). dmaa =,,... (9) 5

6 Curah Huja Terbobot (WRI) da Aomal Luas Pae Pad Curah huja terbobot (Weghted Rafall Idex=WRI) dkembagka d Australa oleh Stephe et al. (99) dalam (Sutko, ). Nla bobot yag dguaka masg-masg bula berbeda bergatug pada sklus pertumbuha taama. Bula dega fase pembugaa (fase yag sestf terhadap kekuraga ar) umumya aka memlk bobot yag tgg karea besar keclya huja pada bula sagat berpegaruh besar terhadap keragama produks gadum. WRI yag dguaka dalam pemodela adalah WRI yag sstem pembobotya telah dmodfkas oleh Sutko (). Perbedaa tgkat peyerapa ar tap tempat peaama pad dsebabka karea setap wlayah d Idoesa medapatka jumlah curah huja yag berbedabeda. Tujua pembobota terhadap curah huja per wlayah yatu utuk medapatka asums bahwa semua tempat peaama pad medapatka peyerapa ar yag sama. Pembobota kedua yatu melalu luas taam da luas baku. Luas baku merupaka luas laha yag seharusya dtaam pad, sedagka luas taam adalah luas laha yag telah dtaam pad. Meurut BPS & Depta (3) luas pae merupaka luas taama yag dambl haslya setelah taama yag bersagkuta cukup umur da sesua dega krtera pae. Sedagka aomal luas pae per perode merupaka luas pae per perode yag dkurag rata-rata luas pae selama perode tertetu. Pedataa da peramala produks pad d Idoesa yag dlakuka BPS da Departeme Pertaa dbag dalam tga perode yatu Jauar Aprl, Me Agustus, da September Desember. Luas pae per perode dperoleh dar jumlah luas pae pada bula pertama hgga bula keempat dalam satu perode. Produks da luas pae dalam setahu (Jauar-Desember) ddapatka dar pejumlaha produks da luas pae selama tga perode. Model yag dkembagka adalah modfkas atara model BPS da Stephe et al. (99) dalam Sutko (). Model hubuga aomal luas pae pad per perode (ALP p ) dega curah huja terbobot (WRI) adalah sebaga berkut : ALP p = WRI WRI 3 WRI3 WRI dega =,, 3, ( adalah bayakya pegamata) da p =,, 3 (p adalah perode). WRI, WRI, WRI 3 da WRI meujukka WRI bula pertama sampa keempat pada masgmasg perode sedagka yatu resdual dega asums IIDN (,σ ). 3. Metodolog Data yag dguaka dalam peelta adalah data sekuder yag dperoleh dar BPS, Departeme Pertaa da BMKG tahu 9 6. Lokas peelta adalah Kabupate Subag yag merupaka salah satu setra produks pad d Jawa Barat. Varabel yag dguaka adalah aomal luas pae per perode (ALP p ) sebaga varabel respo da WRI sebaga varabel predktor. Perode I melput bula Jauar Aprl, perode II bula Me Agustus da perode III bula September Desember. Tahapa aalss dalam peelta, yatu :. Medeskrpska data luas pae pad utuk masg-masg perode.. Megdetfkas hubuga atara aomal luas pae pad (ALP) da curah huja terbobot (WRI). 3. Megdetfkas outler pada data luas pae pad.. Membuat model regres ALP sebaga varabel respo da WRI sebaga varabel predktor dega megguaka pedekata metode OLS da robust bootstrap LTS. Pembetuka model dega metode OLS dlakuka utuk megestmas parameter kemuda dlakuka uj sgfkas parameter, asums resdual IIDN, da deteks outler dega DFFITS. Oleh karea ada pegamata outler da jumlah data sedkt maka dlajutka dega metode robust bootstrap LTS. Metode bootstrap yag dguaka yatu pars bootstrap. Algortma dalam pembetuka model dega metode LTS adalah FAST LTS, C- steps, da Fal Weghted Least Square (FWLS), tahapaya sebaga berkut :. Meghtug estmas parameter b o melalu OLS. () 6

7 .. Meetuka dega la e melalu OLS (b ) da meghtug ( k ) / pegamata e() h o Meghtug e. ( ) terkecl. v. Melakuka estmas parameter b ew dar h o pegamata melalu OLS. v. Meetuka e yag bersesuaa dega OLS (b ew ). v. v. Meghtug sejumlah h ew pegamata dega la h ew Meghtug e. ( ) e() h o terkecl. v. Melakuka C-steps yatu tahap v sampa v utuk medapatka fugs objektf yag kecl da koverge. Nla h = (+k+)/ = (++)/ = Membadgka estmas model regres robust bootstrap LTS dega LTS-Estmato tapa bootstrappg. Krtera model terbak yatu model dega la RMSEP yag terkecl.. Hasl da Pembahasa Luas pae pad perode I d Kabupate Subag tahu 99-6 memlk smpaga baku 9.6 dega rata-rata luas pae pad selama perode I (Jauar-Aprl) dalam retag waktu 5 tahu adalah 3.3 Ha. Rata-rata luas pae perode II (Me-Agustus) sebesar 56. Ha dega smpaga baku. yag terblag lebh kecl dbadgka perode I da III. Semetara perode III (September-Desember) memlk rata-rata 3.9 Ha. Pada perode I luas pae pad relatf lebh tgg darpada perode II da III, sedagka perode II relatf lebh tgg dbadgka perode III. Hal dsebabka bula Jauar - Aprl taama pad memperoleh pegara yag cukup dbadgka bula Me - Agustus. Pada bula September-Desember curah huja tdak teratur karea merupaka awal musm huja. Hal dapat dlhat juga dar pecapaa maksmum luas pae perode III tdak lebh besar dar luas pae mmum perode I. Tabel Nla Rata-Rata, Smpaga baku, Mmum da Maksmum Luas Pae Pad Perode Rata-Rata Smpaga Baku Mmum Maksmum I II III Pedeteksa outler dar ssaa metode OLS dlakuka megguaka la DFFITS. Pada Tabel terlhat bahwa terdapat beberapa observas yag merupaka data outler, hal dkareaka la DFFITS ( k ) / =.5. Pada perode I ada dua pegamata yag outler yatu pegamata ke- da 5. Perode II ada pegamata yatu pegamata ke-3 da 5, sedagka perode III ada 3 pegamata yatu pegamata ke-, da. Tabel Deteks Outler dar DFFITS Perode Pegamata Outler DFFITS I II III

8 Gambar memberka gambara pola hubuga lear atara curah huja terbobot (WRI) da aomal luas pae pad per perode (ALPp). Pada perode II (Me-Agustus) mempuya hubuga yag cukup erat sedagka perode I (Jauar Aprl) da perode III (September-Desember) meujukka hubuga yag kurag jelas. a A LP*WRI 3 A LP*WRI A LP*WRI A LP*WRI A LP*WRI b 5 ALP*WRI A LP*WRI A LP*WRI A LP3*WRI A LP3*WRI c A LP3*WRI A LP3*WRI Gambar Dagram Pecar atara ALPp da WRI d Kabupate Subag Perode I (a), Perode II (b) da Perode III (c). Pada perode I (Aprl), perode II (Agustus), da perode III (September da November) terlhat bahwa hubuga atara ALP da WRI cederug berbadg lurus, yatu semak tgg curah huja maka semak tgg pula luas pae pad. Sedagka perode I (JauarMaret), perode II (Me-Jul) da perode III (Oktober da Desember) meujukka hubuga yag cederug salg berkebalka, semak tgg curah huja maka luas pae pad semak meuru. Adapu faktor peyebabya yatu curah huja pada bula-bula tersebut relatf tgg yag dapat meyebabka terjadya kebajra da taama pad mudah rusak. Tabel 3 Estmas Parameter Regres dega Metode OLS da Robust LTS Perode Parameter Robust LTS OLS Estmas t R (%) Estmas t R (%) I β β β β3 β * -.639* II β β β β3 β * -.*.35*.3* -.3* III β β β β3 β

9 Hasl estmas parameter regres dega megguaka metode OLS utuk masgmasg perode tdak yata pada taraf sgfkas α = 5%, lebh jelasya dapat dlhat pada Tabel 3 yag dtujukka dega la t htug < t (,95; ) =,. Utuk metode robust LTS, perode I semua varabel tdak berpegaruh secara yata. Pada perode II, varabel yag berpegaruh yata adalah WRI bula Ju da Jul, sedagka perode III semua varabel WRI (September- Desember) berpegaruh terhadap aomal luas pae pad. Keragama yag dapat djelaska model (R ) metode OLS terblag kecl, utuk perode I, II da III, masg-masg sebesar.%, 5.6%, da.%. Nla Sum Square Error (SSE) perode I sebesar 65, sedagka perode II memlk SSE lebh redah dbadgka perode I yatu 6.99 da utuk perode III sebesar Berdasarka hal tersebut dapat dsmpulka bahwa peaksra parameter dega metode OLS memlk kerja kurag bak. Hal dduga salah satu peyebabya adalah adaya pegamata outler. Peyusua model regres megguaka metode robust LTS estmato meghaslka la R-square secara beruruta perode I, II da III yatu 95,96%, 96,6%, da 9,3%. Nla R-square yag terblag besar tersebut meujukka metode robust LTS lebh mampu meeragka keragama model dbadgka metode OLS. Nla SSE utuk tap perode masg-masg sebesar.6,.9535 da 9.6. Jka dtjau dar la SSE metode robust LTS jauh lebh kecl dbadgka metode OLS. Tabel Estmas Parameter Robust Bootstrap LTS Perode Replkas Parameter Estmas RMSEP I 5 β β β β β β II 5 β β β β β β III 5 β β β β β β

10 Peyusua model regres dega metode robust bootstrap LTS dlakuka megguaka replkas pars bootstrap. Replkas utuk perode I, II da III dlakuka sebayak 5 da dega jumlah sampel bootstrap masg-masg perode sebayak. Pada perode I meghaslka la RMSEP (Tabel ) sebesar 6.69 da.9. Sehgga model terbak utuk perode I yatu model yag terbetuk dar replkas sebayak. Nla RMSEP pada perode II masg-masg sebesar. da.93 sedagka perode III sebesar.3 da 9.635, jad perode II da III, model terbakya dar replkas sebayak 5. Tabel 5 Estmas Parameter Metode Robust Bootstrap LTS da Robust LTS Parameter Robust LTS Robust Bootstrap LTS Estmas RMSE Estmas RMSE Perode I β β β Perode II β β β Perode III β β β Hasl estmas parameter megguaka kedua metode tersebut dketahu la RMSEP perode II da III dega metode robust bootstrap LTS lebh kecl dbadgka metode robust LTS yag tapa bootstrap sehgga dapat dsmpulka bahwa metode robust bootstrap LTS memlk kerja yag lebh bak. Pembahasa Pemodela aomal luas pae pad (ALP) da curah huja terbobot (WRI) d Kabupate Subag megguaka metode OLS dperoleh bahwa WRI utuk perode I, II da III tdak yata berpegaruh terhadap ALP. Sedagka utuk metode robust LTS pada perode I meghaslka WRI bula Jauar-Aprl tdak yata berpegaruh terhadap ALP. Varabel WRI yag berpegaruh yata yatu bula Ju da Jul (perode II), bula September-Desember (perode III). Jka megguaka metode robust bootstrap LTS dperoleh la RMSEP perode II da III lebh kecl dbadgka metode robust LTS (tapa bootstrap) sehgga dapat dsmpulka metode robust bootstrap LTS memlk kerja yag lebh bak. Metode robust bootstrap LTS memlk kerja yag lebh bak ketka jumlah observas yag merupaka outler lebh bayak. Pada peelta sebelumya metode terbak utuk memodelka hubuga aomal luas pae pad da curah huja terbobot d Kabupate Subag dega megguaka regres robust

11 memlk metode terbak utuk perode I da III adalah metode LTS estmato, sedagka perode II adalah M-estmato Huber. Pada model hubuga atara aomal luas pae pad (ALP) da WRI perode tertetu ddapatka beberapa estmas parameter WRI tdak sgfka berpegaruh pada aomal luas pae pad. Hal dapat dsebabka karea jumlah pegamata yag relatf kecl yatu 5 pegamata utuk masg-masg perode (Bekt, 9). Mur (9) melakuka pemodela WRI da ALP d Kabupate Guug Kdul perode I, II da III dega megguaka metode OLS, robust LTS da robust bootstrap LTS. Dalam peelta tersebut replkas yag dguaka sebayak 5. Berdasarka hasl dar ketga metode tersebut dperoleh kesmpula bahwa metode robust bootstrap LTS meghaslka kerja yag palg bak dbadgka metode OLS da robust LTS sehgga dperkraka dapat megkatka ketepata dalam predks. 5. Kesmpula da Sara Kesmpula Berdasarka hasl aalss data da pembahasa dperoleh kesmpula bahwa model hubuga aomal luas pae pad per perode (ALP) da curah huja terbobot (WRI) d Kabupate Subag jka dlhat dar la RMSEP yag terkecl atara metode robust LTS da robust bootstrap LTS ddapatka bahwa utuk perode I, la RMSEP metode LTS (tapa bootstrap) lebh kecl dbadgka robust bootstrap LTS. Sedagka utuk perode II da III, la RMSEP motode robust bootstrap LTS lebh kecl dbadgka LTS (tapa boostrap). Model ALP da WRI d Kabupate Subag berdasarka metode terbak utuk tap perode adalah : Perode I (robust LTS) : ALP 5.933,3WRI,63WRI.5WRI3. 3WRI Perode II (robust bootstrap LTS) : ALP 3.36,95WRI5,WRI6,95WRI. 9WRI Perode III (robust bootstrap LTS) : ALP WRI9.9WRI,6WRI WRI Dalam peelta, pemodela ALP da WRI d Kabupate Subag dperoleh hasl bahwa metode robust bootstrap LTS merupaka metode yag memlk kerja lebh bak darpada robust LTS ketka jumlah observas yag merupaka outler lebh bayak. Sara Utuk peelta selajutya, beberapa sara yag dapat drekomedaska dataraya yatu :. Meambah jumlah pegamata utuk medapatka model yag lebh tepat.. Utuk megetahu kehadala metode robust bootstrap LTS perlu dlakuka peelta pada daerah yag laya. 6. Daftar Pustaka Adba. (9). Pedekata aalss regres ler, pars bootstrap, da resdual bootstrap dalam pemodela hubuga produktvtas pad dega curah huja bulaa (stud kasus d wlayah Idramayu Karawag & Subag) (Tugas Akhr tdak dpublkaska). Isttut Tekolog Sepuluh Nopember, Surabaya. Bekt, R.D. (). Model hubuga aomal luas pae pad da curah huja terbobot (weghted rafall dex) dega regres robust (Tugas Akhr tdak dpublkaska). Isttut Tekolog Sepuluh Nopember, Surabaya.

12 Depta & BPS. (3). Buku pedoma petugas kabupate/kota da props, pegumpula data taama paga da holtkultura. Jakarta: BPS da Departeme Pertaa. Drapper, N.,R.,& Smth, H. (996). Appled regresso aalyss (d ed.). New York: Joh Wley & Sos. Chapma ad Hall. Efro, B., & Tbshra, R. (993). A troducto to the bootstrap. Lodo: Chapma ad Hall. Flachare, E. (3). Bootstrappg heteroskedastc regresso models: wld bootstrap vs. pars bootstrap. Pars Uverste Pars Patheo-Sorboe. Mur, A. M. (9). Predks produks pad megguaka weghted rafall dex dega pedekata fast ad robust bootstrap for least trmmed square stud kasus d kabupate guugkdul (Tess tdak dpublkaska). Isttut Tekolog Sepuluh Nopember, Surabaya. Myers, R. H. (99). Classcal ad moder regresso wth applcatos. Bosto: PWS. Rya, T. P. (99). Moder regresso methods. New York: A Wley-Iterscece Publcato. Sutko. (). Statstcal dowscalg luara GCM da pemafaataya utuk peramala produks pad (Dsertas tdak dpublkaska). Isttut Pertaa Bogor, Bogor. Wllems, G., & Aelst, S.V. (5). Fast ad Robust bootstrap for LTS. Joural of Computatoal Statstcs&Data Aalyss,, 3-5.

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

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

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

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

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

Lebih terperinci

BAB 2. Tinjauan Teoritis

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakag Masalah Regres merupaka suatu metode statstka yag dguaka utuk meyeldk pola hubuga atara dua atau lebh varabel.betuk atau pola hubuga varabelvarabel tersebut dapat ddetfkas

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

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

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

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

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

Lebih terperinci

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

Analisis Regresi Robust Menggunakan Kuadrat Terkecil Terpangkas untuk Pendugaan Parameter

Analisis Regresi Robust Menggunakan Kuadrat Terkecil Terpangkas untuk Pendugaan Parameter Vol. 6, No., 9-6, Jauar Aalss Regres Robust Megguaka Kuadrat Terkecl Terpagkas utuk Pedugaa Parameter Asa, Raupog, Sarmat Zaudd Abstrak Prosedur regres robust dtujuka utuk megakomodas adaya keaeha data,

Lebih terperinci

X a, TINJAUAN PUSTAKA

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

Lebih terperinci

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

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

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

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

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

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

Lebih terperinci

BAB II LANDASAN TEORI. teori dan definisi mengenai variabel random, regresi linier, metode kuadrat

BAB II LANDASAN TEORI. teori dan definisi mengenai variabel random, regresi linier, metode kuadrat BAB II LANDASAN TEORI Sebaga pedukug dalam pembahasa selajutya, dperluka beberapa teor da defs megea varabel radom, regres ler, metode kuadrat terkecl, peguja asums aalss regres, outler, da regres robust.

Lebih terperinci

BAB II TINJAUAN PUSTAKA

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

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug

Lebih terperinci

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga

Lebih terperinci

Analisis Pola Hubungan PDRB dengan Faktor Pencemaran Lingkungan di Indonesia Menggunakan Pendekatan Geographically Weighted Regression (GWR)

Analisis Pola Hubungan PDRB dengan Faktor Pencemaran Lingkungan di Indonesia Menggunakan Pendekatan Geographically Weighted Regression (GWR) JURNAL SAINS DAN SENI IS Vol. 5, No., (6) 337-35 (3-98X Prt) D-7 Aalss Pola ubuga PDRB dega Faktor Pecemara Lgkuga d Idoesa Megguaka Pedekata Geographcally Weghted Regresso (GWR) Rza Damayat da Mutah Salamah

Lebih terperinci

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

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

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka

Lebih terperinci

Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus HIV & AIDS di Provinsi Jawa Timur Tahun 2013 Menggunakan Bivariate Poisson.

Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus HIV & AIDS di Provinsi Jawa Timur Tahun 2013 Menggunakan Bivariate Poisson. JURNAL SAINS DAN SENI IS Vol. 4, No., (5) 337-35 (3-98X Prt) D45 Pemodela Faktor-Faktor yag Mempegaruh Jumlah Kasus IV & AIDS d Provs Jawa mur ahu 3 Megguaka Bvarate Posso Regresso Lucy Da Pusptasar da

Lebih terperinci

Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif

Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif Pemodela Jumlah Kemata Ibu d Jawa mur dega Pedekata Geeralzed Posso Regresso (GPR) da Regres Bomal Negatf Retdasyah Rsky Agga Permaa, Mutah Salamah Jurusa Statstka, Fakultas MIPA, Isttut ekolog Sepuluh

Lebih terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal) LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau

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

Analisis Korelasi dan Regresi

Analisis Korelasi dan Regresi Aalss Korelas da Regres Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uad LOGO www.themegaller.com LOGO Data varat Data dega dua varael Terhadap satu pegamata dlakuka pegukurapegamata terhadap varael

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel BAB LANDASAN TEORI.1 Pegerta Regres Regres dalam statstka adalah salah satu metode utuk meetuka tgkat pegaruh suatu varabel terhadap varabel yag la. Varabel yag pertama dsebut dega bermacam-macam stlah:

Lebih terperinci

JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) ( X Print) D-277

JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) ( X Print) D-277 JURNAL SAINS DAN SENI ITS Vol. 5 No. (06 337-350 (30-98X Prt D-77 Pemodela da Pemetaa Kasus Demam Berdarah Degue d Provs Jawa Tmur Tahu 04 dega Geeralzed Posso Regresso, Regres Bomal Negatf da Flexbly

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

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

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

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,

Lebih terperinci

Analisis Survival Pada Pasien Demam Berdarah Dengue (DBD) di RSU Haji Surabaya Menggunakan Model Regresi Weibull

Analisis Survival Pada Pasien Demam Berdarah Dengue (DBD) di RSU Haji Surabaya Menggunakan Model Regresi Weibull JURNAL SAINS DAN SENI ITS Vol. 5 No. (16) 337-35 (31-98X Pr D-31 Aalss Survval Pada Pase Demam Berdarah Degue (DBD) d RSU Haj Surabaya Megguaka Model Regres Webull Alfa Slf Mufdah da Purhad Jurusa Statstka,

Lebih terperinci

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

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

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

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

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

BAB III UKURAN PEMUSATAN DATA BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma

Lebih terperinci

Penerapan Model Regresi Ensemble Non-Hybrid pada Data Kemiskinan di Provinsi Jawa Tengah

Penerapan Model Regresi Ensemble Non-Hybrid pada Data Kemiskinan di Provinsi Jawa Tengah The 6 th Uversty Research Colloquum 7 Peerapa Model Regres Esemble No-Hybrd pada Data Kemska d Provs Jawa Tegah Corela Ardaa Savta, Sr Sulstjowat Hadaja, Bowo Waro 3,3 Program Stud Matematka FMIPA, Uverstas

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom

Lebih terperinci

Faktor - Faktor yang Mempengaruhi Pelayanan Distribusi Air Bersih di Kawasan Permukiman Perkotaan Kabupaten Pamekasan

Faktor - Faktor yang Mempengaruhi Pelayanan Distribusi Air Bersih di Kawasan Permukiman Perkotaan Kabupaten Pamekasan JURNAL TEKNIK POMITS Vol., No. 1, (013) ISSN: 337-3539 (301-971 Prt) 1 Faktor - Faktor yag Mempegaruh Pelayaa Dstrbus Ar Bersh d Kawasa Permukma Perkotaa Kabupate Pamekasa Dew Rupyat Saga da Da Rahmawat

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,

Lebih terperinci

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

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

Lebih terperinci

KONSISTENSI KOEFISIEN DETERMINASI SEBAGAI UKURAN KESESUAIAN MODEL PADA REGRESI ROBUST

KONSISTENSI KOEFISIEN DETERMINASI SEBAGAI UKURAN KESESUAIAN MODEL PADA REGRESI ROBUST KONSISTENSI KOEFISIEN DETERINASI SEBAGAI UKURAN KESESUAIAN ODEL PADA REGRESI ROBUST Harm Sugart (harm@ut.ac.d) Ad egawar Jurusa Statstka FIPA Uverstas Terbuka ABSTRACT I statstcs, the coeffcet of determato

Lebih terperinci

Pemodelan Jumlah Balita Gizi Buruk di Jawa Timur dengan Geographically Weighted Poisson Regression

Pemodelan Jumlah Balita Gizi Buruk di Jawa Timur dengan Geographically Weighted Poisson Regression JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 1) ISSN: 31-98X D-9 Pemodela Jumlah Balta Gz Buruk d Jawa Tmur dega Geographcally Weghted Posso Regresso Rahm Amela da Purhad Jurusa Statstka, Fakultas Matematka

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

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( ) Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE) Jural Matematka Mur da Terapa Vol. 4 No. esember : 4 - ANALISIS REGRESI LINEAR BERGANA ENGAN SATU VARIABEL BONEKA (UMMY VARIABLE Tat Krsawardha Nur Salam da ew Aggra Program Stud Matematka Uverstas Lambug

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..

Lebih terperinci

Analisis Regresi dan Korelasi

Analisis Regresi dan Korelasi Metode Statstka Pertemua III Aalss Regres da Korelas Pegatar Apa tu aalss regres? Apa edaya dega korelas? Aalss Regres Aalss statstka yag memafaatka huuga atara dua atau leh peuah kuattatf sehgga salah

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

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

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa

Lebih terperinci

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

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

Lebih terperinci

TAKSIRAN PARAMETER PADA MODEL REGRESI ROBUST DENGAN MENGGUNAKAN FUNGSI HUBER STEVANI WIJAYA Y

TAKSIRAN PARAMETER PADA MODEL REGRESI ROBUST DENGAN MENGGUNAKAN FUNGSI HUBER STEVANI WIJAYA Y TAKSIRAN PARAMETER PADA MODEL REGRESI ROBUST DENGAN MENGGUNAKAN FUNGSI HUBER STEVANI WIJAYA 030501061Y UNIVERSITAS INDONESIA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM DEPARTEMEN MATEMATIKA DEPOK 009

Lebih terperinci

REGRESI LINIER SEDERHANA

REGRESI LINIER SEDERHANA MODUL REGRESI LINIER SEDERHANA Dsusu oleh : I MADE YULIARA Jurusa Fska Fakultas Matematka Da Ilmu Pegetahua Alam Uverstas Udayaa Tahu 016 Kata Pegatar Puj syukur saya ucapka ke hadapa Tuha Yag Maha Kuasa

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

Pemodelan dan Pemetaan Kasus Pneumonia di Kota Padang Tahun 2014 dengan Geograpghically Weighted Negative Binomial Regression

Pemodelan dan Pemetaan Kasus Pneumonia di Kota Padang Tahun 2014 dengan Geograpghically Weighted Negative Binomial Regression JURNAL SAINS DAN SENI ITS Vol. 5 No. (06) 337-350 (30-98 Prt) D-355 Pemodela da Pemetaa Kasus Peumoa d Kota Padag Tahu 04 dega Geograpghcally Weghted Negatve Bomal Regresso Reo War Dva Rahmtr da Wwek Setya

Lebih terperinci

Regresi & Korelasi Linier Sederhana

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

Lebih terperinci

Uji Modifikasi Peringkat Bertanda Wilcoxon Untuk Masalah Dua Sampel Berpasangan 1 Wili Solidayah 2 Siti Sunendiari 3 Lisnur Wachidah

Uji Modifikasi Peringkat Bertanda Wilcoxon Untuk Masalah Dua Sampel Berpasangan 1 Wili Solidayah 2 Siti Sunendiari 3 Lisnur Wachidah Prosdg Statstka ISSN 40-45 Uj Modfkas Pergkat Bertada Wlcoxo Utuk Masalah Dua Sampel Berpasaga 1 Wl Soldayah St Suedar 3 Lsur Wachdah 1, Statstka, Fakultas MIPA, Uverstas Islam Badug, Jl. Tamasar No. 1

Lebih terperinci

Analisis Regresi Double Hurdle terhadap Faktor-Faktor yang Mempengaruhi Partisipasi Perempuan Kawin dalam Kegiatan Ekonomi di Jawa Timur

Analisis Regresi Double Hurdle terhadap Faktor-Faktor yang Mempengaruhi Partisipasi Perempuan Kawin dalam Kegiatan Ekonomi di Jawa Timur JURNAL SAINS DAN SENI POMITS Vol., No., (03) 337-350 (30-98X Prt) D-9 Aalss Regres Double Hurdle terhadap Faktor-Faktor yag Mempegaruh Partspas Perempua Kaw dalam Kegata Ekoom d Jawa Tmur Devma Chrst Mukt

Lebih terperinci

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

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

Lebih terperinci

Statistika ITS Surabaya

Statistika ITS Surabaya UJIAN TUGAS AKHIR ANALISIS REGRESI LOGISTIK ORDINAL UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMPENGARUHI STATUS GIZI BALITA MASYARAKAT NELAYAN KECAMATAN BULAK SURABAYA Oleh : Ctra Elok M 305 00 03 Dose Pembmbg

Lebih terperinci

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

ANALISIS REGRESI DOUBLE HURDLE TERHADAP FAKTOR- FAKTOR YANG MEMPENGARUHI PARTISIPASI PEREMPUAN KAWIN DALAM KEGIATAN EKONOMI DI JAWA TIMUR

ANALISIS REGRESI DOUBLE HURDLE TERHADAP FAKTOR- FAKTOR YANG MEMPENGARUHI PARTISIPASI PEREMPUAN KAWIN DALAM KEGIATAN EKONOMI DI JAWA TIMUR ANALISIS REGRESI DOUBLE HURDLE TERHADAP FAKTOR- FAKTOR YANG MEMPENGARUHI PARTISIPASI PEREMPUAN KAWIN DALAM KEGIATAN EKONOMI DI JAWA TIMUR Devma Chrst Mukt Ratau (), Dr. Dra. Isma Za, M. S. () Jurusa Statstka,

Lebih terperinci

Pemodelan Regresi Linier Menggunakan Metode Theil (Studi Kasus: Kompensasi Pegawai di Badan Kepegawaian Daerah Kota Samarinda)

Pemodelan Regresi Linier Menggunakan Metode Theil (Studi Kasus: Kompensasi Pegawai di Badan Kepegawaian Daerah Kota Samarinda) Jural EKSPONENSIAL Volume 4, Nomor 1, Me 2013 ISSN 2085-7829 Pemodela Regres Ler Megguaka Metode Thel (Stud Kasus: Kompesas Pegawa d Bada Kepegawaa Daerah Kota Samarda) Lear Regresso Modelg Wth Thel Method

Lebih terperinci

Pemodelan Regresi Poisson Inverse Gaussian Studi Kasus: Jumlah Kasus Baru HIV di Provinsi Jawa Tengah Tahun 2015

Pemodelan Regresi Poisson Inverse Gaussian Studi Kasus: Jumlah Kasus Baru HIV di Provinsi Jawa Tengah Tahun 2015 JURNAL SAINS DAN SENI IS Vol 6, No, (7) ISSN: 337-35 (3-98X Prt) D-44 Pemodela Regres Posso Iverse Gaussa Stud Kasus: Jumlah Kasus Baru HIV d Provs Jawa egah ahu 5 Adraa Y Herdrawat, I Nyoma Latra, da

Lebih terperinci

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si.

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si. Ukura Pemusata Data Arum Had P., M.Sc Ayudyah K., M.S. Notas utuk Populas da Sampel Notas: Mea (rata-rata) Sample x Populas μ Varas s 2 σ 2 Smpaga baku s σ Ukura Pemusata Data 1. Mea (rata-rata) 2. Meda

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

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

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

ANALISIS SURVIVAL DENGAN MODEL REGRESI COX WEIBULL PADA PENDERITA DEMAM BERDARAH DENGUE (DBD) DI RUMAH SAKIT HAJI SUKOLILO SURABAYA

ANALISIS SURVIVAL DENGAN MODEL REGRESI COX WEIBULL PADA PENDERITA DEMAM BERDARAH DENGUE (DBD) DI RUMAH SAKIT HAJI SUKOLILO SURABAYA ANALISIS SURVIVAL DENGAN MODEL REGRESI COX WEIBULL PADA PENDERITA DEMAM BERDARAH DENGUE (DBD) DI RUMAH SAKIT HAJI SUKOLILO SURABAYA Edhy Bastya, da I Nyoma Latra Jurusa Statstka, Fakultas Matematka da

Lebih terperinci

REGRESI SEDERHANA Regresi

REGRESI SEDERHANA Regresi P a g e REGRESI SEDERHANA.. Regres Istlah regres dkemukaka utuk pertama kal oleh seorag atropolog da ahl meteorology Fracs Galto dalam artkelya Famly Lkeess Stature pada tahu 886. Ada juga sumber la yag

Lebih terperinci

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Koferes Nasoal Tekk Spl 3 (KoNTekS 3) Jakarta, 6 7 Me 009 WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Maksum Taubrata Program Stud Tekk Spl, Uverstas Krste Maraatha Badug Jl.

Lebih terperinci

REGRESI & KORELASI LINIER SEDERHANA

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

Lebih terperinci

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

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

Lebih terperinci

Peramalan Kebutuhan Listrik Dengan Model Harvey

Peramalan Kebutuhan Listrik Dengan Model Harvey Peramala Kebutuha Lstrk Dega Model Harvey Oleh: Ley Setyag B. (30600006) Pembmbg: Prof. Drs. Nur Irawa, M.IKom, Ph.D Latar Belakag Jumlah Peduduk Megkat Produks megkat Supply < Demad Kebutuha Barag Megkat

Lebih terperinci

Pemodelan Kasus Pneumonia Balita di Kota Surabaya dengan Geographically Weighted Poisson Regression dan Flexibly Shaped

Pemodelan Kasus Pneumonia Balita di Kota Surabaya dengan Geographically Weighted Poisson Regression dan Flexibly Shaped JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) 337-350 (30-98X Prt) Pemodela Kasus Peumoa Balta d Kota Surabaya dega Geographcally Weghted Posso Regresso da Flexbly Shaped Ftra Spatal Nur Maghfroh, Sca I

Lebih terperinci

Tujuan PENDAHULUAN. Latar Belakang

Tujuan PENDAHULUAN. Latar Belakang PENDAHULUAN Latar Belakag Saat, pembajaka peragkat luak d Idoesa mash sagat tgg Berdasarka hasl surve Busess Software Allace (BSA) dalam Kompas (009), tgkat pembajaka peragkat luak d Idoesa sebesar 84%

Lebih terperinci

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI JAWA TIMUR TAHUN 2011 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI JAWA TIMUR TAHUN 2011 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI JAWA TIMUR TAHUN 0 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF Selfy Atka Sary, I Nyoma Latra Jurusa Statstka, Fakultas MIPA, Isttut Tekolog Sepuluh Nopember (ITS)

Lebih terperinci

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Penarikan Contoh Acak Sederhana (Simple Random Sampling) Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu

Lebih terperinci

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah

Lebih terperinci

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar

Lebih terperinci

Analisis Regresi Logistik Ordinal terhadap Faktor-faktor yang Mempengaruhi Predikat Kelulusan Mahasiswa S1 di ITS Surabaya

Analisis Regresi Logistik Ordinal terhadap Faktor-faktor yang Mempengaruhi Predikat Kelulusan Mahasiswa S1 di ITS Surabaya JURNAL SAINS DAN SENI POMITS Vol., No., (013) ISSN: 337-350 (301-98X Prt) D-177 Aalss Regres Logstk Ordal terhadap Faktor-faktor yag Mempegaruh Predkat Kelulusa Mahasswa S1 d ITS Surabaya Stt Imaslhkah,

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

BOBOT OPTIMAL PADA REGRESI SEMIPARAMETRIK SPLINE

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

Lebih terperinci

PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE

PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE ESTIMATION OF PARAMETER REGRESION MODEL USING BOOTSTRAP AND JACKKNIFE Hed (Staf Pegajar UP MKU Poltekk Neger Badug)

Lebih terperinci

BAB 1 STATISTIKA RINGKASAN MATERI

BAB 1 STATISTIKA RINGKASAN MATERI BAB STATISTIKA A RINGKASAN MATERI. Pegerta Data adalah kumpula keteraga-keteraga atau catata-catata megea suatu kejada, dapat berupa blaga, smbol, sat atau kategor. Masg-masg keteraga dar data dsebut datum.

Lebih terperinci