PENERAPAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (Studi Kasus Pendugaan Pengeluaran Per Kapita di Kota Bogor Tahun 2005)
|
|
- Bambang Hadiman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENERAPAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (Std Kass Pendgaan Pengelaran Per Kapta d Kota Bogor Tahn 005) RENITA SUKMA MAYASARI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 009
2 RINGKASAN RENITA SUKMA MAYASARI. Penerapan Metode Pemlsan Kernel pada Pendgaan Area Kecl (Std Kass Pendgaan Pengelaran Per Kapta Kota Bogor Tahn 005). Dbmbng oleh INDAHWATI dan UTAMI DYAH SYAFITRI. Pendgaan area kecl mmnya menggnakan pemodelan parametrk ntk menghbngkan statstk area kecl dengan pebah-pebah pendkngnya. Namn pemodelan parametrk krang fleksbel ntk pola hbngan yang tdak lner. Dalam peneltan n dterapkan pemodelan nonparametrk yat metode pemlsan Kernel ntk menghbngkan statstk area kecl yang bersfat kontn dengan pebah-pebah pendkngnya. Dar hasl pendgaan pengelaran per kapta pada beberapa desa d Kota Bogor dengan metode pemlsan Kernel dperoleh nla RRMSE yang lebh kecl dbandngkan nla RRMSE pendga langsng. Hal n mennjkkan bahwa pendgaan tdak langsng dengan metode pemlsan Kernel dapat memperbak hasl dar pendgaan langsng. Hasl tersebt jga memperlhatkan bahwa pendgaan area kecl (small area estmaton) bak dgnakan ntk pendgaan parameter pada level desa/kelrahan yang memlk kran contoh kecl dengan nla keragaman yang besar. Kata Knc: Pendgaan area kecl, pendgaan langsng, pemlsan Kernel, RRMSE
3 PENERAPAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (Std Kass Pendgaan Pengelaran Per Kapta d Kota Bogor Tahn 005) RENITA SUKMA MAYASARI Skrps sebaga salah sat syarat memperoleh gelar Sarjana Sans pada Departemen Statstka Fakltas Matematka dan Ilm Pengetahan Alam Insttt Pertanan Bogor DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 009
4 Jdl Skrps Nama NRP : Penerapan Metode Pemlsan Kernel pada Pendgaan Area Kecl (Std Kass Pendgaan Pengelaran per Kapta Kota Bogor Tahn 005) : Renta Skma Mayasar : G Menyetj, Pembmbng I Pembmbng II Ir. Indahwat, M.S NIP Utam Dyah Syaftr, S.S, M.S NIP Mengetah, Dekan Fakltas Matematka dan Ilm Pengetahan Alam Insttt Pertanan Bogor Dr. drh. Hasm, DEA NIP Tanggal Lls :
5 PRAKATA Alhamdllah, segala pj penls panjatkan ke hadrat Allah SWT atas karna dan kash sayang-nya sehngga dapat menyelesakan karya lmah n. Shalawat serta salam semoga selal tercrah kepada sr taladan kta, Raslllah Mhammad SAW, kelarganya, serta para sahabat. Terma kash yang sebesar-besarnya penls capkan kepada sema phak yang telah memberkan segala bantan sehngga tlsan n bsa terselesakan, antara lan : 1. Ib Ir. Indahwat, M.S dan Ib Utam Dyah Syaftr, S.S, M.S sebaga pembmbng yang telah sangat banyak membant dalam peneltan n.. Bapak Fart Mochamad Afend, S.S, M.S selak pengj lar yang telah memberkan banyak maskan dan koreks yang sangat berart pada peneltan n. 3. Ib, Bapak, dan Adkk Ro atas do a, mater, semangat dan kash sayang yang tak pernah berhent mengalr bat Penls. 4. Bapak Dr. Ir. Har Wjayanto, MS beserta selrh staf pengajar Departemen Statstka yang telah memberkan berbaga bekal lm sehngga Penls dapat menyelesakan std dan karya lmah n. 5. B Mar, B Sls, B Dedeh, B Aat, Mang Sdn, Mang Dr, Mang Herman, Pak Ed, Pak Iyan yang telah membant segala keperlan yang menyangkt penyelesaan karya lmah n. 6. Rath Nrmasar (teman sat PS k), terma kash sahabat ntk dsks, bantan, dan kesabaranm selama n. 7. Geng SAE rs : Agstna, Ika, Irene, Noko, Kak Ar, Kak Wahy atas sema dsks tentang small area estmaton. 8. Sema phak yang telah memberkan dorongan dan motvas ntk menyelesakan peneltan n. Penls menyadar bahwa tlsan n mash jah dar semprna, ntk t penls memohon maaf yang sebesar-besarnya. Semoga karya lmah n dapat memberkan manfaat pada sema phak yang membacanya. Bogor, Janar 009 Renta Skma Mayasar
6 RIWAYAT HIDUP Penls dlahrkan d Wonogr pada tanggal September 1986 sebaga ptr pertama dar da bersadara pasangan Bapak Maryoto dan Ib Srp Utam. Tahn 1998 penls lls dar Sekolah Dasar Neger Larangan Utara 01 dan tahn 001 penls lls dar Sekolah Lanjtan Tngkat Pertama Neger 3 Tangerang. Pada tahn 004 penls lls dar Sekolah Menengah Atas Neger 90 Jakarta dan pada tahn yang sama penls dterma d Departemen Statstka Fakltas Matematka dan Ilm Pengetahan Alam IPB melal jalr Undangan Seleks Mask IPB (USMI). Penls aktf sebaga pengrs dan kepantaan d Hmpnan Keprofesan Gamma Sgma Beta dantaranya sebaga staf Departemen Eksternal pada tahn 004/005, sebaga staf Departemen Kesekretaratan pada tahn 005/006, dan sebaga Bendahara Umm pada tahn 006/007. Penls jga sempat aktf dalam kepengrsan Kelarga Mahasswa Mslm Statstka (KAMMUS) sebaga Kadep Dankom tahn 005/006. Penls pernah menjad petgas Spervsor Pelaporan Qck Cont Plkada DKI Jakarta pada tahn 007. Penls melaksanakan Praktk Lapang d Bala Peneltan Tanaman Tembaka dan Tanaman Serat (Balttas), Malang pada blan Febrar-Maret 008. Tahn 008 penls menjad pemakalah dalam Semnar Nasonal Matematka dan Penddkan Matematka d Unverstas Neger Yogyakarta.
7 DAFTAR ISI Halaman DAFTAR TABEL... v DAFTAR GAMBAR... DAFTAR LAMPIRAN... v v PENDAHULUAN... 1 Latar Belakang... 1 Tjan... 1 TINJAUAN PUSTAKA... 1 Pengelaran per Kapta... 1 Pendgaan Area Kecl... 1 Model Area Kecl... 1 Metode Pemlsan Kernel... Pendekatan Jackknfe... 3 BAHAN DAN METODE... 3 Bahan... 3 Metode... 3 HASIL DAN PEMBAHASAN... 4 Eksploras Data... 4 Pendgaan Langsng... 4 Pendgaan dengan Pemlsan Kernel... 4 KESIMPULAN... 6 SARAN... 6 DAFTAR PUSTAKA... 6
8 v DAFTAR TABEL Halaman 1. Perbandngan Statstk MSE... 5 DAFTAR GAMBAR Halaman 1. Dagram pencar persentase jmlah srat mskn dan pengelaran per kapta Hasl pemlsan dengan metode Kernel Perbandngan nla dgaan pendga langsng dan pendga Kernel Dagram kotak gars nla MSE Perbandngan nla RRMSE pendga langsng dan pendga Kernel... 5 DAFTAR LAMPIRAN Halaman 1. Pendgaan langsng pengelaran per kapta beserta nla D Pendgaan tdak langsng dengan metode pemlsan Kernel Pendgaan pengelaran per kapta dengan pendgaan langsng dan pendgaan pemlsan Kernel dengan pendekatan jackknfe beserta nla RRMSE(%) Makro pendgaan fngs Kernel Program Jackknfe... 11
9 1 PENDAHULUAN Latar Belakang Statstk area kecl (small area statstcs) sangat dmnat dalam berbaga bdang pada saat n. Pendgaan area kecl sangat dbthkan ntk mendapatkan nformasnformas pada area kecl, msalnya pada lngkp kota/kabpaten, kecamatan, atapn desa/kelrahan. Informas tersebt menjad sangat pentng dengan berkembangnya era otonom daerah d Indonesa karena dapat dgnakan sebaga acan ntk menysn sstem perencanaan, pemantaan, dan kebjakan pemerntah lannya tanpa hars mengelarkan baya yang besar ntk mengmplkan data sendr. Metode yang ters dkembangkan ntk mendga statstk area kecl n adalah pendgaan area kecl (small area estmaton). Istlah small area mennjkkan sat sbpoplas dmana pendga langsngnya tdak dapat menghaslkan ketepatan yang ckp. Pendga langsng merpakan pendga yang dperoleh dar data yang berasal dar dalam area t sendr. Pendgaan secara langsng (drect estmaton) pada area kecl akan menghaslkan nla ragam yang besar jka contoh yang dambl berasal dar data srvey yang drancang ntk skala besar/nasonal. Salah sat sols yang dgnakan adalah melakkan pendgaan tdak langsng (ndrect estmaton) dengan cara menambahkan pebah-pebah pendkng dalam mendga parameter. Pebah-pebah pendkng tersebt berpa nformas dar daerah lan yang serpa, srve terdahl pada area yang sama, ata pebah lan yang berhbngan dengan pebah yang ngn ddga. Beberapa prosedr pendgaan area tdak langsng dgnakan ntk mendapatkan ketepatan t. Pendgaan area kecl mmnya menggnakan pemodelan parametrk ntk menghbngkan statstk area kecl dengan pebah-pebah pendkngnya. Namn pemodelan parametrk krang fleksbel ntk pola hbngan yang tdak lner, sehngga beberapa penelt mencoba menggnakan pemodelan nonparametrk ntk mengatas masalah n, dantaranya Mkhopadhyay dan Mat yang mengkaj tentang metode Kernel (004) dan local polynomal regresson (006) ntk pendgaan area kecl, serta Opsomer et al (004) yang mengkaj metode nonparametrk penalzed splne ntk pendgaan area kecl. Evalas hasl pendgaan tdak langsng dlakkan dengan membandngkan nla RRMSE (Relatve Root Mean Sqare Error) pendga langsng dengan nla RRMSE pendga tdak langsng. Pendgaan tdak langsng ntk area kecl dalam peneltan n dterapkan ntk mendga pengelaran per kapta pada beberapa desa d Kota Bogor tahn 005. Metode yang dgnakan ntk mendga pengelaran per kapta tersebt adalah metode pemlsan Kernel dengan pendekatan jackknfe ntk menghtng MSE. Tjan Tjan yang ngn dcapa dar peneltan n adalah 1. Mendga pengelaran per kapta kota Bogor tahn 005 dengan metode pemlsan Kernel. Membandngkan pendgaan pemlsan Kernel dengan pendgaan langsng. TINJAUAN PUSTAKA Pengelaran Per Kapta Pengelaran per kapta mennjkkan besarnya pengelaran setap anggota rmah tangga dalam krn wakt sat blan (BPS 008). Pengertan rmah tangga sendr adalah sekelompok orang yang mendam sebagan ata selrh bangnan fsk dan basanya tnggal bersama serta makan dar sat dapr. Pendgaan Area Kecl Istlah area kecl (small area) basanya menandakan sat area geografs kecl, sepert sat daerah kabpaten/kota, kecamatan, mapn kelrahan/desa. Area kecl n jga dapat dartkan sebaga bagan dar wlayah poplas (small doman) bak berdasarkan geograf, ekonom, sosal bdaya, atapn yang lannya.pendgaan area kecl merpakan pendgaan parameter sat area yang lebh kecl dengan memanfaatkan nformas dar lar, dar dalam area t sendr, dan dar lar srve (Rao 003). Model Area Kecl Model dasar dalam pengembangan pendgaan area kecl ddasarkan pada bentk model lner campran (lnear mxed model) yat : y = X + Z + e...(1) dengan y merpakan vektor yang bers pengamatan yang dsrve, X adalah matrks berkran nxp dar pebah penjelas sebaga
10 pengarh tetap, merpakan vektor koefsen pebah penjelas pada matrks X, dan Z matrks berkran nxq yang merepresentaskan strktr dar pengarh acak, dan e adalah vektor error (Rao 003). Ada da model dasar pendgaan area kecl yat basc area level model dan basc nt level model (Rao 003). a. Basc area level model yat model yang ddasarkan pada ketersedaan data pendkng yang hanya ada ntk level area tertent, msalkan x = (x 1,..., x p ) T dengan x adalah sat vektor, adalah banyaknya area dan p adalah banyaknya pebah pendkng, dan parameter yang akan ddga, dasmskan mempnya hbngan dengan x. Data pendkng tersebt dgnakan ntk membangn model: = x T +, =1,..., n...() dengan merpakan vektor koefsen regres ntk data pendkng x dan ~ N(0, ), sebaga pengarh acak yang dasmskan normal dan adalah konstanta. Parameter, dapat dketah dengan mengasmskan bahwa model pendga langsng y telah terseda yat : y = + e, =1,..., n...(3) dengan e ~ N(0, e) dan e dketah. Pada akhrnya model () dan (3) dgabngkan dan menghaslkan model gabngan : y = x T + + e, =1,..., n...(4) Model (4) merpakan bentk khss dar model lner campran (general lnear mxed model). b. Basc nt level model yat sat model dmana data-data pendkng yang terseda bersesaan secara ndvd dengan data respon, msal x j = (x j1,..., x jp ) T, sehngga dapat dbangn sat model regres tersarang y j = x T j + +e j, =1,..., n dan j=1,..., N, dmana j adalah banyaknya rmah tangga pada area ke- dengan ~ N(0, v) dan e ~ N(0, e). Peneltan n menggnakan model basc area level model karena data pendkngnya hanya ada ntk level area tertent yat pada level desa. Metode Pemlsan Kernel Pemlsan Kernel adalah sat tehnk pemlsan dalam statstka nonparametrk ntk mendga pola hbngan yang sesngghnya pada data. Pendgaan area kecl yang menggnakan basc area level model pada persamaan (3) dengan sat pebah penjelas dapat dnyatakan sebaga 0 x...(5) 1 dmana e ~N(0, D ) dan ~N(0, ). Jka hbngan antara pendga langsng dengan varabel penjelas tdak lner maka persamaan (6) dapat ddekat dengan : mx...(6) dmana = 1,,..., n mennjkkan jmlah area kecl, m(x ) adalah fngs pemlsan yang menggambarkan hbngan yang sesngghnya antara x dan y pada area ke-, adalah parameter pada area ke-, dan adalah pengarh acak dar area ke-. Untk mendga m(x ) dapat dgnakan pendga Kernel Nadaraya-Watson yat : K h x x y mˆ.....(7) h K h x x dmana K h (.) adalah fngs Kernel dengan lebar jendela h. Hasl pemlsan yang dperoleh dar metode pemlsan Kernel sangat bergantng dar lebar jendela (h) yang dgnakan. Semakn besar lebar jendela yang dgnakan, krva pemlsan yang dperoleh akan semakn mls, yang mennjkkan bahwa bas pendgaan semakn besar dan ragamnya semakn kecl. Sebalknya, jka lebar jendela dperkecl, krva pemlsan akan semakn bergelombang mengkt data dan mengakbatkan bas yang semakn kecl serta ragam yang besar (Slverman 1986). Bentk dar K h (.) adalah : 1 K h K...(8) h h dengan syarat K(.) : ) Smetrk ) Kontn dan terhngga ) Kd 1 x Pendga (7) lner pada y dan dapat dtlskan menjad : 1 n mˆ h x W h x y... (9), n 1 dmana K h x x Wh x 1 n K h x x Dar cara d atas dapat dperlhatkan bahwa pendga terbak dar nla area kecl dapat dtlskan menjad : ~ E y y 1 mˆ x...(10) dmana D dan h dketah.
11 3 Sedangkan ntk tdak dketah, pendga ntk adalah : ˆ ˆ y 1 ˆ mˆ h x...(11) ˆ dmana ˆ. ˆ D D dgnakan ntk mengkr keragaman samplng error pada masng-masng area sedangkan dgnakan ntk mengkr keragaman antar area. Pendga dar drmskan dengan : n 1 ˆ x max0, Whxy mˆ x D n (1) MSE dar ˆ dapat ddga dar : ˆ D ˆ mse 1 ˆ msemˆ h x D D ˆ 3 ˆ D mse ˆ...(13) mse pada persamaan (13) tdak ˆ Nla ada rms jadnya, sehngga dalam peneltan n dgnakan pendekatan jackknfe ntk mendga MSE ( ˆ ). Terdapat berbaga macam fngs pemlsan Kernel yang mm dgnakan. Pemlsan Kernel yang dgnakan pada peneltan n adalah fngs Kernel Gassan ata Normal. Persamaan matemats fngs Kernel Gassan adalah sebaga berkt: 1 1 K ( x) exp( x ), x...(14) Pendekatan Jackknfe Pendekatan jackknfe dperkenalkan oleh Tkey pada tahn 1958 dan kemdan berkembang menjad sat metode yang dapat dgnakan ntk mengoreks bas sat pendga (Krna dan Notodptro 006). Pendekatan jackknfe merpakan salah sat metode yang serng dgnakan dalam srve karena konsepnya yang sederhana. Tahapantahapan ntk menghtng nla MSE J adalah sebaga berkt: (a)htng nla M 1 dengan rms: m n 1 M1 g1 ( sv ) g 1 ( sv( ) ) g1 ( sv ) n 1 nla g 1 (s v(-)) dperoleh dengan menghaps pengamatan ke- pada hmpnan data g 1 (s v ) dan = 1,,...,n. (b)htng nla M dengan rms: 1 m n M ˆ ˆ ( ( ) ) ( ) n 1 dmana ( ˆ ( ) ) dperoleh dengan menghaps pengamatan ke- pada hmpnan data ˆ. (c)htng nla MSE dengan rms sebaga berkt: ˆ MSE J ( ) M 1 M BAHAN DAN METODE Bahan Data yang dgnakan dalam peneltan n adalah data SUSENAS 005 dengan nformas data berbass rmah tangga serta PODES 005 sebaga smber data pebah pendkng ntk pengamatan yang dgnakan pada level desa. Data tersebt jga dpaka oleh Lestar (008) dan Wardan (008). Pebah respon yang damat dan menjad perhatan dalam peneltan n adalah pengelaran per kapta rmah tangga pada 37 desa d kota Bogor. Pebah pendkng yang dasmskan mempengarh dan menggambarkan pengelaran per kapta yat persentase jmlah srat mskn yang dkelarkan desa. Pemlhan pebah pendkng n dkarenakan ngn mencar hbgan yang tdak lner, sehngga dcar nla korelas yang kecl. Metode Tahapan-tahapan pada peneltan n adalah: 1. Memlh pebah pendkng X yang mempengarh dan menggambarkan pengelaran per kapta.. Mendga pengelaran per kapta rmah tangga ntk masng-masng desa secara langsng (drect estmaton) dengan rms sebaga berkt : p y...(15) q Dmana: y = pengelaran per kapta desa ke- p = total pengelaran rmah tangga seblan d desa ke- q = banyaknya anggota rmah tangga d desa ke- = 1,,..., 37
12 4 3. Mendga pengelaran per kapta rmah tangga ntk masng-masng desa dengan metode pemlsan Kernel. 4. Menghtng MSE ntk masng-masng pendgaan 5. Membandngkan nla RRMSE pendgaan langsng dengan nla RRMSE pendgaan pemlsan dengan perhtngan RRMSE sebaga berkt : ˆ ˆ MSE RRMSE x100% ˆ. Software yang dgnakan pada peneltan n adalah Mntab 14, S-Pls 000, SAS 9.1, dan Mcrosoft Excel 003. HASIL DAN PEMBAHASAN Eksploras Data Eksploras hbngan antar pebah dlakkan dengan menggnakan dagram pencar antara pengelaran per kapta (y) dengan persentase jmlah srat mskn yang dkelarkan desa (x). Gambar 1a adalah dagram pencar ntk data sethnya, sedangkan Gambar 1b adalah dagram pencar ntk data tanpa penclan. Nla x yang dgnakan berada pada selang 0-4 %. Dar Gambar 1a terlhat ada kecenderngan bahwa pengelaran per kapta berbandng terbalk dengan persentase jmlah srat mskn yang dkelarkan. Semakn besar pengelaran per kapta, persentase jmlah srat mskn yang dkelarkan semakn kecl. Namn hbngan lnernya agaknya lemah sepert dtnjkkan oleh nla korelas pearson sebesar -0,038. Ddga lemahnya hbngan n karena ada nla penclan, yat desa Pabaton dengan pengelaran per kapta sebesar Rp ,00. Pada Gambar 1b yang penclannya telah dhlangkan terlhat bahwa hbngan dan nla korelas pearsonnya menjad postf yat sebesar 0,090. Hal n dapat mengakbatkan hbngan antara pengelaran per kapta dengan persentase jmlah srat mskn yang dkelarkan desa menjad tdak sesa dengan logka yang ada. Oleh karena t dalam peneltan n akan dcoba memodelkan hbngan tersebt secara nonparametrk dengan harapan pendekatan tersebt dapat mengkt pola hbngan sepert dtnjkkan oleh data secara apa adanya. Y X 0.03 Gambar 1a X Gambar 1b Gambar 1 Dagram pencar persentase jmlah srat mskn dan pengelaran per kapta. Pendgaan Langsng Hasl yang ddapatkan dar pendgaan langsng pengelaran per kapta yat besarnya pengelaran per kapta anggota rmah tangga pada beberapa desa d Kota Bogor dan nla smpangan baknya. Jmlah desa yang damat adalah 37 desa yang ada d Kota Bogor. Nla ragam samplng error (D ) yang menjad perhatan ddga oleh s /n yang merpakan raso antara ragam d dalam area dengan banyaknya contoh. Nla D dapat dhtng dar hasl pendgaan langsng. Hasl pendgaan langsng dan nla ragam D dapat dlhat d Lampran 1. Pendgaan langsng pengelaran per kapta rmah tangga pada beberapa desa d kota Bogor dlakkan berdasarkan data srve dengan objek srve sebanyak 16 rmah tangga ntk masng-masng desa, kecal desa Kedng Halang sebanyak 15 rmah tangga dan desa Kedng Badak sebanyak 3 rmah tangga. Jmlah tersebt termask kecl ntk merepresentaskan selrh rmah tangga pada masng-masng desa sehngga ragam hasl dgaannya besar. Pendgaan dengan Pemlsan Kernel Hasl pemlsan yang dperoleh dar metode pemlsan Kernel sangat bergantng dar lebar jendela (h) yang dgnakan. Lebar jendela ntk pemlsan Kernel n dperoleh sebesar 0,0006. Nla dgaan m(x) dar pemlsan dperoleh dengan menggnakan software S-Pls 000. Secara vsal hasl dar pemlsan dapat dlhat pada Gambar, sedangkan nla dgaan m(x) dapat dlhat pada Lampran. 0.04
13 Y pemlsan Kernel-jackknfe Tabel 1. terdapat pada X Gambar Hasl pemlsan dengan metode Kernel Pendgaan parameter area kecl ( ˆ ) dengan metode pemlsan Kernel dperoleh dar persamaan (11) dan haslnya dapat dlhat pada Lampran. Secara mm hasl pendgaan dengan pemlsan Kernel lebh besar dar pendgaan langsng, tetap ada beberapa desa yang nla pendga langsngnya lebh besar yat desa Bat Tls, Empang, Bantar Jat, Tegal Gndl, Tanah Bar, Cblh, Kedng Halang, Pabaton, Kebon Kelapa, Gnng Bat, Clendek Barat, Sndang Barang, Semplak, dan Kedng Badak. Hal n dapat dlhat pada Gambar Bt Tls Empang Btr Jat Tgl Gndl Tnh Bar Cblh Kd.Halang Pabaton Kbn Kelapa Gng. Bat Clndk Brt Sndg Brg Semplak Kd. Badak pendga langsng pendga Kernel Gambar 3 Perbandngan nla dgaan pendga langsng dan pendga Kernel Nla D ntk mencar pendga dar pada persamaan (1) dperoleh dar nla ragam gabngan dbag dengan n (s gab /n), dperoleh nla D sebesar 39,68, sehngga berdasarkan persamaan (1) dperoleh nla dgaan bag adalah sebesar 1,585 dengan asms ragam samplng error (D ) antar desa homogen. Nla MSE ntk metode pemlsan Kernel dperoleh menggnakan pendekatan jackknfe. Software yang dgnakan adalah SAS 9.1 dengan prosedr proc IML. Hasl perbandngan pendgaan langsng dan tdak langsng pada pengelaran per kapta beberapa desa d Kota Bogor beserta nla MSE nya dapat dlhat pada Lampran 3. Perbandngan beberapa statstk ntk MSE dar hasl pendgaan langsng dan MSE Tabel 1 Perbandngan statstk MSE. Statstk MSE Pendga langsng Kerneljackknfe rataan Q medan Q Mnmm Maksmm JAK Data MSE_L Boxplot of MSE_L, MSE_J MSE_J Gambar 4 Dagram Kotak Gars nla MSE Dar Tabel 1 dan Gambar 4 tampak bahwa nla dgaan MSE dengan metode pemlsan Kernel-jackknfe secara mm lebh kecl dbandngkan nla dgaan MSE hasl pendgaan langsng, hal n dapat terlhat jga dar memadatnya dagram kotak gars ntk MSE pemlsan Kernel-jackknfe pada nla-nla yang kecl. Pada dagram kotak gars pada Gambar 4 terlhat bahwa sdah tdak ada lag penclan setelah dlakkan pemlsan Kernel karena Kernel Gassan hanya ressten terhadap x tdak terhadap y maka penclan tersebt dapat dredks. Pada MSE pendga langsng daerah-daerah yang termask penclan adalah desa Kedng Halang, Pabaton, dan Sndang Barang. perbandngan RRMSE pendga langsng pendga Kernel Gambar 5 Perbandngan nla RRMSE pendga langsng dan pendga Kernel
14 6 Hasl evalas pendgaan langsng dan tdak langsng dapat dketah dengan membandngkan nla RRMSE kedanya. Gambar 5 dan Lampran 3 secara mm mennjkkan nla RRMSE metode pemlsan Kernel ntk pengelaran per kapta beberapa desa d Kota Bogor lebh kecl darpada nla RRMSE pendgaan langsng. Keterangan daerah ntk Gambar 5 dapat dlhat pada Lampran 3. Hal n mennjkkan bahwa pendgaan tdak langsng dengan metode pemlsan kernel dapat memperbak hasl dar pendgaan langsng. Hasl tersebt jga memperlhatkan bahwa pendgaan area kecl (small area estmaton) bak dgnakan ntk pendgaan parameter pada level desa/kelrahan yang memlk kran contoh kecl dengan nla keragaman yang besar. KESIMPULAN Dalam peneltan n pendgaan tdak langsng dengan menggnakan metode pemlsan Kernel dapat memperbak hasl dar pendgaan langsng sepert dtnjkkan oleh nla RRMSE yang lebh kecl dbandngkan RRMSE pendgaan langsng, sehngga metode pemlsan Kernel mempnya harapan ntk dkembangkan sebaga alternatf pendgaan area kecl ntk mengatas masalah pola hbngan antara statstk area kecl dan pebah pendkng yang tdak lner. SARAN Peneltan tentang pemlsan Kernel n mash dapat dkembangkan, dantaranya adalah dengan menggnakan varas lebar jendela sehngga ddapatkan lebar jendela yang palng optmm. Mkhopadhyay P, Mat T Local Polynomal Regresson for Small Area Estmaton. Proceedngs of ASA Secton on Srvey Research Methods: Opsomer et al Nonparametrc Small Area Estmaton Usng Penalzed Splne Regresson. Proceedngs of ASA Secton on Srvey Research Methods:1-8. Rao JNK Small Area Estmaton. New Jersey: John Wley &Sons, Inc. Slverman BW Densty Estmaton For Statstcs and Data Analyss. London:Chapman and Hall. Syaftr UD Pemodelan Sebaran Paparan Gamma d Reaktor Serbagna G.A Swabessy dengan Fngs Kepekatan Pelang Kernel [Skrps]. Bogor: Fakltas Matematka dan Ilm Pengetahan Alam, Insttt Pertanan Bogor. Ynta A Penerapan Metode Emprcal Bayes pada Pendgaan Area Kecl (Std Kass Pendgaan Pengelaran Per Kapta d Kota Bogor Tahn 003) [Skrps]. Bogor: Fakltas Matematka dan Ilm Pengetahan Alam, Insttt Pertanan Bogor. DAFTAR PUSTAKA [BPS]. Badan Psat Statstk [1 Nopember 008] Krna A, Notodptro KA Penerapan Metode Jackknfe dalam Pendgaan Area Kecl. Form Statstka dan Komptas, Aprl 006, Vol. 11 No.1, p:1-16. Mkhopadhyay P, Mat T Two Stage Non-Parametrc Approach for Small Area Estmaton. Proceedngs of ASA Secton on Srvey Research Methods:
15 7 Lampran 1 Pendgaan langsng pengelaran per kapta (xrp ,00) beserta nla D Kode Desa n Y Stdev * D Pamoyanan Genteng Harjasar Cpak Bat Tls Empang Ckaret Sndang Rasa Katlampa Baranang Sang Skasar Bantar jat Tegal Gndl Tanah Bar Cmahpar Cblh Kedng Halang Cparg Babakan Pasar Tegal Lega Pabaton Kebon Kelapa Pasr Mlya Pasr Jaya Gnng Bat Menteng Clendek Barat Sndang Barang Stgede Semplak Kedng Warngn Kedng Jaya Kebon Pedes Kedng Badak Cbadak Kay Mans Kencana *) stdev = ragam d dalam area (s )
16 8 Lampran Pendgaan tdak langsng dengan metode pemlsan Kernel (xrp ,00) x Kode Desa n Y D mˆ ˆ ker nel Pamoyanan Genteng Harjasar Cpak Bat Tls Empang Ckaret Sndang Rasa Katlampa Baranang Sang Skasar Bantar jat Tegal Gndl Tanah Bar Cmahpar Cblh Kedng Halang Cparg Babakan Pasar Tegal Lega Pabaton Kebon Kelapa Pasr Mlya Pasr Jaya Gnng Bat Menteng Clendek Barat Sndang Barang Stgede Semplak Kedng Warngn Kedng Jaya Kebon Pedes Kedng Badak Cbadak Kay Mans Kencana
17 9 Lampran 3 Pendgaan pengelaran per kapta (x Rp ,00) dengan pendgaan langsng dan pendgaan pemlsan Kernel dengan pendekatan jackknfe beserta nla RRMSE(%) Kode Desa Pendgaan Langsng Kernel-Jackknfe Theta_hat MSE RRMSE Theta_hat MSE RRMSE Pamoyanan Genteng Harjasar Cpak Bat Tls Empang Ckaret Sndang Rasa Katlampa Baranang Sang Skasar Bantar Jat Tegal Gndl Tanah Bar Cmahpar Cblh Kedng Halang Cparg Babakan Pasar Tegal Lega Pabaton Kebon Kelapa Pasr Mlya Pasr Jaya Gnng Bat Menteng Clendek Barat Sndang Barang Stgede Semplak Kedng Warngn Kedng Jaya Kebon Pedes Kedng Badak Cbadak Kay Mans Kencana
18 10 Lampran 4 Makro pendgaan fngs Kernel * let k99 = let k1=cont(c1) let k3=mn(c1) let k4=max(c1) let k5=(k4-k3)/k1 let k6=1 let c=1 let c3=1 let c4=1 let k7=k3 exec 'gass1.txt' k1 end gass1 noecho let c=(c1-k7)/k99 let c=c*c let c3=exp(-0.5*c)/sqrt(6.8) let k10=sm(c3)/k1 let c4 = c3/k10 end *merpakan makro revs dar makro Syaftr (000)
19 11 Lampran 5 Program Jackknfe proc ml; se jackknfe; read all; m = 37; y = y; theta_dga = theta_dga; x = { , , , , , , }; g1 = (A#D)/(A+D); s = (A + D); sm1 = 0; sm = 0; do =1 to m; do r=1 to m; f r=1 then j=(:m); f (1<r & r<m) then j=((1:(r+1)) ((r+1):m)); f r=m then j=(1:(m-1)); y_j=y[j]; x_j=x[j,]; do c=1 to m-1; y_j_k=y_j[c]; x_j_k=x_j[c,]; end; A_dga = A_dga; s1 = (A_dga[c] + D[c]); end; L_j=(A_dga)/(A_dga+D); theta_dga_j=(y#l_j)+m_dga#(1-l_j); g1_j=(a_dga#d)/(a_dga+d); delta1=g1_j-g1; delta=(theta_dga_j-theta_dga)#(theta_dga_j-theta_dga); sm1=sm1+delta1; sm=sm+delta; end; m1=g1-((m-1)/m*sm1); m=(m-1)/m*sm; MSE_j=m1+m; prnt MSE_j m1 m theta_dga_j; qt;
PENERAPAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (Studi Kasus Pendugaan Pengeluaran Per Kapita di Kota Bogor Tahun 2005) Abstrak
PENERAPAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (Std Kass Pendgaan Pengelaran Per Kapta d Kota Bogor Tan 005) Indawat 1, Utam Dya Syaftr 1, Renta Skma Mayasar 1 Dosen Departemen Statstka FMIPA
Lebih terperinciSMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP
Statstka, Vol., No., November 04 SMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP Ujang Malana, Moh Yamn Darsyah, 3 Tan Wahy Utam,,3 Program
Lebih terperinciPENDEKATAN METODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION)
PENDEKAAN MEODE PEMULUSAN KERNEL PADA PENDUGAAN AREA KECIL (SMALL AREA ESIMAION) Indawat, Ksman Sadk, Rat Nrmasar Dosen Departemen Statstka FMIPA IPB Maasswa S Departemen Statstka FMIPA IPB ABSRAK Pendgaan
Lebih terperinciSMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP
Statstka, Vol., No., November 04 SMALL AREA ESTIMATION UNTUK PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN PENDEKATAN KERNEL-BOOTSTRAP Ujang Malana, Moh Yamn Darsyah, 3 Tan Wahy Utam,,3 Program
Lebih terperinciPengenalan Pola/ Pattern Recognition
Pengenalan Pola/ Pattern Reognton Dasar Pengenalan Pola Imam Cholssodn S.S., M.Kom. Dasar Pengenalan Pola. The Desgn Cyle. Collet Data 3. Objet to Dataset 4. Featre Seleton Usng PCA Menghtng Egen Vale
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA.1 Small Area Estimation Small Area Estimation (SAE) adalah sat teknik statistika ntk mendga parameter-parameter sb poplasi yang kran sampelnya kecil. Sedangkan, area kecil didefinisikan
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciMETODE PENDUGAAN AREA KECIL DENGAN TEKNIK EMPIRICAL BAYES PADA PENDUGAAN PROPORSI KELUARGA MISKIN DI KOTA BOGOR WAHYU DWI LAKSONO
METODE PENDUGAAN AREA KECIL DENGAN TEKNIK EMPIRICAL BAYES PADA PENDUGAAN PROPORSI KELUARGA MISKIN DI KOTA BOGOR WAHYU DWI LAKSONO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN METODE SAE
Vale Added, Vol. 11, No. 1, 015 PENDUGAAN JUMLAH PENDUDUK MISKIN DI KOTA SEMARANG DENGAN METODE SAE 1 Moh Yamin Darsyah, Ujang Malana 1, Program Stdi Statistika FMIPA Universitas Mhammadiyah Semarang Email:
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciVektor Kendali Permainan Dinamis LQ Non-Kooperatif Waktu Tak Berhingga
Semnar Nasonal eknolog Informas Komnkas dan Indstr (SNIKI) 8 ISSN : 85-99 Pekanbar 9 November 6 Vektor Kendal Permanan Dnams LQ Non-Kooperatf Wakt ak Berhngga Nlwan Andraja UIN Sltan Syarf Kasm Ra Pekanbar
Lebih terperinci81 Bab 6 Ruang Hasilkali Dalam
8 Bab Rang Haslkal Dalam Bab RUANG HASIL KALI DALAM Rang hasl kal dalam merpakan rang ektor yang dlengkap dengan operas hasl kal dalam. Sepert halnya rang ektor rang haslkal dalam bermanfaat dalam beberapa
Lebih terperinciDengan derajat bebas (pu-1) =(p-1)+(pu-p) (pu-1)=(p-1)+p(u-1) Sebagai contoh kita ambil p=4 dan u=6 maka tabulasi datanya sebagai berikut:
X. ANALISIS RAGAM SEDERANA Jka erlakan yang ngn dj/dbandngkan lebh dar da(p>) dan ragam tdak dketah maka kta bsa melakkan j t dengan jalan mengj erlakan seasang dem seasang. Banyaknya asangan hotess yang
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciAnalisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :
Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciMODEL REGRESI LOGISTIK TERBOBOTI GEOGRAFIS (STUDI KASUS : PEMODELAN KEMISKINAN DI PROVINSI JAWA TIMUR) ALONA DWINATA
MODEL REGRESI LOGISTIK TERBOBOTI GEOGRAFIS (STUDI KASUS : PEMODELAN KEMISKINAN DI PROVINSI JAWA TIMUR) ALONA DWINATA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2012 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciBADAN PUSAT STATISTIK KABUPATEN JAYAPURA
BADAN PUSAT STATISTIK KABUPATEN JAYAPURA BADAN PUSAT STATISTIK KABUPATEN JAYAPURA Sensus Penduduk 2010 merupakan sebuah kegatan besar bangsa Badan Pusat Statstk (BPS) berdasarkan Undang-undang Nomor 16
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciPERBANDINGAN METODE EMPIRICAL BAYES
PERBANDINGAN METODE EMPIRICAL BAYES (EB) DAN EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA PENDUGAAN AREA KECIL (Stud Kasus Pendugaan Pengeluaran Per Kapta d Kota Bogor) AGUSTINA DWI WARDANI DEPARTEMEN
Lebih terperinciHASIL DAN PEMBAHASAN BAHAN DAN METODE. Eksplorasi dan Deskripsi Data. Bahan
4 BAHAN DAN METODE Bahan Sumber data ang dgunakan pada peneltan n adalah SUSENAS 2005 dan Potens Desa (PODES) 2005. Peubah ang damat dan menad perhatan dalam peneltan n adalah tngkat kemsknan (P) pada
Lebih terperinciMODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciPEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL
PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL Tan Wahyu Utam, Indah Manfaat Nur Unverstas Muhammadyah Semarang, emal : tan.utam88@gmal.com
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciPrediksi Kelainan Refraksi Berdasarkan Panjang Sumbu Bola Mata Pada Pasien Myopia Axial Melalui Regresi Bootstrap
Predks Kelanan Refraks Berdasarkan Panjang Sumbu Bola Mata Pada Pasen Myopa Axal Melalu Regres Bootstrap Oleh: Karyam dan Qorlna Statstka UII ABSTRAKSI Peneltan n dlakukan d Rumah Sakt Mata Dr. YAP Yogyakarta
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciSTATISTICAL STUDENT OF IST AKPRIND
E-mal : statstkasta@yahoo.com Blog : Analss Regres SederhanaMenggunakan MS Excel 2007 Lsens Dokumen: Copyrght 2010 sssta.wordpress.com Seluruh dokumen d sssta.wordpress.com dapat dgunakan dan dsebarkan
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciSUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD
SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciHubungan Model Kurva Pengeluaran Konsumsi Rumah Tangga di Provinsi Sulawesi Selatan dengan Elastisitasnya
Vol. 8, No., 9-101, Januar 01 Hubungan Model Kurva Pengeluaran Konsums Rumah Tangga d Provns Sulawes Selatan dengan Elaststasnya Adawayat Rangkut Abstrak Seleks kurva pengeluaran konsums masyarakat Sulawes
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciPENERAPAN PENDUGA HUBER M DALAM GENERAL REGRESSION PADA PENDUGAAN AREA KECIL IKA WIDYAWATI
PENERAPAN PENDUGA HUBER M DALAM GENERAL REGRESSION PADA PENDUGAAN AREA KECIL IKA WIDYAWATI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 008 ..katakanlah:
Lebih terperinciBAB IV METODE PENELITIAN. Penelitian mengenai Analisis Pengaruh Kupedes Terhadap Performance
BAB IV METODE PENELITIAN 4.1 Lokas dan Waktu Peneltan Peneltan mengena Analss Pengaruh Kupedes Terhadap Performance Busness Debtur dalam Sektor Perdagangan, Industr dan Pertanan dlaksanakan d Bank Rakyat
Lebih terperinciParameter Quantile-like dalam Pendugaan Area Kecil Melalui Pendekatan Penalized-Splines
Statstka, Vol. 8, No. 1, 31-36 Unsba Bandung, Me 2008 Parameter Quantle-lke dalam Pendugaan Area Kecl Melalu Pendekatan Penalzed-Splnes Kusman Sadk Departemen Statstka IPB, Bogor Jl. Merant, Kampus IPB
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciBAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Menghadap era globalsas yang penuh tantangan, aparatur negara dtuntut untuk dapat memberkan pelayanan yang berorentas pada kebutuhan masyarakat dalam pemberan pelayanan
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus
Lebih terperinciBAB 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 Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciAnalysis of Covariance (ANACOVA)
Analss of Covarance ANACOVA Bett Kash Paramtha Ihda Ihsana Gempur Safar Oleh: La Ftran Muhammad Alawdo Erma Aprlana Eka Setanngsh Prof Dr Sr Haratm Kartko Program Stud Statstka FMIPA Unverstas Gadah Mada
Lebih terperinciBAB III METODE PENELITIAN. Sebelum melakukan penelitian, langkah yang dilakukan oleh penulis
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum melakukan peneltan, langkah yang dlakukan oleh penuls adalah mengetahu dan menentukan metode yang akan dgunakan dalam peneltan. Sugyono (2006: 1) menyatakan:
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBAB 3 GAMBARAN UMUM TEMPAT RISET
BAB 3 GAMBARAN UMUM TEMPAT RISET 3. Sejarah dan Kegatan Operasonal Perusahaan 8 3.. Sejarah Perkemangan Kantor Perwaklan Bank Indonesa Wlayah I (Sumut & Aceh) 8 3. Struktur Organsas dan Deskrps Tugas Kantor
Lebih terperinciAnalisis Regresi 2. Mendeteksi pencilan dan penanganannya
Analss Regres Pokok Bahasan : Mendeteks penclan dan penanganannya TUJUAN INSTRUKSIONAL KHUSUS : Mahasswa dapat mendeteks adanya penclan pada regres lner berganda Penclan Penclan adalah pengamatan yang
Lebih terperinciKORELASI DAN REGRESI LINIER. Debrina Puspita Andriani /
KORELASI DAN REGRESI LINIER 9 Debrna Puspta Andran www. E-mal : debrna.ub@gmal.com / debrna@ub.ac.d 2 Outlne 3 Perbedaan mendasar antara korelas dan regres? KORELASI Korelas hanya menunjukkan sekedar hubungan.
Lebih terperinciSpline Truncated Multivariabel pada Permodelan Nilai Ujian Nasional di Kabupaten Lombok Barat
Jurnal Matematka Vol. 7, No., Desember 07, pp. 3-43 ISSN: 693-394 Artcle DOI: 0.4843/JMAT.07.v07.0.p90 Splne Truncated Multvarabel pada Permodelan Nla Ujan Nasonal d Kabupaten Lombok Barat Nurul Ftryan
Lebih terperinciANALISIS KOVARIANSI part 2
ANALISIS KOVARIANSI part Analss Kovarans merupakan suatu analss statstka untuk mengetahu pengaruh satu atau lebh varabel bebas terhadap varable terkat dengan memperhatkan satu atau lebh varable konkomtan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciRegresi Polinomial local untuk Data Survey Skala Besar
Semnar Nasonal Statstka IX Insttut eknolog Sepuluh Nopember, 7 November 009 Regres Polnomal local untuk Data Survey Skala Besar Stud kasus: Model Pengeluaran Rumah angga berdasarkan Data Susenas Jawa mur
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciPENGARUH PENGUMUMAN DIVIDEN TERHADAP FLUKTUASI HARGA SAHAM DI BURSA EFEK INDONESIA
PENGARUH PENGUMUMAN DIVIDEN TERHADAP FLUKTUASI HARGA SAHAM DI BURSA EFEK INDONESIA SKRIPSI Dajukan Sebaga Salah Satu Syarat Untuk menyelesakan Program Sarjana ( S1) Pada Sekolah Tngg Ilmu Ekonom Nahdlatul
Lebih terperinciPowerPoint Slides by Yana Rohmana Education University of Indonesian
SIFAT-SIFAT ANALISIS REGRESI PowerPont Sldes by Yana Rohmana Educaton Unversty of Indonesan 2007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 229 Bandung, Telp. 022 2013163-2523 Hal-hal yang akan
Lebih terperinciPendugaan Parameter Regresi. Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Pendugaan Parameter Regres Menduga gars regres Menduga gars regres lner sederhana = menduga parameter-parameter regres β 0 dan β 1 : Penduga parameter yang dhaslkan harus merupakan penduga yang bak Software
Lebih terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciMenggugat Kinerja Profesor
Haran Kompas, 11 November 2015 Menggugat Knerja Profesor Jumlah profesor d negara kta terlalu sedkt. Itu pun sebagan dnla kurang berkualtas dan tdak produktf. Hal n terkuak dalam Semnar Nasonal Keprofesoran
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Bab n akan menjelaskan latar belakang pemlhan metode yang dgunakan untuk mengestmas partspas sekolah. Propns Sumatera Barat dplh sebaga daerah stud peneltan. Setap varabel yang
Lebih terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciPENDUGAAN RASIO, BEDA DAN REGRESI
TEKNIK SAMPLING PENDUGAAN RASIO, BEDA DAN REGRESI PENDAHULUAN Pendugaan parameter dar peubah Y seharusnya dlakukan dengan menggunakan nformas dar nla-nla peubah Y Bla nla-nla peubah Y sult ddapat, maka
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciPENELUSURAN KERAGAMAN DALAM BLOK PADA RANCANGAN ACAK KELOMPOK DENGAN INTERGRADIEN. Rita Rahmawati Program Studi Statistika FMIPA UNDIP
PENELUSURAN KERAGAMAN DALAM BLOK PADA RANCANGAN ACAK KELOMPOK DENGAN INTERGRADIEN Rta Rahmawat Program Stud Statstka FMIPA UNDIP Abstrak Dalam Rancangan Acak Kelompok Lengkap (RAKL), asums terpentng adalah
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinci