PRA-PEMROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING
|
|
- Suparman Pranoto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PRA-PEMROSESAN DATA LUARAN GCM CSIRO-M3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING Vvn Mandasar ( ), Dr Ir Setawan, M S ( ) Mahasswa Jurusan Statsta ITS, Dosen Jurusan Statsta ITS e-mal: pe@statstatsacd, setawan@statstatsacd Abstra Dalam pemodelan statstcal downscalng (SD) data luaran Global Crculaton Model (GCM) perlu dlauan suatu pra-pemrosesan data yatu redus dmens untu mengatas masalah dmens yang tngg dan multolnertas pada data luaran GCM Salah satu metode redus dmens adalah transformas wavelet Transformas wavelet adalah suatu onvolus antara fungs wavelet dengan snyal Pada maalah n menggunaan metode redus dmens, transformas wavelet Dsrt dengan mother wavelet yang dgunaan yatu wavelet Daubeches Prosedur transformas wavelet dsrt mensyaratan uuran data N Pada hasl redus dar transformas wavelet Daubeches tda dapat mengatas multolnertas, sehngga hasl redus dmens dredus embal dengan PCA Berdasaran nla RMSE dan nla R, pada umumnya hasl pemodelan regres lner berganda dar metode gabungan transformas wavelet Daubeches dan PCA (Hybrd) lebh ba dar pada metode gabungan transformas wavelet Haar dan PCA (Hybrd) Kata unc : Global Crculaton Model (GCM), statstcal downscalng (SD), redus dmens, dan transformas wavelet Daubeches Pendahuluan Wlayah Indonesa yang berada pada poss strategs, menyebaban onds lm d Indonesa dpengaruh oleh beberapa fenomena sepert fenomena global, regonal, dan loal, sehngga menambah beragamnya onds lm d Indonesa (wwwbdglapangod) Adanya berbaga fenomena yang mempengaruh onds lm d Indonesa maa upaya regonalsas (downscalng) menggunaan Global Crculaton Model (GCM) perlu dlauan dalam pemanfaatan ajan lm GCM merupaan metode yang palng berpotens untu mensmulasan lm masa lampau, searang dan mempreds perubahan-perubahan lm yang mungn terjad d masa aan datang Sala yang dgunaan dalam GCM beresolus rendah/berdmens tngg Salah satu cara untu menurunan sala spasalnya dgunaan metode downscalng Metode downscalng merupaan suatu ten dengan untu memperoleh nformas d suatu area dengan sala loal menggunaan GCM Beberapa metode downscalng yang dembangan antara lan dynamcal downscalng, statstcal downscalng, dan dynamcal statstcal downscalng Metode statstcal downscalng (SD) adalah suatu proses downscalng yang bersfat stat yang bertujuan untu menentuan data pada grd bersala lebh ecl dengan menggunaan data pada grd-grd bersala besar dalam perode dan janga watu tertentu (Wgena, 006) Beberapa permasalahan yang muncul dalam SD dengan menggunaan varabel GCM adalah redus dmens Salah satu metode redus dmens adalah transformas wavelet Transformas wavelet adalah sebuah transformas matemata yang dgunaan untu menganalss snyal bergera Snyal bergera n danalss untu ddapatan nformas spetrum freuens dan watunya secara bersamaan Pada peneltan sebelumnya Suprapt (009) mencoba transformas wavelet Haar untu meredus dmens pada data
2 curah hujan Dalam peneltan tersebut dperoleh esmpulan bahwa pemodelan regres berganda dengan varabel bebas oefsen wavelet urang memuasan arena antar oefsen wavelet mash banya orelas yang cuup tngg dan hasl redus dengan PCA lebh ba dbandngan dengan transformas wavelet dsrt Pada maalah n redus dmens yang dgunaan adalah Transformas Wavelet Dsrt (TWD) dengan mother wavelet yang dpaa adalah wavelet Daubeches TINJAUAN PUSTAKA Global Crculaton Model (GCM) Global Crculaton Model (GCM) adalah suatu model matemata berbass omputer yang terdr atas persamaan numer dan determnst yang terpadu dan mengut huum-huum fsa (Wgena, 006) Beberapa model GCM yang ada antara lan GISS (Goddard Insttute for Space Studes) dar NASA, GFDL (Geophyscal Flud Dynamc Laboratory) dar NOAA, UKMO (Unted Kngdom Meteorologcal Offce), CSIRO (Commonwealth Scentfc and Industral Research Organzaton) dar Australa, dan NCEP (Natonal Centers for Envronmental Predcton) Sala yang dgunaan dalam GCM beresolus rendah/berdmens tngg Salah satu cara untu menurunan sala spasalnya agar dapat menjelasan varabltas dalam sala loal yang lebh detal yatu dengan menggunaan metode downscalng Metode Statstcal Downscalng (SD) Metode downscalng adalah ten untu memperoleh nformas d suatu area dengan sala loal menggunaan GCM Metode downscalng yang dembangan antara lan dynamcal downscalng, statstcal downscalng, dan dynamcal statstcal downscalng Metode statstcal downscalng (SD) adalah suatu proses downscalng yang bersfat stat yang bertujuan untu menentuan data pada grd bersala lebh ecl dengan menggunaan data pada grd-grd bersala besar dalam perode dan janga watu tertentu (Wgena, 006) Metode SD merupaan metode yang aplasnya cepat untu GCM yang berbeda dan omputasnya relatf murah untu derjaan 3 Transformas Wavelet Dsrt (TWD) Transformas wavelet adalah suatu onvolus antara fungs wavelet dengan snyal (Addson, 00 dalam Ohyver, 008) Transformas wavelet dbag menjad dua yatu transformas wavelet dsrt (TWD) dan transformas wavelet ontnu (TWK) Perbedaannya terleta pada pada nla a dan b Pada transformas wavelet dsrt nla a, b dbatas pada nla-nla yang dsrt yatu a = a 0 m dan b = nb 0 a 0 m, m, n Z, dengan a 0 >, b 0 > 0 Transformas wavelet dsrt (TWD) dar untu mother wavelet (ψ) ddefnsan (Daubeches, 99): j N f ( t ) d () j 0 0 j, j, Msalan dasumsan p = N dan = ( 0,,, p- ), dmana N merupaan blangan bulat postp, maa suatu vetor data dapat dhubungan dengan suatu fungs f pada selang [0,] dengan persamaan sebaga berut (Setawan dan Notodputro, 005): N 0 f ( t ) I () N t ( N ) Sehngga dperoleh DWT (Kast, 005): f ( t ) j N c ( t ) d ( t ) 0,0 j, j, j 0 0 (3)
3 Dmana: j = level resolus berupa blangan bulat c 0,0 = oefsen pemulusan bagan pendeatan dar suatu fungs d j, = oefsen wavelet t = mother wavelet (t) = father wavelet Persamaan (3) dsebut transformas wavelet dsrt, nla f(t) dapat dperoleh secara tepat, ja semua level resolus dambl untu deomposs, yatu semua (N-) level resolus pertama Dengan mengambl nla t dan (t) untu semua t, maa persamaan (3) dapat dtulsan dengan notas matrs dengan persamaan sebaga berut : = W T d (4) arena W ortogonal maa dperoleh d = W (5) Kemudan memlh level-level resolus tertentu, sehngga: D * (nm) = (np) W T* (pm) (6) Dmana: d ( c, d, d, d,, d T ) 0,0 0,0,,0 M,0 W = matr yang elemen-elemen barsnya adalah nla dar φ(t) dan berbaga t D * = matr oefsen wavelet dar ombnas level-level resolus yang terplh W T* = matr yang elemen-elemen barsnya adalah nla dar φ(t) dan 3 ψ j, (t) untu terplh Persamaan d atas meredus pengamatan p varabel menjad m oefsen wavelet terplh, dmana m < p 4 Regres Lner Berganda Regres lner berganda merupaan pengembangan dar regres lner sederhana Pada regres lner sederhana hanya menggunaan satu varabel bebas (), tetap pada regres lner berganda menggunaan varabel bebas sebanya varabel bebas (,,, ) Model regres lner berganda dapat ddefnsan sebaga berut : Y 0 (7) Model regres lner berganda pada persamaan (7) dapat dtulsan dalam bentu matrs sebaga berut : y y y n Persamaan (7) dapat dtuls dalam bentu sebaga berut : y = Xβ + ε (9) Dmana : y = vetor varabel respon X = matrs yang dgabung dengan varabel bebas n 0 n (8) ψ j, (t)
4 β = vetor oefsen regres ε = vetor galat Salah satu metode pendugaan model untu regres lner berganda adalah menggunaan metode least square (uadrat terecl) Konsep dar metode least square adalah menduga oefsen regres (β) dengan memnmuman galat 5 Prncpal Component Analyss (PCA) Prosedur Prncpal Component Analyss (PCA) bertujuan untu menyederhanaan varabel yang damat dengan cara menyusutan (meredus) dmensnya Hal n dlauan dengan cara menghlangan orelas dantara varabel bebas melalu transformas varabel bebas asal e varabel baru yang tda berorelas sama seal atau yang basa dsebut dengan prncpal component (PC) PC dapat dperoleh dar pasangan egenvalue-egenvetor matrs ovaran maupun matrs orelas Selanjutnya bla Σ adalah matrs varan-ovaran dar vetor random X =[ X,X,, X p ] dan Σ meml pasangan egen value-egen vetor ( e ), ( e ),, ( e ) dmana 0 p p p Model PC e- dapat juga dtuls dengan notas Z = e X dmana : =,,,p dan oleh arenanya : ' Var ( Z ) e e,,, p (0) ' Cov ( Z, Z ) e e () PC tda berorelas dan mempunya varans yang sama dengan egenvalue dar, sehngga: p pp Var X tr () p, maa: pp p Bla total varans populas adalah Propors varans e- = Apabla PC yang dambl sebanya dmana (<p), maa: Propors varans PC = p p Selanjutnya, bla yang dpaa d awal adalah matrs ovarans dar data yang terstandarsas, arena dagonal utama matrs bers nla satu, maa total varans populas untu varabel terstandarsas adalah p, yang merupaan jumlah elemen dagonal matrs Sehngga: Propors varans e- = p 6 Valdas Model Valdas adalah proses penentuan apaah model merupaan representas berart dan aurat dar sstem nyata Untu menguj hasl preds dar model yang telah dperoleh maa dapat menggunaan rtera nla The Root Mean Square Error (RMSE) dan The Root Mean Square Error of Predcton (RMSEP) RMSE dan RMSEP ddefnsan dengan rumus sebaga berut : (3) (4) (5) 4
5 RMSE n ( Yˆ n Y ) RMSEP Selan tu, untu menguj hasl preds dar model yang telah dperoleh dapat detahu dar nla oefsen determnas yatu R dan R predcton yang dapat dperoleh dengan menggunaan rumus : n R n ( Yˆ ( Y Y ) Y ) R predcton 7 Peneltan Terdahulu Beberapa peneltan yang sudah dembangan menggunaan metode SD untu meredus dmens antara lan transformas wavelet Haar dan PCA (Suprapt, 009) dan estmator MCD (Khotmah, 009) Berdasaran hasl peneltan Suprapt (009) dperoleh esmpulan bahwa hasl redus dengan PCA lebh ba dbandngan dengan transformas wavelet dsrt, arena jumlah varabel baru yang dhaslan dar PCA lebh sedt dengan nla eragamannya cuup besar Berdasaran hasl pemodelan regres berganda, metode PCA lebh ba dlhat dar nla RMSEP dan R valdas model dbandngan metode gabungan transformas wavelet dsrt dan PCA Berdasaran hasl peneltan Khotmah (009) dperoleh esmpulan bahwa tda ada perbedaan yang mencolo antara jumlah omponen utama optmal hasl dar redus dmens dengan metode PCA dan ROBPCA, ecual pada varabel HUSS Selan tu, tda ada perbedaan yang sgnfan antara hasl valdas model SD menggunaan metode regres PCA dan regres ROBPCA Namun secara umum metode regres PCA cenderung menghaslan dugaan yang lebh ba dbandng dengan regres ROBPCA 3 METODOLOGI PENELITIAN Data yang aan dgunaan dalam peneltan n adalah data seunder yang dperoleh dar Badan Meteorolog Klmatolog dan Geofsa (BMKG) dengan perode Grd yang dgunaan adalah 33, 88, dan Varabel yang aan dgunaan dalam peneltan n adalah varabel bebas yang merupaan varabel luaran CSIRO-M3 yang melput: precptable water (PRW), teanan permuaan laut (SLP), omponen angn merdonal (VA), omponen zonal (UA), etnggan geopotensal (ZG), dan elembaban spesf (HUS) Ketnggan (level) yang aan dgunaan dalam peneltan adalah 850 hpa, 500 hpa, dan 00 hpa Sedangan varabel respon yang dgunaan untu memodelan data luaran GCM adalah varabel curah hujan d lma stasun d Kabupaten Indramayu yatu Losarang, Karangasem, Sumurwatu, Indramayu, dan Juntnyuat Namun, pada perode tertentu terdapat data yang mssng, sehngga perode yang dgunaan untu elma stasun tersebut adalah tahun Adapun langah-langah analss data yang aan dlauan adalah sebaga berut : Penyapan data dan peredusan dmens dengan metode transformas wavelet Daubeches Pemodelan hasl redus dmens dengan metode transformas wavelet Daubeches n n n ( Yˆ n ( Yˆ ( Y Y Y ) Y ) ) (6) (7) 5
6 3 Valdas model dan membandngan hasl pemodelan hasl redus dmens menggunaan metode transformas wavelet Daubeches dengan transformas wavelet Haar 4 HASIL DAN PEMBAHASAN 4 Redus Dmens dengan Transformas Wavelet Daubeches Redusan dmens dengan metode wavelet harus memenuh syarat bahwa jumlah pengamatan yang aan dredus harus N Apabla syarat tersebut belum terpenuh maa perlu dbuat plot spetra agar dapat dtentuan pengamatan mana yang bsa dhlangan 4 Redus Dmens pada Tap Varabel Pada data luaran GCM grd 33 meml 9 pengamatan dan grd meml 44 pengamatan Sehngga untu memenuh asums N perlu dbuat plot spetra Varabel bebas yang aan duraan secara lengap adalah varabel precptable water (PRW) Gambar Plot Spetra Varabel PRW Grd 33 Gambar dan Gambar menunjuan bahwa plot dar semua pengamatan hampr sama Hal n terlhat dar flutuas plot yang terleta berada pada setar nla tertentu Maa tda ada rtera untu menentuan pengamatan mana yang perlu dhlangan Agar memenuh asums N yatu pada grd 33 perlu dhlangan satu pengamatan yatu pengamatan esemblan dan pada grd perlu dhlangan 6 pengamatan yatu pengamatan elpatan semblan Untu memlh level resolus yang jumlahnya lebh ecl dar jumlah pengamatan maa dlauan ombnas pada level resolus Hasl ombnas dregresan dengan varabel respon curah hujan Losarang untu mendapatan nla R Kombnas level resolus yang meml nla R palng besar yang dgunaan untu memlh oefsen wavelet Tabel Nla R Kombnas Level Resolus Varabel PRW Pada Tap Grd Kombnas Level Grd R Resolus 0 dan Gambar Plot Spetra Varabel PRW Grd 0 dan 389 dan 409 0;; dan 438 0;; dan ;; dan ;; dan ;; dan 40 0;; dan ;; dan ;; dan
7 Berdasaran Tabel dapat detahu bahwa pada grd 33 dambl 7 oefsen wavelet terplh pada level resolus dan serta oefsen pemulusan Sedangan pada grd 88 dan grd masng-masng mengambl 4 oefsen wavelet terplh pada level resolus, dan 3 serta oefsen pemulusan 4 Redus Dmens pada Seluruh Varabel Redus dmens dlauan dengan menggabungan seluruh varabel bebas menjad satu pada masng-masng luasan grd yang berbeda Setelah asums N terpenuh maa seluruh varabel tersebut dlauan transformas wavelet Daubeches untu mendapatan oefsen-oefsen wavelet dengan level resolus tertentu Hasl ombnas dregresan dengan varabel curah hujan untu mendapatan nla R Kombnas level resolus yang meml nla R yang palng besar dgunaan untu memlh oefsen wavelet Tabel Nla R Kombnas Level Resolus Seluruh Varabel R Kombnas Level Resolus Grd ;;;3;4; ;;;3;4; ;;;3;5; ;;;4;5; ;;3;4;5; ;;3;4;5; ;;3;4;5; Berdasaran Tabel dapat detahu bahwa pada masng-masng grd 33 dan dperoleh 6 oefsen wavelet terplh pada ombnas level resolus,, 3, 4, 5, dan 6 serta oefsen pemulusan, sedangan pada grd 88 dperoleh 5 oefsen wavelet terplh pada level resolus 0,, 3, 4, 5, dan 6 serta oefsen pemulusan 4 Pemodelan Statstcal Downscalng (SD) Pemodelan data luaran GCM dlauan dengan metode regres lner berganda Hal n bertujuan untu mengetahu seberapa ba hasl peredusan dmens pada tahap prapemrosesan data Redus dmens dengan menggunaan transformas wavelet Daubeches menghaslan jumlah varabel baru yang cuup besar dan terdapat orelas yang sangat tngg d antara varabel baru tersebut Salah satu metode yang dapat dgunaan untu mengatas permasalahan multolnertas n adalah Prncpal Component Analyss (PCA) Sebelum melauan analss dan nterpretas lebh lanjut terhadap model regres yang dhaslnya, ada banya dlauan beberapa uj asums Pada model regres grd 33 dengan varabel respon yang dgunaan adalah curah hujan Losarang dperoleh hasl bahwa resdual tda berdstrbus normal, ndependen dan tda dent 4 Pemodelan dar Hasl Redus Dmens Tap Varabel Bebas Penentuan jumlah PC yang dgunaan dalam pemodelan regres berganda berdasaran nla umulatf propors 85% Berdasaran pegujan ndvdu pada pemodelan grd 33 tda semua oefsen regres bermana dalam model Varabel HUSS, PRW, UAS dan VAS meml oefsen bermana terhadap curah hujan Losarang, varabel HUS500, PRW, UA500, UA850 dan VAS meml oefsen bermana terhadap curah hujan Karangasem, varabel PRW, SLP, UA00, VA500, VA850, VAS, dan ZG850 meml oefsen bermana terhadap curah hujan Sumurwatu, varabel PRW, VAS, dan ZG00 meml oefsen bermana terhadap curah hujan Indramayu, dan varabel PRW, UA00, dan VAS meml oefsen bermana terhadap curah hujan Juntnyuat 7
8 Tabel 3 Nla RMSE dan R dar Regres Hybrd dar Redus Tap Varabel Stasun Grd 33 Grd 88 Grd RMSE R RMSE R RMSE R Losarang Karangasem Sumurwatu Indramayu Juntnyuat Tabel 3 memberan nformas bahwa nla RMSE dan nla R stasun Losarang, Indramayu dan Juntnyuat dmana seman besar luasan uuran grd maa nla RMSE yang seman ecl dan nla R yang seman besar Namun, hal tersebut tda berlau pada stasun Karangasem dan Sumurwatu Tabel 4 Nla RMSEP dan R pred Valdas Regres Hybrd dar Redus Tap Varabel Stasun Grd 33 Grd 88 Grd RMSEP R pred RMSEP R pred RMSEP R pred Losarang Karangasem Sumurwatu Indramayu Juntnyuat Tabel 4 memberan nformas bahwa bahwa sebagan besar luasan uuran grd yang dgunaan mempengaruh besarnya valdas model Seman luas uuran grd yang dgunaan maa nerja pemodelan data curah hujan dengan hasl redus dmens gabungan transformas wavelet Daubeches dengan PCA urang memuasan Hal n dapat detahu dar nla RMSEP dan nla R pred stasun Losarang, Sumurwatu dan Juntnyuat dmana seman besar luasan uuran grd maa nla RMSEP yang seman besar dan nla R pred yang seman ecl Namun, hal tersebut tda berlau pada stasun Karangasem dan Indramyu Selan tu dapat detahu bahwa valdas model pada stasun Indramayu dan Juntnyuat mempunya nla RMSEP dan R pred yang palng ecl dbandngan dengan stasun yang lan Hal tu darenaan leta dar edua stasun tersebut deat dengan laut Sehngga, curah hujan pada stasun tersebut tda stabl dan sangat beragam 4 Pemodelan dar Hasl Redus Dmens Seluruh Varabel Bebas Penentuan jumlah PC yang dgunaan dalam pemodelan regres berganda berdasaran nla umulatf propors 85% Tabel 5 Nla RMSE dan R Regres Hybrd dar Redus Seluruh Varabel Stasun Grd 33 Grd 88 Grd RMSEP Rpred RMSEP Rpred RMSEP Rpred Losarang Karangasem Sumurwatu Indramayu Juntnyuat Berdasaran Tabel 5 dapat detahu bahwa menngatnya uuran grd tda menjamn menngatnya ebaan hasl pemodelan Hal tersebut detahu dar etda onsstenan nla RMSE dan R terhadap luasan grd Aan tetap ja hanya melhat pada 8
9 grd 88 dan terlhat bahwa sebagan besar luasan uuran grd yang dgunaan mempengaruh besarnya pemodelan Seman luas uuran grd yang dgunaan maa nerja pemodelan data curah hujan dengan hasl redus dmens gabungan transformas wavelet Daubeches dengan PCA seman memuasan Hal n dapat detahu dar nla RMSE dan nla R pada semua stasun dmana seman besar luasan uuran grd maa nla RMSE yang seman ecl dan nla R yang seman besar Tabel 6 Nla RMSEP dan R pred Valdas Regres Hybrd dar Redus Seluruh Varabel Stasun Grd 33 Grd 88 Grd RMSEP Rpred RMSEP Rpred RMSEP Rpred Losarang Karangasem Sumurwatu Indramayu Juntnyuat Berdasaran Tabel 6 dapat detahu bahwa sebagan besar luasan uuran grd yang dgunaan mempengaruh besarnya valdas model Seman luas uuran grd yang dgunaan maa nerja pemodelan data curah hujan dengan hasl redus dmens gabungan transformas wavelet Daubeches dengan PCA urang memuasan Hal n dapat detahu dar nla RMSEP dan nla R pred stasun Losarang, dan Indramayu dmana seman besar luasan uuran grd maa nla RMSEP yang seman besar dan nla R pred yang seman ecl Namun, hal tersebut tda berlau pada stasun Karangasem, Sumurwatu, dan Juntnyuat 43 Perbandngan antara Metode Transformas Wavelet Haar dan Transformas Wavelet Daubeches Berdasaran langah redus dmens dengan metode transformas wavelet Daubeches dan transformas wavelet Haar pada tahap pra-pemrosesan dperoleh esmpulan bahwa metode transformas wavelet Daubeches umumnya lebh ba dbandngan metode transformas wavelet Haar dalam hal meredus dmens data luaran GCM Hal n dapat dlhat dar jumlah varabel baru yang dhaslan pada redus dmens menggunaan metode transformas wavelet dsrt lebh sedt darpada transformas wavelet Haar Berdasaran hasl pemodelan regres berganda dan valdas model, metode gabungan transformas wavelet Daubeches dan PCA lebh ba darpada metode gabungan transformas wavelet Haar dan PCA Hal n dapat detahu dar nla RMSE, RMSEP yang lebh ecl dan R dan R pred yang lebh besar 5 KESIMPULAN DAN SARAN Kesmpulan Hasl redus dmens tap varabel dengan transformas wavelet Daubeches untu grd 33 dambl tda lebh dar 6 oefsen wavelet terplh dan oefsen pemulusan, pada grd 88 dan dambl tda lebh dar 4 oefsen wavelet terplh dan oefsen pemulusan Sedangan hasl redus dmens seluruh varabel dengan transformas wavelet Daubeches untu grd 33 dan dambl 6 oefsen wavelet terplh dan oefsen pemulusan, pada grd 88 dambl 5 oefsen wavelet terplh dan oefsen pemulusan Berdasaran pemodelan regres berganda dan valdas model regres hybrd dengan varabel bebas PC dar hasl redus dmens PCA urang memuasan Hal tu dapat detahu dar nla RMSE dan RMSEP yang besar serta nla R dan R pred yang 9
10 ecl Pada perbandngan metode, pada umumnya hasl redus dengan transformas wavelet Daubeches lebh ba dbandngan dengan transformas wavelet Haar Saran Untu peneltan selanjutnya, dapat dgunaan metode transformas wavelet dsrt dengan mencoba mother wavelet yang lan maupun metode redus dmens yang lan Sehngga permasalahan dalam data luaran GCM dapat teratas dan dapat detahu metode redus dmens yang sesua dengan data yang dgunaan DAFTAR PUSTAKA Anonm (009) Wavelet (tanggal ases: 30 September 009) Anonm (009) Evaluas Konds Varabltas Ilm Indonesa Selama Bulan Maret 009 dan Prosfetfnya Beberapa Bulan Mendatanghttp://wwwbdglapangod/molm/ (tanggal ases: 6 Otober 009) Daubeches, I (99) Ten Lecture on Wavelets Socety for Industral and Appled Mathematc, Phladelpha Draper, NR, dan Smth, H (99) Analss Regres Terapan Eds Kedua Jaarta: PT Grameda Pustaa Utama Haryoo, U (004), Pendeatan Redus Dmens Luaran GCM untu Penyusunan Metode Statstcal Downscalng Dsertas, Insttut Pertanan Bogor, Bogor Johnson, RA and Wchern, DW (00) Appled Multvarate Statstcal Analyss 5th Ed New Jersey: Prentce Hall Jollffe, IT (986) Prncpal Component Analyss, Second Ed New Yor: Sprnger-Verlag Kast (005) The Dscrete Wavelet Transformhttp://wwwcoloradoedu/engneerng/CAS/ coursesd/systemidd/astlecture04005pdf (tanggal ases: 30 Sepember 009) Khotmah, K (009) Redus Dmens ROBUST dengan Estmator MCD untu Pra-Pemrosesan Data Pemodelan Satstcal Downscalng Tugas Ahr, Insttut Tenolog Sepuluh Nopember, Surabaya Manorang, J (009) Analss Komponen Utama Kernel untu Pra-Pemrosesan Pemodelan Statstcal Downscalng Tugas Ahr, Insttut Tenolog Sepuluh Nopember, Surabaya Ohyver, M (008) Transformas Wavelet Kontnu pada Model Kalbras Varabel Ganda, Tess, Insttut Tenolog Sepuluh Nopember, Surabaya Ravnja, M, Grgc, M, dan Zovo, B (999) Flter Comparson In Wavelet Transform Of Stll Image Unversty of Zagreb, Croata Sandberg, K (000), The Haar Wavelet Transform (tanggal ases: Otober 009) Setawan, dan Notodputro KA (005) Regres Kontnum sebaga Bentu Umum dar RKT, RKU, serta RKTP Prosdng Semnar Nasonal Statsta VII Jurusan Statsta FMIPA ITS, Surabaya Soemartn (008) Prncpal Component Analyss (PCA) Sebaga Salah Satu Metode Untu Mengatas Masalah Multolneartas Unverstas Padjadjaran, Jatnagor Sunaryo, S (005) Model Kalbras dengan Transformas Wavelet sebaga Metode Prapemrosesan Dsertas, Insttut Pertanan Bogor, Bogor Suprapt, A (009), Pra-Pemrosesan Data Luaran GCM CSIRO-M3 dengan Metode Transformas Wavelet Dsrt Tess, Insttut Tenolog Sepuluh Nopember, Surabaya Sutno (008) Statstcal Downscalng Luaran GCM dan Pemanfaatannya untu Peramalan Produs Pad Dsertas, Insttut Pertanan Bogor, Bogor Wgena, AH (006) Pemodelan Statstcal Downscalng dengan Regres Projecton Persut untu Peramalan Curah Hujan Dsertas, Insttut Pertanan Bogor, Bogor 0
BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
Lebih terperinciPENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI
PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION Oleh : SOEMARTINI JURUSAN STATISTIKA FAKULTAS MATEMATIKA dan ILMU PENGETAHUAN ALAM UNIVERSITAS PADJADJARAN JATINANGOR 008 DAFTAR ISI Hal DAFTAR
Lebih terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih terperinciPEMODELAN STATISTICAL DOWNSCALING DENGAN PENDEKATAN REGRESI KONTINUM-PCA (STUDI KASUS : STASIUN PONTIANAK DAN AMBON)
Semnar Nasonal Statstka IX Insttut eknolog Sepuluh Nopember, 7 November 009 PEMODELAN SAISICAL DOWNSCALING DENGAN PENDEKAAN REGRESI KONINUM-PCA (SUDI KASUS : SASIUN PONIANAK DAN AMBON) Hendy Purnomoad
Lebih terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
Lebih terperinciKAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR
Berala Fsa ISSN : 1410-966 Vol.8, No.1, Januar 005, hal 7-10 KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR Agus Setyawan Laboratorum Geofsa, Jurusan
Lebih terperinciPengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA
Pengaruh Kelembaban dan Ser Tanah Terhadap Mutu dan Produs Tanaman Tembaau Temanggung dengan Metode MANOVA Mftala Al Rza ), Sutno ), dan Dumal ) ) Jurusan Statsta, Faultas MIPA, Insttut Tenolog Sepuluh
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA Pada Bab n aan dpaparan beberapa teor tentang analss dsrmnan dar berbaga sumber sepert: buu, jurnal dan prosdng. Analss dsrmnan adalah salah satu metode dependens dar analss multvarat.
Lebih terperinciIMPLEMENTASI ANALISIS REGRESI FAKTOR DALAM MENENTUKAN PENGARUH MOTIVASI BELAJAR TERHADAP HASIL BELAJAR MATEMATIKA SISWA KELAS VIII SMPN 20 MALANG
IMPLEMENTASI ANALISIS REGRESI FAKTOR DALAM MENENTUKAN PENGARUH MOTIVASI BELAJAR TERHADAP HASIL BELAJAR MATEMATIKA SISWA KELAS VIII SMPN 0 MALANG Erm Andayan, Swasono Rahardjo, I Nengah Parta Unverstas
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA
ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA Hars Bhat Prasetyo, Dan Handayan, Wdyant Rahayu JURUSAN MATEMATIKA FMIPA-UNIVERSITAS NEGERI
Lebih terperinciTUGAS AKHIR. Metode Regresi Kuadrat Terkecil Parsial Untuk Pra-Pemrosesan Data Luaran GCM CSIRO Mk-3
TUGAS AKHIR Metode Regresi Kuadrat Terkecil Parsial Untuk Pra-Pemrosesan Data Luaran GCM CSIRO Mk-3 Oleh: Alin Fitriani 1306 100 066 Pembimbing: Dr.Ir. Setiawan, M.S NIP 198701 1 001 JURUSAN STATISTIKA
Lebih terperinciPendekatan Hurdle Poisson Pada Excess Zero Data
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 05 Pendeatan Hurdle Posson Pada Excess Zero Data S - 7 Def Yust Fadah, Resa Septan Pontoh Departemen Statsta FMIPA Unverstas Padadaran def.yust@unpad.ac.d
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciPemodelan Peran Perempuan Terhadap Pertumbuhan Ekonomi di Jawa Timur Tahun Menggunakan Regresi Data Panel
JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prnt) D-305 Pemodelan Peran Perempuan Terhadap Pertumbuhan Eonom d Jawa Tmur Tahun 010-014 Menggunaan Regres Data Panel Putr Rachmawat, Wahu
Lebih terperinciMETODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa
Lebih terperinciKOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda
KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,
Lebih terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih terperinciPROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM
Konferens Nasonal Sstem dan Informata 2009; Bal, November 14, 2009 PROSES UP-SCALING CITRA DIGITAL PADA DOMAIN FREKUENSI DENGAN MENGGUNAKANMETODE DISCRETE WAVELET TRANSFORM Tjoorda Agung Bud W., 1, Mela
Lebih terperinciOleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si
Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf
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 terperinciPenggunaan Model Regresi Tobit Pada Data Tersensor
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 016 S 15 Penggunaan Model Regres obt Pada Data ersensor Def Yust Fadah 1, Resa Septan Pontoh 1, Departemen Statsta FMIPA Unverstas Padjadjaran def.yust@unpad.ac.d
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 terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciPemodelan Penduduk Miskin Di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR)
Pemodelan Pendudu Msn D Jawa Tmur Menggunaan Metode Geographcally Weghted Regresson (GWR) Yuanta Damayant, dan Dr. Vta Ratnasar S.S, M.S Jurusan Statsta, F-MIPA, Insttut Tenolog Sepuluh Nopember (ITS)
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciBenyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.
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 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 terperinciBAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah
BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga
Lebih terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@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 terperinciANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING
Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata
Lebih terperinciPERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT
PERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT Ngarap Im Man Jurusan Matemata FST BINUS Unversty, Jln.Kebon Jeru Raya no.27 Jaarta Barat 11480, Indonesa
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciFaktor-Faktor Eksternal Pneumonia pada Balita di Jawa Timur dengan Pendekatan Geographically Weighted Regression
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. ) ISSN: 3-98X D-37 Fator-Fator Esternal Pneumona pada Balta d Jawa Tmur dengan Pendeatan Geographcally Weghted Regresson Ftrarma Putr Santoso, Sr Pngt W, dan
Lebih terperinciPEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION
PEMODELAN INGKA KERAWANAN DEMAM BERDARAH DENGUE DI KABUPAEN LAMONGAN DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION Marsa Rfada 1, Purhad 1) Mahasswa Magster Jurusan Statsta, Insttut
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 terperinciPemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a
Pemodelan Anomal Magnet Berbentu Prsma Menggunaan Algortma Geneta Antonus a, Yudha Arman a *, Joo Sampurno a a Jurusan Fsa, FMIPA Unverstas Tanjungpura, Jalan Pro. Dr. Hadar Nawaw, Pontana, Indonesa *Emal
Lebih terperinci(M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY
Unverstas Padjadjaran, 3 November 00 (M.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY Anndya Aprlyant Pravtasar
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 terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciEman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK
PENGGUNAAN MODEL REGRESI LINEAR BERGANDA PADA PROGRAM PENGGEMUKAN SAPI PO ( PERANAKAN ONGOLE) SERTA ANALISIS BCR ( BENEFIT COST RATIO ) PENGGUNAAN PAKAN BAHAN KERING Eman Lesmana, Raman Jurusan Matemata
Lebih terperinciPENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK.
PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. Fanny Ayu Octavana dan Dra. Luca Ardnant, MT. Jurusan Statsta, Faultas Matemata dan Ilmu
Lebih terperinciBab III Model Estimasi Outstanding Claims Liability
Bab III Model Estmas Outstandng Clams Lablty. Model ELRF Suatu model yang dgunaan untu menasr outstandng clams lablty, tda cuup hanya melbatan data pada run-off trangle saa. Sebab, pembayaran lam d masa
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 terperinciPemetaan Angka Gizi Buruk pada Balita di Jawa Timur dengan Geographically Weighted Regression
JURNAL SAINS DAN SENI ITS Vol. 5 No. (06) 337-350 (30-98X Prnt) D-333 Pemetaan Anga Gz Buru pada Balta d Jawa Tmur dengan Geographcally Weghted Regresson Adtya Kurnawat, Mutah Salamah C., dan Shof Andar
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)
BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciPemodelan MGWR Pada Tingkat Kemiskinan di Provinsi Jawa Tengah
Value Added, Vol., No., 5 Pemodelan MGWR Pada Tngat Kemsnan d Provns Jawa Tengah Moh Yamn Darsyah, Rochd Wasono, Monca Frda Agustna 3,,3 Program Stud StatstaUnverstas Muhammadyah Semarang Emal: mydarsyah@unmus.ac.d
Lebih terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinci4 PRAKIRAAN SUHU MAKSIMUM DAN MINIMUM
4 PRAKIRAAN SUHU MAKSIMUM DAN MINIMUM Pendahuluan Parameter cuaca suhu maksmum dan mnmum merupakan parameter utama yang dprakrakan oleh lembaga pelayanan cuaca dantaranya BMKG. Suhu maksmum adalah suhu
Lebih terperinciBAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
Lebih terperinciIMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN
SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas,
Lebih terperinciEstimasi Posisi Magnetic Levitation Ball Menggunakan Metode Akar Kuadrat Ensemble Kalman Filter (AK-EnKF)
R.E.M. (Reayasa Energ Manufatur Jurnal Vol. No. 1 017 ISSN 7-674 (prnt, ISSN 8-373 (onlne Journal Homepage: http://ojs.umsda.ac.d/ndex.php/rem DOI: https://do.org/10.1070/r.e.m.v1.768 Estmas Poss Magnetc
Lebih terperinciPEMODELAN KEJADIAN BALITA GIZI BURUK DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION
PEMODELAN KEJADIAN BALIA GIZI BURUK DI PROVINSI JAWA IMUR DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED REGRESSION Rahandn Luta Lestar 1 dan Sutno 1 Mahasswa Jurusan Statsta, IS, Surabaya Dosen Pembmbng, Jurusan
Lebih terperinciPengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis
Konferens Nasonal Sstem & Informata 05 STMIK STIKOM Bal, 9-0 Otober 05 Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Two-Dmensonal Lnear Dscrmnant Analyss Ftr Damayant Prod Manajemen Informata,
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 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 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.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 terperinciPEMODELAN STATISTICAL DOWNSCALING LUARAN GCM DENGAN METODE PRINCIPAL COMPONENT REGRESSION (PCR) DAN PROJECTION PURSUIT REGRESSION (PPR)
PEMODELAN STATISTICAL DOWNSCALING LUARAN GCM DENGAN METODE PRINCIPAL COMPONENT REGRESSION (PCR) DAN PROJECTION PURSUIT REGRESSION (PPR) 1 Meika Anitawati, 2 Sutikno 1 Mahasiswa Jurusan Statistika FMIPA-ITS
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciOptimasi Baru Program Linear Multi Objektif Dengan Simplex LP Untuk Perencanaan Produksi
JURNA INFORMATIKA, Vol.4 No.2 September 27, pp. 222~229 ISSN: 2355-6579 E-ISSN: 2528-2247 222 Optmas Baru Program near Mult Objetf Dengan Smplex P Untu Perencanaan Produs Maxs Ary Am BSI Bandung e-mal:
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 terperinciEstimasi Reliabilitas Pengukuran Dalam Pendekatan Model Persamaan Struktural
Estmas Relabltas Penguuran Dalam Pendeatan Model Persamaan Strutural Wahyu Wdharso Unverstas Gadjah Mada Pendeatan analss data peneltan dengan menggunaan persamaan model strutural (SEM telah banya dgunaan
Lebih terperinciIV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN
69 IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN Dtnau dar sfat hubungan antar persamaan terdapat dua ens model persamaan yatu model persamaan tunggal dan model sstem persamaan. Model persamaan tunggal adalah
Lebih terperinciTEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA
IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Pengetan Reges dan Koelas.. Pengetan Reges Paa lmuan, eonom, psolog, dan sosolog selalu beepentngan dengan masalah peamalan. Peamalan matematyang memungnan ta meamalan nla-nla suatu
Lebih terperinciBAB III METODE PENELITIAN
A III METODE PENELITIAN A. Tempat dan Watu Peneltan. Tempat Peneltan Obje dalam peneltan n adalah Kelas VIII M.Ts. Neger onang yang terleta d Kecamatan onang Kabupaten Dema.. Watu Peneltan Peneltan dlasanaan
Lebih terperinciJurnal Einstein 4 (1) (2016): Jurnal Einstein. Available online
Jurnal Ensten 4 () (06): 4-3 Jurnal Ensten Avalable onlne http://jurnal.unmed.ac.d/0/ndex.php/ensten Penguuran Intrus Ar Laut Pada Sumur Gal Dengan Kondutvtmeter D Desa Pematang Guntung Kecamatan Telu
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 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 terperinciIDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER
IDENIFIKASI SISEM NONLINIE DENGAN MENGGUNAKAN ECUEN NEUAL NEOK DAN ALGOIMA DEAD-ZONE KALMAN FILE ully Soelaman, angga fa Faultas enolog Informas Insttut enolog Sepuluh Nopember Kampus Keputh, Suollo, Surabaya
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 terperinciAnalisis Penyelesaian Persamaan Kuadrat Matriks
Jurnal Matemata, Jurnal Matemata, tatsta tatsta, & Komutas & Komutas Vol. 3 No Vol. Jul No. 6 Jul 5 Vol, No, 9-3, 9-9, Jul 5 9 Analss Penyelesaan Persamaan Kuadrat Matrs Hasmawat dan Amr Kamal Amr Abstra
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) ( X Print) D-36
JURNAL SAINS DAN SENI POMIS Vol. 3, No., (04 337-350 (30-98X Prnt D-36 Fator-Fator Yang Mempengaruh ngat Keberhaslan Pemberan Kemoterap Pada Pasen Penderta Kaner Payudara D RSUD Dr.Soetomo Dengan Menggunaan
Lebih terperinci