TINJAUAN ATAS SHONDA KUIPER, "INTRODUCTION TO MULTIPLE REGRESSION : HOW MUCH IS YOUR CAR WORTH?"
|
|
- Yanti Tedjo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 TINJAUAN ATAS SHONDA KUIPER, "INTRODUCTION TO MULTIPLE REGRESSION : HOW MUCH IS YOUR CAR WORTH?" Rivan Syamsurijal Biya, ST Program Magister Teknik Industri Univeristas Trisakti Abstrak Multiple Regression adalah salah satu alat statistik yang sangat baik untuk membuat model hubunganhubungan antara beberapa variabel dengan variabel lainnya. Data-data yang digunakan dalam paper adalah campuran antara data-data Variabel kualitatif (Kategorik) dan Variabel kuantitatif (Numerik). Beberapa kesalahan terjadi, setidaknya menurut anggapan-anggapan awal yang dibuat untuk membuat analisis Multiple Regression adalah perlakukan Variabel-variabel Katergorik. Tetapi secara keseluruhan paper ini sangat baik untuk menemukan model yang baik dengan menggunakan Metode Multiple Regression. Keyword : Multiple Regression, Kualitatif, Kuantitatif, Kategorik, Numerik, Metode. I. Pengantar Introduction to Multiple Regression : How Much is your Car Worth?, adalah Pengantar untuk perkenalan salah satu metode Statistik yaitu Multiple Regression, dengan menggunakan data-data dari Kelly Blue Book yang berupa ratusan (84) data Mobil-mobil bekas produksi General Motor. Pencarian adalah seberapa besar pengaruh variabel-variabel Mobil-mobil bekas GM ini mempengaruhi harga Mobil bekas tersebut. Variabel-variabel tersebut adalah : Mileage (Jumlah Km) : Jumlah miles (km) yang telah dipergunakan oleh Mobil Bekas tersebut. Make (Model Pabrik) : Pabrik dari mobil bekas tersebut, Stturn, Pontiac, atau Chevrolet. Model : Model dari Mobil tersebut. Trim : Tipe Khusus (dibandingkan Model) dari Model tersebut. Type : Tipe Badan mobil bekas tersebut, sedan, coupe, dll. Cylinder : Jumlah Silinder dalam mesin mobil tersebut. Liter : Ukuran dari besaran dari Mesin Mobil bekas tersebut. Doors (Pintu) : Jumlah Pintu Mobil. Cruise : Ada tidaknya Pengendali Cruise dari mobil. Sound : Ada tidaknya Upgrade speaker (klakson) dari mobil. Leather : Ada tidaknya tempat duduk mobil terbuat dari kulit. Sedangkan Variabel tidak bebasnya (yang dicari) adalah Price (harga mobil bekas tersebut). II. Metode Penelitian dari Paper Asli. Metode Penelitian dapat terlihat di Paper_Asli.pdf. Didalam Paper, langkah demi langkah
2 yang diambil untuk membuat model dari Harga Mobil Bekas yang berdasarkan parameterparameter fitur dan penggunaan mobil tersebut dapat disebutkan sebagai berikut : 1. Langkah Pertama adalah : Membuat model Regresi Linear dari Variabel yang mungkin paling berpengaruh terhadap Variabel tidak bebasnya. Untuk Mobil bekas GM ini (dan mungkin mobil-mobil lainnya), yang paling berpengaruh adalah penggunaan Mileage-nya. Sehingga dibuatlah model Regresi Linearnya. Yang perlu dilihat adalah R-Sqnya dan seberapa fit data Variabel Bebasnya (milege) dengan Variabel tidak bebasnya (harga). Results for: Used_Car_Price.mtw Regression Analysis: PRICE versus MILEAGE The regression equation is PRICE = MILEAGE S = R-Sq = 2.% R-Sq(adj) = 1.9% Analysis of Variance Source DF SS MS F P Regression E Error E Total E+1 Fitted Line: PRICE versus MILEAGE Plot Hamburan dari Hubungan Price dan Mileage PRICE = MILEAGE 7 6 S 9789,29 R-Sq 2,% R-Sq(adj) 1,9% 5 PRICE MILEAGE 4 5 Gambar 1. Fit Plot antara Price dan Mileage.
3 2. Langkah Kedua adalah : Karena Model Regresi Linear tidak cocok meskipun nilai P nya kecil yang mengindikasikan bahwa ada hubungan erat antara Price dan Mileage, tetapi sebaran data Mileagenya masih besar (R-Sq yang kecil) sehingga perlu dicari Variabel-variabel yang lain dan pengaruhnya terhadap Price (Harga) Mobil bekas, dengan menggunakan metode subset, mencari variabel-variabel apa saja yang berpengaruh terhadap Price dan yang tidak. Nilai R-Sq/R-Sq (Adj) yang besar, dan Nilai s (mse) dan Mallows cp yang kecil untuk mendapatkan variabel-variabel mana saja yang berpengaruh. Best Subsets Regression: PRICE versus MILEAGE, CYLINDER,... Response is PRICE C M Y L I L C E L I L D R S A E N I O U O T A D T O I U H Mallows G E E R S N E Vars R-Sq R-Sq(adj) Cp S E R R S E D R X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X 3. Langkah ketiga adalah : Membuat Model Persamaan Multiple Regression dari variabel-variabel yang didapatkan pada analisis Subset sebelumnya. Regression Analysis: PRICE versus MILEAGE; CYLINDER;... The regression equation is PRICE = ,171 MILEAGE + 32 CYLINDER DOORS CRUISE SOUND LEATHER Predictor Coef SE Coef T P Constant ,14, MILEAGE -,1752,3186-5,35, CYLINDER 32,1 23, 15,77, DOORS -1463,4 38,3-4,75, CRUISE 625,5 651,5 9,53, SOUND -224,4 57,7-3,55, LEATHER 3327,1 597,1 5,57, S = 7387,11 R-Sq = 44,6% R-Sq(adj) = 44,2%
4 Analysis of Variance Source DF SS MS F P Regression ,8, Error Total Plots for PRICE Plots for PRICE Normal Probability Plot Versus Fits Percent 99, , Fitted Value 4 12 Histogram 3 Versus Order Frequency Observation Order 7 8 Gambar 2. Plot untuk Persamaan Langkah Ketiga adalah Melakukan Optimasi dengan Variabel-variabel Kualitatifnya karena dari Model Regresi pada langkah ketiga, masih ditemukan outlier yang tidak cocok dengan model, dan nilai R-Sq masih 44.6 %. Pada Optimasi ini, outlier dianggap dipisahkan dari sebaran data rata-ratanya. Terlihat bahwa Outlier ini adalah permasalahan Mobil-mobil bekas GM dengan harga tinggi, biasanya adalah tipe mobil Sport. Untuk mobil Sport yang berpengaruh dalam performanya adalah besar Cylinder dan Liter dari Mobil tersebut. Akhirnya seperti yang dijelaskan dari paper didapatkan kembali Persamaan 3 yang nilai R-Sq nya tinggi sekitar 91.7 %, tetapi sebelumnya Variabel Response Price nya harus dirubah menjadi TPrice = log (Price). Untuk selanjutnya Optimasi dilakukan dengan melakukan menukar variabel-variabel tidak bebas lainnya seperti pada persamaan 4. Regression Analysis: TPRice versus MILEAGE; LITER;... The regression equation is TPRice = 3,98 -,3 MILEAGE +,997 LITER +,4 MAKE_Buick +,249 MAKE_Cadillac -,937 MAKE_Chevrolet +,136 MAKE_Pontiac +,345 MAKE_SAAB
5 Predictor Coef SE Coef T P Constant 3,97991, ,5, MILEAGE -,348,22-15,61, LITER,99725,2 49,87, MAKE_Buick,39969,92 4,34, MAKE_Cadillac,24933, ,63, MAKE_Chevrolet -,9372,7336-1,28,22 MAKE_Pontiac,13613,8116 1,68,94 MAKE_SAAB,34535, ,93, S =, R-Sq = 91,7% R-Sq(adj) = 91,6% Analysis of Variance Source DF SS MS F P Regression 7 23,3561 3, ,35, Error 796 2,1174,27 Total 83 25,4735 Plots for TPRice Plots for TPRice Normal Probability Plot Versus Fits 99,99,2 Percent ,1, -,1,1 -,2 -,1,,1,2 4, 4,2 4,4 Fitted Value 4,6 4,8 1 Histogram,2 Versus Order Frequency ,12 -,8 -,4,,4,8,12,16,1, -, Observation Order 7 8 Gambar 3. Plot untuk Persamaan 3.
6 III. Tinjauan Paper. Untuk langkah 1, tidak ada masalah karena konsistensi antara variabel-variabel yang dilakukan membawa hasil analisis dan simulasi regresi yang konsisten juga. Tetapi sebagai perbandingan, digunakan Neural Network untuk mendapatkan Fit Plot yang sesuai dengan data-data. Untuk mendapatkan data yang dapat dibaca oleh Matlab, maka data dalam fomat excel harus diimport dengan kode seperti berikut, function importfile(filetoread1) %IMPORTFILE(FILETOREAD1) % Imports data from the specified file % FILETOREAD1: file to read % Auto-generated by MATLAB on 6-Aug-211 8:3:2 % Import the file newdata1 = importdata(filetoread1); % Break the data up into a new structure with one field per column. colheaders = genvarname(newdata1.colheaders); for i = 1:length(colheaders) databycolumn1.(colheaders{i}) = newdata1.data(:, i); end % Create new variables in the base workspace from those fields. vars = fieldnames(databycolumn1); for i = 1:length(vars) assignin('base', vars{i}, databycolumn1.(vars{i})); end Konfigurasi Jaringan Saraf tiruan untuk model ini dapat dilihat pada gambar berikut : Gambar 4. Konfigurasi JST untuk model Price Mileage. Input terdiri dari 1 variabel (84 data-mileage) dengan 2 node Hidden layer, 1 node Output layer, dan 1 variable output (84 data-price). Training menggunakan Metode Backpropagation yang mendapatkan hasil fit plot seperti pada gamabr 5. Hasil m-code dari JST adalah function net = create_fit_net(inputs,targets) %CREATE_FIT_NET Creates and trains a fitting neural network. % % NET = CREATE_FIT_NET(INPUTS,TARGETS) takes these arguments:
7 % INPUTS - RxQ matrix of Q R-element input samples % TARGETS - SxQ matrix of Q S-element associated target samples % arranged as columns, and returns these results: % NET - The trained neural network % % For example, to solve the Simple Fit dataset problem with this function: % % load simplefit_dataset % net = create_fit_net(simplefitinputs,simplefittargets); % simplefitoutputs = sim(net,simplefitinputs); % % To reproduce the results you obtained in NFTOOL: % % net = create_fit_net(x1,x); % Create Network numhiddenneurons = 2; % Adjust as desired net = newfit(inputs,targets,numhiddenneurons); net.divideparam.trainratio = 7/1; % Adjust as desired net.divideparam.valratio = 15/1; % Adjust as desired net.divideparam.testratio = 15/1; % Adjust as desired % Train and Apply Network [net,tr] = train(net,inputs,targets); outputs = sim(net,inputs); % Plot plotperf(tr) plotfit(net,inputs,targets) plotregression(targets,outputs) Hasil training dari data input (Mileage) terhadap output (Price) dapat dilihat sebagai berikut. Gambar 5. Fit Grafik dari Price dan Mileage menggunakan Backpropagation NN.
8 Pendekatan garis persamaannya cukup baik, tetapi masih belum tepat karena mse yang didapatkan setelah 4 epoch, hanya 1 8 yang nilainya cukup besar. Gambar 6. mse dan Epoch yang dilakukan olen NN. Yang perlu diperhatikan dalam menyusun sebuah persamaan adalah konsistensi satuan dan keseragaman jenis angka, bilangan, atau nilai yang menyusunnya. Dalam hal ini, ketika perhitungan dan analisis sebaran data seperti pada Multiple Regression ini dilakukan maka harus secara hati-hati untuk memperlakukan Variabel yang kualitatif dan Variabel yang kuantitatif. Plot Hamburan dari Hubungan Price dan Cylinder PRICE = CYLINDER 7 6 S 8133,16 R-Sq 32,4% R-Sq(adj) 32,3% 5 PRICE CYLINDER 7 8 Gambar 7. Fit Plot Price dan Cylinder sebelum Cylinder dirubah dari Varibel Kategorik menjadi Variabel Kuantitatif dengan menggunakan Indicator Variabel.
9 Plot Hamburan dari Hubungan Price dan Cylinder 4 (Variabel Indicator) PRICE = CYLINDER_4 7 6 S 9282,32 R-Sq 11,9% R-Sq(adj) 11,8% 5 PRICE ,,2,4,6 CYLINDER_ 4,8 1, Gambar 8. Fit Plot antara Price dan Cylinder 4 setelah Variabel Cylinder dibuat Indicator variabelnya, terlihat tren yang berbeda antara keduanya. Sehingga jika digunakan Variabel keduanya akan menghasilkan hasil yang berbeda untuk analisis Regresi. Seperti pada analisis persamaan 2 diatas, terlihat sepertinya Variabel Mileage, dan Variabelvariabel lainnya Cylinder, Cruise, Doors, Sound, dan Leather diperlakukan sama bahwa Variabel-variabel tersebut adalah Variabel-variabel kuantitatif. Padahal dari data-data, dapat dilihat bahwa Variabel-variabel Cylinder, Cruise, Doors, Sound, dan Leather adalah Variabelvariabel kualitatif. Untuk itu diusulkan analisis baru untuk persamaan dua seperti dibawah ini, General Regression Analysis: PRICE versus MILEAGE; CYLINDER; DOORS; CRUISE;... Regression Equation CYLINDER DOORS CRUISE SOUND LEATHER 4 2 PRICE = 17782,6 -, MILEAGE PRICE = 1889,4 -, MILEAGE PRICE = 16992,8 -, MILEAGE PRICE = 181,6 -, MILEAGE PRICE = 2463,6 -, MILEAGE PRICE = 25711,4 -, MILEAGE PRICE = 23813,8 -, MILEAGE PRICE = 24921,6 -, MILEAGE 4 4 PRICE = 1676,3 -, MILEAGE PRICE = 17814,2 -, MILEAGE PRICE = 15916,6 -, MILEAGE PRICE = 1724,4 -, MILEAGE
10 4 4 1 PRICE = 23527,3 -, MILEAGE PRICE = 24635,2 -, MILEAGE PRICE = 22737,6 -, MILEAGE PRICE = 23845,4 -, MILEAGE 6 2 PRICE = 18396,4 -, MILEAGE PRICE = 1954,2 -, MILEAGE PRICE = 1766,6 -, MILEAGE PRICE = 18714,4 -, MILEAGE PRICE = 25217,4 -, MILEAGE PRICE = 26325,2 -, MILEAGE PRICE = 24427,6 -, MILEAGE PRICE = 25535,4 -, MILEAGE 6 4 PRICE = 1732,1 -, MILEAGE PRICE = , MILEAGE PRICE = 1653,3 -, MILEAGE PRICE = 17638,2 -, MILEAGE PRICE = 24141,1 -, MILEAGE PRICE = , MILEAGE PRICE = 23351,3 -, MILEAGE PRICE = 24459,2 -, MILEAGE 8 2 PRICE = 3558,1 -, MILEAGE PRICE = 36615,9 -, MILEAGE PRICE = 34718,3 -, MILEAGE PRICE = 35826,1 -, MILEAGE PRICE = 42329,1 -, MILEAGE PRICE = 43436,9 -, MILEAGE PRICE = 41539,3 -, MILEAGE PRICE = 42647,1 -, MILEAGE 8 4 PRICE = 34431,8 -, MILEAGE PRICE = 35539,7 -, MILEAGE PRICE = 33642,1 -, MILEAGE PRICE = 34749,9 -, MILEAGE PRICE = 41252,8 -, MILEAGE
11 PRICE = 4236,7 -, MILEAGE PRICE = 4463,1 -, MILEAGE PRICE = 4157,9 -, MILEAGE Coefficients Term Coef SE Coef T P Constant 26927,1 686,361 39,2316, MILEAGE -,2,28-6,1591, CYLINDER ,1 361,169-16,9259, ,3 375,963-14,6272, DOORS 2 538,1 281,63 1,9146,56 CRUISE -341,5 29,124-11,7553, SOUND 394,9 256,984 1,5367,125 LEATHER -553,9 275,856-2,8,45 Summary of Model S = 6562,25 R-Sq = 56,31% R-Sq(adj) = 55,93% PRESS = R-Sq(pred) = 55,32% Analysis of Variance Source DF Seq SS Adj SS Adj MS F P Regression 7 4,41831E+1 4,41831E+1 6,31188E+9 146,573, MILEAGE 1 1,6559E+9 1,63359E+9 1,63359E+9 37,935, CYLINDER 2 3,691E+1 2,27768E+1 1,13884E+1 264,459, DOORS 1 2,9773E+8 1,57852E+8 1,57852E+8 3,666,5595 CRUISE 1 5,95823E+9 5,9581E+9 5,9581E+9 138,188, SOUND 1 5,75938E+7 1,1685E+8 1,1685E+8 2,361, LEATHER 1 1,73632E+8 1,73632E+8 1,73632E+8 4,32,44981 Error 796 3,42782E+1 3,42782E+1 4,3631E+7 Lack-of-Fit 795 3,42646E+1 3,42646E+1 4,311E+7 3,156, Pure Error 1 1,36549E+7 1,36549E+7 1,36549E+7 Total 83 7,84614E+1 didapatkan beberapa persamaan untuk kategori yang berbeda-beda, R-Sq 56%, dan terlihat bahwa beberapa variabel kualitatif/katergori yang tidak siginifkan berpengaruh dalam penentuan harga Price Mobil bekas GM adalah Doors, Sound, dan Leather dengan nilai P yang lebih besar dari nilai α,.55,.12, dan.449. Meskipun dengan tidak mennggunakan metode General Regression dan menggunakan metode Regresi biasa, tetapi Variabelvariabel kualitatif nilai-nilainya harus dirubah dulu ke dalam bentuk kuantatif, seperti yang diperlakukan pada Variabel Make untuk analisis persamaan 3 seperti pada paper (telah dicontohkan pada grafik sebelumnya). Untuk persamaan 3, dapat diusulkan model Multiple Regression yang baru adalah : Regression Analysis: PRICE versus MILEAGE; LITER_1,6;... * LITER_6, is highly correlated with other X variables * LITER_6, has been removed from the equation.
12 * MAKE_SAAB is highly correlated with other X variables * MAKE_SAAB has been removed from the equation. The regression equation is PRICE = ,182 MILEAGE LITER_1, LITER_1, LITER_2, LITER_2, LITER_2, LITER_2, LITER_2, LITER_3, LITER_3, LITER_3, LITER_3,5-266 LITER_3, LITER_3, LITER_4, LITER_5, MAKE_Buick MAKE_Cadillac MAKE_Chevrolet - 28 MAKE_Pontiac Predictor Coef SE Coef T P Constant 4295,4 938,8 45,7, MILEAGE -,18211, ,1, LITER_1, ,9 83,6-33,85, LITER_1, ,79, LITER_2, -9137,6 986,7-9,26, LITER_2,2-2562,9 771, -33,21, LITER_2, ,68, LITER_2, ,4, LITER_2, ,57, LITER_3, ,21, LITER_3, ,84, LITER_3, ,13, LITER_3,5-2125,9 81,6-26,22, LITER_3, ,28, LITER_3, ,7 84,3-24,21, LITER_4, ,62, LITER_5, ,7, MAKE_Buick 2181,2 756, 2,89,4 MAKE_Cadillac 18224,6 955,9 19,7, MAKE_Chevrolet -389,1 533,6 -,73,466 MAKE_Pontiac -28,2 638,2 -,44,661 S = 3215,65 R-Sq = 89,7% R-Sq(adj) = 89,4% Analysis of Variance Source DF SS MS F P Regression ,24, Error Total R-Sq nya tidak sebesar pada paper yaitu 89.7%, tetapi secara intuitif metode berdasarkan awal review ini (Variabel Kualitatif harus dibedakan dari Variabel Kuantitatif) maka model ini lebih dapat dipertanggung-jawabkan. Cara lain adalah menggunakan General Regression jika tidak ingin menggunakan Indicator Variabel, hasil yang didapatkan juga untuk R-Sq nya tidak sebesar pada persamaan 3 dipaper, sekitar 89 %. Dan dengan sendirinya untuk pemodelan Outlier pada mobil-mobil sport (bekas) GM gagal dilakukan karena anggapan-anggapan yang dibuat juga sudah gagal.
13 IV. Kesimpulan. Plots for PRICE Normal Probability Plot Versus Fits 99, Percent , Fitted Value 4 5 Histogram Versus Order 3 2 Frequency Observation Order Gambar 9. Pada plot ini dapat terlihat outlier yang gagal dioptimalisasikan pada metode Regresi. 7 8 Tulisan ini sangat baik tentang bagaimana harus membuat sebuah Model Multiple Regeresi (Linear) yang baik, dengan prosedur ini keakuratan dari model tersebut dapat dicari yang terbaik. Tetapi anggapan-anggapan yang dilakukan harus dilakukan dengan benar, agar perhitungan dapat dilaksanakan dengan konsisten dan tidak bias. Sebagai catatan akhir hubungan antara TPrice = log(price) dengan Mileage menjadi semakin tidak jelas karena perubahan fungsi Price yang bertujuan untuk mengakomodasi Variabel Kategorik Liter, Make (yang telah dirubah menjadi Variabel Indicator). Ketika dicoba dengan variabel asa Price maka analisis dan simulasi akan gagal. V. Referensi [1] Birger Madsen, Statistics for Non-Staticians, Springer New York, 28. [2] Drs. Jong Jek Siang, M.Sc, Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB, Penerbit Andi Yogyakarta, 29. [3] Minitab 6, Help Manual.
LAMPIRAN A. Daftar Riwayat Hidup. Kartu Mata Kuliah. Surat Keterangan Survey Tugas Akhir
111 LAMPIRAN A Daftar Riwayat Hidup Kartu Mata Kuliah Surat Keterangan Survey Tugas Akhir SURAT KETERANGAN SURVEY TUGAS AKHIR 114 115 LAMPIRAN B Faktor Batas Kendali Peta Variabel FAKTOR BATAS KENDALI
Lebih terperinciPengaruh Suku Bunga, Inflasi dan Kurs terhadap Perkembangan Harga Saham PT. Telkom Tbk Menggunakan Analisis Regresi
Pengaruh Suku Bunga, Inflasi dan Kurs terhadap Perkembangan Harga Saham PT. Telkom Tbk Menggunakan Analisis Regresi Novita Homer 1, Jantje D. Prang 2, Nelson Nainggolan 3 1 Program Studi Matematika, FMIPA,
Lebih terperinciJumlah tanggungan (org) Lama bekerja di kawasan TWA (thn)
LAMPIRAN 88 Lampiran 1. Data Responden Masyarakat Desa Karang Tengah 11 No Jenis pekerjaan Jenis kelamin (L=1 ; P=) Umur (thn) Lama pendidikan (thn) Jumlah tanggungan (org) Lama bekerja di kawasan TWA
Lebih terperinciLAMPIRAN A RANCANGAN DAN ANALISIS PERCOBAAN DENGAN METODE RESPONSE SURFACE MENGGUNAKAN MINITAB 16 SOFTWARE
LAMPIRAN A RANCANGAN DAN ANALISIS PERCOBAAN DENGAN METODE RESPONSE SURFACE MENGGUNAKAN MINITAB 16 SOFTWARE LA-1 Rancangan Percobaan Optimasi Hidrolisis Selulosa dari Tandan Kosong Kelapa Sawit Rancangan
Lebih terperinciPencilan. Pencilan adalah pengamatan yang nilai mutlak sisaannya jauh lebih besar daripada sisaan-sisaan lainnya
Pencilan Pencilan adalah pengamatan yang nilai mutlak sisaannya jauh lebih besar daripada sisaan-sisaan lainnya Bisa jadi terletak pada tiga atau empat simpangan baku atau lebih jauh lagi dari rata-rata
Lebih terperinciOleh: KELOMPOK SOYA E46. Ahmad Mukti Almansur Batara Manurung Ika Novi Indriyati Indana Saramita Rachman Sali Subakti Tri Wulandari
TUGAS KELOMPOK METODE KUANTITATIF MANAJEMEN Oleh: KELOMPOK SOYA E46 Ahmad Mukti Almansur Batara Manurung Ika Novi Indriyati Indana Saramita Rachman Sali Subakti Tri Wulandari Dosen: Lukytawati Anggraeni,
Lebih terperinciLampiran 1 Deskripsi Statistik Variabel Fungsi Permintaan TMR Tahun 2011
LAMPIRAN 08 Lampiran Deskripsi Statistik Variabel Fungsi Permintaan TMR Tahun 20 Variabel N Rata-rata Minimum Maksimum Standar Deviasi Y 00 3,0 60 6,996 TC 00 54005 5000 400000 74965,665 I 00 25338000
Lebih terperinciLampiran 1. Harga Beberapa Komoditas Pertanian Jawa Barat Per tanggal 31 Juli 2009
Lampiran 1. Harga Beberapa Komoditas Pertanian Jawa Barat Per tanggal 31 Juli 2009 No Komoditas Harga Per Kg 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Bawang Daun Brokoli Bawang Merah Bawang Putih Buncis
Lebih terperinciLAMPIRAN. Lampiran 1. Kuesioner untuk Pengunjung
LAMPIRAN Lampiran 1. Kuesioner untuk Pengunjung Kuesioner penelitian: Penilaian Ekonomi dan Prospek Pengembangan Wisata TWA Gunung Pancar. Oleh: Devina Marcia Rumanthy Sihombing (H44070045). Departemen
Lebih terperinciLAPORAN PRAKTIKUM. Mata Kuliah : Penerapan Komputer Tanggal : 21 Desember Nama : Desi Aryanti Dosen : Ir. Rini Herlina M.S
LAPORAN PRAKTIKUM Mata Kuliah : Penerapan Komputer Tanggal : 21 Desember 2009 Nama : Desi Aryanti Dosen : Ir. Rini Herlina M.S NRP : D14070066 Asisten Dosen : 1. Revan M. 2. Ratu Fika Hertaviani KORELASI
Lebih terperinciLampiran 1. Distribusi Nilai WTP Responden Terhadap Paket Wisata Jogging Track Plus
Lampiran 1. Distribusi Nilai WTP Responden Terhadap Paket Wisata Jogging Track Plus WTP Jumlah Responden Persentase WTPx ΣResponden NO. (Rp) (orang) (%) (Rp) 1 3 6 11,3 18 2 35 6 11,3 21 3 4 2 3,8 8 4
Lebih terperinciLampiran 1. No. Alat dan Bahan Spesifikasi Unit/Satuan Pemeliharaan dan Percobaan Pengambilan dan Pembuatan Preparat Pengukuran Parameter
LAMPIRAN 4 Lampiran. Alat dan Bahan yang Digunakan pada Penelitian No. Alat dan Bahan Spesifikasi Unit/Satuan Pemeliharaan dan Percobaan. Akuarium pemeliharaan 00 x 4 x 4 cm 2/- 2. Akuarium pemeliharaan
Lebih terperinciSTK511 Analisis Statistika. Pertemuan 4 Sebaran Penarikan Contoh
STK511 Analisis Statistika Pertemuan 4 Sebaran Penarikan Contoh Konsep Dasar Suatu statistik, misalnya, adalah fungsi dari peubah acak sering kita tulis. Idea dasaranya : Karena adalah peubah acak, maka
Lebih terperinciSTATISTIKA I. Ari Wibowo, MPd Prodi PAI Jurusan Tarbiyah STAIN Surakarta. Kode Matakuliah: PAI111, 2sks Tujuan Instruksional Umum:
STATISTIKA I Ari Wibowo, MPd Prodi PAI Jurusan Tarbiyah STAIN Surakarta Kode Matakuliah: PAI111, 2sks Tujuan Instruksional Umum: Setelah mengikuti mata kuliah ini selama satu semester, mahasiswa akan dapat
Lebih terperinciREGRESI LINEAR SEDERHANA
REGRESI LINEAR SEDERHANA y (x 3,y 3 ) d 3 (x 5,y 5 ) d 5 d 2 (x 2,y 2 ) d (x 1 1,y 1 ) d 4 (x 4,y 4 ) x Definisi: Dari semua kurva pendekatan terhadap satu set data, kurva yang memenuhi sifat bahwa nilai
Lebih terperinciBAB 6 KESIMPULAN DAN SARAN
BAB 6 KESIMPULAN DAN SARAN 6.1. Kesimpulan 1. Faktor-faktor yang mempengaruhi kualitas hasil proses produksi Genteng Super DD Hidrolik.adalah: a. Komposisi jenis lempung (faktor A) b. Kecepatan penggilingan
Lebih terperinci4.1. Pengumpulan data Gambar 4.1. Contoh Peng b untuk Mean imputation
4.1. Pengumpulan data Data trafik jaringan yang diunduh dari http://www.cacti.mipa.uns.ac.id:90 dapat diklasifikasikan berdasar download rata-rata, download maksimum, download minimum, upload rata-rata,
Lebih terperinciLampiran 1. Daftar Isian Konsumen Air Rumah Tangga Selama Satu Hari. Nama Waktu Takaran Gayung Pagi
Lampiran 1. Daftar Isian Konsumen Air Rumah Tangga Selama Satu Hari Nama Waktu Takaran Gayung 1 2 3 4 5 6 7 8 Pagi Siang Sore Malam Lampiran 1. Lanjutan Kegiatan RT (mandi,mesak,cuci) Waktu Pagi Takaran
Lebih terperinciMetode Statistika Pertemuan XII. Analisis Korelasi dan Regresi
Metode Statistika Pertemuan XII Analisis Korelasi dan Regresi Analisis Hubungan Jenis/tipe hubungan Ukuran Keterkaitan Skala pengukuran variabel Pemodelan Keterkaitan Relationship vs Causal Relationship
Lebih terperinciBAB 6 KESIMPULAN. X 1 = faktor kecepatan X 2 = faktor tekanan X 3 = faktor suhu. 0,4583 X 1 X 2, dimana:
BAB 6 KESIMPULAN 6.. Kesimpulan Dari penelitian yang telah dilakukan, maka kesimpulan yang diperoleh sebagai berikut:. Berdasarkan proses brainstorming, wawancara dan hasil penyebaran kuesioner awal diperoleh
Lebih terperinciSTK511 Analisis Statistika. Pertemuan 10 Analisis Korelasi & Regresi (1)
STK511 Analisis Statistika Pertemuan 10 Analisis Korelasi & Regresi (1) Analisis Hubungan Jenis/tipe hubungan Ukuran Keterkaitan Skala pengukuran peubah Pemodelan Keterkaitan anang kurnia (anangk@apps.ipb.ac.id)
Lebih terperinciOleh : Fuji Rahayu W ( )
Oleh : Fuji Rahayu W (1208 100 043) JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2012 Indonesia sebagai negara maritim Penduduk Indonesia
Lebih terperinciLAMPIRAN. Lampiran 1. Tipe Penggunaan Lahan di Kabupaten Bogor
LAMPIRAN Lampiran 1. Tipe Penggunaan Lahan di Kabupaten Bogor No Penggunaan lahan No Reklasifikasi Penggunaan Lahan 1 Tanah Kosong diperuntukkan 1 Tanah kosong 2 Tanah rusak (Terlantar/Rusak/Galian) 3
Lebih terperinciBAB IV ANALISA DAN PEMBAHASAN
BAB IV ANALISA DAN PEMBAHASAN Bab ini akan menguraikan proses, hasil serta pembahasan dari pengolahan data yang telah dilakukan. Analisis pengolahan data dilakukan dengan mengggunakan software Minitab
Lebih terperinciSTK511 Analisis Statistika. Pertemuan - 1
STK511 Analisis Statistika Pertemuan - 1 PERKULIAHAN 1. Dosen : Anang Kurnia (anangk@apps.ipb.ac.id) 2. Asisten : Septian Rahardiantoro 3. Waktu : Rabu > 08.00 09.40 Jumat > 08.00 10.00 4. Office Hours
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4. Hasil Pengumpulan Data Tabel 4. Tabel Pengumpulan Data Jam Tgl Variabel 9: : : 4: 5: 8/8/5 Tebal Material 8 6 6 6.5 Kecepatan Potong 567 6 68 64 54 Hasil Pemotongan 4 4.333
Lebih terperinciAnalisis Regresi 1. Model-model Regresi yang Lebih Lanjut. Pokok Bahasan : Itasia & Y Angraini Dep. STK FMIPA-IPB
Analisis Regresi Pokok Bahasan : Model-model Regresi yang Lebih Lanjut Itasia & Angraini Dep. STK FMIPA-IPB Macam-macam Model Regresi Model Regresi peubah penjelas > peubah penjelas Sederhana Berganda
Lebih terperinciLampiran 1. Struktur Organisasi PTP Nusantara VIII Kebun Cianten
LAMPIRAN 71 Lampiran 1. Struktur Organisasi PTP Nusantara VIII Kebun Cianten 72 Lampiran 2. Spesifikasi persyaratan mutu teh hitam (SNI 01-1902-1995) No. Jenis Uji Satuan Spesifikasi 1 Kadar air % b/b
Lebih terperinciMENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB
POLITEKNOSAINS VOL. X NO. 2 Juni 2011 MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB Yaya Finayani Teknik Elektro, Politeknik Pratama Mulia, Surakarta 57149, Indonesia ABSTRACT
Lebih terperinciABSTRAK. Pada prakternya tolak ukur yang dapat dilihat oleh keberhasilan mahasiswa adalah
PEMODELAN PRESTASI MAHASISWA TERHADAP MATAKULIAH WAJIB DENGAN ANALISIS REGRESI Anik Rufaidah Program Studi Teknik Industri Sekolah Tinggi Teknik Qomaruddin Jalan Raya No. 01 Bungah Gresik 61152 Indonesia
Lebih terperinciTabel 2. Perkembangan Jumlah Kendaraan Bermotor Menurut Jenis tahun
Tabel 1. Jumlah Kecelakaan, Koban Mati, Luka Berat, Luka Ringan, dan Kerugian Materi yang Diderita Tahun 1992-2009 Tahun Jumlah Luka Korban Mati Luka Berat Kecelakaan Ringan Kerugian Materi (Juta Rp) 1992
Lebih terperinciARTIKEL ANALISA PENGARUH PERUBAHAN INTAKE MANIFOLD TERHADAP PERFORMA MESIN SEPEDA MOTOR HONDA SUPRA X 125 CC
ARTIKEL ANALISA PENGARUH PERUBAHAN INTAKE MANIFOLD TERHADAP PERFORMA MESIN SEPEDA MOTOR HONDA SUPRA X 125 CC ANALISYS THE INFLUENCE OF CHANGED INTAKE MANIFOLD TOWARD THE PERFORMANCES OF HONDA SUPRA X 125
Lebih terperinciProgram Magister Manajemen dan Bisnis Institut Pertanian Bogor 2014
TUGAS Metode Kuantitatif Manajemen Analisis Regresi pada Data Penjualan Tahunan Lezat Fried Chicken (LFC) Disusun sebagai Tugas Akhir Triwulan I Mata Kuliah Metode Kuantitatif Manajemen Disusun Oleh :
Lebih terperinciREGRESI BEDA DAN REGRESI RIDGE Ria Dhea Layla N.K 1, Febti Eka P. 2 1)
REGRESI BEDA DAN REGRESI RIDGE Ria Dhea Layla N.K 1, Febti Eka P. 2 1) 1311105003 2) 1311106009 email: 1) riadhea0863@yahoo.co.id 2) febti08.10@gmail.com ABSTRAK Analisis regresi dalam statistika adalah
Lebih terperinciBAB III METODOLOGI PENELITIAN. Pelaksanaan penelitian ini, memerlukan banyak hal yang harus
BAB III METODOLOGI PENELITIAN III.1 Diagram Alur (Flowchart) Pelaksanaan penelitian ini, memerlukan banyak hal yang harus diperhatikan sebagai persiapan dalam melakukan penelitian. Tujuannya agar memperkecil
Lebih terperinciBAB 4 ANALISA DAN PEMBAHASAN
BAB 4 ANALISA DAN PEMBAHASAN 4. Data Sampel 4.. Pengambilan dan Pemilihan Data Sampel Dari pengumpulan data yang telah dilakukan, diperoleh 20 data sampel yang telah dikelompokkan menjadi subgrup-subgrup
Lebih terperinciSKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Teknik (ST) Pada Program Studi Teknik Mesin UN PGRI Kediri OLEH :
ANALISA NILAI KEKERASAN BAJA KARBON RENDAH MELALUI PROSES KARBURISASI MENGGUNAKAN CAMPURAN CARBON (C) dan BARIUM KARBONAT (BaCO 3 ) DENGAN VARIASI WAKTU PENAHANAN BERBEDA SKRIPSI Diajukan Untuk Memenuhi
Lebih terperinciOleh : Alif Tober Rachmawati
Perancangan softsensor steam quality pada steam generator dengan optimasi nilai spesifik volume dengan metode jaringan syaraf tiruan (JST) Oleh : Alif Tober Rachmawati 2410105022 Latar Belakang Steam generator
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION Restiana Putri Abstract - On a government agencies Badan Keluarga Berencana
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,
Lebih terperinciPengantar Analisa Data
Pengantar Analisa Data Tjipto Juwono, Ph.D. April 2017 TJ (SU) Data Analysis April 2017 1 / 44 REVIEW EKONOMETRIKA: ANALISA REGRESI BERGANDA Data Home Cost Temp Ins Age ($) ( F) (In.) (y) 1 250 35 3 6
Lebih terperinciPenyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks
Penyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks Dewi Erla Mahmudah 1, Ratna Dwi Christyanti 2, Moh. Khoridatul Huda 3,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciDAFTAR PUSTAKA. Albin, D., 2001, The Use of Statistical Experimental Design for PCB Process Optimization, Inggris.
BAB 6 KESIMPULAN 6.1. Kesimpulan Kesimpulan yang diperoleh berdasarkan penelitian yang telah dilakukan yaitu: 1. Faktor yang berpengaruh terhadap jumlah cacat roti smeer adalah faktor metode pembuatan
Lebih terperinciPENENTUAN MODEL HUBUNGAN KEPADATAN PENDUDUK DAN FAKTORNYA MENGGUNAKAN METODE FORWARD SELECTION
PENENTUAN MODEL HUBUNGAN KEPADATAN PENDUDUK DAN FAKTORNYA MENGGUNAKAN METODE FORWARD SELECTION (DETERMINING POPULATION DENSITY AND THE FACTORS MODELS BY USING FORWARD SELECTION METHOD) Puji Subekti 1,
Lebih terperinciAnalisis Regresi 2. Multikolinier & penanganannya
Analisis Regresi 2 Pokok Bahasan : Multikolinier & penanganannya TUJUAN INSTRUKSIONAL KHUSUS : Mahasiswa dapat menjelaskan adanya multikolinieritas pada regresi linier berganda serta prosedur penanganannya
Lebih terperinciLampiran PEDOMAN KUESIONER PT.X
79 Lampiran PEDOMAN KUESIONER PT.X 1. Yth. Ibu/bapak/sdri/sdr karyawan PT.X, kami mohon bantuannya untuk menjawab beberapa pertanyaan berikut yang berkaitan dengan PENERAPAN KNOWLEDGE MANAGEMENT yang sedang
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
BAB IV ANALISIS DAN PEMBAHASAN Dalam penelitian ini, analisis data yang dilakukan menggunakan pendekatan kuantitatif yaitu dengan menggunakan analisis regresi sederhana, dan perhitungannya menggunakan
Lebih terperinciRegresi. Data : Untuk melakukan regresi linear, langkah-langkah sebagai berikut, 1. Pilih Stat > Regression > Regression
Regresi Fungsi regresi yang tersedia pada Minitab yang dibahas disini adalah regresi tipe least squares regression atau kuadrat terkecil, sedangkan regresi tipe logaritma walaupun juga tersedia dalam Minitab
Lebih terperinciPuji Pangastuti. kemampuan jaringan dalam menentukan pola yang digunakan selama masa pelatihan diharapkan dapat mengoptimalkan hasil yang diinginkan.
METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGUKUR TINGKAT KORELASI PRESTASI MAHASISWA (STUDI KASUS PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG) Puji Pangastuti Abstract - The university now increasingly
Lebih terperinciBAB 1 PENDAHULUAN. saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Cepatnya perubahan fluktuasi harga index saham membuat para pemegang saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung. Saham yang mempunyai
Lebih terperinciOPTIMASI DIAMETER TEBAR DAN DETONASI CONE EXPLOSIVE DENGAN METODA DUAL RESPONSE SURFACE
OPTIMASI DIAMETER TEBAR DAN DETONASI CONE EXPLOSIVE DENGAN METODA DUAL RESPONSE SURFACE Siswo Hadi Sumantri, Abdullah Shahab Program Studi Magister Manajemen Teknologi Institut Teknologi Sepuluh Nopember
Lebih terperinciTabel Perhitungan Waktu Standar
waktu baku = = waktu 3,39 normal 100 % 100 % 17 % 100 % 100 % % allowance = 4,08 menit /container. Tabel Perhitungan Waktu Standar No 1 2 3 Proses Kerja Memindakan container dari tanah ke truk (L1) Memindakan
Lebih terperinciPENERAPAN METODE SPC DAN TAGUCHI DALAM IDENTIFIKASI FAKTOR KECACATAN PRODUK RIM
PENERAPAN METODE SPC DAN TAGUCHI DALAM IDENTIFIKASI FAKTOR KECACATAN PRODUK RIM Cahyono dan Mulki Siregar Teknik Industri Universitas Islam Jakarta cahyono76@gmail.com Abstrak Meminimalkan produk cacat
Lebih terperinciBAB 11 ANALISIS REGRESI LINIER BERGANDA
BAB 11 ANALISIS REGRESI LINIER BERGANDA Selain regresi linier sederhana, metode regresi yang juga banyak digunakan adalah regresi linier berganda. Regresi linier berganda digunakan untuk penelitian yang
Lebih terperinciPERAMALAN JUMLAH SAMPAH MASYARAKAT KOTA MEDAN PADA TAHUN 2016 MENGGUNAKAN JARINGAN SYARAF TIRUAN SKRIPSI YONA WULANDARI
PERAMALAN JUMLAH SAMPAH MASYARAKAT KOTA MEDAN PADA TAHUN 2016 MENGGUNAKAN JARINGAN SYARAF TIRUAN SKRIPSI YONA WULANDARI 120803065 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciRancangan Acak Lengkap. Created by : Ika Damayanti, S.Si, M.Si
Rancangan Acak Lengkap Created b : Ika Damaanti, S.Si, M.Si RAL (Rancangan Acak Lengkap) Desain dimana perlakuan dikenakan sepenuhna secara acak kepada unit- unit eksperimen. Desain ini dapat digunakan
Lebih terperinciPemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat
Pemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat SKRIPSI Disusun oleh: MAULIDA NAJWA 24010212130028 DEPARTEMEN STATISTIKA
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
Lebih terperinciRekayasa Mutu Produksi Gate Valve di P.T. Barindo Anggun Industri *
Rekayasa Mutu Produksi Gate Valve di P.T. Barindo Anggun Industri (Didik Wahjudi) Rekayasa Mutu Produksi Gate Valve di P.T. Barindo Anggun Industri * Didik Wahjudi Dosen Fakultas Teknik, Jurusan Teknik
Lebih terperinciAPLIKASI FUNGSI PRODUKSI COBB-DOUGLAS DALAM MENESTIMASI PENDAPATAN PAJAK HOTEL KOTA SURAKARTA BERDASARKAN JUMLAH TENAGA KERJA DAN PENGUNJUNG HOTEL
APLIKASI FUNGSI PRODUKSI COBB-DOUGLAS DALAM MENESTIMASI PENDAPATAN PAJAK HOTEL KOTA SURAKARTA BERDASARKAN JUMLAH TENAGA KERJA DAN PENGUNJUNG HOTEL UNG GARBA SKRIPSI: ditulis dan diajukan untuk memenuhi
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciJURNAL SAINS DAN INFORMATIKA
39 Fauzul Sains Amri, dan Jaringan Informatika Syaraf Vol.1 Tiruan (N0.1) untuk (2015): Memprediksi 37-43 JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciDidonwload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Pada bab sebelumnya telah dibahas rancangan faktorial secara umum, seringkali peneliti berhadapan pada rancangan yang melibatkan sejumlah faktor yang masing-masing faktor hanya terdiri
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciLAMPIRAN. Universitas Kristen Maranatha
LAMPIRAN Perhitungan yang dipakai dalam penelitian ini adalah dengan menggunakan analisis regresi dan analisis grafik. Seluruh perhitungan dilakukan dengan menggunakan program Statistik SPSS. Berikut ini
Lebih terperinciOptimasi Parameter Pembubutan Terhadap Kekasaran Permukaan Produk
Jurnal Rekayasa Mesin Vol.4, No.3 Tahun 3: 77-8 ISSN 6-468X Optimasi Parameter Pembubutan Terhadap Kekasaran Permukaan Produk Franscisca Gayuh Utami Dewi, Femiana Gapsari Jurusan Teknik Mesin Fakultas
Lebih terperinciPEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA)
PEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA) Salmawaty Tansa 1, Bambang Panji Asmara 2 Fakultas Teknik, Jurusan Teknik Elektro,
Lebih terperinciPRAKTIKUM ANALISIS DATA EKSPLORATIF
LAPORAN PRAKTIKUM ANALISIS DATA EKSPLORATIF GEMPUR SAFAR (10877) Asisten SIGIT SAMAPTAAJI BAGUS PRAMULYA Dosen Dra. SRIHARYATMI KARTIKO, M.Sc. LABORATORIUM KOMPUTASI MATEMATIKA DAN STATISTIKA JURUSAN MATEMATIKA
Lebih terperinciPENGARUH VARIASI ARUS PENGELASAN DAN MEDIA PENDINGIN TERHADAP. KEKUATAN TARIK BAJA ST 41 MENGGUNAKAN ELEKTRODA Rb.26
PENGARUH VARIASI ARUS PENGELASAN DAN MEDIA PENDINGIN TERHADAP KEKUATAN TARIK BAJA ST 41 MENGGUNAKAN ELEKTRODA Rb.26 SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Teknik
Lebih terperinciBAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN 5.1. KESIMPULAN 1. Daerah yang menjadi titik peramalan Pemodelan Prediksi Penyebaran Polutan Kali Surabaya terletak pada segmen Muara Kali Tengah sampai dengan Pintu Dam Gunungsari.
Lebih terperinciFAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN
PERBANDINGAN APLIKASI METODE REGRESI LINIER BERGANDA DAN JARINGAN SYARAF TIRUAN DALAM PEMBUATAN PETA ZONA NILAI TANAH (StudiKasus: KecamatanRegol, Kota Bandung) TUGAS AKHIR Karyailmiah yang diajukansebagaisalahsatusyaratmemperolehgelarsarjana
Lebih terperinciKey words: Artificial Neural Network, Exponential Smoothing, Prediction, Electrical Energy Need.
PREDIKSI KEBUTUHAN ENERGI LISTRIK SULAWESI UTARA MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN METODE EXPONENTIAL SMOOTHING Febry Hontong 1), Tritiya Arungpadang 2), Johan Neyland 3) Jurusan Teknik Mesin Universitas
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciAPLIKASI REGRESI SEDERHANA DENGAN SPSS. HENDRY admin teorionline.net Phone : 021-834 14694 / email : klik.statistik@gmail.com
APLIKASI REGRESI SEDERHANA DENGAN SPSS HENDRY admin teorionline.net Phone : 02-834 4694 / email : klik.statistik@gmail.com Tentang Regresi Sederhana Analisis regresi merupakan salah satu teknik analisis
Lebih terperinciMODEL REGRESI LINIER DALAM MELIHAT KEBERHASILAN BELAJAR SISWA SMU
S-19 MODEL REGRESI LINIER DALAM MELIHAT KEBERHASILAN BELAJAR SISWA SMU Siti Sunendiari Universitas Islam Bandung (Unisba) e-mai : sunen_diari@yahoo.com 1. ABSTRAK Keberhasilan dalam proses belajar mengajar
Lebih terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Lokasi Penelitian Penelitian ini di lakukan di PG. Kebon Agung. Tbk, Desa Kebon Agung Kec. Pakisaji, Kab. Malang, Jawa Timur. Pemilihan lokasi ini dilakukan secara sengaja
Lebih terperinciSISTEM GERAK PARKIR MOBIL OTOMATIS DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
SISTEM GERAK PARKIR MOBIL OTOMATIS DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Eko Budi Setiawan¹, Warih Maharani², Fazmah Arif Yulianto³ ¹Teknik Informatika,, Universitas Telkom Abstrak Proses parkir mobil
Lebih terperinciIDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN
IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciPERAMALAN HARGA MINYAK MENTAH DUNIA NEURAL NETWORK
PERAMALAN HARGA MINYAK MENTAH DUNIA MENGGUNAKAN METODE RADIAL BASIS FUNCTION NEURAL NETWORK SKRIPSI Disusun oleh: Rahafattri Ariya Fauzannissa 24010211140092 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK KLASIFIKASI STATUS GIZI BALITA JENIS KELAMIN LAKI-LAKI DENGAN METODE BACKPROPAGATION
JARINGAN SYARAF TIRUAN UNTUK KLASIFIKASI STATUS GIZI BALITA JENIS KELAMIN LAKI-LAKI DENGAN METODE BACKPROPAGATION Naskah Publikasi Program Studi Informatika Fakultas Komunikasi dan Informatika Oleh: Hasna
Lebih terperinciBAB 3 PEMBAHASAN. pelayanan kesehatan prima, Pt Binara Guna Mediktama pada tahun 1986 mendirikan
BAB 3 PEMBAHASAN 3.1 Rumah Sakit Pondok Indah 3.1.1 Latar Belakang Guna memenuhi kebutuhan masyarakat akan adanya rumah sakit swasta dengan pelayanan kesehatan prima, Pt Binara Guna Mediktama pada tahun
Lebih terperinciIDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION
JURNAL MANUTECH 43 IDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION Yoan Elviralita 1, Asrul Hidayat 2 1 Program Studi Teknik Mekatronika-Politeknik Bosowa 2 Program Studi Perawatan dan Perbaikan
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
Lebih terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
Lebih terperinciAnalisis Regresi 2. Pokok Bahasan : Review Regresi Linier Sederhana dan Berganda
Analisis Regresi Pokok Bahasan : Review Regresi Linier Sederhana dan Berganda Tuuan Instruksional Khusus : Mahasiswa dapat menelaskan regresi linier sederhana dan berganda dan asumsi-asumsi yang mendasarinya
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN METODE PERCEPTRON PADA PENGENALAN POLA NOTASI
APLIKASI JARINGAN SARAF TIRUAN METODE PERCEPTRON PADA PENGENALAN POLA NOTASI Muhamad Arifin SMK Telkom Malang Email: arifin@smktelkom-mlg.sch.id Khoirudin Asfani Fakultas Teknik, Universitas Negeri Malang
Lebih terperinciPemilihan Model JST untuk Penentuan Angka Oktana Biogasolin Sesuai dengan Data Masukannya
Yogyakarta, 16 Oktober 2008 Pemilihan Model JST untuk Penentuan Angka Oktana Biogasolin Sesuai dengan Data Masukannya Abdul Wahid dan Bambang Heru Susanto Laboratorium Sistem Proses Kimia, Departemen Teknik
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Kebutuhan Sistem Untuk implementasi sistem ini ada beberapa spesifikasi perangkat lunak dan perangkat keras yang dibutuhkan. 4.1.1 Kebutuhan Perangkat Keras Perangkat
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Penelitian ini menggunakan 125 responden untuk menjelaskan pengaruh
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Deskripsi Hasil Penelitian 4.1.1 Deskripsi Karakteristik Responden Penelitian ini menggunakan 125 responden untuk menjelaskan pengaruh kualitas website terhadap
Lebih terperinciANALISIS PERCOBAAN FAKTORIAL UNTUK MELIHAT PENGARUH PENGGUNAAN ALAT PERAGA BLOK ALJABAR TERHADAP PRESTASI BELAJAR ALJABAR SISWA
E-Jurnal Matematika Vol., No., Mei 3, - ISSN: 33-7 ANALISIS PERCOBAAN FAKTORIAL UNTUK MELIHAT PENGARUH PENGGUNAAN ALAT PERAGA BLOK ALJABAR TERHADAP PRESTASI BELAJAR ALJABAR SISWA NI PUTU AYU MIRAH MARIATI,
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinci