PEMBANDINGAN MEAN SQUARED ERROR (MSE) METODE PRASAD-RAO DAN JIANG-LAHIRI-WAN PADA EMPERICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) (Skripsi)
|
|
- Handoko Rachman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PEMBNDINGN MEN SQURED ERROR (MSE) MEODE PRSD-RO DN JING-LHIRI-WN PD EMPERICL BES LINER UNBISED PREDICION (EBLUP) (Skrps) Oleh RIF RHM PERIWI JURUSN MEMIK FKULS MEMIK DN ILMU PENGEHUN LM UNIVERSIS LMPUNG BNDR LMPUNG 2017
2 BSRC COMPRISON OF MEN SQURED ERROR (MSE) PRSD-RO ND JING-LHIRI-WN MEHODS IN EMPIRICL BES LINER UNBISED PREDICION (EBLUP) By Rfa Rahma Pertw EBLUP s one of the methods n small area estmaton whch used for contnues data by substtutng the unknown varance of random effects nto BLUP estmaton. ccuraton of an estmator can be known by evaluatng t s mean squared error. Several methods have been developed to estmate mean squared error of EBLUP. Prasad-Rao (1990) developed the estmator of MSE (θ EBLUP ) wth expanson of aylor seres. Jang-Lahr-Wan (2002) developed the estmator of MSE (θ EBLUP ) wth jackknfe method. he am of ths research s to compare the value of mean squared error n EBLUP wth that two methods. Comparson s done emprcally wth the smulaton data and helped by R software. he result showed that estmaton of mean squared error EBLUP wth Jang-Lahr- Wan method s better because the values are smaller than MSE Prasad and Rao. Kata kunc: Small rea Estmaton, Emprcal Best Lnear Unbased Predcton (EBLUP), Mean Squared Error (MSE).
3 BSRK PEMBNDINGN MEN SQURED ERROR (MSE) MEODE PRSD-RO DN JING-LHIRI-WN PD EMPIRICL BES LINER UNBISED PREDICION (EBLUP) Oleh Rfa Rahma Pertw Metode EBLUP merupakan salah satu metode pendugaan pada area kecl yang dgunakan pada data kontnu dengan mensubsttuskan komponen ragam yang tdak dketahu ke dalam penduga BLUP. Keakuratan penduga dapat dperoleh dengan cara mengukur mean squared error-nya. Beberapa metode telah dkembangkan dalam pendugaan MSE EBLUP. Prasad dan Rao (1990) mengembangkan penduga bag MSE (θ EBLUP ) dengan menggunakan ekspans deret aylor. Jang-Lahr-Wan (2002) mengembangkan penduga bag MSE (θ EBLUP ) dengan menggunakan metode jackknfe. Peneltan n bertujuan untuk membandngkan nla dugaan mean squared error pada EBLUP dengan kedua metode tersebut. Perbandngan dlakukan secara emprs melalu data smulas dengan bantuan software R Hasl peneltan n menunjukkan bahwa metode pendugaan mean squared error EBLUP dengan metode Jang-Lahr-Wan relatf lebh bak karena menghaslkan nla yang lebh kecl dbandng MSE Prasad dan Rao. Kata kunc: Pendugaan rea Kecl, Emprcal Best Lnear Unbased Predcton (EBLUP), Mean Squared Error (MSE).
4 PEMBNDINGN MEN SQURED ERROR (MSE) MEODE PRSD-RO DN JING-LHIRI-WN PD EMPERICL BES LINER UNBISED PREDICION (EBLUP) Oleh Rfa Rahma Pertw Skrps Sebaga Salah Satu Syarat untuk Mencapa Gelar SRJN SINS Pada Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan lam JURUSN MEMIK FKULS MEMIK DN ILMU PENGEHUN LM UNIVERSIS LMPUNG BNDR LMPUNG 2017
5
6
7 PERNYN Saya yang bertanda tangan d bawah n : Nama : Rfa Rahma Pertw NPM : Dengan n menyatakan bahwa skrps saya yang berjudul Pembandngan Mean Squared Error (MSE) Metode Prasad-Rao Dan Jang-Lahr-Wan Pada Emprcal Best Lnear Unbased Predcton (EBLUP) adalah benar hasl karya saya sendr. Dalam skrps n tdak terdapat keseluruhan atau sebagan tulsan orang lan yang saya aku seolah sebaga tulsan saya. Bandar Lampung, September 2017 Rfa Rahma Pertw
8 RIWY HIDUP Penuls merupakan anak kedua dar tga bersaudara yang lahr d Kemlng pada tanggal 4 Februar 1996 dar pasangan Bapak M. Yunus dan Ibu Erma Yun Wat. Penddkan penuls dmula pada tahun 2000 d K Budaya Bandar Lampung, pada tahun 2001 penuls melanjutkan penddkan d SD Neger 2 Sumberejo dan menyelesakannya pada tahun 2007, sekolah menengah pertama d SMP Neger 14 Bandar Lampung dan dselesakan pada tahun 2010 serta dlanjutkan d SM Persada Bandar Lampung yang dselesakan tahun Selanjutnya, penuls terdaftar sebaga mahassw Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan lam Unverstas Lampung melalu jalur Seleks Bersama Masuk Perguruan ngg Neger (SBMPN) pada tahun Selama menjad mahasswa, penuls terdaftar dalam anggota Bro Kesekretaratan Hmpunan Mahasswa Jurusan Matematka (HIMIK) dan ROIS FMIP UNIL ahun 2014/2015. Pada tahun 2016 penuls melaksanakan Kerja Praktek d Badan Pusat Statstk Kota Bandar Lampung dan Kulah Kerja Nyata d Kampung Gunung gung, Lampung engah. Kn dengan penuh kerja keras, doa dan proses pembelajaran, akhrnya penuls dapat menyelesakan penddkan Strata 1 d Jurusan Matematka FMIP Unla tahun 2017.
9 hs undergraduate thess s dedcated to My parents M. Yunus & Erma Yun Wat My dearest brother and ssters Nova Nk Pertw Shnta Sar Pertw (lm.) Muhammad Jefr r-rahan My lecturers and my frends
10 For ndeed, wth hardshp [wll be] ease. Indeed, wth hardshp [wll be] ease. [Quran 94 : 5-6]
11 SNWCN Puj dan syukur penuls panjatkan kepada llah SW, karena berkat rdho dan rahmat-nya skrps n dapat dselesakan. Salawat serta salam semoga selalu tercurah kepada sur tauladan kta Nab Muhammad SW yang kta nantkan syafaatnya d yauml kyamah kelak, aamn. Skrps dengan judul Pembandngan Mean Squared Error (MSE) Metode Prasad-Rao dan Jang-Lahr-Wan Pada Emprcal Best Lnear Unbased Predcton (EBLUP) adalah salah satu syarat untuk memperoleh gelar sarjana sans d Unverstas Lampung. Dalam kesempatan n penuls mengucapkan terma kash kepada: 1. Ibu Wdart, S.S., M.S., selaku dosen pembmbng utama yang telah dengan sabar meluangkan waktu, pkran, tenaga dan membag lmu serta mengarahkan penuls sehngga skrps n dapat terselesakan. 2. Bapak gus Sutrsno, S.S., M.S., selaku dosen pembmbng kedua sekalgus dosen pembmbng akademk yang telah member saran dan mengarahkan penuls bak semasa perkulahan maupun dalam penyusunan skrps n. 3. Bapak Drs. Nusyrwan, M.S., selaku dosen penguj atas saran dan krtk yang telah dberkan. 4. Ibu Wamlana, M.Sc., P.hD., selaku Ketua Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan lam Unverstas Lampung.
12 5. Bapak Prof. Warsto, S.S., D.E.., P.hD., selaku Dekan Fakultas Matematka dan Ilmu Pengetahuan lam Unverstas Lampung. 6. Kedua orang tua tercnta, Ibu Erma Yun Wat dan Bapak M. Yunus yang selalu memberkan doa, semangat dan dukungan bak moral maupun materl. 7. Kakak penuls, Mbak Kk yang selalu memberkan semangat dan menjad pendengar yang bak selama proses penulsan skrps n, juga adk Rahan atas canda tawa yang dberkan. 8. eman teman seperjuangan Galuh, yas, Dta, La, Nafsah, Nna, ulanda, Hanfah, Imelda. eman satu bmbngan Shella, Della, Chaterne juga teman-teman lan sepert Efrzal, Dmas, Dafr, Pranoto, Shnta, temanteman Matematka 2013, Bang Gerry serta seluruh phak yang tdak dapat dsebutkan satu per satu atas bantuan dan semangat dalam penyusunan skrps n. Penuls menyadar bahwa skrps n mash jauh dar kesempurnaan, akan tetap semoga skrps n dapat berguna serta menjad bahan evaluas untuk kedepannya. Bandar Lampung, 2017 Penuls, Rfa Rahma Pertw
13 DFR ISI DFR BEL Halaman DFR GMBR DFR SIMBOL I. PENDHULUN 1.1 Latar Belakang dan Masalah ujuan Peneltan Manfaat Peneltan... 3 II. INJUN PUSK 2.1 Pendugaan rea Kecl Model rea Kecl Basc rea Level (ype ) Model Basc Unt Level (ype B) Model Model Fay-Herrot Metode Emprcal Best Lnear Unbased Predctons (EBLUP) Mean Squared Error (MSE) pada EBLUP MSE EBLUP Prasad dan Rao MSE EBLUP Dengan Metode Jackknfe Jang-Lahr-Wan III. MEODE PENELIIN 3.1 Waktu dan empat Peneltan Data Peneltan Metode Peneltan IV. HSIL DN PEMBHSN 4.1 Smulas dengan Software R Hasl Perolehan Mean Squared Error V. KESIMPULN DFR PUSK LMPIRN
14 DFR BEL abel Halaman 4.1 Nla dugaan bag ragam pengaruh acak  Perolehan nla β Nla MSE Prasad-Rao dan Jang-Lahr-Wan ( m = 30 ) Nla MSE Prasad-Rao dan Jang-Lahr-Wan ( m = 60 ) Nla MSE Prasad-Rao dan Jang-Lahr-Wan ( m = 60 ) Rata-rata nla MSE... 30
15 DFR GMBR Gambar Halaman 4.1 Plot Perbandngan Nla MSE Prasad Rao dan Jang-Lahr-Wan (m=30) Plot Perbandngan Nla MSE Prasad Rao dan Jang-Lahr-Wan (m=60) Plot Perbandngan Nla MSE Prasad Rao dan Jang-Lahr-Wan (m=60)... 28
16 DFR SIMBOL y : nla pendugaan langsung θ : parameter small area yang ngn damat x : peubah penyerta v : pengaruh acak area kecl dmana v ~N0, : ragam pengaruh acak : dugaan ragam pengaruh acak u : dugaan ragam pengaruh acak setelah data area ke-u dhapus β β β : vektor parameter berukuran px1 : penduga bag β dengan mensubsttuskan nla : penduga bag β dengan mensubusttuskan nla β u : penduga bag β setelah data area ke-u dhapus e : samplng error dmana e ~ N0, D D : ragam error m p : banyaknya area : banyaknya peubah penyerta MSE PR (θ EBLUP ) MSE JLW θ EBLUP : mean squared error EBLUP Prasad dan Rao : mean squared error EBLUP Jang-Lahr-Wan
17 I. PENDHULUN 1.1 Latar Belakang dan Masalah Suatu area dsebut kecl apabla contoh yang dambl pada area tersebut tdak mencukup untuk melakukan pendugaan langsung dengan hasl yang akurat. Pendekatan klask untuk menduga parameter area kecl ddasarkan pada aplkas model desan penarkan sampel (desgn-based) yang dkenal sebaga pendugaan langsung (drect estmaton). Dalam konteks surve, penduga dkatakan langsung apabla pendugaan terhadap parameter populas d suatu area hanya ddasarkan pada data sampel yang dperoleh dar area tersebut. Pendugaan langsung pada suatu area kecl merupakan penduga tak bas tetap memlk ragam yang besar karena dperoleh dar ukuran sampel yang kecl (Rao, 2003). Pendugaan tdak langsung (ndrect estmaton) merupakan salah satu upaya untuk menekan ragam yang besar pada area kecl yatu dengan memanfaatkan nformas dar area sektarnya yang berhubungan dengan parameter yang damat. Pendugaan tdak langsung tersebut dkenal sebaga pendugaan area kecl atau lebh dkenal dengan Small rea Estmaton (SE). Berbaga metode pendugaan area kecl (small area estmaton) telah dkembangkan khususnya menyangkut metode yang berbass model (model-based estmator). Beberapa metode yang tergolong dalam metode berbass model adalah metode Emprcal Bayes (EB),
18 2 Herarchcal Bayes (HB), dan Emprcal Best Lnear Unbased Predcton (EBLUP). Metode EB dan HB dgunakan untuk data bner atau cacahan sedangkan metode EBLUP dgunakan pada data kontnu. Metode EBLUP merupakan perluasan dar metode BLUP. Pada metode BLUP dasumskan komponen ragam dketahu. Namun dalam kenyataannya, komponen ragam sult untuk dketahu sehngga dperlukan pendugaan terhadap komponen ragam melalu data sampel. Metode EBLUP mensubsttuskan komponen ragam yang tdak dketahu ke dalam penduga BLUP. Keakuratan penduga dapat dperoleh dengan cara mengukur mean squared errornya. Semakn kecl mean squared error suatu penduga maka penduga semakn akurat. Beberapa metode telah dkembangkan dalam pendugaan MSE (θ EBLUP ). Prasad dan Rao (1990) mengembangkan penduga bag MSE (θ EBLUP ) dengan menggunakan ekspans deret aylor. Jang-Lahr-Wan (2002) mengembangkan penduga bag MSE (θ EBLUP ) dengan menggunakan metode jackknfe. Jackknfe merupakan suatu teknk resamplng yang secara khusus dgunakan untuk menentukan ragam dan bas dugaan. Prnsp metode Jackknfe adalah dengan cara menghlangkan satu buah data dan mengulangnya sebanyak jumlah sampel data yang ada. Peneltan sebelumnya Jang, Lahr dan Wan (2002) dalam Rao (2003) membandngkan MSE EBLUP tersebut namun tanpa peubah penyerta. Berdasarkan uraan tersebut, pada peneltan n penuls tertark untuk membandngkan nla dugaan mean squared error pada penduga EBLUP menggunakan metode yang dkembangkan Prasad dan Rao dengan metode yang
19 3 dkembangkan Jang-Lahr-Wan dengan mengkutsertakan peubah penyerta. Perbandngan akan dlakukan secara emprs melalu data smulas dengan bantuan software R ujuan Peneltan ujuan dar peneltan n adalah membandngkan nla dugaan mean squared error pada penduga EBLUP menggunakan metode yang dkembangkan Prasad dan Rao dengan metode yang dkembangkan Jang-Lahr-Wan. 1.3 Manfaat Peneltan Manfaat dar peneltan n adalah menambah nformas mengena perbandngan nla dugaan mean squared error pada penduga EBLUP menggunakan metode yang dkembangkan Prasad dan Rao dengan metode yang dkembangkan Jang- Lahr-Wan.
20 II. INJUN PUSK 2.1 Pendugaan rea Kecl Suatu area dsebut kecl apabla contoh yang dambl pada area tersebut tdak mencukup untuk melakukan pendugaan langsung dengan hasl dugaan yang akurat. Penaksran parameter d area kecl dapat dlakukan dengan dua cara, yatu penaksran langsung (drect estmaton) dan penaksran tdak langsung (ndrect estmaton). Model desan penarkan sampel dgunakan pada penaksran langsung. kan tetap, penaksran n tdak dapat menghaslkan keteltan yang cukup jka ukuran sampel dar small area yang damat sangat kecl. Untuk membuat dugaan yang akurat dalam area kecl, maka dgunakan pendugaan tdak langsung, yatu dengan memnjam kekuatan dar peubah pendukung yang berkatan dengan parameter yang ngn dduga (Rao, 2003). Pendugaan tdak langsung pada area kecl nlah yang basa dsebut pendugaan area kecl (small area estmaton). Menurut Longford (2005) pendugaan area kecl merupakan suatu metode yang dgunakan untuk menduga parameter pada area kecl dengan memanfaatkan nformas dar luar area, dar dalam area tu sendr, dan dar luar surve.
21 5 2.2 Model rea Kecl Model area kecl merupakan model dasar dalam pendugaan area kecl. Dalam pendugaan area kecl terdapat dua jens model dasar yang dgunakan (Rao, 2003), yatu : Basc rea Level (ype ) Model Basc rea Level Model atau dapat dsebut sebaga model berbass area merupakan model yang ddasarkan pada ketersedaan data pendukung yang hanya ada untuk level area tertentu, yatu x =,,, p. Parameter small area yang ngn damat adalah θ. Parameter small area n berhubungan lnear dengan x mengkut model lnear berkut : θ = x β + v =,,, m (2.1) dengan v ~, sebaga pengaruh acak yang dasumskan menyebar normal, sedangkan merupakan konstanta postf yang dketahu dan β =,, p adalah vektor koefsen regres berukuran. Kesmpulan mengena θ dapat dketahu dengan mengasumskan bahwa model penduga langsung telah terseda, yatu : = θ + e = 1, 2,..., m (2.2) dengan samplng error e ~, dan dketahu. Dar kombnas persamaan (2.1) dan (2.2) ddapatkan model gabungan :
22 6 = x β + v + e = 1, 2,..., m (2.3) dengan asums v dan e salng bebas. Rao (2003) menyatakan bahwa model tersebut merupakan bentuk khusus dar model lnear campuran Basc Unt Level (ype B) Model Basc Unt Level Model atau model berbass unt merupakan suatu model dmana data pendukung yang terseda bersesuaan secara ndvdu dengan data respon, msal x =,, p artnya untuk masng-masng anggota populas j dalam masng-masng area kecl, namun terkadang cukup dengan rata-rata populas X dketahu saja. 2.3 Model Fay-Herrot Model n dperkenalkan oleh Fay dan Herrot (1979) sebaga model dasar untuk menaksr pendapatan per kapta pada small area (dengan populas yang kurang dar jwa penduduk) d merka Serkat menggunakan model dua level berkut : Level 1 : θ ~θ, Level 2 : θ ~, Model dua level datas dapat dtulskan sebaga model lnear campuran : = θ + e = x β + v + e =,,, m (2.4) Model Fay-Herrot n merupakan kasus model area level sepert pada persamaan (2.3) dengan =, sementara v ~, dan e ~,.
23 7 2.4 Metode Emprcal Best Lnear Unbased Predctons (EBLUP) sums dasar dalam pengembangan untuk model pendugaan area kecl adalah keragaman d dalam area kecl peubah respon dapat dterangkan oleh hubungan keragaman yang bersesuaan pada nformas tambahan yang dsebut pengaruh tetap. sums lannya yatu bahwa keragaman spesfk area kecl tdak dapat dterangkan oleh nformas tambahan dan merupakan pengaruh acak area kecl. Gabungan dar dua asums tersebut membentuk model pengaruh campuran. Salah satu sfat yang menark dalam model campuran adalah kemampuan dalam hal menduga kombnas lnear dar pengaruh tetap dan pengaruh acak. Henderson mengembangkan teknk penyelesaan model pengaruh campuran untuk memperoleh predks tak-bas lnear terbak (best lnear unbased predcton / BLUP). Menurut Rao (2003), BLUP merupakan suatu pendugaan parameter yang memnmumkan mean squared error (MSE) dantara kelas-kelas pendugaan parameter lnear tak bas lannya. BLUP dhaslkan dengan asums bahwa komponen ragam dketahu. Namun faktanya, komponen ragam sult bahkan tdak dketahu. Oleh karena tu, dperlukan pendugaan komponen ragam tersebut melalu data sampel. Model dasar dalam pengembangan pendugaan area kecl ddasarkan pada bentuk model lner campuran sebaga berkut : = x β + v + e Dmana : nla pendugaan langsung berdasarkan rancangan surve x : vektor varabel pendukung yang elemen-elemennya dketahu β : vektor parameter berukuran px1
24 8 v : pengaruh acak area kecl dengan asums v ~, e : samplng error yang tdak terobservas dengan asums e ~, Menurut Rao (2003) penduga BLUP yang terbentuk bag θ = x β + v adalah : θ L = x β + v = x β + x β (2.5) Sementara penduga bag pengaruh acak v dar penduga BLUP menurut McCulloh dan Searle dacu dalam Nssnen (2009) dhaslkan dar : v = v = v + vv, [v ] [ ] = + [ + ] [ x β ] = + ( x β = ( x β. Sedangkan β merupakan penduga bag β yang dapat dperoleh dengan metode generalzed least square dengan mendferensalkan Xβ V Xβ terhadap β dmana =, X = x dan V = + sebaga berkut : ( Xβ V Xβ β = V X V β + X β V Xβ β = X V + X V Xβ Untuk memperoleh nla penduga bag β, hasl tersebut dsamakan dengan nol, sehngga X V + X V Xβ = X V Xβ = X V X V Xβ = X V
25 9 β = X V X X V β = m x x = + m x y + = (2.7) Sehngga persamaan (2.5) menjad θ L = x β + ( x β = x m x x = + m x y + = + + ( x m x x = + m x y + = ) (2.8) Penduga BLUP pada persamaan (2.8) mash bergantung pada komponen ragam yang pada prakteknya tdak dketahu nlanya, sehngga harus dtaksr dar data. Dengan mensubsttus ke pada persamaan (2.8) dperoleh penduga EBLUP bag θ = x β + v sebaga berkut : θ L = x β + x β (2.9) Dengan Dan =, untuk =,,, m. + β = m x x = + m x y + = (2.10) Dmana dan β merupakan nla dan β saat dsubsttuskan dengan nla dugaannya.
26 10 Menurut Wan (1999) nla tersebut dapat dperoleh dengan metode moment yatu = max, Dmana = Dengan Dan m m p [( x β L = h ] (2.11) h = x ( m m = x x x β L = ( = x x = x m 2.5 Mean Squared Error (MSE) Pada EBLUP Msalkan θ merupakan suatu parameter dan θ merupakan taksran dar parameter θ. MSE dar θ ddefnskan sebaga berkut : Msalkan E[θ ] = a, yang belum tentu θ, MSE[θ ] = E [(θ θ ] = E [(θ a + a θ ] = E [(θ + (θ θ + θ ] = E [(θ ] + E[(θ ] θ + E[ θ ] = E [(θ ] + E[(θ ] θ + E θ MSE[θ ] = v[θ ] + [θ ] ; karena E[(θ ] = =
27 11 Berdasarkan defns MSE tersebut, jka θ yang dperoleh unbased, maka MSE dar θ akan sama dengan varans dar θ. Sedangkan standar error dar θ ddefnskan sebaga akar kuadrat postf dar MSE[θ ]. Nla MSE dar suatu taksran parameter memlk peranan pentng untuk dketahu, dantaranya adalah untuk mengukur seberapa bak taksran parameter yang dperoleh MSE EBLUP Prasad dan Rao Prasad dan Rao (1990) mendefnsakan MSE θ EBLUP sebaga berkut : MSE θ EBLUP = E θ EBLUP θ BLUP EBLUP BLUP = MSEθ + E[θ θ ] (2.12) Dmana MSEθ BLUP djabarkan sebaga berkut : MSE(θ BLUP = E θ BLUP θ = E [θ BLUP (x β + v ] = E [(x β + + x β ) (x β + v ] = E [(x β + + x + β ) (x β + v ] = E x β + + x + β + x β x β + x [( + β (x β + v x + β ) ]
28 12 = E [(x β + + x + β + x β x β x + β + x + β) (x β + v ] = E [(x β + + x β + x β β x + β β) (x β + v ] = E [(x β + + x β + (x x + ) β β) (x β + v ] = E (x β + + x β (x β + v ) [ + (x + x ) β β ] = E [(x β + + x β (x β + v )] + E [(x x + ) β β] + v[, ] = E [(x β + + x β (x β + v )] + E [(x x + ) β β]. Dengan E [(x β + + x β (x β + v )] = E [(x β + v + + e (x β + v )] = E [ v + + e v ] = E [( v + + e v ). ( v + + e v ) ] = E [( v + + e v ). ( v + + e v )]
29 13 = E [( v + + e v ). ( v + + e v )] = E [( v + + e ). ( v + + e )] E ( v + + e v ) E ( v + + e v ) + E v v = ( ) + E v v v e v e + e e ( ) E v + v e v ( ) E v + v v e + E v v = ( ) + [E v v Ev e Ev e + Ee e ] ( ) [E v + v Ee v ] ( ) [E v + v Ev e ] + E v v = ( ) + = ( ) + + ( ) ( ) ( ) ( ) = ( ) = = + = + + = + + = + = g.
30 14 Dan E [(x x + ) (β β] = ( ) E [x + (β β] = ( ) E[x + (β β. (β βx ] = ( ) E [x + (β β (β β x ] = E [( ) x + (β β] = ( ) x + E [(β β (β β ] x. (β β = x x + = x x x x = x v + x e x x ( x + ) v e x x. v e x = x x x x x v x e x x = x v + e x x. Dengan mensubsttuskan persamaan (2.16) ke persamaan (2.15) dperoleh : = ( ) x + E [(β β (β β ] x = ( ) + x E [ x v + e x x v + e x ] x x = ( ) x + x E [ v + e v + e x x x ] x x x = ( ) + = ( ) + x x [ E v v + Ev e + Ev e + Ee e x x x ] x x x x x [ x x x ] x x x
31 15 = ( x x ) + x x + x x x x = ( x x ) + x x + = ( ) x + + x x x = g. (malana, 2012) Sehngga, dengan mensubsttuskan persamaan (2.14) dan (2.17) ke persamaan (2.13), dperoleh MSE(θ BLUP = g + g = + ( ) x x x x. Oleh karena tu persamaan (2.12) menjad : MSE (θ EBLUP = MSE(θ BLUP + E[θ EBLUP θ BLUP ] = g + g + E[θ EBLUP θ BLUP ] (2.19) Prasad dan Rao (1990) menggunakan aproksmas deret aylor untuk menghtung E[θ EBLUP θ BLUP ] sebaga berkut : θ EBLUP = θ dan θ BLUP = θ Dengan menggunakan aproksmas deret aylor orde pertama dar θ EBLUP dsektar, maka θ EBLUP θ BLUP + (θ BLUP ( θ EBLUP θ BLUP (θ BLUP ( [θ EBLUP θ BLUP ] [ (θ BLUP ( ]
32 16 (θ BLUP x β + x β Dengan asums (θ BLUP Sehngga x β + + x β + x + x β x β + x + (β β + x β + x β β + x β β + x β β, maka dperoleh [θ EBLUP θ BLUP ] + x β [ ) ( ] E [θ EBLUP θ BLUP ] + x β E [ ) ( ] E + + v + e ) v + e ) [ ] E [( ( ] E + ) v + e v + e + ) [ ] v( + ) E[v + e e + v + ] ) v(
33 17 + ) E[v e + v v + e e + e v + ] ) v( + + ) [ ] ) v( + + ) + ) v( dengan + ) = ( + = = + + Sehngga dperoleh : + = E[θ EBLUP θ BLUP ] ( + ) v( = v( + = + m + = m + = g.
34 18 Sehngga persamaan (2.19) menjad : MSE (θ EBLUP = MSE(θ BLUP + E[θ EBLUP θ BLUP ] = g + g + g (2.21) Sepert yang telah djelaskan sebelumnya, bahwa pada EBLUP nla yang dgunakan adalah dugaan pengaruh acak (. Dengan mensubsttuskan ke persamaan (2.11) maka dperoleh : MSE (θ EBLUP = MSE(θ BLUP + E[θ EBLUP θ BLUP ] = g( + g( + g( (2.22) Namun, g( tersebut bersfat bas terhadap g sehngga perlu dcar nla g( yang tak bas. Prasad dan Rao (1990) memperoleh nla g( yang tak bas dengan menggunakan ekspans deret aylor dar g( dsektar dan selanjutnya menghtung ekspektasnya. Sehngga dperoleh bahwa g = g( + g(. Sehngga MSE EBLUP yang dperoleh sebaga berkut : Dengan MSE (θ EBLUP = g( + g( + g( (2.23) g( = g( = +, x + + x x x, g( = m ( + (Prasad dan Rao, 1990)
35 MSE EBLUP Dengan Metode Jackknfe Jang-Lahr-Wan Jang, Lahr dan Wan (2002) mengembangkan penduga jackknfe untuk MSE EBLUP sebaga berkut : MSE θ EBLUP = E θ EBLUP θ BP = E [θ θ ] EBLUP + E[θ θ BP ] Dmana E [(θ BP θ ] merupakan MSE(θ BP = g = + ( persamaan (2.14) ), sehngga MSE θ EBLUP = E [θ BP θ ] + E[θ EBLUP θ BP ] = MSE(θ BP + E[θ EBLUP θ BP ] = g + E[θ EBLUP θ BP ] (2.24) Karena pada EBLUP nla tdak dketahu sehngga perlu dlakukan pendugaan terhadap nla tersebut dengan persamaan (2.10). Dengan mensubsttuskan nla ke maka dperoleh : MSE θ EBLUP = g( + E[θ EBLUP θ BP ] (2.25) Dmana g( = +, Sepert yang telah djelaskan sebelumnya, bahwa g( = + bersfat bas, berbeda dengan Prasad dan Rao yang medapatkan nla tersebut dengan ekspans deret aylor, Jang-Lahr-Wan menggunakan konsep jackknfe untuk mengoreks bas g( sebaga berkut :
36 20 MSE θ EBLUP = g( + E[θ EBLUP θ BP ] + E[θ EBLUP θ BP ] m m = g( m g( u g( + E[θ EBLUP θ BP ] u= Bas koreks bag g( Selanjutnya menggunakan konsep jackknfe untuk mengestmas bas E[θ EBLUP θ BP ] = m m m θ ( ; u θ ( ; Sehngga dperoleh mean squared error Jang-Lahr-Wan sebaga berkut : JLW θ L = g( Dmana m m m u= m g( u g( + u= m m θ ( ; u θ ( ;. u= θ ( ; = θ L = x β + + x β θ ( ; u = x β u + u u + x β u g( = + g( u = u u + u dan β u merupakan penduga dan β setelah menghapus data area ke-u. Sehngga pada JLWθ L n, untuk mendapatkan nla θ ( ; u harus dlakukan pendugaan ulang terhadap u dan β u untuk setap area ke-u yang dhapus sejumlah banyaknya area.
37 III. MEODE PENELIIN 3.1 Waktu dan empat Peneltan Peneltan n dlakukan pada semester genap tahun akademk 2016/2017, bertempat d Jurusan Matematka, Fakultas Ilmu Pengetahuan lam, Unverstas Lampung, Lampung. 3.2 Data Peneltan Data yang dgunakan dalam kajan skrps n adalah berupa data smulas dengan bantuan software R dan sebaran data berdstrbus normal. Pada kajan n penuls menetapkan nla dan D serta banyaknya area m berdasarkan peneltan sebelumnya dmana Jang, Lahr dan Wan (2002) dalam Rao (2003) menetapkan nla = D = dan banyaknya area m = 30, 60 dan Metode Peneltan Metode pendugaan MSE yang dgunakan dalam peneltan n yatu mean squared error Prasad dan Rao (1990) yang dkembangkan dengan aproksmas deret aylor serta Jang-Lahr-Wan (2002) dengan konsep jackknfe.
38 22 Model dasar yang dgunakan dalam peneltan n adalah model dua tahap Fay Herrot, dmana Model Fay-Herrot n merupakan kasus model area level. Level 1 : θ ~θ, D Level 2 : θ ~x β, Model dua level n dapat dtuls sebaga model lnear campuran sepert pada persamaan (2.4). Smulas pada software R 1. Membangktkan peubah acak sebaga peubah penyerta bag varabel respon, dgunakan empat peubah penyerta sebaga berkut : ~,, ~.,., ~,, ~.,. Nla tengah dan ragan masng masng varabel x tersebut dambl dar nla tengah dan ragam varabel penyerta yang memengaruh pengeluaran per kapta setap kecamatan d Kabupaten Brebes tahun 2013 dmana pada peneltan sebelumnya Nngtyas et al (2015) menggunakan data jumlah kelahran penduduk (X1), jumlah kematan penduduk (X2), jumlah penduduk yang memlk kendaraan roda 2 (X3) dan jumlah sarana kesehatan (puskesmas, polklnk kesehatan desa, bala pengobatan, rumah sakt khusus, rumah bersaln dan rumah sakt umum) (X4). Masng masng dbangktkan sejumlah banyaknya area yatu 30, 60 dan Membangktkan data e = e, e,, e m sebaga samplng error dengan e ~, 3. Menetapkan nla β, pada peneltan n dgunakan empat nla β yatu
39 , , , yang dperoleh dar peneltan sebelumnya oleh Nngtyas et al (2015) menggunakan data pengeluaran per kapta setap kecamatan d Kabupaten Brebes tahun Membangktkan data θ ~x β, sejumlah banyaknya area yatu 30, 60 dan Memperoleh data sebaga nla pendugaan langsung dmana = θ + e 6. Menghtung nla dugaan ragam pengaruh acak ( 7. Menghtung nla dugaan mean squared error Prasad dan Rao (1990) SE PRθ EBLUP dengan mensubsttuskan hasl dugaan ragam pengaruh acak ( (langkah 6) ke persamaan (2.23) 8. Menghtung nla dugaan mean squared error Jang-Lahr-Wan (2002) SE JLWθ EBLUP dengan persamaan (2.26) dengan langkah sebaga berkut : a. Menghtung β dengan persamaan (2.10) b. Menghtung θ ( ; ) = θ EBLUP dengan mensubsttuskan hasl dan β pada langkah (6) dan (8.a) ke persamaan (2.9) c. Menghtung nla dugaan ragam pengaruh acak untuk setap area ke-u yang dhapus ( u d. Menghtung β untuk setap area ke-u yang dhapus (β u e. Menghtung θ ( ; u ) dengan mensubssttuskan hasl u dan β u f. Mensubsttuskan hasl, u, θ ( ; ) dan θ ( ; u ) ke persamaan (2.26) sehngga dperoleh hasl dugaan mean squared error Jang-Lahr- Wan (2002) SE JLWθ EBLUP 9. Membandngkan hasl (7) dan (8)
40 V. KESIMPULN Berdasarkan hasl perolehan dan perbandngan MSE EBLUP dengan metode Prasad dan Rao yang dkembangkan dengan deret aylor juga metode Jang- Lahr-Wan dengan metode jackknfe, dapat dsmpulkan bahwa metode pendugaan mean squared error EBLUP dengan metode Jang-Lahr-Wan lebh bak karena menghaslkan nla yang lebh kecl dbandng MSE Prasad dan Rao. Selan tu, semakn besar jumlah area (m) nla MSE EBLUP keduanya relatf semakn kecl.
41 DFR PUSK malana, L Penaksran Mean Squared Error (MSE) Emprcal Best Lner Unbased Predcton (EBLUP) Pada Model Fay-Herrot. (Skrps). Unverstas Indonesa. Depok. Fay, R.E., and Herrot, R Estmates of Income for Small Places: an pplcaton of James-Sten Procedure to Cencus Data. Journal of mercan Statstcal ssocaton. 74, Jang, J., Lahr, P., and Wan, S Unfed Jackknfe Method. nnals of Statstcs. 30, Longford, N Mssng Data and Small rea Estmaton : Modern nalytcal Equpment for the Survey Statstcan. Sprnger Scence + Busness Meda, Inc., New York. Nngtyas, R., Rahmawat, R., dan Wlandar, Y Penerapan Metode Emprcal Best Lnear Unbased Predcton (EBLUP) Pada Model Penduga rea Kecl Dalam Pendugaan Pengeluaran Per Kapta D Kabupaten Brebes. Jurnal Gaussan. 4, Nssnen, K Small rea Estmaton wth Lnear Mx Models from Unt- Level Panel and Rotatng Panel Data. Unversty Prntng House Jyvaskyla. Unversty of Jayvaskyla Fnland. Prasad, N.G.N., and Rao, J.N.K he Estmaton of Mean Squared Errors of Small rea. Estmators. Journal of the mercan Statstcal ssocaton. 85, Rao, J.N.K Small rea Estmaton. John Wlley and Sons, Inc., New York.
42 Wan, S. M Jackknfe Methods n Small rea Estmaton and Related Problems. (Dssertaton). Unversty of Nebraska. Lncoln.
ESTIMASI 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 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 terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBAB 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 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB 1 PENDAHULUAN. 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 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 terperinciPENDUGAAN RASIO, BEDA DAN REGRESI
TEKNIK SAMPLING PENDUGAAN RASIO, BEDA DAN REGRESI PENDAHULUAN Pendugaan parameter dar peubah Y seharusnya dlakukan dengan menggunakan nformas dar nla-nla peubah Y Bla nla-nla peubah Y sult ddapat, maka
Lebih 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 terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB 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 terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk
Lebih terperinciANALISIS PENGARUH GAYA KEPEMIMPINAN DAN MOTIVASI TERHADAP KINERJA KARYAWAN
ANALISIS PENGARUH GAYA KEPEMIMPINAN DAN MOTIVASI TERHADAP KINERJA KARYAWAN STUDI KASUS PADA PT. DOK & PERKAPALAN KODJA BAHARI (PERSERO) CABANG SEMARANG SKRIPSI Dajukan sebaga salah satu syarat Untuk menyelesakan
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciPERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA
Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN :2087-0922 PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih 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 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 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 terperinciAnalisis Indikator Makroekonomi Negara Tujuan Ekspor terhadap Kinerja Ekspor Non Migas Indonesia: Studi Kasus Lima Negara Tujuan Utama Ekspor
Analss Indkator Makroekonom Negara Tujuan Ekspor terhadap Knerja Ekspor Non Mgas Indonesa: Stud Kasus Lma Negara Tujuan Utama Ekspor Skrps Dajukan Sebaga Kelengkapan dan Syarat Untuk Menyelesakan Program
Lebih terperinciBAB III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
Lebih terperinciBAB V Model Bayes Pendugaan Area Kecil untuk Respon Binomial dan Multinomial Berbasis Penarikan Contoh Berpeluang Tidak Sama
BAB V Model Bayes Pendugaan Area Kecl untuk Respon Bnomal dan Multnomal Berbass Penarkan Contoh Berpeluang Tdak Sama 5.1. Pendahuluan Pada umumnya pengembangan model SAE dan pendugaannya dlakukan dengan
Lebih terperinciPemetaan Penyakit Demam Berdarah (DBD) Kota Makassar Dengan Penduga Empirical Bayes
Jurnal Matematka, Statstka & Komputas 1 Vol. 4 No. Januar 008 Pemetaan Penyakt Demam Berdarah (DBD) Kota Makassar Dengan Penduga Emprcal Bayes Ansa Abstrak Peneltan n mengkaj penggunaan model Emprcal Bayes
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciSKRIPSI PENGARUH PENILAILAN PRESTASI KERJA TERHADAP PROMOSI JABATAN KANTOR PT PERKEBUNAN NUSANTARA IV MEDAN UNIT KEBUN ADOLINA OLEH
SKRIPSI PENGARUH PENILAILAN PRESTASI KERJA TERHADAP PROMOSI JABATAN KANTOR PT PERKEBUNAN NUSANTARA IV MEDAN UNIT KEBUN ADOLINA OLEH Dw Wra Prawaty 110502294 PROGRAM STUDI STRATA 1 MANAJEMEN DEPARTEMEN
Lebih terperinciPrediksi Kelainan Refraksi Berdasarkan Panjang Sumbu Bola Mata Pada Pasien Myopia Axial Melalui Regresi Bootstrap
Predks Kelanan Refraks Berdasarkan Panjang Sumbu Bola Mata Pada Pasen Myopa Axal Melalu Regres Bootstrap Oleh: Karyam dan Qorlna Statstka UII ABSTRAKSI Peneltan n dlakukan d Rumah Sakt Mata Dr. YAP Yogyakarta
Lebih terperinciPERBANDINGAN METODE EMPIRICAL BAYES
PERBANDINGAN METODE EMPIRICAL BAYES (EB) DAN EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA PENDUGAAN AREA KECIL (Stud Kasus Pendugaan Pengeluaran Per Kapta d Kota Bogor) AGUSTINA DWI WARDANI DEPARTEMEN
Lebih terperinciParameter Quantile-like dalam Pendugaan Area Kecil Melalui Pendekatan Penalized-Splines
Statstka, Vol. 8, No. 1, 31-36 Unsba Bandung, Me 2008 Parameter Quantle-lke dalam Pendugaan Area Kecl Melalu Pendekatan Penalzed-Splnes Kusman Sadk Departemen Statstka IPB, Bogor Jl. Merant, Kampus IPB
Lebih terperinciPendugaan Parameter Regresi. Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Pendugaan Parameter Regres Menduga gars regres Menduga gars regres lner sederhana = menduga parameter-parameter regres β 0 dan β 1 : Penduga parameter yang dhaslkan harus merupakan penduga yang bak Software
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciDIMENSI PARTISI GRAF GIR
Jurnal Matematka UNAND Vol. 1 No. 2 Hal. 21 27 ISSN : 2303 2910 c Jurusan Matematka FMIPA UNAND DIMENSI PARTISI GRAF GIR REFINA RIZA Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam,
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciREGRESI LINIER SEDERHANA (MASALAH ESTIMASI)
REGRESI LINIER SEDERHANA (MASALAH ESTIMASI) PowerPont Sldes byyana Rohmana Educaton Unversty of Indonesan 007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 9 Bandung, Telp. 0 013163-53 Hal-hal
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 KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciSOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN
SOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN Ita Rahmadayan 1, Syamsudhuha 2, Asmara Karma 2 1 Mahasswa Program Stud S1 Matematka
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB 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 terperinciIII. METODELOGI PENELITIAN. Suatu penelitian dapat berhasil dengan baik dan sesuai dengan prosedur ilmiah,
III. METODELOGI PENELITIAN A. Metode Peneltan Suatu peneltan dapat berhasl dengan bak dan sesua dengan prosedur lmah, apabla peneltan tersebut menggunakan metode atau alat yang tepat. Dengan menggunakan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciAnalisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :
Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan
Lebih terperinciAnalysis of Covariance (ANACOVA)
Analss of Covarance ANACOVA Bett Kash Paramtha Ihda Ihsana Gempur Safar Oleh: La Ftran Muhammad Alawdo Erma Aprlana Eka Setanngsh Prof Dr Sr Haratm Kartko Program Stud Statstka FMIPA Unverstas Gadah Mada
Lebih terperinciBAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel
4 BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peneltan Obyek dalam peneltan n adalah kebjakan dvden sebaga varabel ndependen (X) dan harga saham sebaga varabel dependen (Y). Peneltan n dlakukan untuk
Lebih terperinciRANCANGAN ACAK KELOMPOK TAK LENGKAP (Incomplete Block Design) Dr.Ir. I Made Sumertajaya, M.Si Departemen Statistika-FMIPA IPB 2007
RANCANGAN ACAK KELOMPOK TAK LENGKAP (Incomplete Block Desgn) Dr.Ir. I Made Sumertajaya, M.S Departemen Statstka-FMIPA IPB 007 Revew Rancangan Acak Kelompok Kta ngn membandngkan t perlakuan Pengelompokan
Lebih terperinciBAB I PENDAHULUAN. Semakin tinggi penerimaan Pajak di Indonesia, semakin tinggi pula kualitas
BAB I PENDAHULUAN A. LATAR BELAKANG Pajak merupakan sumber penermaan terpentng d Indonesa. Oleh karena tu Pemerntah selalu mengupayakan bagamana cara menngkatkan penermaan Pajak. Semakn tngg penermaan
Lebih terperinciPENYELESAIAN PROGRAM LINEAR SASARAN GANDA MENGGUNAKAN METODE SIMPLEKS MULTIFASE
PERSETUJUAN PENYELESAIAN PROGRAM LINEAR SASARAN GANDA MENGGUNAKAN METODE SIMPLEKS MULTIFASE SKRIPSI Telah dsetuju dan dsyahkan pada tanggal: 3 November 2010 Untuk dpertahankan ddepan Dewan Penguj Skrps
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciMETODE PREDIKSI TAK-BIAS LINEAR TERBAIK DAN BAYES BERHIRARKI UNTUK PENDUGAAN AREA KECIL BERDASARKAN MODEL STATE SPACE KUSMAN SADIK
METODE PREDIKSI TAK-BIAS LINEAR TERBAIK DAN BAYES BERHIRARKI UNTUK PENDUGAAN AREA KECIL BERDASARKAN MODEL STATE SPACE KUSMAN SADIK SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 009 PERNYATAAN MENGENAI
Lebih terperinciPENENTUAN KOEFISIEN MULTIPLE REGRESI DENGAN MENGGUNAKAN METODE LINIER PROGRAMMING
PENENTUAN KOEFISIEN MULTIPLE REGRESI DENGAN MENGGUNAKAN METODE LINIER PROGRAMMING SKRIPSI RINA ASTRY GINTING 060823031 PROGRAM STUDI SARJANA MATEMATIKA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
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 terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciDISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA
DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciRegresi Linear Sederhana dan Korelasi
Regres Lnear Sederhana dan Korelas 1. Model Regres Lnear. Penaksr Kuadrat Terkecl 3. Predks Nla Respons 4. Inferens Untuk Parameter-parameter Regres 5. Kecocokan Model Regres 6. Korelas Utrwen Mukhayar
Lebih terperinciPROSEDUR MENGGUNAKAN STRATIFIED RANDOM SAMPLING METHOD DALAM MENGESTIMASI PARAMETER POPULASI
JEMI, Vol 1, No 1, Desember 2010 PROSEDUR MENGGUNAKAN STRATIFIED RANDOM SAMPLING METHOD DALAM MENGESTIMASI PARAMETER POPULASI Des Rahmatna, SPd, MSc (Unverstas Martm Raja Al Haj) ABSTRAKSI Peneltan n dmaksudkan
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBab 3 Analisis Ralat. x2 x2 x. y=x 1 + x 2 (3.1) 3.1. Menaksir Ralat
Mater Kulah Ekspermen Fska Oleh : Drs. Ishaft, M.S. Program Stud Penddkan Fska Unverstas Ahmad Dahlan, 07 Bab 3 Analss Ralat 3.. Menaksr Ralat Msalna suatu besaran dhtung dar besaran terukur,,..., n. Jka
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
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 terperinciSistem Kriptografi Stream Cipher Berbasis Fungsi Chaos Circle Map Dengan Pertukaran Kunci Diffie-Hellman
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Sstem Krptograf Stream Cpher Berbass Fungs Chaos Crcle Map Dengan Pertukaran Kunc Dffe-Hellman A-6 Muh. Fajryanto 1,a), Aula Kahf 2,b), Vga Aprlana
Lebih terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciBAB III METODE PENELITIAN. Sebelum melakukan penelitian, langkah yang dilakukan oleh penulis
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum melakukan peneltan, langkah yang dlakukan oleh penuls adalah mengetahu dan menentukan metode yang akan dgunakan dalam peneltan. Sugyono (2006: 1) menyatakan:
Lebih terperinciIII. METODE PENELITIAN. Metode dalam penelitian ini adalah metode eksperimen. Penggunaan metode eksperimen ini
III. METODE PENELITIAN A. Metode Peneltan Metode dalam peneltan n adalah metode ekspermen. Penggunaan metode ekspermen n bertujuan untuk mengetahu apakah suatu metode, prosedur, sstem, proses, alat, bahan
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.
44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon
Lebih terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciPENDUGAAN AREA KECIL TERHADAP PROPORSI RUMAH TANGGA MISKIN LEVEL KELURAHAN DI KABUPATEN SAMPANG MENGGUNAKAN HIERARCHICAL BAYES (HB) LOGIT NORMAL
PENDUGAAN AREA KECIL TERHADAP PROPORSI RUMAH TANGGA MISKIN LEVEL KELURAHAN DI KABUPATEN SAMPANG MENGGUNAKAN HIERARCHICAL BAYES (HB) LOGIT NORMAL Ika Yun Wulansar 1), Gandh Pawtan ), Neneng Sunengsh 3)
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Menghadap era globalsas yang penuh tantangan, aparatur negara dtuntut untuk dapat memberkan pelayanan yang berorentas pada kebutuhan masyarakat dalam pemberan pelayanan
Lebih terperinciBootstrap Pada Regresi Linear dan Spline Truncated
Statstka, Vol. 8 No. 1, 47 54 Me 2008 Bootstrap Pada Regres Lnear dan Splne runcated Harson Darmaw 1) dan Bambang Wdjanarko Otok 2) 1) enaga Pengajar d Jurusan Matematka UNRI, Pekanbaru e-mal: son_ms@yahoo.co.d
Lebih terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciLAPORAN KKN SISDAMAS Kelompok 114 PENGOLAHAN SAMPAH ANORGANIK DAN BARANG BEKAS MENJADI KERAJINAN YANG BERNILAI DAN BERDAYA JUAL DI DESA BONGAS KULON
LAPORAN KKN SISDAMAS Kelompok 114 PENGOLAHAN SAMPAH ANORGANIK DAN BARANG BEKAS MENJADI KERAJINAN YANG BERNILAI DAN BERDAYA JUAL DI DESA BONGAS KULON Edtor : Dra. Hj. St Sumjat, M.S. Penuls : Dndn Ahmad
Lebih terperinciREGRESI DAN KORELASI. Penduga Kuadrat Terkecil. Penduga b0 dan b1 yang memenuhi kriterium kuadrat terkecil dapat ditemukan dalam dua cara berikut :
BAHAN AJAR EKONOMETRIKA AGUS TRI BASUKI UNIVERSITAS MUHAMMADIYAH YOGYAKARTA REGRESI DAN KORELASI Tujuan metode kuadrat terkecl adalah menemukan nla dugaan b0 dan b yang menghaslkan jumlah kesalahan kuadrat
Lebih terperinciPENENTUAN DENSITAS PERMUKAAN
PENENTUAN DENSITAS PERMUKAAN Pada koreks topograf ada satu nla yang belum dketahu nlanya yatu denstas batuan permukaan (rapat massa batuan dekat permukaan). Rapat massa batuan dekat permukaan dapat dtentukan
Lebih terperinci