HASIL DAN PEMBAHASAN
|
|
- Liani Budiaman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 HASIL DAN PEMBAHASAN Deskripsi Data Simulasi Plot pencaran titik data antara peubah respon dengan peubah penjelas dapat dilihat pada Gambar 5. Gambar tersebut mengungkapkan bahwa secara keseluruhan pola pencaran titik tersebut bisa didekati oleh garis lurus (model regresi linier). Titik-titik yang terlihat terlalu jauh dari kumpulan data (yang berada dalam lingkaran) oleh Aunuddin (1989) disebut sebagai pencilan. Pencilan yang ada pada data merupakan pencilan pada peubah respon (Y). Adanya pencilan sangat mempengaruhi pola pencaran titik. Jika dalam masalah ini langsung saja digunakan MKT tanpa mengungkapkan masalah kemungkinan adanya pelanggaran asumsi, yang dalam kasus ini masalah pencilan, maka akan didapat dugaan model regresi yang kurang baik atau berbias dari hubungan yang sebenarnya dalam gugus pasangan data peubah respon dan peubah penjelas tersebut dan akan memberikan kesimpulan atau interpretasi yang salah. Plot Pencaran Titik dari y0% vs x1, x2 Plot Pencaran Titik dari y5% vs x1, x x1 x2 270 x1 x y0% 205 y5% (a) (b) Plot Pencaran Titik dari y10% vs x1, x2 Plot Pencaran Titik dari y15% vs x1, x x1 x2 x1 x y10% y15% (c) (d) Gambar 5 Plot pencaran titik data antara peubah respon dan peubah penjelas yang mempunyai (a) pencilan 0%, (b) pencilan 5%, (c) pencilan 10%, dan (d) pencilan 15%.
2 Alternatif langkah yang biasa dilakukan adalah menghilangkan atau membuang data pencilan secara langsung terlebih dahulu sebelum dilakukan analisis lanjutan. Data pencilan dapat dibuang jika data itu diperoleh dari kesalahan teknis peneliti seperti kesalahan mencatat amatan atau kesalahan ketika menyiapkan peralatan (Draper & Smith 1998). Apabila pencilan timbul dari kombinasi keadaan yang tidak biasa yang sangat penting dan tidak bias diberikan oleh data lainnya, maka pencilan itu tidak dapat dibuang begitu saja, melainkan perlu digunakan suatu metode analisis kusus yang dapat mengatasi masalah pencilan dalam melakukan analisis lanjutan seperti pembentukan model regresi. Diagnosis Sisaan Diagnosis sisaan dilakukan untuk melihat pencilan yang ada pada data. Berdasarkan Gambar 6 dapat dilihat plot antara sisaan terbakukan dengan nilai Y- duga dari MKT, untuk data dengan pencilan 0% perilaku sisaan terlihat acak. Dari gambar juga dapat dilihat titik-titik yang memencil dari pita pencaran sisaan yang memiliki nilai mutlak sisaan baku lebih dari 3. Titik ini merupakan pencilan. Sisaan Lawan Nilai Duga (response is y0%) Sisaan Lawan Nilai Duga (response is y5%) Sisaan Terbakukan Sisaan Terbakukan Fitted Value Fitted Value (a) (b) Sisaan Lawan Nilai Duga (response is y10%) Sisaan Lawan Nilai Duga (response is y15%) 3 3 Sisaan Terbakukan Sisaan Terbakukan Fitted Value -1 Fitted Value (c) (d) Gambar 6 Plot sisaan terbakukan dengan nilai duga untuk data yang mempunyai (a) pencilan 0%, (b) pencilan5%, (c) pencilan10%, dan (d) pencilan15%.
3 Untuk menangani masalah pencilan tersebut digunakan metode regresi kekar yang dikenal tidak peka terhadap adanya pencilan sehingga menghasilkan perilaku sisaan yang lebih baik. Metode egresi kekar yang digunakan adalah metode penduga M, penduga S, dan penduga MM. Pendugaan Parameter Regresi Menggunakan MKT dan Metode Regresi Kekar Pendugaan Parameter β 0 Hasil pendugaan parameter β 0 dapat dilihat pada Tabel 2. Pada kelompok data tanpa pencilan (0% pencilan) dugaan yang diperoleh hampir sama untuk setiap metode. Namun dapat dikatakan MKT yang paling baik dari keempat metode dalam menduga parameter β 0. Pada kelompok data dengan pencilan 5% penduga yang paling baik diantara keempat metode adalah metode penduga S. Sedangkan hasil dugaan MKT sangat jauh dari yang diharapkan. Pada kelompok data dengan pencilan 10% penduga yang paling baik diantara keempat metode adalah metode penduga M. Pada kelompok data dengan pencilan 15% secara keseluruhan metode regresi kekar memberikan hasil yang hampir sama dalam menduga koefisien regresi. Tabel 2 Penduga Koefisien Regresi dengan MKT dan Metode Regresi Kekar Pencilan Parameter MKT M S MM β 0 = % β 1 = β 2 = β 0 = % β 1 = β 2 = β 0 = % β 1 = β 2 = β 0 = % β 1 = β 2 =
4 Dari hasil pendugaan dapat dilihat bahwa penduga MKT merupakan penduga yang sangat peka terhadap pencilan. Nilai dugaan yang diperoleh dari MKT menyimpang jauh dari nilai yang diharapkan ketika ada pencilan pada data. Secara umum, dapat dilihat pada Lampiran 1 dan 2, ragam dan rataan bias untuk masing-masing metode. Pendugaan Parameter β 1 Hasil pendugaan parameter β 1 dapat dilihat pada Tabel 2. Pada kelompok data tanpa pencilan (0% pencilan) dugaan yang diperoleh hampir sama untuk setiap metode. Namun dapat dikatakan yang paling baik dari keempat metode adalah metode penduga S karena lebih mendekati nilai parameter. Pada kelompok data dengan pencilan 5% penduga S dan penduga MM memberikan hasil yang hampir sama dan merupakan penduga terbaik. Untuk hasil dugaan MKT masih jauh dari yang diharapkan. Pada kelompok data dengan pencilan 10% metode regresi kekar memberikan hasil yang hampir sama. Pada kelompok data dengan pencilan 15% juga memberikan hasil yang tidak berbeda jauh, namun dapat dikatakan metode yang paling baik adalah metode penduga S. Dari hasil pendugaan dapat dilihat bahwa penduga MKT merupakan penduga yang sangat peka terhadap pencilan karena hasil yang diberikan masih menyimpang dari nilai yang diharapkan. Secara umum, dapat dilihat pada Lampiran 1 dan 2, ragam dan rataan bias untuk masing-masing metode. Pendugaan Parameter β 2 Hasil pendugaan parameter β 2 dapat dilihat pada Tabel 2. Pada kelompok data tanpa pencilan (0% pencilan) dugaan yang diperoleh hampir sama untuk setiap metode. Namun dapat dikatakan yang paling baik dari keempat metode adalah metode penduga MM. Pada kelompok data dengan pencilan 5% penduga yang paling baik diantara keempat metode adalah metode penduga S. Sedangkan hasil dugaan MKT hampir mendekati nilai yang diharapkan. Pada kelompok data dengan pencilan 10% penduga yang paling baik diantara keempat metode adalah metode penduga S. Pada kelompok data dengan pencilan 15% penduga M
5 merupakan penduga yang paling baik. Secara umum, dapat dilihat pada Lampiran 1 dan 2, ragam dan rataan bias untuk masing-masing metode. Dari hasil yang diperoleh dapat diketahui bahwa nilai dugaan yang diperoleh dengan menggunakan metode regresi kekar lebih baik daripada MKT. Hasil dugaan yang diperoleh dari metode regresi kekar hampir mendekati parameter. Dapat dilihat bahwa penduga MKT merupakan penduga yang sangat peka terhadap pencilan karena hasil yang diberikan masih menyimpang dari nilai yang diharapkan. Efisiensi Efisiensi suatu penduga kekar terhadap penduga lainnya diperlukan untuk mengetahui bahwa penduga tersebut merupakan penduga terbaik, yaitu penduga dengan ragam terkecil. Pada Tabel 3 dapat dilihat bahwa pada data yang tidak mengandung pencilan (0% pencilan), penduga M cukup efisien dibandingkan penduga S dan penduga MM. Hal ini dapat dilihat dari besarnya nilai eff ( ) > 1 yakni untuk penduga M dengan penduga S diperoleh eff ( ) = 1.14, eff ( ) = 1.17, dan eff ( ) = Nilai-nilai tersebut mempunyai arti bahwa untuk mendapatkan ragam yang sama tentang penduga parameter, metode penduga S memerlukan 114% data dibanding metode penduga M, begitu juga tentang penduga parameter, metode penduga S memerlukan data sebesar 117% dibanding metode penduga M, serta memerlukan 119% untuk parameter. Tabel 3 Rataan Nilai Efisiensi untuk Data Tanpa Pencilan Parameter Eff ( ) M vs S M vs MM S vs MM β β β Untuk penduga M dengan penduga MM dapat dilihat bahwa penduga M juga lebih efisien dibanding penduga MM. Hal ini dilihat dari eff ( ) = 1.05, eff ( ) = 1.07, dan eff ( ) = Nilai-nilai tersebut mempunyai arti
6 bahwa untuk mendapatkan ragam yang sama tentang penduga parameter, metode penduga MM memerlukan 105% data dibanding metode penduga M, begitu juga tentang penduga parameter, metode penduga MM memerlukan data sebesar 107% dibanding metode penduga M, serta memerlukan 108% untuk parameter. Sedangkan untuk penduga S dengan penduga MM dapat dilihat bahwa penduga MM cukup efisien dibanding penduga S. Hal ini dilihat dari eff ( ) = 0.92, eff ( ) = 0.92, dan eff ( ) = Nilai-nilai tersebut mempunyai arti bahwa untuk mendapatkan ragam yang sama tentang penduga parameter, metode MM hanya memerlukan 92% data dibanding metode S, begitu juga tentang penduga parameter, metode MM memerlukan data sebesar 92% disbanding metode S, serta memerlukan 91% untuk parameter. Tabel 4 Rataan Nilai Efisiensi untuk Data dengan 5% Pencilan Parameter Eff ( ) M vs S M vs MM S vs MM β β β Pada Tabel 4 dapat dilihat bahwa pada data yang mengandung 5% pencilan, penduga M cukup efisien dibandingkan penduga S dan penduga MM. Hal ini dapat dilihat dari besarnya nilai eff ( ) > 1 yakni untuk penduga M dengan penduga S diperoleh eff ( ) = 1.21, eff ( ) = 1.15, dan eff ( ) = Nilai-nilai tersebut mempunyai arti bahwa untuk mendapatkan ragam yang sama tentang penduga parameter, metode S memerlukan 121% data dibanding metode M, begitu juga tentang penduga parameter, metode S memerlukan data sebesar 115% dibanding metode M, serta memerlukan 115% untuk parameter. Untuk penduga M dengan penduga MM dapat dilihat bahwa penduga M lebih efisien dibanding penduga MM. Hal ini dilihat dari eff ( ) = 1.12, eff ( ) = 1.07, dan eff ( ) = Nilai-nilai tersebut mempunyai arti bahwa
7 untuk mendapatkan ragam yang sama tentang penduga parameter, metode MM memerlukan 112% data dibanding metode M, begitu juga tentang penduga parameter, metode MM memerlukan data sebesar 107% dibanding metode M, serta memerlukan 107% untuk parameter. Sedangkan untuk penduga S dengan penduga MM dapat dilihat bahwa penduga MM cukup efisien dibanding penduga S. Hal ini dapat dilihat dari eff ( ) = 0.93, eff ( ) = 0.93, dan eff ( ) = Nilai-nilai tersebut mempunyai arti bahwa untuk mendapatkan ragam yang sama tentang penduga parameter, metode MM hanya memerlukan 93% data dibanding metode S, begitu juga tentang penduga parameter, metode MM memerlukan data sebesar 93% dibanding metode S, serta memerlukan 93% untuk parameter. Tabel 5 Rataan Nilai Efisiensi untuk Data dengan 10% Pencilan Parameter Eff ( ) M vs S M vs MM S vs MM β β β Pada Tabel 5 dapat dilihat bahwa pada data yang mengandung 10% pencilan, penduga M cukup efisien dibandingkan penduga S dan penduga MM. Hal ini dapat dilihat dari besarnya nilai eff ( ) > 1 yakni untuk penduga M dengan penduga S diperoleh eff ( ) = 1.11, eff ( ) = 1.03, dan eff ( ) = Nilai-nilai tersebut mempunyai arti bahwa untuk mendapatkan ragam yang sama tentang penduga parameter, metode S memerlukan 111% data dibanding metode M, begitu juga tentang penduga parameter, metode S memerlukan data sebesar 103% dibanding metode M, serta memerlukan 103% untuk parameter. Untuk penduga M dengan penduga MM dapat dilihat bahwa penduga M lebih efisien dibanding penduga MM. Hal ini dilihat dari eff ( ) = 1.09, eff ( ) = 1.02, dan eff ( ) = Nilai-nilai tersebut mempunyai arti bahwa
8 untuk mendapatkan ragam yang sama tentang penduga parameter, metode MM memerlukan 109% data dibanding metode M, begitu juga tentang penduga parameter, metode MM memerlukan data sebesar 102% dibanding metode M, serta memerlukan 102% untuk parameter. Sedangkan untuk penduga S dengan penduga MM dapat dilihat bahwa penduga MM cukup efisien dibanding penduga S. Hal ini dilihat dari eff ( ) = 0.98, eff ( ) = 0.99, dan eff ( ) = Nilai-nilai tersebut mempunyai arti bahwa untuk mendapatkan ragam yang sama tentang penduga parameter, metode MM hanya memerlukan 98% data dibanding metode S, begitu juga tentang penduga parameter, metode MM memerlukan data sebesar 99% dibanding metode S, serta memerlukan 98% untuk parameter. Tabel 6 Rataan Nilai Efisiensi untuk Data dengan 15% Pencilan Parameter Eff ( ) M vs S M vs MM S vs MM β β β Pada Tabel 6 dapat dilihat bahwa pada data yang mengandung 15% pencilan, penduga M cukup efisien dibandingkan penduga S untuk parameter dan. Hal ini dapat dilihat dari besarnya nilai eff ( ) > 1 yakni untuk penduga M dengan penduga S diperoleh eff ( ) = 1.06, eff ( ) = Untuk parameter, penduga S lebih efisien disbanding penduga M karena eff ( ) = Nilai-nilai tersebut mempunyai arti bahwa untuk mendapatkan ragam yang sama tentang penduga parameter, metode S memerlukan 106% data dibanding metode M, begitu juga tentang penduga parameter, metode S memerlukan data sebesar 104% dibanding metode M. Untuk pendugaan parameter penduga S hanya memerlukan 98% data dibandingkan metode penduga M.
9 Untuk penduga M dengan penduga MM, penduga M cukup efisien dibandingkan penduga MM untuk parameter dan. Hal ini dapat dilihat dari besarnya nilai eff ( ) > 1 yakni untuk penduga M dengan penduga S diperoleh eff ( ) = 1.04, eff ( ) = Untuk parameter, penduga S lebih efisien disbanding penduga M karena eff ( ) = Nilai-nilai tersebut mempunyai arti bahwa untuk mendapatkan ragam yang sama tentang penduga parameter, metode S memerlukan 104% data dibanding metode M, begitu juga tentang penduga parameter, metode S memerlukan data sebesar 102% dibanding metode M. Untuk pendugaan parameter penduga S hanya memerlukan 96% data dibandingkan metode penduga M. Sedangkan untuk penduga S dengan penduga MM dapat dilihat bahwa penduga MM cukup efisien dibanding penduga S. Hal ini dilihat dari eff ( ) = 0.98, eff ( ) = 0.98, dan eff ( ) = Nilai-nilai tersebut mempunyai arti bahwa untuk mendapatkan ragam yang sama tentang penduga parameter, metode MM memerlukan 93% data dibanding metode S, begitu juga tentang penduga parameter, metode MM memerlukan data sebesar 93% dibanding metode S, serta memerlukan 93% untuk parameter.
METODOLOGI HASIL DAN PEMBAHASAN
3 berada pada jarak sejauh tiga atau empat kali simpangan baku dari nilai tengahnya (Aunuddin 1989). Pendekatan pencilan dapat dilakukan dengan melihat plot peluang normal. Apabila terdapat loncatan vertikal
Lebih terperinciTINJAUAN PUSTAKA. Gambar 1 Plot jenis pengamatan pencilan.
TINJAUAN PUSTAKA Pencilan Aunuddin (1989) mendefinisikan pencilan sebagai nilai ektstrim yang menyimpang agak jauh dari kumpulan pengamatan lainnya, yang secara kasar berada pada jarak sejauh tiga atau
Lebih terperinciBAB I PENDAHULUAN. menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi linier berganda merupakan analisis yang digunakan untuk menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah respon Y yang
Lebih terperinciHASIL DAN PEMBAHASAN. Algoritma Cepat Penduga GS
HASIL DAN PEMBAHASAN Algoritma Cepat Penduga GS Sebagaimana halnya dengan algoritma cepat penduga S, algoritma cepat penduga GS dikembangkan dengan mengkombinasikan algoritma resampling dan algoritma I-step.
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan fungsional antara variabel respon dengan satu atau beberapa variabel prediktor.
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 PENDAHULUAN Latar Belakang Analisis regresi berguna dalam menelaah hubungan antara sepasang peubah atau lebih, dan terutama untuk menelusuri pola hubungan yang modelnya belum diketahui sempurna sehingga
Lebih terperinciTINJAUAN PUSTAKA. Model Regresi Linier Ganda
TINJAUAN PUSTAKA Model Regresi Linier Ganda Hubungan antara y dan X dalam model regresi linier umum adalah y = X ß + e () dengan y merupakan vektor pengamatan pada peubah respon (peubah tak bebas) berukuran
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 terperinciMETODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE
METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2010 RINGKASAN
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
2 5. Pemilihan Pohon Contoh BAB V HASIL DAN PEMBAHASAN Pohon contoh yang digunakan dalam penyusunan tabel volume ini adalah jenis nyatoh (Palaquium spp.). Berikut disajikan tabel penyebaran pohon contoh
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan suatu metode analisis dalam statistika yang digunakan untuk mencari hubungan antara suatu variabel terhadap variabel lain. Dalam
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan sebuah alat statistik yang memberi penjelasan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan sebuah alat statistik yang memberi penjelasan tentang pola hubungan (model) antara dua peubah atau lebih (Draper dan Smith, 1992).
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini terdiri dari dua bagian. Pada bagian pertama berisi tinjauan pustaka dari penelitian-penelitian sebelumnya dan beberapa teori penunjang berisi definisi-definisi yang digunakan
Lebih terperinciBAB I PENDAHULUAN. suatu metode yang disebut metode kuadrat terkecil (Ordinary Least Square OLS).
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam penaksiran koefisien-koefisien regresi linier, biasanya kita digunakan suatu metode yang disebut metode kuadrat terkecil (Ordinary Least Square OLS).
Lebih terperinciBAB I PENDAHULUAN. hubungan ketergantungan variabel satu terhadap variabel lainnya. Apabila
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi merupakan metode analisis yang dapat digunakan untuk menganalisis data dan mengambil kesimpulan yang bermakna tentang hubungan ketergantungan variabel
Lebih terperinciIV HASIL DAN PEMBAHASAN
6 telah dibangkitkan. Kemudian peubah X dan Y diregresikan dengan OLS sehingga diperoleh kuadrat galat. Kuadrat galat diurutkan dari ang terkecil sampai dengan ang terbesar, lalu dilakukan pemangkasan.
Lebih terperinciBAB II TINJAUAN PUSTAKA. satu peubah prediktor dengan satu peubah respon disebut analisis regresi linier
BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Linier Berganda Analisis regresi pertama kali dikembangkan oleh Sir Francis Galton pada abad ke-19. Analisis regresi dengan satu peubah prediktor dan satu peubah
Lebih terperinciTINJAUAN PUSTAKA. Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan
4 II. TINJAUAN PUSTAKA 2.1 Definisi Pencilan Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan yang bervariasi (beragam). Keberagaman data ini, di satu sisi sangat dibutuhkan dalam
Lebih terperinciAnalisis Regresi 2. Pokok Bahasan : Asumsi sisaan dan penanganannya
Analisis Regresi 2 Pokok Bahasan : Asumsi sisaan dan penanganannya Tujuan Instruksional Khusus : Mahasiswa dapat menjelaskan asumsi-asumsi yang melandasi analisis regresi linier sederhana dan berganda,
Lebih terperinciBAB I PENDAHULUAN. lebih variabel independen. Dalam analisis regresi dibedakan dua jenis variabel
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linier merupakan teknik dalam statistika yang digunakan untuk membentuk model hubungan antara variabel dependen dengan satu atau lebih variabel independen.
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 terperinciEfektivitas Metode Regresi Robust Penduga Welsch dalam Mengatasi Pencilan pada Pemodelan Regresi Linear Berganda
Jurnal Penelitian Sains Volume 1 Nomer 1(A) 1101 Efektivitas Metode Regresi Robust Penduga Welsch dalam Mengatasi Pencilan pada Pemodelan Regresi Linear Berganda Dian Cahyawati S. 1), Hadi Tanuji ), dan
Lebih terperinciHASIL DAN PEMBAHASAN Model Regresi Poisson
HASIL DAN PEMBAHASAN Model Regresi Poisson Hubungan antara jumlah penderita DBD dan faktor-faktor yang mempengaruhinya dapat diketahui dengan menggunakan analisis regresi. Analisis regresi yang digunakan
Lebih terperinciHASIL DAN PEMBAHASAN
Konsentrasi lemak ikan (%) Kandungan zat aktif (absorban) HASIL DAN PEMBAHASAN Deskripsi Data Berdasarkan data yang digunakan dalam penelitian ini, akan dilakukan pengidentifikasian multikolinieritas.
Lebih terperinciPERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA
PERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA Ni Luh Putu Ratna Kumalasari 1, Ni Luh Putu Suciptawati 2,, Made Susilawati
Lebih terperinciIII. HASIL DAN PEMBAHASAN
III. HASIL DAN PEMBAHASAN 3.1 Statistik Data Plot Contoh Jumlah total plot contoh yang diukur di lapangan dan citra SPOT Pankromatik sebanyak 26 plot contoh. Plot-plot contoh ini kemudian dikelompokkan
Lebih terperinciPERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN
E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751 PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN NI PUTU NIA IRFAGUTAMI 1, I GUSTI
Lebih terperinciADE (Analisis Data Eksplorasi)
3 3 DATA BERPASANGAN & PERSAMAAN GARIS LURUS 1. GARIS RESISTEN 2. PROSES ITERASI DALAM GARIS RESISTEN D10F-3003 / 4 (3-1) SKS ADE (Analisis Data Eksplorasi) Tim Teaching ADE DATA BERPASANGAN & PERSAMAAN
Lebih terperinciMANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO
MANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2011 RINGKASAN MAGRI HANDOKO. Manajemen
Lebih terperinciviii METODE REGRESI LEAST TRIMMED SQUARES PADA DATA YANG MENGANDUNG PENCILAN ANNI FITHRIYATUL MAS UDAH
viii METODE REGRESI LEAST TRIMMED SQUARES PADA DATA YANG MENGANDUNG PENCILAN ANNI FITHRIYATUL MAS UDAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciPENDEKATAN WINSOR PADA ANALISIS REGRESI DENGAN PENCILAN MURIH PUSPARUM
PENDEKATAN WINSOR PADA ANALISIS REGRESI DENGAN PENCILAN MURIH PUSPARUM DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015 PERNYATAAN MENGENAI SKRIPSI
Lebih terperinciVI. PEMBAHASAN. dengan metode kemungkinan maksimum, tetapi terhadap
89 VI. PEMBAHASAN Pada analisis yang menggunakan pendekatan model acak satu faktor (model persamaan 4.1), metode kuadrat terkecil secara umum memberikan hasil dugaan yang berbeda dengan metode kemungkinan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Metode Permukaan Respon (Response Surface Methodology/RSM), pertama kali diperkenalkan oleh Box dan Wilson (1951), metode ini sering digunakan untuk mencari
Lebih terperinciTINJAUAN PUSTAKA. Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan
4 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Matriks 2.1.1 Matriks Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan dalam susunan itu disebut anggota dalam matriks tersebut. Suatu
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dalam sebuah penelitian di bidang statistika, peneliti akan berhubungan dengan data pengamatan, baik data kualitatif atau data kuantitatif yang akan diproses
Lebih terperinciBAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur
BAB I PENDAHULUAN 1.1 Latar Belakang Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis dan interpretasi data. Statistika
Lebih terperinciREGRESI ROBUST DENGAN METODE CONSTRAINED M ESTIMATION PADA PRODUKSI PADI SAWAH DI JAWA TENGAH. oleh IDA YUSWARA DYAH PITALOKA M
REGRESI ROBUST DENGAN METODE CONSTRAINED M ESTIMATION PADA PRODUKSI PADI SAWAH DI JAWA TENGAH oleh IDA YUSWARA DYAH PITALOKA M0108046 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh
Lebih terperinciTabel 1 Sudut terjadinya jarak terdekat dan terjauh pada berbagai kombinasi pemilihan arah acuan 0 o dan arah rotasi HASIL DAN PEMBAHASAN
sudut pada langkah sehingga diperoleh (α i, x i ).. Mentransformasi x i ke jarak sebenarnya melalui informasi jarak pada peta.. Melakukan analisis korelasi linier sirkular antara x dan α untuk masingmasing
Lebih terperinciANALISIS REGRESI LINIER SEDERHANA DENGAN METODE THEIL
ANALISIS REGRESI LINIER SEDERHANA DENGAN METODE THEIL SKRIPSI Oleh : Prayitno Amigoro NIM. J2E 004 242 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciHASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut:
. Menyiapkan gugus data pencilan dengan membangkitkan peubah acak normal ganda dengan parameter µ yang diekstrimkan dari data contoh dan dengan matriks ragam-peragam yang sama dengan data contoh. Proses
Lebih terperinciHASIL DAN PEMBAHASAN
19 HASIL DAN PEMBAHASAN Koreksi Pencaran Multiplikatif Data persen transmitan diperoleh dari pengukuran dengan menggunakan FTIR pada 1866 bilangan gelombang yang berkisar antara 4000 400 cm -1. Grafik
Lebih terperinciPENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI
PENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI Ni Made Metta Astari 1, Ni Luh Putu Suciptawati 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas
Lebih terperinciPEMERIKSAAN ASUMSI ANALISIS RAGAM DEWI NURHASANAH
PEMERIKSAAN ASUMSI ANALISIS RAGAM DEWI NURHASANAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 ABSTRAK DEWI NURHASANAH. Pemeriksaan asumsi analisis
Lebih terperinciBAB I PENDAHULUAN. dependen disebut dengan regresi linear sederhana, sedangkan model regresi linear
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linear merupakan metode statistika yang digunakan untuk membentuk model hubungan antara variabel dependen (terikat; respon) dengan satu atau lebih variabel
Lebih terperincihomogen jika titik-titik tersebar secara merata atau seimbang baik di atas maupun dibawah garis, dengan maksimum ragam yang kecil.
8 koefisien regresi berganda dari variabel tak bebas Y terhadap variabel bebas Xi. Pada kasus ini, persamaan mengandung arti sebagai berikut, seperti yang telah dimodelkan Merdun (23) di Sungai Saluda,
Lebih terperinciIV. METODOLOGI PENELITIAN. Penelitian ini dilakukan di Kecamatan Tanjungpinang Timur,
IV. METODOLOGI PENELITIAN 4.1 Tempat dan Waktu Penelitian Penelitian ini dilakukan di Kecamatan Tanjungpinang Timur, Tanjungpinang, Kepulauan Riau. Pemilihan lokasi dilakukan secara sengaja (purposive)
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction).
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan tingkat
BAB 2 LANDASAN TEORI 2.1 Pengertian Analisis Regresi dan Korelasi 2.1.1 Analisis Korelasi Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan tingkat hubungan Y dan X dalam bentuk
Lebih terperinciHASIL DAN PEMBAHASAN
3 HASIL DAN PEMBAHASAN Analisis Dekriptif Analisis deskripsi merupakan teknik eksplorasi data untuk melihat pola data secara umum. Dari data TIMSS 7 rata-rata capaian matematika siswa Indonesia sebesar
Lebih terperinciSTUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG PENCILAN
Jurnal Matematika UNAND Vol. 2 No. 4 Hal. 18 26 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND STUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG
Lebih terperinci4 HASIL DAN PEMBAHASAN
16 4 HASIL DAN PEMBAHASAN Pada bab ini dibahas mengenai kajian simulasi dan kajian terapan. Simulasi dilakukan untuk mengevaluasi penduga yang diperoleh dengan menggunakan metode pendugaan klasik dan metode
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah metode statistika yang digunakan untuk mengetahui hubungan antara variabel terikat (dependen, respon, YY) dengan satu atau lebih variabel bebas
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi merupakan suatu teknik statistika untuk menyelidiki dan
TINJAUAN PUSTAKA Analisis Regresi Linier Berganda Analisis regresi merupakan suatu teknik statistika untuk menyelidiki dan memodelkan hubungan diantara peubah-peubah, yaitu peubah tak bebas (respon) dan
Lebih terperinci3 METODE. 3.1 Data = 0 1. time 0, =1, 2,,, =1, 2,, dengan n = 100 dan m = 5.
11 3 METODE 3.1 Data Data dalam penelitian ini terdiri dari dua sumber yaitu data simulasi dan data terapan. Data simulasi berguna untuk mengukur kinerja penduga kekar Huber pada data longitudinal. Data
Lebih terperinciTingkat Efisiensi Metode Regresi Robust dalam Menaksir Koefisien Garis Regresi Jika Ragam Galat Tidak Homogen
Tingkat Efisiensi Metode Robust dalam Menaksir Garis Jika Ragam Galat Tidak Homogen Harmi Sugiarti dan Andi Megawarni e-mail: harmi@mailutacid dan mega@mailutacid Abstract This paper aims to compare the
Lebih terperincidimana n HASIL DAN PEMBAHASAN
5. Proses penghilangan data dilakukan secara acak untuk memenuhi asumsi mekanisme kehilangan data yang acak (MAR). 6. Ulangan yang digunakan sebanyak 1 kali pada setiap simulasi untuk memberikan peluang
Lebih terperinciMetode Statistika. Statistika Inferensia: Pendugaan Parameter (Selang Kepercayaan)
Metode Statistika Statistika Inferensia: Pendugaan Parameter (Selang Kepercayaan) Pengantar Seringkali kita tertarik dengan karakteristik umum dari suatu populasi parameter Misalnya saja berapa rata-rata
Lebih terperinciPERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENAKSIR M DALAM MENGATASI PERMASALAHAN DATA PENCILAN
Saintia Matematika Vol. 1, No. 1 (2013), pp. 73 85. PERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENAKSIR M DALAM MENGATASI PERMASALAHAN DATA PENCILAN Sri Wulandari, Sutarman, Open Darnius Abstrak. Analisis
Lebih terperinciPENDETEKSIAN PENGAMATAN PENCILAN DAN BERPENGARUH DENGAN METODE PENGARUH LOKAL GOSEN SITANGGANG
PENDETEKSIAN PENGAMATAN PENCILAN DAN BERPENGARUH DENGAN METODE PENGARUH LOKAL GOSEN SITANGGANG SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciPERBANDINGAN METODE MKT, LTS, WIN, DAN THEIL PADA PENDUGAAN PARAMETER REGRESI APABILA GALATNYA MENYEBAR EKSPONENSIAL HELGA ARINA PRAMUDITYA
PERBANDINGAN METODE MKT, LTS, WIN, DAN THEIL PADA PENDUGAAN PARAMETER REGRESI APABILA GALATNYA MENYEBAR EKSPONENSIAL HELGA ARINA PRAMUDITYA STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciBAB III UJI STATISTIK DAN SIMULASI. Menggunakan karakteristik dari distribusi tersebut dan transformasi / = ( ) (3.1.1) / = ( ) (3.1.
11 BAB III UJI STATISTIK DAN SIMULASI 3.1 Interval Kepercayaan Sebuah interval kepercayaan terdiri dari berbagai nilai-nilai bersama-sama dengan persentase yang menentukan seberapa yakin bahwa parameter
Lebih terperinciFaktor-faktor yang Mempengaruhi Perubahan Tekanan Darah Pasien di Puskesmas Malalo Batipuh Selatan dengan Menggunakan Regresi Linier Berganda
Faktor-faktor yang Mempengaruhi Perubahan Tekanan Darah Pasien di Puskesmas Malalo Batipuh Selatan dengan Menggunakan Regresi Linier Berganda Lusi Sasmalinda #1, Syafriandi *2, Helma *3 # Student of Mathematics
Lebih terperinciPEMILIHAN PEUBAH BEBAS UNTUK DATA YANG MENGANDUNG PENCILAN DENGAN MENGGUNAKAN KRITERIA
PEMILIHAN PEUBAH BEBAS UNTUK DATA YANG MENGANDUNG PENCILAN DENGAN MENGGUNAKAN KRITERIA Cp, RCp DAN RTp Olen: Harl11i Sugiarti 96140/STK PROGRAM PASCASARJANA INSTITUT PERT ANIAN BOGOR 1999 RINGKASAN HARMI
Lebih terperinciForum Statistika dan Komputasi, Oktober 2009 p : ISSN :
, Oktober 2009 p : 26-34 ISSN : 0853-8115 Vol 14 No.2 METODE PENDUGAAN MATRIKS RAGAM-PERAGAM DALAM ANALISIS REGRESI KOMPONEN UTAMA (RKU) (Variance-Covariance Matrix Estimation Method for Principal Component
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 terperinciDATA DAN METODE PENELITIAN
8 DATA DAN METODE PENELITIAN Data Data yang digunakan dalam penelitian ini terdiri dari dua jenis, yaitu data yang dibangkitkan dari simulasi dan data riil yang diperoleh dari Badan Pusat Statistik(BPS),
Lebih terperinciBAB I PENDAHULUAN. seringnya terjadi kekolinieran antar variabel bebas.
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam suatu penelitian, analisis regresi dapat digunakan untuk membantu melihat pengaruh antara satu atau lebih variabel bebas terhadap variabel tak bebas.
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 terperinciREGRESI LINIER. b. Variabel tak bebas atau variabel respon -> variabel yang terjadi karena variabel bebas. Dapat dinyatakan dengan Y.
REGRESI LINIER 1. Hubungan Fungsional Antara Variabel Variabel dibedakan dalam dua jenis dalam analisis regresi: a. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia.
Lebih terperinciTINJAUAN PUSTAKA. Gambar 1 Diagram kotak garis
TINJAUAN PUSTAKA Diagram Kotak Garis Metode diagram kotak garis atau boxplot merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran dan kemiringan pola
Lebih terperinciHASIL DAN PEMBAHASAN Pendugaan Pengeluaran Per Kapita
HASIL DAN PEMBAHASAN Pendugaan Pengeluaran Per Kapita Kabupaten Jember terdiri dari 247 desa/kelurahan. 14.17% dari jumlah tersebut atau 35 desa/kelurahan terpilih sebagai contoh dalam susenas 2008, dengan
Lebih terperinciPENERAPAN METODE REGRESI GULUD DAN REGRESI KOMPONEN UTAMA DALAM MENGATASI PENYIMPANGAN MULTIKOLINEARITAS PADA ANALISIS REGRESI LINEAR BERGANDA
PENERAPAN METODE REGRESI GULUD DAN REGRESI KOMPONEN UTAMA DALAM MENGATASI PENYIMPANGAN MULTIKOLINEARITAS PADA ANALISIS REGRESI LINEAR BERGANDA Sri Siska Wirdaniyati 1), Edy Widodo ) 1) Mahasiswa Prodi
Lebih terperinciStatistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak
BAB 2 LANDASAN TEORI 2.1 Pengertian Analisis Regresi Statistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak mendapatkan perhatian dan dipelajari oleh ilmuan dari hampir semua ilmu bidang
Lebih terperinciHASIL DAN PEMBAHASAN Deskripsi Data
HASIL DAN PEMBAHASAN Deskripsi Data Jawa Timur merupakan salah satu provinsi di Indonesia yang mempunyai 38 kabupaten/kota, terdiri atas 29 kabupaten dan 9 kota. Secara umum wilayah Provinsi Jawa Timur
Lebih terperinciPEMODELAN PRODUKSI TANAMAN PANGAN BERDASARKAN KARAKTERISTIK TENAGA KERJA MENGGUNAKAN REGRESI AKAR CIRI
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 86 95 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN PRODUKSI TANAMAN PANGAN BERDASARKAN KARAKTERISTIK TENAGA KERJA MENGGUNAKAN REGRESI AKAR CIRI
Lebih terperinciMETODOLOGI. (a). (b) (c) Gambar 3. Pola sebaran data dengan = 0.05, 5, dan 50
METODOLOGI Data Data yang digunakan dalam penelitian ini ada dua jenis, yaitu data simulasi dan data riil Data simulasi digunakan untuk melihat pengaruh perubahan parameter konsentrasi ( ) terhadap karakteristik
Lebih terperinci(α = 0.01). Jika D i > , maka x i atau pengamatan ke-i dianggap pencilan (i = 1, 2,..., 100). HASIL DAN PEMBAHASAN
4 karena adanya perbedaan satuan pengukuran antar peubah. 1.. Memastikan tidak adanya pencilan pada data dengan mengidentifikasi adanya pencilan pada data. Pengidentifikasian pencilan dilakukan dengan
Lebih terperinciJudul : Perbandingan Metode MCD Bootstrap dan. Analisis Regresi Linear Berganda. Pembimbing : 1. Dra. Ni Luh Putu Suciptawati,M.Si
Judul : Perbandingan Metode MCD Bootstrap dan LAD Bootstrap Dalam Mengatasi Pengaruh Pencilan Pada Analisis Regresi Linear Berganda Nama : Ni Luh Putu Ratna Kumalasari Pembimbing : 1. Dra. Ni Luh Putu
Lebih terperinciAnalisis Regresi 2. Pokok Bahasan : Memilih Persamaan Regresi Terbaik
Analisis Regresi 2 Pokok Bahasan : Memilih Persamaan Regresi Terbaik TUJUAN INSTRUKSIONAL KHUSUS : Mahasiswa dapat memilih persamaan regresi terbaik dengan mencobakan berbagai prosedur. Analisis Regresi
Lebih terperinciRegresi Linier Sederhana dan Korelasi. Pertemuan ke 4
Regresi Linier Sederhana dan Korelasi Pertemuan ke 4 Pengertian Regresi merupakan teknik statistika yang digunakan untuk mempelajari hubungan fungsional dari satu atau beberapa variabel bebas (variabel
Lebih terperinciSTK 511 Analisis statistika. Materi 7 Analisis Korelasi dan Regresi
STK 511 Analisis statistika Materi 7 Analisis Korelasi dan Regresi 1 Pendahuluan Kita umumnya ingin mengetahui hubungan antar peubah Analisis Korelasi digunakan untuk melihat keeratan hubungan linier antar
Lebih terperinciUniversitas Negeri Malang
1 Penerapan Metode Regresi New Stepwise untuk Mengetahui Faktor- Faktor yang Mempengaruhi Kekuatan Metallic Box (Studi Kasus di PT. PINDAD (Persero) Turen) Universitas Negeri Malang E-mail: Nisahidayatul@gmail.com
Lebih terperinciBAB III METODE PENELITIAN
9 BAB III METODE PENELITIAN 3.1 Waktu dan Lokasi Penelitian Kegiatan penelitian ini dilakukan di petak 209 dan 238 pada RKT 2009 di IUPHHK-HA PT. Salaki Summa Sejahtera, Pulau Siberut, Kabupaten Kepulauan
Lebih terperinciOPTIMASI PRODUKSI DENGAN METODE RESPONSE SURFACE (Studi Kasus pada Industri Percetakan Koran)
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 05, No. 2 (2016), hal 113 118. OPTIMASI PRODUKSI DENGAN METODE RESPONSE SURFACE (Studi Kasus pada Industri Percetakan Koran) Eka Dian Rahmawati,
Lebih terperinciBAB 2 LANDASAN TEORI
14 BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Analisis Regresi Kata regresi (regression) diperkenalkan pertama kali oleh Francis Dalton pada tahun 1886. Menurut Dalton, analisis regresi berkenaan dengan studi
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode analisis yang menjelaskan tentang
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi merupakan metode analisis yang menjelaskan tentang hubungan antara dua atau lebih variabel. Variabel dalam analisis regresi, dibedakan menjadi dua yaitu
Lebih terperinciSTK511 Analisis Statistika. Bagus Sartono
STK511 Analisis Statistika Bagus Sartono Pokok Bahasan Pengenalan analisis dan deskripsi data Sebaran peluang peubah acak. Sebaran penarikan contoh Pendugaan parameter Pengujian hipotesis (t-test, one-way
Lebih terperinciIII BAHAN DAN METODE PENELITIAN. Objek yang digunakan untuk penelitian ini adalah kuda delman sebanyak
III BAHAN DAN METODE PENELITIAN 3.1 Bahan Penelitian 3.1.1 Objek Penelitian Objek yang digunakan untuk penelitian ini adalah kuda delman sebanyak 30 ekor kuda di Kelurahan Sukaraja Kecamatan Cicendo Kota
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS)
FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS) Yuditia Ari Prabowo, Yuliana Susanti, dan Santoso Budi Wiyono
Lebih terperinciPENGUJIAN HETEROSKEDASTISITAS PADA REGRESI EKSPONENSIAL DENGAN MENGGUNAKAN UJI PARK
PENGUJIAN HETEROSKEDASTISITAS PADA REGRESI EKSPONENSIAL DENGAN MENGGUNAKAN UJI PARK Asmin MM. 1, Saleh M., Islamiyati A. 3 Abstrak Model eksponensial merupakan regresi non linier yang dapat diubah bentuknya
Lebih terperinciREGRESI LINIER NONPARAMETRIK DENGAN METODE THEIL
Jurnal Matematika UNAND Vol. 2 No. 3 Hal. 167 174 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND REGRESI LINIER NONPARAMETRIK DENGAN METODE THEIL ALDILA SARTI Program Studi Matematika, Fakultas Matematika
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dengan variabel yang lain. Analisis regresi merupakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Aljabar Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemen-elemen yang disusun secara teratur menurut baris dan kolom sehingga
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 terperinciPEMBANDIIQGAN BEBERAPA MODEL NONLINEAR DALAM HUBUNGAN PARASITOID - IHANG
PEMBANDIIQGAN BEBERAPA MODEL NONLINEAR DALAM HUBUNGAN PARASITOID - IHANG Oleh B. BUNAWAN SUNARLIM 89088 PROGRAM PASCA SARJANA INSTITUT PERTAflIAW BOGOR 1991: RINGKASAN B. BUNAWAN SUNARLIM. Pembandingan
Lebih terperinciEFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH
EFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH May Cristanti, Yuliana Susanti, dan Sugiyanto Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciBAB 2 LANDASAN TEORI. 1. Analisis regresi linier sederhana 2. Analisis regresi linier berganda. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Pengertian regresi secara umum adalah sebuah alat statistik yang memberikan penjelasan tentang pola hubungan (model) antara dua variabel atau lebih. Istilah
Lebih terperinciPENERAPAN BOOTSTRAP DALAM METODE MINIMUM COVARIANCE DETERMINANT (MCD) DAN LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI LINIER BERGANDA
PENERAPAN BOOTSTRAP DALAM METODE MINIMUM COVARIANCE DETERMINANT (MCD) DAN LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI LINIER BERGANDA Ni Putu Iin Vinny Dayanti 1, Ni Luh Putu Suciptawati 2, Made
Lebih terperinciPIKA SILVIANTI, M.SI
PIKA SILVIANTI, M.SI No. Materi Pokok (Materi Ajar) Alokasi Waktu (menit) 1 Pengenalan analisis regresi 2 x 50 2: Bab 1 2 Model regresi linier sederhana 2 x 50 Bahan / Sumber Belajar 2: Bab 2 3: Bab 1
Lebih terperinciPERBANDINGAN REGRESI ROBUST DENGAN OLS PADA PRODUKSI UBI JALAR PROVINSI JAWA TENGAH TAHUN 2015
PERBANDINGAN REGRESI ROBUST DENGAN PADA PRODUKSI UBI JALAR PROVINSI JAWA TENGAH TAHUN 2015 Endah Suryaningsih Utami 1), Abdul Karim 2) 1 Program Studi Strata Statistika,, Universitas Muhammadiyah Semarang
Lebih terperinci