IV HASIL DAN PEMBAHASAN
|
|
- Sucianty Setiawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 5 IV HASIL DAN PEMBAHASAN 4.1 Pembangkitan Data Hipotetik Data dibangkitkan dengan bantuan software Mathematica yaitu dengan cara mencari solusi numerik dari model dinamik dengan memberikan nilai parameter awal sebagai berikut: α =.1 k =.4554 μ =.53 β =.187 v = u =.327 ρ = 1 δ = 27 dan nilai awal sebagai berikut: N = 5 X = 23 Y = 94 Z = 3 Kemudian dari solusi yang diperoleh ditambahkan bilangan antara -1 sampai 1 secara acak sehingga diperoleh tebaran data seperti pada Gambar (4). Langkah-langkah membangun data hipotetik untuk model ini dapat dilihat secara rinci di Lampiran 1. Gambar (4) memperlihatkan tebaran data bangkitan model HIV epidemik. Masingmasing untuk kelompok populasi yang aktif secara seksual atau rentan N(t), kelompok HIV positif yang tidak tahu mereka terinfeksi X(t), kelompok HIV positif yang tahu mereka terinfeksi Y(t) dan jumlah kasus AIDS Z(t). Data bangkitan yang diperoleh tersebut dianggap mewakili data pengamatan untuk masing-masing kelompok. Populasi N Populasi X Populasi Y Populasi Z 1 6 Gambar 4 Tebaran data untuk populasi N, X, Y dan Z. Pada Gambar (4) terlihat bahwa tebaran data untuk populasi yang aktif secara seksual atau rentan N(t), menyebar secara acak berada di antara N = 3 sampai N = 33 dalam selang waktu dari t = sampai t =. Tebaran data untuk populasi yang tidak tahu bahwa mereka terinfeksi HIV X(t) mula-mula mengalami penurunan dari X = 23 sampai X = 98, kemudian tebaran data tersebut menyebar secara acak di antara X = 84 sampai X = 81 dalam selang waktu t = 6 sampai t =. Tebaran data untuk kelompok
2 6 populasi yang tahu bahwa mereka terinfeksi HIV positif mengalami kenaikan secara pesat dari Y = 94 sampai Y = 325 dalam selang waktu t = sampai t = 32, kemudian tebaran data perlahan menaik dari Y = 327 sampai Y = 329 dalam selang waktu t = 34 sampai t =. Tebaran data jumlah kasus AIDS menaik secara pesat dari Z = 2 sampai Z = 146 dalam selang waktu t = sampai t = 22. Kemudian data mengalami kenaikan secara perlahan dari Z = 148 sampai Z = 151 dalam selang waktu t = 24 sampai t =. 4.2 Pendugaan Parameter Parameter model dinamik ini akan diduga dari segugus data yang sebelumnya telah dibangkitkan. Pada kasus ini jumlah data yang digunakan adalah sebanyak 51 buah data untuk masing-masing kelompok. Parameter yang terdapat pada masingmasing kelompok dapat dirinci sebagai berikut: 1. Kelompok populasi yang aktif secara seksual atau rentan (N) mengandung parameter α, μ, dan δ. 2. Kelompok populasi yang tidak tahu bahwa mereka terinfeksi (X) mengandung parameter α, k, μ, β, dan v. 3. Kelompok populasi yang tahu bahwa mereka terinfeksi (Y) mengandung parameter k, μ, dan β. 4. Kelompok populasi jumlah kasus AIDS (Z) mengandung parameter β, u, dan ρ. Langkah-langkah untuk menduga parameter di atas dapat dilihat pada Lampiran 2. Pendugaan parameter dilakukan dengan meminimumkan jumlah kuadrat galat, yang diimplementasikan dengan bantuan software Mathematica. Fungsi utama yang digunakan yaitu NDSolve yang digunakan untuk menentukan solusi numerik dari sistem persamaan diferiensial pada model epidemik HIV yaitu x = f i ( p, x i ) dan FindMinimum untuk mencari nilai jumlah kuadrat galat yang paling minimum atau paling kecil. Adapun hasil yang diperoleh dari rangkaian proses di atas adalah: ˆ α =.546 kˆ = ˆ μ = ˆ β =.9932 vˆ = uˆ = ˆ ρ = ˆ= δ Untuk lebih memperjelas perbedaan antara nilai parameter awal dan parameter yang telah berhasil diduga, maka diberikan tabel perbandingan parameter awal dan parameter akhir di bawah ini: Tabel 1 Perbandingan nilai parameter awal dan parameter akhir. Parameter Nilai Awal Nilai Akhir α.1.11 k μ β v u ρ δ Dari tabel di atas dapat dilihat bahwa nilai parameter awal dan parameter hasil dugaan memiliki nilai yang hampir sama kecuali untuk parameter ρ. Selanjutnya, dari hasil pendugaan parameter di atas maka persamaan (4) dapat dibuat menjadi: dn.11nx.153n dt = + dx =.11 NX ( ) X dt (5) dy.4527 X ( ) Y dt = + dz.981x.981y.2945z dt = + + +
3 7 Berikut adalah gambar grafik model dinamik epidemk HIV dengan parameter yang sudah diduga.. Populasi N Gambar 5 Grafik dengan parameter dugaan untuk kelompok populasi yang aktif secara seksual atau rentan N(t). Pada Gambar (5) terlihat bahwa jumlah populasi yang aktif secara seksual atau rentan menurun dengan cepat dari N = 5 sampai N = 17 dalam selang waktu t = sampai t = 2, kemudian menaik dari N = 24 sampai N = 29 dalam selang t = 4 sampai t = 6 dan kemudian konstan di antara N = 32 dalam selang t = 8 sampai t =. Populasi X Gambar 6 Grafik dengan parameter dugaan untuk kelompok populasi yang tidak tahu bahwa mereka terinfeksi X(t). Pada Gambar (6) terlihat bahwa jumlah populasi yang tidak tahu bahwa mereka terinfeksi HIV menurun dengan cepat dari X = 23 sampai X = 81 dalam selang waktu t = sampai t = 1. Kemudian jumlah populasi X(t) konstan disekitar X = 82 dari selang t = 12 sampai t =. Populasi Y Gambar 7 Grafik dengan parameter dugaan untuk kelompok poulasi yang tahu bahwa mereka terinfeksi HIV positif Y(t). Pada Gambar (7) terlihat bahwa jumlah populasi yang tahu bahwa mereka terinfeksi HIV positif menaik secara linear logaritmik dari Y = 94 sampai Y = 327 dalam selang t = sampai t = 42. Kemudian konstan diantara N = 328 dari dalam selang waktu t = 44 sampai t =. Populasi Z 1 6 Gambar 8 Grafik dengan parameter dugaan untuk jumlah kasus AIDS Z(t). Pada Gambar (8) terlihat bahwa jumlah kasus AIDS menaik secara linear logaritmik dari Z = 3 sampai Z = 149 dalam selang t = sampai t = 34. Kemudian konstan di sekitar Z = 15 dalam selang t = 36 sampai t =.
4 8 Populasi 3 Y (t) Z (t) X (t) N (t) Gambar 9 Gabungan grafik dengan parameter dugaan N(t), X(t), Y(t) dan Z(t). Pada Gambar (9) terlihat bahwa jumlah populasi yang tahu bahwa mereka terinfeksi HIV positif Y(t) memiliki jumlah yang paling besar, diikuti oleh jumlah kasus AIDS Z(t), kemudian diikuti jumlah populasi yang tidak tahu bahwa mereka terinfeksi HIV positif X(t) dan yang paling kecil adalah jumlah populasi yang aktif secara seksual atau rentan N(t). Untuk lebih memperjelas hasil yang diperoleh, berikut perbandingan antara data bangkitan dengan model pada persamaan (5) yang telah menggunakan parameter dugaan. Perbandingan tersebut dapat dilihat pada Gambar (1)-(14) Populasi N Gambar 1 Tebaran data dan grafik dengan parameter dugaan untuk populasi N(t). Populasi X Gambar 11 Tebaran data dan grafik dengan parameter dugaan untuk populasi X(t). Populasi Y Gambar 12 Tebaran data dan grafik dengan parameter dugaan populasi Y(t). Populasi Z 1 6 Gambar 13 Tebaran data dan grafik dengan parameter dugaan populasi Z(t).
5 9 P opulasi 3 Gambar 14 Gabungan antara gafik tebaran data dan grafik dengan parameter dugaan untuk N(t), X(t), Y(t), dan Z(t). Terlihat dari Gambar (1), (11), (12) dan (13), pada kolompok populasi yang aktif secara seksual atau rentan (N), kelompok populasi yang tidak tahu bahwa mereka terinfeksi (X), kelompok populasi yang tahu bahwa mereka terinfeksi (Y), dan kelompok jumlah kasus AIDS (Z), gafik masing-masing kelompok berada di sekitar tebaran data. Juga terdapat sebagian data yang tepat dilalui oleh grafik dengan parameter dugaan tersebut. 4.3 Analisis Akurasi Pendugaan Untuk melihat seberapa besar galat yang diperoleh, dapat ditentukan dari persentase rataan galat mutlak (MAPE), implementasi secara lengkap dapat dilihat di Lampiran 5. Berikut akan ditampilkan tabel analisis persentase rataan galat mutlak untuk setiap state variable. Tabel 2 Nilai MAPE untuk setiap state variable. State Variable MAPE Populasi yang aktif secara seksual atau rentan (N) % Populasi yang tidak tahu.5653 % mereka terinfeksi HIV (X) Jumlah kasus AIDS (Z).3553 % Populasi yang tahu mereka terinfeksi HIV (Y) Y (t) Z (t) X (t) N (t ).2% Nilai MAPE untuk setiap state variable secara berturut-turut dapat dilihat pada Tabel 2. Nilai MAPE yang diperoleh berkisar.-1.62%. Nilai MAPE ini menyatakan seberapa besar persentase penyimpangan data pengamatan terhadap model. Kelompok populasi yang aktif secara seksual atau rentan (N) memiliki persentase MAPE yang paling besar yaitu 1.62%. Ini berarti penyimpangan data pengamtan terhadap model untuk kelompok jumlah kasus AIDS memiliki persentase yang paling besar. Populasi yang tahu bahwa mereka terinfeksi HIV positif (Y) memiliki MAPE paling kecil yaitu.% yang berarti untuk data populasi yang tahu bahwa mereka terinfeksi HIV positif memiliki rataan penyimpangan mutlak sebesar.% dari model dugaan. Semakin kecil nilai MAPE maka semakin kecil tingkat penyimpangan data terhadap model. Cara lain untuk melihat hasil galat untuk setiap state variable adalah menggunakan diagram kotak (box-plot). Pada Gambar (18) diberikan diagram kotak untuk keempat state variable untuk model epidemik HIV. Selisih Q 3 dan Q 1 menggambarkan tingkat keragaman suatu data, semakin besar nilainya maka data semakin beragam. Data yang digunakan dalam diagram kotak ini adalah persentase galat mutlak dari masingmasing state variable N X Z Y Gambar 15 Diagram kotak untuk setiap state variable N, X, Y, dan Z. Untuk lebih memperjelas box-plot di atas, berikut akan diberikan tabel tentang Q 1, Q 2, Q 3, nilai maksimum, nilai minimum dan rataan dari galat untuk setiap state variable. æ
6 1 Tabel 3 Q 1, Q 2, Q 3, nilai max, nilai min dan rataan dari galat untuk setiap state variable. State variable Q 1 Q 2 Q 3 Max Min Rataan N.5837% 1.615% % %.586% % X.3268%.5653%.8195% 1.217%.181%.5945% Y.1187%.2%.27%.393%.122%.1835% Z.21%.3553%.4981%.4981%.1%.48% Dari diagram kotak dan tabel di atas dapat dilihat bahwa kesalahan relatif hasil parameter dugaan untuk metode kuadrat terkecil secara umum mempunyai tingkat keragaman yang relatif kecil yaitu berkisar antara % untuk populasi yang aktif secara seksual atau rentan (N), % untuk populasi yang tidak tahu bahwa mereka terinfeksi HIV (X), % untuk populasi yang tahu bahwa mereka terinfeksi HIV (Y), dan.24-.5% untuk jumlah kasus AIDS (Z). Dari diagram kotak juga teridentifikasi adanya sebuah data pencilan (outlier) untuk state variable Z. V SIMPULAN DAN SARAN 5.1 Simpulan Pendugaan parameter model dinamik dengan metode kuadrat terkecil telah dikaji melalui peminimuman jumlah kuadrat galat. Pendugaan parameter model dinamik ini diimplementasikan pada model epidemik HIV/AIDS dengan bantuan software Mathematica. Dilihat dari nilai parameter awal dan parameter parameter yang sudah berhasil diduga, didapat bahwa tidak ada perbedaan yang terlalu jauh antara kedua parameter tersebut. Dengan kata lain parameter awal dan parameter penduga memiliki nilai yang hampir sama. Nilai MAPE terbesar yang diperoleh yaitu pada kelompok populasi yang aktif secara seksual atau rentan N(t) yaitu 1.62% dan yang terkecil yaitu pada kelompok populasi yang tahu bahwa mereka terinfeksi HIV Y(t) yaitu sebesar.%. 5.2 Saran Tema karya ilmiah ini masih terbuka untuk dikembangkan. Salah satunya adalah pengembangan metode untuk pembandingan dengan menggunakan metode robust. DAFTAR PUSTAKA De Arazoza H et al Modeling HIV epidemic under concact tracing-the Cuban case. Journal of Theoretical Medicine 2: Huber P Robust Statistics. Jhon Willey & Sons, New York, Gao LQ, Hethcote WH, Lorca M Four SEI Endemic Models with Periodicity and Separatrices. Math Biosci. 128: Lomen D, Mark J Differential Equations. New Jersey: Prentice-Hall, Inc. Mathews JH Numerical Methods for Mathematics, Science, and Enginering. London: Prentice-Hall. Rice BJ, Mark J Ordinary Differential Equations: with Aplications. Ed ke-3. California Pacific Grove. Thornly JHM, Johnson IR Comparison of Model with Experiment : Model Fitting in Plant and Crop Modelling. Mathematical Approach to Plant and Crop Pysiology. Oxford Univ. Press, Oxford.
PENDUGAAN PARAMETER MODEL DINAMIK HIV DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL DAN IMPLEMENTASINYA DENGAN MATHEMATICA EMTA HARIATI SURBAKTI
PENDUGAAN PARAMETER MODEL DINAMIK HIV DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL DAN IMPLEMENTASINYA DENGAN MATHEMATICA EMTA HARIATI SURBAKTI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 terperinciPENDUGAAN PARAMETER MODEL DINAMIK DENGAN METODE ROBUST MEDIAN ABSOLUTE DEVIATION (MAD) LENY YUSTIE WIDIASARI
PENDUGAAN PARAMETER MODEL DINAMIK DENGAN METODE ROBUST MEDIAN ABSOLUTE DEVIATION (MAD) LENY YUSTIE WIDIASARI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciKAJIAN FUNGSI nls( ) DAN fsrr( ) TERHADAP MODEL MICHEALIS-MENTEN PADA REGRESI NONLINIER. Sudarno 1. Abstrak
UNIVERSITAS DIPONEGORO 0 ISBN: --0-- KAJIAN FUNGSI nls( ) DAN fsrr( ) TERHADAP MODEL MICHEALIS-MENTEN PADA REGRESI NONLINIER Sudarno ) Program Studi Statistika FMIPA Undip dsghani@gmail.com Abstrak Model
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 terperinciLocal Stability of Predator Prey Models With Harvesting On The Prey. Abstract
Jurnal Ilmiah Pendidikan Matematika 99 Local Stability of Predator Prey Models With Harvesting On The Prey Oleh : Saiful Marom Pendidikan Matematika FKIP Universitas Pekalongan Abstract In this paper considered
Lebih terperinciPERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA
PERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA Febriani Astuti, Kartiko, Sri Sulistijowati Handajani Jurusan Matematika
Lebih terperinciSIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY KRIGING DENGAN TEKNIK JACKKNIFE
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 333-342 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian SIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY
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 terperinciArisma Yuni Hardiningsih. Dra. Laksmi Prita Wardhani, M.Si. Jurusan Matematika. Surabaya
ANALISIS KESTABILAN DAN MEAN DISTRIBUSI MODEL EPIDEMIK SIR PADA WAKTU DISKRIT Arisma Yuni Hardiningsih 1206 100 050 Dosen Pembimbing : Dra. Laksmi Prita Wardhani, M.Si Jurusan Matematika Institut Teknologi
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 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 terperinciT - 11 MODEL STOKASTIK SUSCEPTIBLE INFECTED RECOVERED (SIR)
T - 11 MODEL STOKASTIK SUSCEPTIBLE INFECTED RECOVERED (SIR) Felin Yunita 1, Purnami Widyaningsih 2, Respatiwulan 3 Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas
Lebih terperinciPENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM
BIAStatistics (2015) Vol. 9, 2, hal. 28-32 PENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM Munawar Jurusan Matematika FMIPA Universitas Syiah
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 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 terperinciESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER
ESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER Siswanto 1, Raupong 2, Annisa 3 ABSTRAK Dalam statistik, melakukan suatu percobaan adalah salah satu cara untuk mendapatkan
Lebih terperinciMETODE ITERASI BARU BERTIPE SECANT DENGAN KEKONVERGENAN SUPER-LINEAR. Rino Martino 1 ABSTRACT
METODE ITERASI BARU BERTIPE SECANT DENGAN KEKONVERGENAN SUPER-LINEAR Rino Martino 1 1 Mahasiswa Program Studi S1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Binawidya
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 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 terperinciMETODE ITERASI ORDE EMPAT DAN ORDE LIMA UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR. Imaddudin ABSTRACT
METODE ITERASI ORDE EMPAT DAN ORDE LIMA UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR Imaddudin Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
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 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 terperinciBAB IV PENDUGAAN VOLATILITAS INDEKS HARGA SAHAM
BAB IV PENDUGAAN VOLATILITAS INDEKS HARGA SAHAM 4.1 Indeks Harga Saham Saham merupakan salah satu investasi yang menjanjikan bagi investor pada saat ini. Pertumbuhan ekonomi Indonesia yang cukup baik,
Lebih terperinciPENGARUH PERUBAHAN NILAI PARAMETER TERHADAP NILAI ERROR PADA METODE RUNGE-KUTTA ORDE 3
PENGARUH PERUBAHAN NILAI PARAMETER TERHADAP NILAI ERROR PADA METODE RUNGE-KUTTA ORDE 3 Tornados P. Silaban 1, Faiz Ahyaningsih 2 1) FMIPA, UNIMED, Medan, Indonesia email: tornados.p_silaban@yahoo.com 2)
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 terperinciPENDUGAAN PARAMETER MODEL AUTOREGRESSIVE PADA DERET WAKTU
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 28 37 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENDUGAAN PARAMETER MODEL AUTOREGRESSIVE PADA DERET WAKTU NELFA SARI Program Studi Matematika, Fakultas
Lebih terperinciBAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n<<p DAN TERDAPAT KEKOLINEARAN-GANDA
BAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n
Lebih terperinciASPEK STABILITAS DAN KONSISTENSI METODA DALAM PENYELESAIAN NUMERIK PERSAMAAN DIFERENSIAL BIASA DENGAN MENGGUNAKAN METODA PREDIKTOR- KOREKTOR ORDE 4
ASPEK STABILITAS DAN KONSISTENSI METODA DALAM PENYELESAIAN NUMERIK PERSAMAAN DIFERENSIAL BIASA DENGAN MENGGUNAKAN METODA PREDIKTOR- KOREKTOR ORDE 4 Asep Juarna, SSi, MKom. Fakultas Ilmu Komputer, Universitas
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN. penentuan jumlah sampel minimum yang harus diambil. Tabel 4.1 Data Hasil Survei Pendahuluan. Jumlah Kepala Keluarga (Xi)
BAB 4 HASIL DAN PEMBAHASAN 4.1. Hasil Pengumpulan Data Berdasarkan data jumlah kepala keluarga pada masing-masing perumahan yang didapatkan pada survei pendahuluan, maka dapat dilakukan penentuan jumlah
Lebih terperinciDinamik Model Epidemi SIRS dengan Laju Kematian Beragam
Jurnal Matematika Integratif ISSN 1412-6184 Volume 10 No 1, April 2014, hal 1-7 Dinamik Model Epidemi SIRS dengan Laju Kematian Beragam Ni matur Rohmah, Wuryansari Muharini Kusumawinahyu Jurusan Matematika,
Lebih terperinciSimulasi Model Mangsa Pemangsa Di Wilayah yang Dilindungi untuk Kasus Pemangsa Tergantung Sebagian pada Mangsa
Simulasi Model Mangsa Pemangsa Di Wilayah yang Dilindungi untuk asus Pemangsa Tergantung Sebagian pada Mangsa Ipah Junaedi 1, a), Diny Zulkarnaen 2, b) 3, c), dan Siti Julaeha 1, 2, 3 Jurusan Matematika,
Lebih terperinciMETODE ITERASI DUA LANGKAH BEBAS TURUNAN BERDASARKAN INTERPOLASI POLINOMIAL ABSTRACT
METODE ITERASI DUA LANGKAH BEBAS TURUNAN BERDASARKAN INTERPOLASI POLINOMIAL N.D. Monti 1, M. Imran, A. Karma 1 Mahasiswa Program Studi S1 Matematika Laboratorium Matematika Terapan, Jurusan Matematika
Lebih terperinciMETODE BERTIPE STEFFENSEN SATU LANGKAH DENGAN KONVERGENSI SUPER KUBIK UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR. Neng Ipa Patimatuzzaroh 1 ABSTRACT
METODE BERTIPE STEFFENSEN SATU LANGKAH DENGAN KONVERGENSI SUPER KUBIK UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR Neng Ipa Patimatuzzaroh Mahasiswa Program Studi S Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPENDUGAAN PARAMETER MODEL DINAMIK DENGAN METODE MEDIAN ABSOLUTE DEVIATION (MAD) DAN HUBER M-ESTIMATION ARIYANTO HERMAWAN
PENDUGAAN PARAMETER MODEL DINAMIK DENGAN METODE MEDIAN ABSOLUTE DEVIATION (MAD) DAN HUBER M-ESTIMATION ARIYANTO HERMAWAN DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciMASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG)
MASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) Shaifudin Zuhdi, Dewi Retno Sari Saputro Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi. Bertho Tantular 1)
Pelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi S-28 Bertho Tantular 1) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD berthotantular@gmail.com Abstrak Secara umum model
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 terperinciSOLUSI PERIODIK TUNGGAL SUATU PERSAMAAN RAYLEIGH. Jurusan Matematika FMIPA UT ABSTRAK
SOLUSI PERIODIK TUNGGAL SUATU PERSAMAAN RAYLEIGH Sugimin Jurusan Matematika FMIPA UT ugi@mail.ut.ac.id ABSTRAK Suatu persamaan vektor berbentuk x & = f (x dengan variabel bebas t yang tidak dinyatakan
Lebih terperinciPEMODELAN HARGA CABAI DI KOTA SEMARANG TERHADAP HARGA INFLASI MENGGUNAKAN REGRESI SEMIPARAMETRIK POLINOMIAL LOKAL
PEMODELAN HARGA CABAI DI KOTA SEMARANG TERHADAP HARGA INFLASI MENGGUNAKAN REGRESI SEMIPARAMETRIK POLINOMIAL LOKAL Alan Prahutama, Suparti, Departemen Statistika, Fakultas Sains dan Matematika,Universitas
Lebih terperinciPengujian Kestabilan Parameter pada Model Regresi Menggunakan Dummy Variabel
Statistika, Vol. 10 No. 2, 99 105 Nopember 2010 Pengujian Kestabilan Parameter pada Model Regresi Menggunakan Dummy Variabel Teti Sofia Yanti Program Studi Statistika Universitas Islam Bandung Email: buitet@yahoo.com
Lebih terperinciKESTABILAN MODEL SUSCEPTIBLE VACCINATED INFECTED RECOVERED (SVIR) PADA PENYEBARAN PENYAKIT CAMPAK (MEASLES) (Studi Kasus di Kota Semarang)
KESTABILAN MODEL SUSCEPTIBLE VACCINATED INFECTED RECOVERED (SVIR) PADA PENYEBARAN PENYAKIT CAMPAK (MEASLES) (Studi Kasus di Kota Semarang) Melita Haryati 1, Kartono 2, Sunarsih 3 1,2,3 Jurusan Matematika
Lebih terperinciBAB IV PEMBAHASAN. 4.1 Analisis Kestabilan Model Matematika AIDS dengan Transmisi. atau Ibu menyusui yang positif terinfeksi HIV ke anaknya.
BAB IV PEMBAHASAN Pada bab ini dilakukan analisis model penyebaran penyakit AIDS dengan adanya transmisi vertikal pada AIDS. Dari model matematika tersebut ditentukan titik setimbang dan kemudian dianalisis
Lebih terperinciFORMULA PENGGANTI METODE KOEFISIEN TAK TENTU ABSTRACT
FORMULA PENGGANTI METODE KOEFISIEN TAK TENTU Syofia Deswita 1, Syamsudhuha 2, Agusni 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciAnalisis Komponen Utama (Principal component analysis)
Analisis Komponen Utama (Principal component analysis) A. LANDASAN TEORI Misalkan χ merupakan matriks berukuran nxp, dengan baris-baris yang berisi observasi sebanyak n dari p-variat variabel acak X. Analisis
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 terperinciPENGARUH PARAMETER PENGONTROL DALAM MENEKAN PENYEBARAN PENYAKIT FLU BURUNG. Rina Reorita, Niken Larasati, dan Renny
JMP : Volume 3 Nomor 1, Juni 11 PENGARUH PARAMETER PENGONTROL DALAM MENEKAN PENYEBARAN PENYAKIT FLU BURUNG Rina Reorita, Niken Larasati, dan Renny Program Studi Matematika, Jurusan MIPA, Fakultas Sains
Lebih terperinciANALISIS ESTIMASI PARAMETER REGRESI KUANTIL DENGAN METODE BOOTSTRAP
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 125 130 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS ESTIMASI PARAMETER REGRESI KUANTIL DENGAN METODE BOOTSTRAP MESI OKTAFIA, FERRA YANUAR, MAIYASTRI
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 terperinciT 3 Model Dinamika Sel Tumor Dengan Terapi Pengobatan Menggunakan Virus Oncolytic
T 3 Model Dinamika Sel Tumor Dengan Terapi Pengobatan Menggunakan Virus Oncolytic Oleh : Ali Kusnanto, Hikmah Rahmah, Endar H. Nugrahani Departemen Matematika FMIPA-IPB Email : alikusnanto@yahoo.com Abstrak
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi
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 terperinciKelas 2. Kelas 1 Mahasiswa. Mahasiswa. Gambar 1 Struktur data kelompok dalam pengukuran berulang pada data Metode Statistika
4 Kelas 2 Kelas 1 N3 N4 N3 N4 Gambar 1 Struktur data kelompok dalam pengukuran berulang pada data Metode Statistika BAHAN DAN METODE Bahan Data yang digunakan adalah data nilai capaian mahasiswa dalam
Lebih terperinciPEMODELAN MATEMATIKA DAN ANALISIS STABILITAS DARI PENYEBARAN PENYAKIT FLU BURUNG
PEMODELAN MATEMATIKA DAN ANALISIS STABILITAS DARI PENYEBARAN PENYAKIT FLU BURUNG Dinita Rahmalia Universitas Islam Darul Ulum Lamongan, Abstrak. Di Indonesia terdapat banyak peternak unggas sebagai matapencaharian
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 terperinciPROSEDUR PENAKSIRAN PARAMETER MODEL MULTILEVEL MENGGUNAKAN TWO STAGE LEAST SQUARE DAN ITERATIVE GENERALIZED LEAST SQUARE
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 PROSEDUR PENAKSIRAN PARAMETER MODEL MULTILEVEL MENGGUNAKAN TWO STAGE LEAST
Lebih terperinciMODEL STOKASTIK PENYEBARAN PENYAKIT DEMAM BERDARAH DI KOTA DEPOK PENDAHULUAN
MODEL STOKASTIK PENYEBARAN PENYAKIT DEMAM BERDARAH DI KOTA DEPOK H. SUMARNO 1, P. SIANTURI 1, A. KUSNANTO 1, SISWADI 1 Abstrak Kajian penyebaran penyakit dengan pendekatan deterministik telah banyak dilakukan.
Lebih terperinciKAJIAN PERILAKU MODEL MATEMATIKA PENULARAN PENYAKIT TUBERCULOSIS
Jurnal Matematika UNAND Vol. 5 No. 2 Hal. 26 32 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND KAJIAN PERILAKU MODEL MATEMATIKA PENULARAN PENYAKIT TUBERCULOSIS FAIZAL HAFIZ FADILAH, ZULAKMAL Program
Lebih terperinciModel Matematika Penyebaran Penyakit HIV/AIDS dengan Terapi pada Populasi Terbuka
Model Matematika Penyebaran Penyakit HIV/AIDS dengan Terapi pada Populasi Terbuka M Soleh 1, D Fatmasari 2, M N Muhaijir 3 1, 2, 3 Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim
Lebih terperinciSOLUSI NUMERIK UNTUK PERSAMAAN INTEGRAL KUADRAT NONLINEAR. Eka Parmila Sari 1, Agusni 2 ABSTRACT
SOLUSI NUMERIK UNTUK PERSAMAAN INTEGRAL KUADRAT NONLINEAR Eka Parmila Sari 1, Agusni 2 1 Mahasiswa Program Studi S1 Matematika 2 Laboratorium Matematika Terapan, Jurusan Matematika Fakultas Matematika
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 terperinciEksistensi dan Kestabilan Model SIR dengan Nonlinear Insidence Rate
LEMMA VOL NO NOV 04 Eksistensi dan Kestabilan Model R dengan Nonlinear nsidence Rate Mohammad oleh ) dan Riry riningsih ) ) Jurusan Matematika Fakultas ains dan Teknologi UN uska Riau ) Jurusan Matematika
Lebih terperinciSemakin besar persentase CCR yang dihasilkan, maka tingkat akurasi yang dihasilkan semakin tinggi (Hair et. al., 1995).
3 fungsi diskriminan cukup untuk memisahkan k buah kelompok. Karena fungsi-fungsi diskriminan tidak saling berkorelasi, maka komponen aditif dari V masing-masing didekati dengan khi-kuadrat dengan V j
Lebih terperincipendekatan dalam penelitian ini dinilai cukup beralasan.
Tabel Hasil pendugaan model pengaruh tetap dengan Y sebagai peubah respon dan X, X dan X sebagai C -. 00 X -5 0.50 X.05 00 X 00 R 0.6 Adjusted R 0.6 Hasil pendugaan model data panel dengan Y sebagai peubah
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 terperinciMETODE BEDA HINGGA UNTUK MENENTUKAN HARGA OPSI SAHAM TIPE EROPA DENGAN PEMBAGIAN DIVIDEN. Lidya Krisna Andani ABSTRACT
METODE BEDA HINGGA UNTUK MENENTUKAN HARGA OPSI SAHAM TIPE EROPA DENGAN PEMBAGIAN DIVIDEN Lidya Krisna Andani Mahasiswa Program Studi S1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
38 BAB V HASIL DAN PEMBAHASAN 5.1 Hasil 5.1.1 Curah hujan Grafik curah hujan selama pengamatan (2 Desember 2010-31 Januari 2011) disajikan dalam Gambar 10. Gambar 10 Curah hujan selama pengamatan. Berdasarkan
Lebih terperinciPENYAJIAN DATA. Etih Sudarnika Laboratorium Epidemiologi Fakultas Kedokteran Hewan IPB
PENYAJIAN DATA Etih Sudarnika Laboratorium Epidemiologi Fakultas Kedokteran Hewan IPB Proses Pengumpulan Data???? Pencatatan Data Numerik Variable Record ID Nama Spesies Hasil Uji HI 1 Ahmad Ayam broiler
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 terperinciBAB 2 TINJAUAN PUSTAKA = (2.2) =
BAB 2 TINJAUAN PUSTAKA 2.1. Regresi Linear Berganda Regresi linear berganda adalah regresi dimana variabel terikatnya dihubungkan atau dijelaskan dengan lebih dari satu variabel bebas,,, dengan syarat
Lebih terperinciPEMODELAN ARUS LALU LINTAS ROUNDABOUT
Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 43 52 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN ARUS LALU LINTAS ROUNDABOUT NANDA ARDIELNA, MAHDHIVAN SYAFWAN Program Studi Matematika, Fakultas
Lebih terperinciSAMPLING METHODS Metode Penarikan Contoh STK221 3(2-2)
SAMPLING METHODS Metode Penarikan Contoh STK221 3(2-2) Pustaka Scheaffer RL, Mendenhall W, Ott RL. 2006. Elementary Survey Sampling, 6th ed. Belmont: Duxbury Press. Levy PS, Lemeshow S. 1999. Sampling
Lebih terperinciJurnal Gradien Vol. 10 No. 1 Januari 2014 : 957-962 Analisis Model Regresi Linear Berganda dengan Metode Response Surface * Henoh Bayu Murti, Dian Kurniasari, Widiarti Jurusan Matematika, Fakultas Matematika
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 terperinciKata Kunci: Analisis Regresi Linier, Penduga OLS, Penduga GLS, Autokorelasi, Regresor Bersifat Stokastik
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 168 176 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN PENDUGA ORDINARY LEAST SQUARES (OLS) DAN GENERALIZED LEAST SQUARES (GLS) PADA MODEL REGRESI
Lebih terperinciPENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 53 61 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA OLIVIA ATINRI,
Lebih terperinciPerbandingan Model Black Scholes dan Brennan Schwartz untuk Menentukan Harga American Option
J. Math. and Its Appl. ISSN: 829-605X Vol. 4, No., May 2007, 47 58 Perbandingan Model Black Scholes dan Brennan Schwartz untuk Menentukan Harga American Option Endah Rokhmati MP, Lukman Hanafi, Supriati
Lebih terperinciAplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri
Vol. 6, No.1, 0-8, Juli 009 Aplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri Wahidah Sanusi Abstrak Penelitian ini dilakukan untuk mengestimasi model pertumbuhan
Lebih terperinci(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST
(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST 1Nor Indah FitriyaNingrum, 2 Suwanda, 3 Anna Chadidjah 1Mahasiswa JurusanStatistika FMIPA UniversitasPadjadjaran 2Jurusan Statistika FMIPA Universitas
Lebih terperinciMODEL PELATIHAN ULANG (RETRAINING) PEKERJA PADA SUATU PERUSAHAAN BERDASARKAN PENILAIAN REKAN KERJA
ISSN: 288-687X 13 ODEL PELATIHAN ULANG (RETRAINING) PEERJA PADA SUATU PERUSAHAAN BERDASARAN PENILAIAN REAN ERJA Dwi Lestari Jurusan Pendidikan atematika FIPA Universitas Negeri Yogyakarta E-mail: dwilestari@uny.ac.id
Lebih terperinciAnalisis Regresi Nonlinear (I)
9 Oktober 2013 Topik Inferensi dalam Regresi Nonlinear Contoh Kasus Regresi linear berganda secara umum sesuai untuk kebanyakan kasus. Namun, banyak kasus peubah respons dan bebas berhubungan melalui fungsi
Lebih terperinciKarakteristik Pendugaan Emperical Best Linear Unbiased Prediction (EBLUP) Pada Pendugaan Area Kecil
Prosiding Semirata FMIPA Universitas Lampung, 2013 Karakteristik Pendugaan Emperical Best Linear Unbiased M. Adi Sidauruk, Dian Kurniasari, Widiarti Jurusan Matematika, FMIPA Universitas Lampung E-mail:
Lebih terperinciKESTABILAN MODEL BIOEKONOMI SISTEM MANGSA PEMANGSA SUMBER DAYA PERIKANAN DENGAN PEMANENAN PADA POPULASI PEMANGSA
KESTABILAN MODEL BIOEKONOMI SISTEM MANGSA PEMANGSA SUMBER DAYA PERIKANAN DENGAN PEMANENAN PADA POPULASI PEMANGSA Rustam Jurusan Matematika Universitas Sembilanbelas November Kolaka Email: rustam.math6@gmail.com/rustam.math@usn.ac.id
Lebih terperinciMETODE ITERASI KSOR UNTUK MENYELESAIKAN SISTEM PERSAMAAN LINEAR ABSTRACT
METODE ITERASI KSOR UNTUK MENYELESAIKAN SISTEM PERSAMAAN LINEAR Adek Putri Syafriani, Syamsudhuha 2, Zulkarnain 2 Mahasiswa Program Studi S Matematika 2 Dosen Jurusan Matematika Fakultas Matematika dan
Lebih terperinciSENSITIFITAS MODEL GARCH UNTUK MENGATASI HETEROKEDASTIK PADA DATA DERET WAKTU
SENSITIFITAS MODEL GARCH UNTUK MENGATASI HETEROKEDASTIK PADA DATA DERET WAKTU Asep Saefuddin, Anang Kurnia dan Sutriyati Departemen Statistika FMIPA IPB Ringkasan Data deret waktu pada bidang keuangan
Lebih terperinciSTK643 PEMODELAN NON-PARAMETRIK. Pendugaan Fungsi Kepekatan Regresi Nonparametrik
STK643 PEMODELAN NON-PARAMETRIK Pendugaan Fungsi Kepekatan Regresi Nonparametrik KARAKERISTIK DASAR PENDUGA KEPEKATAN Penduga kepekatan; f x = 1 n n 1 w x x i h Nilai tengah atau Rataan (mean) E{f x }
Lebih terperinciOPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION
OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION NILA YUWIDA 1208100015 Dosen Pembimbing : Dra. Nuri Wahyuningsih, M.Kes Drs. Lukman Hanafi,
Lebih terperinciSTK 211 Metode statistika. Materi 2 Statistika Deskriptif
STK 211 Metode statistika Materi 2 Statistika Deskriptif 1 Statistika Deskriptif Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami Penyajian data dapat dilakukan
Lebih terperinciIV CONTOH KASUS DAN PEMBAHASAN
() 700 + 0 Z (X) 0 () () (4) Z X 6 6 + d d + = + d d + = a (X) 00 + 50 + d 50 d + = 00 + 5 a (X) 5 (5) 680 Z X 70 + d 4 d 4 + = (7) 50 a (X) 5 (8) x 5 x 00 x 50 x 4 0 (9) x i, d i, d i + 0; d i, d i +
Lebih terperinciAnalisis Model Regresi Linear Berganda dengan Metode Response Surface
Jurnal Gradien Vol. 10 No. 1 Januari 2014 : 957-962 Analisis Model Regresi Linear Berganda dengan Metode Response Surface * Henoh Bayu Murti, Dian Kurniasari, Widiarti Jurusan Matematika, Fakultas Matematika
Lebih terperinciMETODE CHEBYSHEV-HALLEY DENGAN KEKONVERGENAN ORDE DELAPAN UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR. Anisa Rizky Apriliana 1 ABSTRACT ABSTRAK
METODE CHEBYSHEV-HALLEY DENGAN KEKONVERGENAN ORDE DELAPAN UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR Anisa Rizky Apriliana 1 1 Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika
Lebih terperinciT 4 Simulasi Level Sanitasi Pada Model Sir Dengan Imigrasi Dan Vaksinasi
T 4 Simulasi Level Sanitasi Pada Model Sir Dengan Imigrasi Dan Vaksinasi Anita Kesuma Arum dan Sri Kuntari Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret Surakarta
Lebih terperinciOleh : HASNAN NASRUN SUBCHAN, MAHMUD YUNUS
Oleh : HASNAN NASRUN SUBCHAN, MAHMUD YUNUS ABSTRAK Penyakit Tuberkulosis (TB) merupakan salah satu penyakit menular tertua yang menyerang manusia. Badan kesehatan dunia (WHO) menyatakan bahwa sepertiga
Lebih terperinciMETODE ITERASI BARU BEBAS DERIVATIF UNTUK MENEMUKAN SOLUSI PERSAMAAN NONLINEAR ABSTRACT
METODE ITERASI BARU BEBAS DERIVATIF UNTUK MENEMUKAN SOLUSI PERSAMAAN NONLINEAR Eka Ceria 1, Agusni, Zulkarnain 1 Mahasiswa Program Studi S1 Matematika Laboratorium Matematika Terapan, Jurusan Matematika
Lebih terperinciPEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN. Mike Susmikanti *
PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN Mike Susmikanti * ABSTRAK PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN. Pemodelan dalam penelitian berbagai bidang khususnya bidang industri, merupakan kebutuhan
Lebih terperinciMETODE ORDE-TINGGI UNTUK MENENTUKAN AKAR DARI PERSAMAAN NONLINEAR ABSTRACT
METODE ORDE-TINGGI UNTUK MENENTUKAN AKAR DARI PERSAMAAN NONLINEAR I. P. Edwar, M. Imran, L. Deswita Mahasiswa Program Studi S Matematika Laboratorium Matematika Terapan, Jurusan Matematika Fakultas Matematika
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 terperinciMETODE PENELITIAN Sumber Data
13 METODE PENELITIAN Sumber Data Data yang digunakan dalam penelitian ini merupakan hasil simulasi melalui pembangkitan dari komputer. Untuk membangkitkan data, digunakan desain model persamaan struktural
Lebih terperinciSTATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 8 Outline: Simple Linear Regression and Correlation Multiple Linear Regression and Correlation Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and
Lebih terperinci