METODE ORDINARY KRIGING DENGAN SEMIVARIOGRAM LINIER PADA DUA LOKASI TERSAMPEL (Studi Kasus: Prediksi Data Inflasi Pada Lokasi Tak Tersampel)
|
|
- Yuliani Atmadja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 METODE ORDINARY KRIGING DENGAN SEMIVARIOGRAM LINIER PADA DUA LOKASI TERSAMPEL (Studi Kasus: Prediksi Data Inflasi Pada Lokasi Tak Tersampel) Deltha Airuzsh Lubis 1, Shailla Rustiana 1, I Gede Nyoman Mindra Jaya 2, Atje Setiawan Abdullah 3, Eddy Hermawan 4, Budi Nurani Ruchjana 5 1 Mahasiswa Magister Statistika Terapan, Universitas Padjadjaran 2 Departmen Statistika, FMIPA Universitas Padjadjaran 3 Departmen Ilmu Komputer, FMIPA Universitas Padjadjaran 4 PSTA LAPAN Bandung 5 Departmen Matematika, FMIPA Universitas Padjadjaran delthalubis@gmail.com 1 ABSTRAK Penerapan metode ordinary krigging dalam memprediksi data pada lokasi tak tersampel berdasarkan observasi pada lokasi yang tersampel yang berada di sekitarnya mensyaratkan semivariogram dalam menentukan besar bobot krigingnya. Hal terpenting dalam semivariogram adalah pemilihan model semivariogram teoretis yang sesuai yang mensyaratkan jumlah pasangan data yang cukup besar yang disusun berdasarkan jarak antar lokasi. Hal tersebut menjadi kendala ketika dilakukan prediksi data inflasi pada lokasi tak tersampel dimana hanya ada sedikit lokasi tersampel di setiap provinsi. Makalah ini menerapkan metode Ordinary Kriging untuk memprediksi data inflasi di beberapa kabupaten/ kota di Sumatera Utara dengan semivariogram linear pada dua lokasi tersampel. Hasil penerapan metode tersebut mengahasilkan taksiran nilai di titik tidak tersampel dengan variansi kriging minimum. Kata kunci: inflasi, Ordinary Kriging, Semivariogram 1. PENDAHULUAN Inflasi merupakan suatu keadaan dimana harga barang dan jasa secara umum yang diperoleh konsumen mengalami peningkatan dari periode sebelumnya. Jika inflasi meningkat maka harga barang dan jasa di dalam negeri mengalami kenaikan dan tentunya akan berimbas pada turunnya nilai mata uang. Nilai inflasi dirilis setiap bulannya oleh BPS yang mencakup beberapa kabupaten/ kota di Indonesia. Karena data inflasi memiliki deret waktu yang cukup panjang dan lengkap setiap bulannya, data inflasi umumnya dianalisis dengan analisis data deret waktu untuk memprediksi inflasi beberapa bulan ke depan pada lokasi yang tersampel. Sementara itu, prediksi data inflasi pada lokasi tak tersampel masih jarang dilakukan. Analisis geospasial yang melibatkan data kewilayahan dan variabel acak yang terdefinisi oleh lokasi (variabel terregional) dapat digunakan untuk menginterpolasi variabel pada lokasi yang tidak tersampel berdasarkan variabel pada lokasi-lokasi yang tersampel di sekitarnya. Salah satu metode dalam analisis geospasial yang umum digunakan ketika rata-rata populasi tidak diketahui adalah metode ordinary kriging. Metode tersebut melibatkan semivariogram dalam menghitung bobot krigingnya. Semivariogram merupakan statistik yang digunakan untuk memperkirakan kemiripan suatu variabel antar dua lokasi yang bergantung pada jaraknya dimana pada jarak tertentu semivariogram tersebut akan menunjukkan bahwa antara lokasi sudah tidak memiliki korelasi. Hal terpenting dalam semivariogram adalah pemilihan model semivariogram teoretikal yang fit berdasarkan semivariogram eksperimental [1], [2]. Dalam memperoleh semivariogram teoretikal disyaratkan sejumlah pasangan variabel terregional antar lokasi yang tersampel yang disusun berdasarkan jarak dua lokasi [1]. Hal ini tentunya menjadi kendala dalam menentukan semivariogram pada lokasi tersampel yang berjumlah sedikit seperti pada data inflasi. Hingga saat ini, data inflasi 222
2 hanya dihitung di 82 kota dari 34 provinsi di Indonesia atau rata-rata ada sekitar 2 sampai 3 kota sampel di setiap provinsinya. Pencapaian inflasi nasional tahun 2016 telah memenuhi target Bank Indonesia yaitu sekitar 3,02 persen. Namun masih ada beberapa kota yang masih melebih pencapaian inflasi nasional, diantaranya kota-kota di Sumatera Utara, yaitu Sibolga, Medan, Pematangsiantar dan Padangsidempuan dengan nilai inflasi tahun 2016 masing-masing 7,39; 6,6; 4,76 dan 4,28 persen. Jika inflasi beberapa kota di Sumatera Utara tersebut dirata-rata kan maka inflasi tahunan di Sumatera Utara pada 2016 merupakan yang paling tertinggi diantara provinsi lainnya [11]. Sumatera Utara merupakan salah satu provinsi yang memiliki sumber daya yang besar di pulau Sumatera jika dilihat dari jumlah penduduk, luas wilayah dan jumlah wilayah administrasi tingkat II [3]. Sementara itu, potensi perekonomian di Sumatera Utara jika dilihat dari Produk Domestik Regional Bruto (PDRB)-nya terfokus pada wilayah timurnya atau wilayah MEBIDANG (Medan, Binjai dan Deli Serdang) dan sekitarnya [4]. Sehingga kebutuhan data inflasi menjadi penting di wilayah tersebut dalam rangka mengendalikan nilai inflasi demi berjalannya perekonomian daerah yang stabil apalagi wilayah MEBIDANG dan sekitarnya merupakan kawasan metropolitan dan komuter yang akan terus berkembang di masa yang akan datang. Permasalahan pada makalah ini difokuskan pada semivariogram dan teknik kriging dengan dua lokasi tersampel untuk memprediksi inflasi di wilayah MEBIDANG dan sekitarnya. 2. METODE PENELITIAN Semivariogram Semivariogram eksperimental pada pasangan lokasi tersampel yang berjarak h dapat dihitung dengan persamaan berikut [2]: γ(h) = 1 1 Var[Z(x + h) Z(x)] = N(h) [Z (x 2 2N(h) i + h) Z(x i )] 2 i=1 (1) Jarak antar lokasi berdasarkan titik koordinat diperoleh dengan formula Euclidean yaitu: d = (x 1 x 2 ) 2 + (y 1 y 2 ) 2 Asumsi semivariogram, yaitu [2]: a. E[Z(x+h)- Z(x)] = 0, nilai rata-rata Z (x) di semua nilai x adalah sama b. Var [Z(x+h)- Z(x)] = 2γ(h), ada varians di setiap [Z(x+h)- Z(x)] dan bergantung pada jarak h dan independen pada lokasi x. Model semivariogram teoretikal yang memiliki pola cenderung linier dan umum digunakan adalah model sperikal. Persamaan semivariogram model sperikal adalah [2]: γ(h) = { c [1,5 (h) 0,5 r (h r )3 ], h < r ( h ) a c, h r dimana: c = sill; r = range; h = distance (2) Gambar 1. Semivariogram Model Sperikal Jika observasi hanya berada di dua lokasi maka jarak antar lokasi tersebut secara langsung akan menjadi range sehingga persamaan model sperikal menjadi persamaan garis lurus antara titik pusat (0,0) dan pasangan titik taksiran semivariogram dengan range sesuai jarak dua lokasi observasi yang dinotasikan dengan r atau koordinat titiknya dapat ditulis dengan (r, γ(r)) [2]. Dari titik koordinat tersebut jika disubtitusi ke persamaan garis lurus maka persamaannya menjadi: 223
3 y y 1 = x x 1 y 2 y 1 x 2 x 1 γ(h) = γ(r) r h Sehingga model semivariogram sperikal berubah menjadi model semivariogram linier yang dinyatakan dengan [8]: γ (r) γ(h) = { h r ; h r (6) γ (r) ; h > r r : jarak antara lokasi sampel pertama dengan lokasi sampel kedua γ (r) : taksiran semivariogram lokasi sampel pertama dan lokasi sampel kedua h : jarak antara lokasi sampel dengan lokasi yang tidak tersampel Gambar 2. Grafik Semivariogram Model Linier untuk Dua Lokasi Ordinary Kriging Bentuk umum metode ordinary kriging yaitu [1]: Z (s 0 ) = w i Z(s i ) (3) dimana: Z (s 0 ) : hasil prediksi pada lokasi tak tersampel n w i : bobot kriging ke-i; dimana i=1 λ i = 1 Z(s i ) : nilai observasi pada lokasi ke-i Metode ordinary kriging memberikan hasil taksiran yang Best Liniear Unbiased Estimator (BLUE) [1]. Jika variansi error metode ordinary kriging dijabarkan sebagai berikut [2]: σ 2 = E[Z (s 0 ) Z(s 0 )] 2 = w i w j γ(s i, s j ) + γ(s 0, s 0 ) 2 w i γ(s i, s 0 ) = 2 w i γ(s i, s 0 ) w i w j γ(s i, s j ) γ(s 0, s 0 ) + 2μ(1 w i ) (5) Jika hanya ada 2 lokasi sampel maka persamaan (5) menjadi: σ 2 2(w 1 γ(s 1, s 0 ) + w 2 γ(s 2, s 0 )) (w 1 w 1 γ(s 1, s 1 ) + w 1 w 2 γ(s 1, s 2 ) + w 2 w 2 γ(s 2, s 2 )) = γ(s 0, s 0 ) + 2μ(1 (w 1 + w 2 )) (6) Jika dimisalkan γ ij = γ(s i, s j ) dan γ is0 = γ(s i, s 0 ) maka diferensiasi persamaan (6) diatas terhadap w 1, w 2, μ yaitu: σ 2 = 2γ w 1s0 2w 1 γ 11 2w 2 γ 21 2μ = 0 1 (7) σ 2 = 2γ w 2s0 2w 1 γ 12 2w 2 γ 22 2μ = 0 (8) 2 σ 2 μ = 2 2w 1 2w 2 = 0 (9) Jika semivariogram dari data yang berjarak nol adalah nol maka persamaan (7), (8) dan (9) menjadi: 224
4 γ 1s0 = w 1 γ 11 + w 2 γ 12 + μ (10) γ 2s0 = w 1 γ 12 + w 2 γ 22 + μ (11) w 1 + w 2 = 1 (12) Jika dilakukakan eliminasi antar persamaan (10), (11) dan (12) maka akan diperoleh bobot kriging untuk masing-masing lokasi yaitu: w 1 = (γ 2s0 γ 21s0 2γ 12 ) (13) w 2 = (γ 1s0 γ 2s0 2γ 12 ) (14) Penelitian Terkait Beberapa penelitian terkait yang menggunakan semivariogram linier dan ordinary kriging pada dua lokasi tersampel diantaranya adalah Togatorop, Ruchjana dan Abdullah. Togatorop [5] menggunakan metode ordinary kriging untuk memprediksi produksi sumur minyak baru yang berada diantara dua lokasi titik tersampel atau sumur minyak yang telah dieksplorasi di wilayah Jatibarang. Sementara itu Ruchjana [6], [7] menggunakan metode ordinary kriging dengan semivariogram linier untuk memprediksi parameter Generalized Space-Time Autoregressive (GSTAR) pada titik sumur yang belum dieksplorasi yang berada diantara dua sumur yang dieksplorasi. Pada penelitian tersebut diperoleh hasil bahwa prediksi parameter GSTAR pada lokasi tak tersampel cenderung mendekati parameter GSTAR pada lokasi tersampel yang terdekat. Sedangkan Abdullah [8] menggunakan metode ordinary kriging dengan semivariogram linier untuk memprediksi parameter Spatial Autoregressive (SAR) pada provinsi yang tak tersampel yang berada diantara 2 provinsi sampel (Banten dan Sulawesi Selatan). Prosedur Penelitian Prosedur yang dilakukan dalam makalah ini adalah: 1. Menghitung jarak antar lokasi dengan formula Euclidean 2. Menghitung semivariogram eksperimental antar lokasi tersampel 3. Menghitung semivariogram teoritikal antara lokasi tersampel dengan tidak tersampel 4. Menghitung bobot kriging pada dua lokasi tersampel 5. Prediksi inflasi pada lokasi tak tersampel dengan metode ordinary kriging 6. Menghitung akurasi hasil prediksi inflasi pada lokasi tak tersampel 3. HASIL DAN PEMBAHASAN Set Data Lokasi tersampel pada makalah ini adalah kota Medan dan Pematangsiantar dan lokasi tidak tersampelnya adalah Kabupaten Langkat, Deli Serdang, Serdang Bedagai, Simalungun, Batubara serta kota Binjai dan Tebing Tinggi. Lokasi-lokasi tersebut terhubung dalam satu jalur yaitu di jalur jalan lintas timur Sumatera Utara. Data inflasi yang digunakan adalah inflasi bulan Agustus 2017 pada lokasi tersampel yang diperoleh dari website BPS Sumatera Utara [9] dimana masing-masing nilainya adalah Kota Medan (1,06 persen) dan Pematangsiantar (0,86 persen). Sedangkan titik koordinat kabupaten/ kota diperoleh dari website google maps yang mengacu kepada titik ibukotanya [10]. Lokasi penelitian disajikan dalam gambar 3 berikut. 225
5 Lokasi Tersampel Lokasi Tidak Tersampel Sumatera Utara Gambar 3. Peta Kabupaten/ Kota di Sumatera Utara dan lokasi penelitian Sementara itu, titik koordinat dari masing-masing lokasi disajikan dalam gambar 4. Titik yang berwarna biru merupakan titik koordinat lokasi tersampel dan titik berwarna merah adalah titik koordinat lokasi tak tersampel. Jarak antar Lokasi Gambar 4. Plot Titik Koordinat Lokasi Penelitian Pengolahan data pada makalah ini menggunakan software R untuk penghitungan jarak antar lokasi, semivariogram, bobot kriging, hasil prediksi inflasi dan varians error. Jarak antar lokasi penelitian dihitung dengan menggunakan formula jarak Euclidean. Pada tabel 1, d(s 1,s 2) merupakan jarak antara lokasi tersampel, yaitu kota Medan dengan Pematangsiantar. Sementara itu, d(s 1, s 0) merupakan jarak antara lokasi sampel 1 (Medan) dengan lokasi tak tersampel dan d(s 2, s 0) merupakan jarak antara lokasi sampel 2 (Pematangsiantar) dengan lokasi tak tersampel. Berdasarkan tabel 1 tampak lokasi tak tersampel mana saja yang memiliki jarak yang lebih dekat ke lokasi sampel 1 atau lokasi sampel 2. Tabel 1. Jarak antar Lokasi Nama Lokasi Tak Tersampel (s0) Jarak (d) d(s1,s2) d(s1,s0) d(s2,s0) Langkat 0,24 0,94 Binjai 0,19 0,87 Deli Serdang 0,20 0,63 Sergai 0, ,46 0,54 Tebing Tinggi 0,56 0,39 Simalungun 0,65 0,20 Batubara 0,86 0,42 226
6 Semivariogram Eksperimental dan Teoretikal Semivariogram eksperimental dan teoretikal masing-masing diperoleh berdasarkan persamaan (1) dan (6). Pada tabel 2, γ(s 1,s 2) merupakan semivariogram eksperimental antara lokasi tersampel, yaitu kota Medan dengan Pematangsiantar. Sementara itu, γ (s 1, s 0) merupakan semivariogram teoretikal antara lokasi sampel 1 (Medan) dengan lokasi tak tersampel dan γ (s 2, s 0) merupakan semivariogram antara lokasi sampel 2 (Pematangsiantar) dengan lokasi tak tersampel. Berdasarkan tabel 2 tampak lokasi tak tersampel mana saja yang cenderung memiliki kemiripan dengan lokasi sampel 1 atau lokasi sampel 2. Kemiripan karakteristik antara lokasi tersampel dengan tidak tersampel ditandai dengan semakin kecilnya nilai semivariogramnya. Tabel 2. Semivariogram Eksperimental dan Semivariogram Teoretikal Nama Lokasi Tak Tersampel (s0) Semivariogram (γ) γ(s1,s2) γ(s1,s0) γ(s2,s0) Langkat 0,01 0,03 Binjai 0,01 0,03 Deli Serdang 0,01 0,02 Sergai 0, ,02 0,02 Tebing Tinggi 0,02 0,01 Simalungun 0,02 0,01 Batubara 0,03 0,01 Bobot Kriging Bobot kriging lokasi sampel 1 dan 2 masing-masing diperoleh berdasarkan persamaan (13) dan (14). Pada tabel 3, w1 merupakan bobot kriging antara lokasi sampel 1 (Medan) dengan lokasi tak tersampel dan w2 merupakan bobot kriging antara lokasi sampel 2 (Pematangsiantar) dengan lokasi tak tersampel. Berdasarkan tabel 3 tampak lokasi sampel mana yang cenderung memiliki bobot terbesar dalam memprediksi inflasi di lokasi tak tersampel. Prediksi Inflasi di Wilayah MEBIDANG dan Sekitarnya Hasil prediksi inflasi pada bulan Agustus 2017 di wilayah MEBIDANG dan sekitarnya dengan metode ordinary kriging serta varians errornya disajikan dalam tabel 3 berikut. Tabel 3. Taksiran Inflasi Periode Agustus 2017 dan Varians Error Nama Lokasi Tak Tersampel (s0) Bobot Kriging (w) Taksiran Inflasi Z(s0) Varians Error σ 2 (s0) Langkat 0,84 0,16 1,02 0,0228 Binjai 0,87 0,13 1,03 0,0222 Deli Serdang 0,79 0,21 1,01 0,0198 Sergai 0,55 0,45 0,96 0,0335 Tebing Tinggi 0,38 0,62 0,92 0,0214 Simalungun 0,20 0,80 0,88 0,0198 Batubara 0,28 0,72 0,89 0,0203 Hasil prediksi inflasi di wilayah MEBIDANG dan sekitarnya pada tabel 3 disajikan pula dengan peta pada gambar 5. Berdasarkan gambar 5 tampak bahwa hasil prediksi inflasi cenderung lebih mirip ke lokasi sampel yang terdekat. Hasil prediksi inflasi di Langkat, Binjai dan Deli Serdang cenderung lebih mirip ke kota Medan sebagai lokasi sampel 1. Sedangkan hasil prediksi Batubara dan Simalungun cenderung lebih mirip dengan kota Pematangsiantar sebagai lokasi sampel 2. Sementara itu hasil prediksi inflasi di Serdang Bedagai dan Tebing Tinggi tidak menunjukkan kecenderungan ke lokasi sampel 1 atau lokasi sampel 2 karena bobot krigingnya cenderung hampir sama besar antara lokasi sampel 1 dan 2. w1 w2 227
7 Gambar 5. Hasil Prediksi Inflasi 5.KESIMPULAN Berdasarkan hasil dan pembahasan diatas maka dapat disimpulkan bahwa: 1. Semakin dekat jarak antara lokasi tersampel dengan lokasi tidak tersampel maka nilai semivariogramnya semakin kecil. Hal ini mengindikasikan bahwa tingkat perbedaan antar lokasi tersebut semakin kecil. 2. Semakin kecil semivariogram antar lokasi tersampel dengan tidak tersampel maka nilai bobot krigingnya semakin besar 3. Nilai taksiran inflasi pada lokasi tak tersampel akan lebih mendekati nilai inflasi pada lokasi tersampel yang terdekat 4. Akurasi prediksi ditunjukkan oleh varians error yang minimum 6.SARAN Hasil prediksi inflasi di lokasi tak tersampel dengan metode ordinary kriging hanya menghasilkan prediksi pada satu titik waktu saja. Selanjutnya metode ordinary kriging dapat dikombinasikan dengan model data deret waktu untuk memperoleh taksiran inflasi di lokasi tak tersampel hingga beberapa periode waktu tertentu. Pernyataan terima kasih. Makalah ini didukung oleh Kerja Sama Luar Negeri (KLN) dengan nomor kontrak: 718/UN6.3.1/PL/2017 dan ALG Universitas Padjadjaran nomor kontrak: 872/UN6.3.2/LT/ DAFTAR PUSTAKA [1] Olea, Ricardo A., Geostatistics for Engineer and Earth Scientists, Kansas Geological Survey, The University of Kansas, Springer Science + Business Media, LLC, [2] Armstrong, M., Basic Linear Geostatistics, Springer, 1998 [3] BPS, Statistik Indonesia 2017, Jakarta: BPS, 2017 [4] BPS Sumatera Utara, Sumatera Utara Dalam Angka 2017, Medan: BPS SUMUT, 2017 [5] Togatorop, M.W.R., Penentuan Lokasi Sumur Minyak Yang Tidak Tersampel Dengan Menggunakan Metode Ordinary Kriging, Tugas Akhir, Bandung: UNPAD, 1999 [6] Ruchjana, N. N., Karakterisasi Reservoir Minyak Bumi dengan Pendekatan Spatio temporal, Laporan penelitian Universitas Padjadjaran, Bandung,
8 [7] Ruchjana, B. N., dkk Clustering Spatial on the GSTAR Model for Replacement New Oil Well. Padjadajran International Physics Symposium 2013 (PIPS-2013), AIP Conf. Proc. 1554, , AIP Publishing. [8] Abdullah, A. S Implementasi Spasial Data Mining menggunakan Model SAR-Kriging untuk Prediksi Kuaitas Pendidikan di Indoensia. Disertasi, Tidak dipublikasikan, Program Pascasarjana UGM, Yogyakarta. [9] BPS Sumatera Utara, Berita Resmi Statistik (BRS): Perkembangan Indeks Harga Konsumen/ Inflasi, No. 50/09/12/Thn. XX, 4 September 2017, diakses melalui brsind pdf pada 10 September 2017 [10] diakses pada 15 September 2017 [11] BPS Laporan Perekonomian Indonesia Tahun Jakarta: BPS 229
BAB III PEMBAHASAN. Metode kriging digunakan oleh G. Matheron pada tahun 1960-an, untuk
BAB III PEMBAHASAN 3.1. Kriging Metode kriging digunakan oleh G. Matheron pada tahun 1960-an, untuk menonjolkan metode khusus dalam moving average terbobot (weighted moving average) yang meminimalkan variansi
Lebih terperinci(T.4) APLIKASI MODEL SPASIAL DAN SPASIAL TIME UNTUK PRAKIRAAN OBSERVASI DI LOKASI TIDAK TERSAMPEL
(T.4) APLIKASI MODEL SPASIAL DAN SPASIAL TIME UNTUK PRAKIRAAN OBSERVASI DI LOKASI TIDAK TERSAMPEL Budi Nurani R., Atje Setiawan A, dan Rudi Rosadi Jurusan Matematika FMIPA Universitas Padjadjaran Jl. Raya
Lebih terperinci(M.7) PEMETAAN ESTIMASI ANGKA PENGANGGURAN DENGAN COKRIGING (STUDI KASUS KOTA GORONTALO TAHUN 2011)
(M.7) PEMETAAN ESTIMASI ANGKA PENGANGGURAN DENGAN COKRIGING (STUDI KASUS KOTA GORONTALO TAHUN 2011) Basuki Rahmat 1, Sutawanir Darwis 2, Bertho Tantular 3 1. Mahasiswa Pascasarjana Program Studi Statistika
Lebih terperinciLAPORAN KEMAJUAN PENELITIAN BANTUAN UNPAD LEMBAGA PENELITIAN UNIVERSITAS PADJADJARAN
LAPORAN KEMAJUAN PENELITIAN BANTUAN UNPAD LEMBAGA PENELITIAN UNIVERSITAS PADJADJARAN Tahun: 2006 Universitas Fakultas : Padjadjaran : MIPA 1. Judul Penelitian : STUDI PENGEMBANGAN MODEL SPATIO TEMPORAL
Lebih terperinciGEOSTATISTIK MINERAL MATTER BATUBARA PADA TAMBANG AIR LAYA
GEOSTATISTIK MINERAL MATTER BATUBARA PADA TAMBANG AIR LAYA 1 Surya Amami P a, Masagus Ahmad Azizi b a Program Studi Pendidikan Matematika FKIP UNSWAGATI Jl. Perjuangan No 1 Cirebon, amamisurya@gmail.com
Lebih terperinciLampiran 1 Produk Domestik Regional Bruto (PDRB) Per Kapita Menurut Kabupaten/Kota Atas Dasar Harga Konstan (Rupiah)
LAMPIRAN Lampiran 1 Produk Domestik Regional Bruto (PDRB) Per Kapita Menurut / Atas Dasar Harga Konstan (Rupiah) / 2010 2011 2012 2013 2014 2015 1 Nias 3.887.995 4.111.318 13.292.683.44 14. 046.053.44
Lebih terperinciPENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH Tri Mulyaningsih ), Budi Nurani R ), Soemartini 3) ) Mahasiswa Program Magister Statistika Terapan Universitas Padjadjaran
Lebih terperinciMODEL SAR, EKSPANSI SAR DAN PLOT MORAN UNTUK PEMETAAN HASIL AKREDITASI SEKOLAH DI PROVINSI JAWA BARAT *)
MODEL SAR, EKSPANSI SAR DAN PLOT MORAN UNTUK PEMETAAN HASIL AKREDITASI SEKOLAH DI PROVINSI JAWA BARAT *) Atje Setiawan Abdullah 1., Budi Nurani Ruchjana 2,Toni Toharudin 3, Rudi Rosadi 4 1,4 Prodi Teknik
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
xiii BAB 1 PENDAHULUAN 1.1 Latar Belakang Indonesia memiliki kekayaan alam yang luar biasa dalam hal bahan-bahan tambang seperti emas, batubara, nikel gas bumi dan lain lain. Batubara merupakan salah satu
Lebih terperinciMetode Ordinary Kriging Blok pada Penaksiran Ketebalan Cadangan Batubara (Studi Kasus : Data Ketebalan Batubara pada Lapangan Eksplorasi X)
Kumpulan Makalah Seminar Semirata 2013 Fakultas MIPA Universitas Lampung Metode Ordinary Kriging Blok pada Penaksiran Ketebalan Cadangan Batubara (Studi Kasus : Data Ketebalan Batubara pada Lapangan Eksplorasi
Lebih terperinciANALISIS DATA GEOSTATISTIK MENGGUNAKAN METODE ORDINARY KRIGING
ANALISIS DATA GEOSTATISTIK MENGGUNAKAN METODE ORDINARY KRIGING Oleh: Wira Puspita (1) Dewi Rachmatin (2) Maman Suherman (2) ABSTRAK Geostatistika merupakan suatu jembatan antara statistika dan Geographic
Lebih terperinciLAPORAN RISET RISET UNGGULAN TERPADU XI BIDANG KELAUTAN, KEBUMIAN, DAN KEDIRGANTARAAN
KARAKTERISASI RESERVOIR MINYAK BUMI MELALUI PENDEKATAN SPATIO-TEMPORAL LAPORAN RISET RISET UNGGULAN TERPADU XI BIDANG KELAUTAN, KEBUMIAN, DAN KEDIRGANTARAAN Oleh: Dr. Budi Nurani Ruchjana, MS Universitas
Lebih terperinciPrediksi Curah Hujan dengan Model Deret Waktu dan Prakiraan Krigging pada 12 Stasiun di Bogor Periode Januari Desember 2014.
Jur. Ris. & Apl. Mat. Vol. 1 (2017), no. 1, 1-52 Jurnal Riset dan Aplikasi Matematika e-issn: 2581-0154 URL: journal.unesa.ac.id/index.php/jram Prediksi Curah Hujan dengan Model Deret Waktu dan Prakiraan
Lebih terperinciKajian Pemilihan Model Semivariogram Terbaik Pada Data Spatial (Studi Kasus : Data Ketebalan Batubara Pada Lapangan Eksplorasi X)
Jurnal Gradien Vol 8 No Januari 0: 756-76 Kajian Pemilihan Semivariogram Terbaik Pada Data Spatial (Studi Kasus : Data Ketebalan Batubara Pada Lapangan Eksplorasi X) Fachri Faisal dan Jose Rizal Jurusan
Lebih terperinciEstimasi Produksi Minyak dan Gas Bumi di Kalimantan Utara Menggunakan Metode Cokriging
D-426 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print) Estimasi Produksi Minyak dan Gas Bumi di Kalimantan Utara Menggunakan Metode Cokriging Eka Oktaviana Romaji, I Nyoman Latra,
Lebih terperinciBAB I PENDAHULUAN. memiliki sebuah hubungan, misalnya ilmu alam yang berkaitan erat dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam dunia ilmu pengetahuan, antara satu ilmu dengan ilmu yang lainnya memiliki sebuah hubungan, misalnya ilmu alam yang berkaitan erat dengan matematika karena keduanya
Lebih terperinciBAB 1 PENDAHULUAN 1.1 LATAR BELAKANG
BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG Indonesia merupakan negara terluas didunia dengan total luas negara 5.193.250km 2 (mencakup daratan dan lautan). Hal ini menempatkan Indonesia sebagai negara terluas
Lebih terperinciBab III Studi Kasus III.1 Decline Rate
Bab III Studi Kasus III.1 Decline Rate Studi kasus akan difokuskan pada data penurunan laju produksi (decline rate) di 31 lokasi sumur reservoir panas bumi Kamojang, Garut. Persoalan mendasar dalam penilaian
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 terperinciKajian Matriks Bobot Lokasi Model Space Time Autoregresi (STAR)
Jurnal Matematika Integratif ISSN 1412-6184 Vol. 9 No. 2, Oktober 2013 pp. 11-22 Kajian Matriks Bobot Lokasi Model Space Time Autoregresi (STAR) Emah Suryamah, Budi Nurani Ruchjana, Khafsah Joebaedi Jurusan
Lebih terperinciBAB III GENERALIZED SPACE TIME AUTOREGRESSIVE. Model GSTAR adalah salah satu model yang banyak digunakan untuk
BAB III GENERALIZED SPACE TIME AUTOREGRESSIVE 3.1 Indeks Gini Model GSTAR adalah salah satu model yang banyak digunakan untuk memodelkan dan meramalkan data deret waktu dan lokasi. Model ini merupakan
Lebih terperinciIII. METODE PENELITIAN
39 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder tersebut merupakan data cross section dari data sembilan indikator
Lebih terperinciPRODUKSI CABAI BESAR, CABAI RAWIT, DAN BAWANG MERAH TAHUN 2014
BPS PROVINSI SUMATERA UTARA No. 50/08/12/Th. XVIII, 3 Agustus 2015 PRODUKSI CABAI BESAR, CABAI RAWIT, DAN BAWANG MERAH TAHUN 2014 PRODUKSI CABAI BESAR SEBESAR 147.810 TON, CABAI RAWIT SEBESAR 33.896 TON,
Lebih terperinciModel Generalized Space Time Autoregressive (GSTAR) dengan Analisis Data Menggunakan Software R
Model Generalized Space Time Autoregressive (GSTAR) dengan Analisis Data Menggunakan Software R Yulianti Talungke 1, Nelson Nainggolan 2, Djoni Hatidja 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado,
Lebih terperinciORDINARY KRIGING DALAM ESTIMASI CURAH HUJAN DI KOTA SEMARANG
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 2, Tahun 2014, Halaman 151-159 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ORDINARY KRIGING DALAM ESTIMASI CURAH HUJAN DI KOTA SEMARANG
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pemanfaatan hasil bahan galian hingga saat ini dalam penyediaan bahan baku pembangunan di berbagai bidang yang menyebabkan cadangan tambang semakin berkurang khususnya
Lebih terperinciSIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY KRIGING DENGAN TEKNIK JACKKNIFE. Oleh : DEWI SETYA KUSUMAWARDANI
SIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY KRIGING DENGAN TEKNIK JACKKNIFE Oleh : DEWI SETYA KUSUMAWARDANI 24010210120007 Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana
Lebih terperinciPROSIDING TPT XXV PERHAPI 2016 MASALAH PENCOCOKAN MODEL VARIOGRAM PADA PENAKSIRAN KADAR MEMAKAI METODE GEOSTATISTIKA
MASALAH PENCOCOKAN MODEL VARIOGRAM PADA PENAKSIRAN KADAR MEMAKAI METODE GEOSTATISTIKA Waterman Sulistyana Bargawa Magister Teknik Pertambangan UPN Veteran Yogyakarta Email: waterman.sulistyana@gmail.com
Lebih terperinciIII. METODE PENELITIAN. Jenis data yang digunakan dalam penelitian ini adalah data sekunder, time series triwulan dari
34 III. METODE PENELITIAN 3.1 Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder, time series triwulan dari tahun 2005-2012, yang diperoleh dari data yang dipublikasikan
Lebih terperinciPERBANDINGAN HASIL ESTIMASI PARAMETER GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) DENGAN VARIABEL EKSOGEN BERTIPE METRIK
PERBANDINGAN HASIL ESTIMASI PARAMETER GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) DENGAN VARIABEL EKSOGEN BERTIPE METRIK Reza Mubarak ) dan Suhartono ) ) Program Pasca Sarjana Jurusan Statistika, Institut
Lebih terperinciBAB I PENDAHULUAN. melakukan penelitian ada tiga jenis, yaitu data deret waktu (time series), data silang
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam analisis perekonomian, ketersediaan data yang sesuai sangat mempengaruhi hasil analisis yang diperlukan. Data yang biasa digunakan dalam melakukan penelitian
Lebih terperinciTIPOLOGI WILAYAH HASIL PENDATAAN POTENSI DESA (PODES) 2014
BPS PROVINSI SUMATERA UTARA No. 21/03/12/Th. XVIII, 2 Maret 2015 TIPOLOGI WILAYAH HASIL PENDATAAN POTENSI DESA (PODES) 2014 Pendataan Potensi Desa (Podes) dilaksanakan 3 kali dalam 10 tahun. Berdasarkan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Kemiskinan merupakan masalah dalam pembangunan yang bersifat multidimensi. Kemiskinan merupakan persoalan kompleks yang terkait dengan berbagai dimensi yakni sosial,
Lebih terperinciBAB III METODE PENELITIAN. (time series data). Dalam penelitiaan ini digunakan data perkembangan pertumbuhan ekonomi,
BAB III 3.1. Jenis dan Sumber Data METODE PENELITIAN 3.1.1. Jenis Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder yang digunakan adalah data yang dicatat secara
Lebih terperinciMusrenbang RKPD Provinsi Sumatera Utara 2013 Hotel Santika, Selasa 2 April 2013 BADAN PUSAT STATISTIK PROVINSI SUMATERA UTARA
Musrenbang RKPD Provinsi Sumatera Utara 2013 Hotel Santika, Selasa 2 April 2013 BADAN PUSAT STATISTIK PROVINSI SUMATERA UTARA 1 PERTUMBUHAN EKONOMI, STRUKTUR PEREKONOMIAN DAN PDRB PERKAPITA EKSPOR, IMPOR
Lebih terperinciINDEKS PEMBANGUNAN MANUSIA (IPM) TAHUN 2015
BPS PROVINSI SUMATERA UTARA No. 39/07/12/Thn.XIX, 01 Juli 2016 INDEKS PEMBANGUNAN MANUSIA (IPM) TAHUN 2015 INDEKS PEMBANGUNAN MANUSIA SUMATERA UTARA 2015 MENCAPAI 69,51. Pembangunan manusia di Sumatera
Lebih terperinciPemodelan Inflasi di Kota Semarang, Yogyakarta, dan Surakarta dengan pendekatan GSTAR
JURNAL SAINS DAN SENI POMITS Vol., No., (0) 7-0 (0-X Prin D-7 Pemodelan Inflasi di Kota Semarang, Yogyakarta, dan Surakarta dengan pendekatan GSTAR Laily Awliatul Faizah dan Setiawan Jurusan Statistika,
Lebih terperinciBAB III METODELOGI PENELTIAN. Riau, DKI Jakarta, Jawa Barat, Jawa Tengah, DI. Yogyakarta, Jawa Timur,
BAB III METODELOGI PENELTIAN A. Obyek/Subyek Penelitian Obyek dalam penelitian ini meliputi seluruh wilayah atau 33 provinsi yang ada di Indonesia, meliputi : Aceh, Sumatera Utara, Sumatera Barat, Riau,
Lebih terperinciBAB IV ANALISIS DATA. Data yang digunakan dalam tugas akhir ini adalah data eksplorasi
BAB IV ANALISIS DATA 4. DATA Data yang digunakan dalam tugas akhir ini adalah data eksplorasi kandungan cadangan bauksit di daerah penambangan bauksit di Mempawah pada blok AIII-h5 sebanyak 8 titik eksplorasi.
Lebih terperinciBAB III METODE PENELITIAN. Objek dari penelitian ini adalah perilaku prosiklikalitas perbankan di
BAB III METODE PENELITIAN A. Objek Penelitian Objek dari penelitian ini adalah perilaku prosiklikalitas perbankan di Indonesia pada tahun 2007M01 2016M09. Pemilihan pada periode tahun yang digunakan adalah
Lebih terperinciBAB III METODOLOGI PENELITIAN. berbentuk time series selama periode waktu di Sumatera Barat
BAB III METODOLOGI PENELITIAN A. Sumber Data Metode penelitian dilakukan dengan mengumpulkan data sekunder yang berbentuk time series selama periode waktu 2005-2015 di Sumatera Barat yang diperoleh dari
Lebih terperinciS - 4 IDENTIFIKASI DATA RATA-RATA CURAH HUJAN PER-JAM DI BEBERAPA LOKASI
S - 4 IDENTIFIKASI DATA RATA-RATA CURAH HUJAN PER-JAM DI BEBERAPA LOKASI Astutik, S., Solimun, Widandi, Program Studi Statistika, Jurusan Matematika FMIPA, Universitas Brawiaya, Malang, Jurusan Teknik
Lebih terperinciANALISIS REGRESI KUANTIL
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 103 107 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI KUANTIL SAIDAH, FERRA YANUAR, DODI DEVIANTO Program Studi Magister Matematika, Fakultas
Lebih terperinciModel Space Time Autoregressive (STAR) Orde 1 Dan Penerapannya Pada Prediksi Harga Beras Di Kota Manado, Tomohon Dan Kabupaten Minahasa Utara
Model Space Time Autoregressive (STAR) Orde 1 Dan Penerapannya Pada Prediksi Harga Beras Di Kota Manado, Tomohon Dan Kabupaten Minahasa Utara 1 Rahmadania Paita, 2 Nelson Nainggolan, 3 Yohanes A.R. Langi
Lebih terperinciGeneralized Linear Model
5 Generalized Linear Model Estimasi Loss Reserve Incurred But Not Reported (IBNR) dengan General Linear Model Menggunakan Gauss Markov Elsa Emeliana 1,a), Lienda Noviyanti 2, b), Achmad Zanbar Soleh 1
Lebih terperinciBAB I PENDAHULUAN. Pembangunan Jangka Panjang tahun merupakan kelanjutan
BAB I PENDAHULUAN 1.1. Latar Belakang Pembangunan Jangka Panjang tahun 2005 2025 merupakan kelanjutan perencanaan dari tahap pembangunan sebelumnya untuk mempercepat capaian tujuan pembangunan sebagaimana
Lebih terperinciINDEKS PEMBANGUNAN MANUSIA (IPM) TAHUN 2016
BPS PROVINSI SUMATERA UTARA INDEKS PEMBANGUNAN MANUSIA (IPM) TAHUN 2016 No. 29/05/12/Thn. XX, 5 Mei 2017 IPM PROVINSI SUMATERA UTARA TAHUN 2016 MEMASUKI KATEGORI TINGGI Pembangunan manusia di Sumatera
Lebih terperinciJURNAL GAUSSIAN, Volume 2, Nomor 1, Tahun 2013, Halaman 1-10 Online di:
JURNAL GAUSSIAN, Volume 2, Nomor 1, Tahun 2013, Halaman 1-10 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ESTIMASI KANDUNGAN HASIL TAMBANG MENGGUNAKAN ORDINARY INDICATOR KRIGING Aldila
Lebih terperinciBAB I PENDAHULUAN. untuk membentuk model hubungan antara variabel dependen dengan satu atau
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Tanpa memperhatikan bidang penelitian yang dikaji, mengumpulkan data
BAB I PENDAHULUAN 1.1 Latar Belakang Tanpa memperhatikan bidang penelitian yang dikaji, mengumpulkan data yang informatif pada situasi yang kompleks kadang-kadang merupakan suatu pekerjaan yang sulit dilakukan.
Lebih terperinciKEMISKINAN ASAHAN TAHUN 2015
BPS KABUPATEN ASAHAN No. 02/10/1208/Th. XIX, 24 Oktober 2016 KEMISKINAN ASAHAN TAHUN 2015 Jumlah penduduk miskin di Kabupaten Asahan tahun 2015 sebanyak 85.160 jiwa (12,09%), angka ini bertambah sebanyak
Lebih terperinciBAB III METODE PENELITIAN
A. Obyek Penelitian BAB III METODE PENELITIAN Pada penelitian ini menggunakan Obyek penelitian dari seluruh kabupaten dan kota yang ada di Daerah Istimewa Yogyakarta yaitu, Satu kota madya kota Yogyakarta,
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder tingkat kabupaten/kota tahun 2010, yang bersumber dari Badan Pusat Statistik (BPS), Kementerian
Lebih terperinciEksplorasi Software R untuk Fitting Semivariogram Spherical Menggunakan Pemrograman Linear dan Uji Analisis Sensitivitas
Jurnal Matematika Integratif Volume 2 No 2, Oktober 206, pp 75-82 p-issn:42-684, e-issn:2549-903 doi:0.2498/jmi.v2.n2.98.75-82 Eksplorasi Software R untuk Fitting Semivariogram Spherical Menggunakan Pemrograman
Lebih terperinciBAB I PENDAHULUAN. Data yang mempunyai keterkaitan dengan kejadian-kejadian sebelumnya
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data yang mempunyai keterkaitan dengan kejadian-kejadian sebelumnya seringkali dijumpai dalam kehidupan sehari-hari. Data semacam ini disebut data runtun waktu
Lebih terperinciPENAKSIRAN KANDUNGAN CADANGAN BAUKSIT DI DAERAH MEMPAWAH MENGGUNAKAN ORDINARY KRIGING DENGAN SEMIVARIOGRAM ANISOTROPIK PUTU JAYA ADNYANA WIDHITA
PENAKSIRAN KANDUNGAN CADANGAN BAUKSIT DI DAERAH MEMPAWAH MENGGUNAKAN ORDINARY KRIGING DENGAN SEMIVARIOGRAM ANISOTROPIK PUTU JAYA ADNYANA WIDHITA 0 3 0 3 0 1 0 3 0 3 UNIVERSITAS INDONESIA FAKULTAS MATEMATIKA
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. Obyek dari penelitian yang akan diteliti dalam penelitian ini adalah besarnya
BAB 3 METODOLOGI PENELITIAN 3.1 Obyek Penelitian Obyek dari penelitian yang akan diteliti dalam penelitian ini adalah besarnya yield to maturity (YTM) dari obligasi negara seri fixed rate tenor 10 tahun
Lebih terperinciBAB III METOTOLOGI PENELITIAN
BAB III METOTOLOGI PENELITIAN 3.1 Obyek Penelitian Analisis ekonomi digunakan atas dasar anggapan bahwa variabel dalam faktor faktor ekonomi dan pasar merupakan variabel yang berpengaruh secara sistematik
Lebih terperinciBAB III METODE PENELITIAN. tercatat secara sistematis dalam bentuk data runtut waktu (time series data). Data
24 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data 3.1.1 Jenis Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder atau kuatitatif. Data kuantitatif ialah data yang diukur dalam
Lebih terperinciBAB I PENDAHULUAN. Sektor pertanian merupakan sektor terbesar yang mendorong
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Sektor pertanian merupakan sektor terbesar yang mendorong perekonomian Sumatera Utara. Menurut data yang diperoleh dari Berita Resmi Statistik Badan Pusat Statistik
Lebih terperinciBAB I PENDAHULUAN. Indonesia memiliki 34 provinsi yang kini telah tumbuh menjadi beberapa wacana
BAB I PENDAHULUAN 1.1. Latar Belakang Indonesia memiliki 34 provinsi yang kini telah tumbuh menjadi beberapa wacana untuk mendirikan provinsi-provinsi baru di Indonesia. Pembentukan provinsi baru ini didasari
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder (time series) yang diperoleh dari beberapa lembaga dan instansi pemerintah,
Lebih terperinciBAB III METODE PENELITIAN
33 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Penelitian ini dilakukan berdasarkan data series bulan yang dipublikasikan oleh Bank Indonesia (BI) dan Badan Pusat Statistik (BPS), diantaranya adalah
Lebih terperinciPrediksi Tingkat Kemiskinan di Provinsi Aceh dengan Model AR
Jurnal Gradien Vol. No. Januari : - Prediksi Tingkat Kemiskinan di Provinsi Aceh dengan Model AR Munawar, Hafnani Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Syiah Kuala,
Lebih terperinciPEMODELAN INFLASI DI KOTA SEMARANG, YOGYAKARTA, DAN SURAKARTA DENGAN PENDEKATAN GSTAR. Oleh : Laily Awliatul Faizah ( )
Seminar Hasil Tugas Akhir PEMODELAN INFLASI DI KOTA SEMARANG, YOGYAKARTA, DAN SURAKARTA DENGAN PENDEKATAN GSTAR Oleh : Laily Awliatul Faizah (357) Dosen Pembimbing : Dr. Ir. Setiawan, MS. Jurusan Statistika
Lebih terperinciIII. METODE PENELITIAN. Data yang digunakan pada penelitian ini adalah data sekunder yang berupa data time
44 III. METODE PENELITIAN A. Jenis dan Sumber Data Data yang digunakan pada penelitian ini adalah data sekunder yang berupa data time series periode 2001-2012 yang diperoleh dari Badan Pusat Statistik
Lebih terperinciPERTUMBUHAN EKONOMI KABUPATEN DELI SERDANG TAHUN 2012
BPS KABUPATEN DELI SERDANG No. 01/07/1212/Th. XIV, 8 Juli 2013 PERTUMBUHAN EKONOMI KABUPATEN DELI SERDANG TAHUN 2012 Pertumbuhan Ekonomi Kabupaten Deli Serdang tahun 2012 yang diukur berdasarkan kenaikan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang. Sektor pariwisata dan kebudayaan merupakan salah satu sektor yang sangat potensial dan
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sektor pariwisata dan kebudayaan merupakan salah satu sektor yang sangat potensial dan perlu mendapat perhatian yang baik bagi pemerintah daerah untuk keberlangsungan
Lebih terperinciPertemuan 4-5 ANALISIS REGRESI SEDERHANA
Pertemuan 4-5 ANALISIS REGRESI SEDERHANA Metode Kuadrat Terkecil (OLS) Persoalan penting dalam membuat garis regresi sampel adalah bagaimana kita bisa mendapatkan garis regresi yang baik yaitu sedekat
Lebih terperinciABSTRAK. Kata kunci: laju inflasi, GSTAR, invers jarak, normalisasi korelasi silang. iii
ABSTRAK Kurniawati. 2016. PERBANDINGAN PENERAPAN MODEL GENERA- LIZED SPACE TIME AUTOREGRESSIVE DENGAN PEMBOBOT INVERS JARAK DAN NORMALISASI KORELASI SILANG PADA LAJU INFLASI KO- TA SURAKARTA, YOGYAKARTA,
Lebih terperinciE-Jurnal Matematika Vol. 4 (1), Januari 2015, pp ISSN:
INTERPOLASI SPASIAL DENGAN METODE ORDINARY KRIGING MENGGUNAKAN SEMIVARIOGRAM ISOTROPIK PADA DATA SPASIAL (Studi Kasus: Curah Hujan di Kabupaten Karangasem) Putu Mirah Purnama D 1, Komang Gde Sukarsa 2,
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian ini adalah kuantitatif. Penelitian kuantitatif merupakan
BAB III METODE PENELITIAN A. Obyek/Subyek Penelitian Jenis penelitian ini adalah kuantitatif. Penelitian kuantitatif merupakan analisis yang berupa angka-angka sehingga dapat diukur dan dihitung dengan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Ruang Lingkup Penelitian Penelitian tentang kemiskinan ini hanya terbatas pada kemiskinan di Provinsi Jawa Tengah tahun 2007-2011. Variabel yang digunakan dalam menganalisis
Lebih terperinciBAB 1 PENDAHULUAN. Pembangunan ekonomi merupakan suatu proses yang menyebabkan. pendapatan perkapita suatu masyarakat meningkat dalam jangka panjang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pembangunan ekonomi merupakan suatu proses yang menyebabkan pendapatan perkapita suatu masyarakat meningkat dalam jangka panjang (Sukirno,1985). Sedangkan tujuan pembangunan
Lebih terperinciImplementasi Spasial Kriging Dengan Faktor Dependency Seasonal Time Series Aniq A Rohmawati
OPEN ACCESS ISSN 246-956 socj.telkomuniversity.ac.id/indojc Implementasi Spasial Kriging Dengan Faktor Dependency Seasonal Time Series Aniq A Rohmawati # Program Studi Ilmu Komputasi, Telkom University
Lebih terperinciSISTEM PREDIKSI HARGA CENGKEH DI JAWA BARAT MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE
SISTEM PREDIKSI HARGA CENGKEH DI JAWA BARAT MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE Hari Fajri Setiawan 1), Gunawan Abdillah 2), Agus Komarudin 3) Program Studi Informatika, Fakultas Matematika
Lebih terperinciBAB I PENDAHULUAN. kewenangan dan tanggung jawab penuh dalam mengatur dan mengurus rumah
BAB I PENDAHULUAN 1.1 Latar Belakang Sejak berlakunya otonomi daerah sesuai dengan UU No. 22 Tahun 1999 tentang Pemerintahan Daerah dan UU No. 25 Tahun 1999 tentang Perimbangan Keuangan antara Pemerintah
Lebih terperinciBAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Kesimpulan yang diperoleh berdasarkan analisis dan pembahasan pada bab sebelumnya adalah sebagai berikut. 1. Bobot lokasi yang digunakan dalam membentuk model
Lebih terperinciBAB I PENDAHULUAN. Kegiatan penganggaran pada dasarnya mempunyai manfaat yang sama
BAB I PENDAHULUAN 1.1. Latar Belakang Kegiatan penganggaran pada dasarnya mempunyai manfaat yang sama dengan kegiatan perencanaan, koordinasi, dan pengawasan. Penganggaran juga merupakan komitmen resmi
Lebih terperinciBAB 3. Metode Penelitian. Desain penelitian yang digunakan dalam penelitian ini adalah asosiatif atau
BAB 3 Metode Penelitian 3.1 Desain Penelitian Desain penelitian yang digunakan dalam penelitian ini adalah asosiatif atau hubungan kuantitatif dengan statistik karena bertujuan untuk mengetahui hubungan
Lebih terperinciBAB I PENDAHULUAN. bangsa, dalam upaya untuk meningkatkan taraf hidup maupun kesejahteraan rakyat.
BAB I PENDAHULUAN 1.1. Latar Belakang Pembangunan merupakan alternatif terbaik yang dapat dilakukan oleh suatu bangsa, dalam upaya untuk meningkatkan taraf hidup maupun kesejahteraan rakyat. Salah satu
Lebih terperinciBAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
BAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION 3.1 Mixed Geographically Weighted Regression Model Mixed Geographically Weighted Regression merupakan model kombinasi atau gabungan antara regresi global
Lebih terperinciII TINJAUAN PUSTAKA. Geostatistik adalah metode statistik yang digunakan untuk melihat hubungan
4 II TINJAUAN PUSTAKA 2.1 Geostatistik Geostatistik adalah metode statistik yang digunakan untuk melihat hubungan antar variabel yang diukur pada titik tertentu dengan variabel yang sama diukur pada titik
Lebih terperinciBAB II LANDASAN TEORI
perpustakaanunsacid digilibunsacid BAB II LANDASAN TEORI Pada bagian pertama bab kedua ini diberikan tinjuan pustaka yang berisi penelitian sebelumnya yang mendasari penelitian ini Pada bagian kedua bab
Lebih terperinciBAB III METODE PENELITIAN Data diperoleh dari BPS RI, BPS Provinsi Papua dan Bank Indonesia
BAB III METODE PENELITIAN 3.1. Jenis dan Sumber Data Penelitian ini menggunakan data time series triwulanan dengan periode data 2000 2010. Data diperoleh dari BPS RI, BPS Provinsi Papua dan Bank Indonesia
Lebih terperinciPRAKIRAAN CURAH HUJAN MENGGUNAKAN MODEL SPACE TIME AUTOREGRESIF ORDE DUA (STAR (1;2))
Prosiding Seminar Nasional Sains dan eknologi Nuklir PNBR BAAN Bandung, 4 Juli 3 PRAKIRAAN CURAH HUJAN MENGGUNAKAN MODEL SPACE IME AUOREGRESIF ORDE DUA (SAR (;)) Emah Suryamah, Kankan Parmikanti dan Sugihartini
Lebih terperinciPendugaan Model Otoregresif Tingkat Kemiskinan di Provinsi Aceh
Pendugaan Model Otoregresif Tingkat Kemiskinan di Provinsi Aceh Munawar Jurusan Matematika FMIPA Universitas Syiah Kuala munawar@stat.unsyiah.ac.id Abstrak. Tulisan ini bertujuan untuk menduga model otoregresif
Lebih terperinci(T.7) PENAKSIRAN KUADRAT TERKECIL PARAMETER MODEL VEKTOR AUTOREGRESI
(T.7) PENAKSIRAN KUADRAT TERKECIL PARAMETER MODEL VEKTOR AUTOREGRESI Kankan Parmikanti, Khafsah Joebaedi, dan Budi Nurani R. Jurusan Matematika FMIPA Universitas Padjadjaran Jl. Raya Bandung Sumedang Km
Lebih terperinciBERITA RESMI STATISTIK
Hasil Pendaftaran (Listing) Usaha/Perusahaan Sensus Ekonomi 2016 No. 31/05/12/Thn. XX, 24 Mei 2017 BERITA RESMI STATISTIK PROVINSI SUMATERA UTARA Hasil Pendaftaran (Listing) Usaha/Perusahaan Sensus Ekonomi
Lebih terperinciPROSIDING ISBN :
S - 10 APLIKASI METODE FULL INFORMATION MAXIMUM LIKELIHOOD (FIML) PADA PENYELESAIAN SISTEM PERSAMAAN SIMULTAN (Studi Kasus : Data Stok Uang, PDRB, dan Konsumsi Rumah Tangga Di DIY) Eka Septiana 1, Retno
Lebih terperinciANALISIS SEKTOR UNGGULAN DAN HUBUNGANNYA DENGAN PERKEMBANGAN PEREKONOMIAN WILAYAH DI PROVINSI SUMATERA UTARA. Mitrawan Fauzi
ANALISIS SEKTOR UNGGULAN DAN HUBUNGANNYA DENGAN PERKEMBANGAN PEREKONOMIAN WILAYAH DI PROVINSI SUMATERA UTARA Mitrawan Fauzi mitrawanfauzi94@gmail.com Luthfi Mutaali luthfimutaali@ugm.ac.id Abtract Competition
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 terperinciIII. METODE PENELITIAN. series dan (2) cross section. Data time series yang digunakan adalah data tahunan
29 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder berupa data panel, yaitu data yang terdiri dari dua bagian : (1)
Lebih terperinciBAB I PENGANTAR. 1.1 Latar Belakang. masyarakat, dan institusi-institusi nasional, di samping tetap mengejar akselerasi
BAB I PENGANTAR 1.1 Latar Belakang Pembangunan harus dipandang sebagai suatu proses multidimensional yang mencakup berbagai perubahan mendasar atas struktur sosial, sikap-sikap masyarakat, dan institusi-institusi
Lebih terperinciBAB I PENDAHULUAN. tahap awal pembangunan, disparitas regional menjadi lebih besar dan
BAB I PENDAHULUAN 1.1. Latar Belakang Pembangunan ekonomi pada dasarnya merupakan usaha masyarakat secara keseluruhan dalam upaya untuk mengembangkan kegiatan ekonomi dan mempertinggi tingkat kesejahteraan
Lebih terperinciBab 1 PENDAHULUAN. Secara umum persamaan regresi linier dengan k variabel bebas dinyatakan dengan :
12 Bab 1 PENDAHULUAN 1.1 Latar Belakang Regresi merupakan suatu teknik statistika yang dapat digunakan untuk menggambarkan hubungan fungsional antara suatu variabel tak bebas (respon) dengan satu atau
Lebih terperinciJurusan Ilmu Komputasi, Fakultas Informatika Universitas Telkom, Bandung
PREDIKSI KANDUNGAN BATUBARA PADA DAERAH DISEKITAR TAMBANG BATUBARA MENGGUNAKAN METODE UNIVERSAL KRIGING Muhammad Gentur Witjaksono, Sri Suryani, Rian Febrian Umbara Jurusan Ilmu Komputasi, Fakultas Informatika
Lebih terperinciKONSEP PERHITUNGAN CADANGAN METODE KRIGGING
KONSEP PERHITUNGAN CADANGAN METODE KRIGGING Senin, 25 Januari 2010 Diposkan oleh Rahmat Diansyah Putra Deinisi Metode Krigging Teknik estimasi dengan cara geostatistik, didasarkan atas studi variabilitas
Lebih terperinciMsi = x 100% METODE PENELITIAN
20 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis dan sumber data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari Biro Pusat Statistik (BPS), Perpustakaan IPB,
Lebih terperinciBAB III METODOLOGI PENELITIAN. 1. Apakah investasi mempengaruhi kesempatan kerja pada sektor Industri alat
43 BAB III METODOLOGI PENELITIAN A. Tujuan Penelitian Berdasarkan masalah-masalah yang telah peneliti rumuskan, maka tujuan penelitian ini adalah untuk mengetahui: 1. Apakah investasi mempengaruhi kesempatan
Lebih terperinci