HASIL DAN PEMBAHASAN. efisien untuk menentukan lebar jendela fungsi kernel Gaussian.
|
|
- Utami Makmur
- 7 tahun lalu
- Tontonan:
Transkripsi
1 6 6. Catat persentase salah klasifikasi dari hasil penggerombolan. 7. Ulangi langkah 2-6 sebanyak tiga puluh kali. HASIL DAN PEMBAHASAN Penentuan Lebar Jendela Fungsi Kernel Penentuan lebar jendela fungsi kernel Gaussian merupakan hal yang sangat penting untuk mendapatkan hasil penggerombolan yang baik. Pemilihan lebar jendela dapat dilakukan dengan memasukkan nilai-nilai secara berurutan hingga didapatkan hasil penggerombolan sesuai dengan yang diinginkan. Namun cara tersebut tidak efisien karena akan memerlukan banyak waktu. Salah satu cara yang dapat digunakan untuk menentukan lebar jendela fungsi kernel Gaussian yang efisien adalah dengan perkiraan kasar:,,,,. Gugus data D1, D22, dan D25 digunakan untuk membuktikan keefisienan perkiraan kasar. Masing-masing gugus data merupakan perwakilan jenis-jenis gugus data yang disimulasikan. Lebar jendela untuk gugus data D1, D22, dan D25 dengan menggunakan perkiraan kasar secara berturut-turut adalah , , dan Persentase salah klasifikasi penggerombolan untuk seluruh nilai lebar jendela yang dicobakan pada gugus data D1, D22, dan D25 tertera pada Tabel 4, Tabel 5, dan Tabel 6. Pada gugus data D1 didapatkan persentase salah klasifikasi minimum sebesar 11.83% pada saat lebar jendela 2. Persentase salah klasifikasi dengan lebar jendela yang dihitung menggunakan perkiraan kasar sebesar 12.67%. Pada gugus data D22 didapatkan persentase salah klasifikasi minimum sebesar 0% pada saat lebar jendela 3, 3.5, dan 4. Persentase salah klasifikasi dengan lebar jendela yang dihitung menggunakan perkiraan kasar sebesar 1.33%. Pada gugus data D25 didapatkan persentase salah klasifikasi minimum sebesar 0% pada saat lebar jendela 2, 2.5, 3, dan 3.5. Persentase salah klasifikasi dengan lebar jendela yang dihitung menggunakan perkiraan kasar sebesar 0.33%. Hasil persentase salah klasifikasi yang dihasilkan oleh lebar jendela yang dihitung dengan perkiraan kasar bukan merupakan persentase salah klasifikasi yang paling minimum dari setiap gugus data. Namun perbedaannya dengan nilai persentase salah klasifikasi minimum pada setiap gugus data sangat kecil. Hal ini menunjukkan bahwa perkiraan kasar merupakan cara yang cukup efisien untuk menentukan lebar jendela fungsi kernel Gaussian. Tabel 4 Persentase salah klasifikasi untuk beberapa lebar jendela pada gugus data D1 Lebar Persentase Salah Klasifikasi Jendela * Keterangan: * dihitung dengan perkiraan kasar Tabel 5 Persentase salah klasifikasi untuk beberapa lebar jendela pada gugus data D22 Lebar Persentase Salah Klasifikasi Jendela * 1.33 Keterangan: * dihitung dengan perkiraan kasar Tabel 6 Persentase salah klasifikasi untuk beberapa lebar jendela pada gugus data D25 Lebar Persentase Salah Klasifikasi Jendela * 0.33 Keterangan: * dihitung dengan perkiraan kasar
2 7 Konsistensi Metode Pada masing-masing metode dilakukan ulangan sebanyak tiga puluh kali untuk masing-masing data simulasi. Pengulangan digunakan untuk mengetahui konsistensi hasil penggerombolan dari masing-masing metode. Konsistensi hasil penggerombolan perlu diukur karena penetapan keanggotaan gerombol awal untuk masing-masing objek sangat berpengaruh terhadap hasil akhir dari penggerombolan. Konsistensi metode ditentukan berdasarkan selang persentase salah klasifikasi dari tiga puluh kali ulangan pada masing-masing kasus data simulasi. Jika nilai maksimum dan minimum dari persentase salah klasifikasi tidak berbeda terlalu jauh dapat dikatakan bahwa metode tersebut konsisten. Hasil akhir penggerombolan dengan metode k-rataan dan k-rataan kernel juga ditentukan oleh inisialisasi nilai awal pusatpusat gerombol. Pada kenyataannya nilai pusat-pusat awal gerombol sulit untuk ditentukan sehingga sering digunakan objekobjek yang dipilih secara acak sebagai pusatpusat gerombol awal. Diagram kotak garis pada Gambar 1 dan Gambar 2 menggambarkan sebaran persentase salah klasifikasi dari tiga puluh ulangan untuk masing-masing metode pada tiap gugus data simulasi D1-D26. Diagram kotak garis pada Gambar 1 menunjukkan bahwa metode k-rataan merupakan metode yang memberikan hasil akhir penggerombolan yang konsisten. Sebagian besar hasil penggerombolan memberikan nilai yang sama pada setiap ulangannya. Hanya beberapa contoh data simulasi yang menghasilkan variasi hasil akhir penggerombolan namun tidak memiliki perbedaan yang signifikan. Diagram kotak garis pada Gambar 2 menunjukkan bahwa metode k-rataan kernel memberikan hasil penggerombolan yang tidak konsisten pada beberapa gugus data. Gugus data dengan hasil penggerombolan yang tidak konsisten adalah gugus data simulasi dengan gerombol-gerombol yang memiliki anggota yang tumpang tindih. Konsistensi hasil penggerombolan dapat dilihat pada gugus data dengan gerombol terpisah secara linier (D13, D14, D15, D16, D17, D18, D22, D23 dan D24) dan gugus data dengan gerombol terpisah secara non linier (D25 dan D26). Hasil Penggerombolan Metode analisis gerombol yang baik akan memberikan persentase salah klasifikasi yang kecil. Analisis mengenai kebaikan penggerombolan juga dilakukan dengan melakukan plot data hasil penggerombolan. Plot tersebut digunakan untuk melihat kemampuan tiap metode untuk mengenali pola yang ada pada data. Gerombol Terpisah Secara Linier Persentase salah klasifikasi yang kecil dihasilkan oleh kedua metode pada gugus data D13, D14, D15, D16, D17, D18, D22, D23 dan D24. Karakteristik utama dari gugusgugus data tersebut adalah memiliki jarak antar pusat gerombol yang jauh serta memiliki keragaman data yang kecil sehingga gerombol-gerombol yang dihasilkan benarbenar terpisah secara linier. Persentase salah klasifikasi yang kecil untuk kedua metode menunjukkan bahwa metode k-rataan dan metode k-rataan kernel mampu menggerombolkan sembilan gugus data tersebut dengan sangat baik. Kesalahan klasifikasi yang terjadi disebabkan beberapa data yang menyebar terlalu jauh dari pusat gerombol asli sehingga terklasifikasi sebagai anggota gerombol yang lain. Persentase salah klasifikasi untuk sembilan gugus data tersebut dapat dilihat pada Tabel 7. Ilustrasi mengenai hasil penggerombolan dengan kedua metode dapat dilihat pada Gambar 3. Persentase salah klasifikasi yang kecil dari kedua metode dan konsistensi hasil penggerombolan kedua metode menunjukkan bahwa kedua metode mampu bekerja dengan baik pada data yang terpisah secara linier. Plot tebaran data dan hasil penggerombolan untuk gugus data D13, D14, D15, D17, D18, D22, D23, dan D24 selengkapnya tertera pada Lampiran 1 sampai Lampiran 8. Gerombol Dengan Anggota Tumpang Tindih Gugus data D1-D12 merupakan gugusgugus data yang memiliki jarak antar pusat gerombol yang kecil sehingga membesarnya ragam peubah-peubahnya akan membuat semakin banyak tumpang tindih anggota gerombol. Gugus data D19-D21 memiliki jarak antar pusat gerombol yang besar namun masing-masing gerombol memiliki ragam yang besar juga sehingga terjadi tumpang tindih anggota gerombol. Gugus data D1-D12 dan D19-D21 merupakan gugus-gugus data dengan anggota yang tumpang tindih. Ratarata persentase salah klasifikasi untuk gugusgugus data tersebut tersedia pada Tabel 8. Ilustrasi penggerombolan oleh kedua metode tersedia pada Gambar 4.
3 8 Gambar 1 Diagram kotak garis persentase salah klasifikasi data simulasi metode k-rataan Gambar 2 Diagram kotak garis persentase salah klasifikasi data simulasi metode k-rataan kernel Persentase salah klasifikasi yang besar dihasilkan metode k-rataan pada gugus data D1-D12. Persentase salah klasifikasi juga semakin meningkat ketika ragam peubahpeubah pada masing-masing gerombol diperbesar. Karakteristik penggerombolan dengan metode k-rataan yang hanya mampu memisahkan secara linier membuat pemisahan gerombol dilakukan tepat di tengah-tengah. Hal tersebut menyebabkan salah klasifikasi bagi anggota-anggota gerombol yang tumpang tindih. Gugus data D19-D21 memiliki persentase salah klasifikasi metode k-rataan cukup baik. Hal ini disebabkan jarak antar gerombol pada gugus-gugus data tersebut memiliki jarak antar pusat gerombol yang jauh. Salah klasifikasi disebabkan objek-objek yang tumpang tindih karena ragam peubahnya yang besar. Metode k-rataan kernel menghasilkan hasil salah klasifikasi yang tidak jauh berbeda dengan metode k-rataan ketika diterapkan pada gerombol-gerombol yang memiliki anggota tumpang tindih. Persentase salah klasifikasi yang cukup besar menunjukkan bahwa metode k-rataan kernel juga tidak dapat menggerombolkan dengan baik jika terdapat anggota gerombol yang tumpang tindih. Metode k-rataan kernel juga memperlihatkan hasil yang tidak konsisten jika diterapkan pada gerombol-gerombol yang memiliki anggota yang tumpang tindih. Hal tersebut dapat terlihat dari nilai minimum dan maksimum dari persentase salah klasifikasi yang berbeda cukup jauh. Dari ilustrasi pada
4 9 Tabel 7 Rata-rata persentase salah klasifikasi gerombol terpisah secara linier Data, k-rataan k-rataan Kernel D D D D ,10 D ,10 D D D D Gambar 3 Plot tebaran data dan hasil penggerombolan: (a) Gerombol asli data D16, (b) Hasil penggerombolan metode k-rataan pada data D16, (c) dan (d) Hasil penggerombolan metode k-rataan kernel pada data D16 Gambar 4, terlihat bahwa metode k-rataan kernel memiliki cara pemisahan gerombol yang berbeda dengan metode k-rataan. Metode k-rataan kernel tidak langsung memisahkan gerombol dengan suatu garis lurus. Posisi gerombol-gerombol yang dihasilkan juga tidak selalu sama. Hasil penggerombolan yang tidak konsisten dan perubahan posisi gerombol di setiap ulangan diduga karena inisialisasi anggota gerombol awal yang berbeda-beda. Plot tebaran data dan hasil penggerombolan untuk gugus data D1, D2, D3, D5, D6, D7, D8, D9, D10, D11, D12, D19, D20, dan D21 selengkapnya tertera pada Lampiran 9 sampai Lampiran 22. Gerombol Terpisah Secara Non Linier Gugus data D25 dan D26 merupakan gugus data dengan gerombol yang terpisah secara non linier. Perbedaan dari kedua gugus data tersebut adalah pada bentuk data. Gugus data D25 memiliki bentuk gerombol berupa lingkaran sedangkan gugus data D26 memiliki bentuk gerombol berupa persegi. Perbedaan bentuk gerombol ini digunakan untuk melihat kemampuan penggerombolan metode k-rataan kernel Gauss. Pola-pola yang terbentuk dari penggerombolan pada data-data gerombol yang terpisah secara linier maupun gerombol dengan anggota tumpang tindih memperlihatkan kecenderungan gerombol
5 10 Tabel 8 Rata-rata persentase salah klasifikasi gerombol dengan anggota tumpang tindih Data, k-rataan k-rataan Kernel D D D D D D6 10, D7 15, D D D D D D19 10, D ,10 D Gambar 4 Plot tebaran data dan hasil penggerombolan: (a) Gerombol asli data D4, (b) Hasil penggerombolan metode k-rataan pada data D4, (c) dan (d) Hasil penggerombolan metode k-rataan kernel pada data D4 yang dibentuk oleh metode k-rataan kernel Gauss memiliki pola lingkaran. Persentase salah klasifikasi untuk gerombol yang terpisah secara non linier dapat dilihat pada Tabel 9. Rata-rata persentase salah klasifikasi dari metode k-rataan kernel Gauss pada gugus data D25 dan D26 adalah sebesar 0.33% dan 0.07% sedangkan rata-rata persentase salah klasifikasi metode k-rataan pada kedua gugus data tersebut adalah sebesar 28.27% dan 49.57%. Pada Gambar 5 terlihat bahwa metode k-rataan hanya memisahkan gerombol pada gugus data D25 secara linier dengan garis lurus sedangkan penggerombolan metode k-rataan kernel mampu membaca
6 11 Gambar 5 Plot tebaran data dan hasil penggerombolan: (a) Gerombol asli data D25, (b) Hasil penggerombolan metode k-rataan pada data D25, (c) dan (d) Hasil penggerombolan metode k-rataan kernel pada data D25 pola lingkaran data sehingga mampu memisahkan kedua gerombol dengan sangat baik. Hal ini menunjukkan bahwa metode k- rataan kernel mampu menggerombolkan objek-objek pada gerombol yang terpisah secara non linier dengan baik sedangkan metode k-rataan tidak mampu menggerombolkannya dengan baik. Plot tebaran data dan hasil penggerombolan untuk gugus data D26 tertera pada Lampiran 23. Tabel 9 Rata-rata persentase salah klasifikasi gerombol terpisah secara non linier Data k-rataan k-rataan Kernel D D Data Asli Data asli yang digunakan dalam penelitian ini adalah gugus data bunga Iris dan gugus data pasien penderita kanker payudara pada Rumah Sakit Universitas Wisconsin. Pada masing-masing gugus data dilakukan penggerombolan dengan metode k-rataan dan k-rataan kernel.rata-rata persentase salah klasifikasi untuk metode k-rataan dan metode k-rataan kernel tersedia pada Tabel 10. Tabel 10 Rata-rata persentase salah klasifikasi data asli Data k-rataan k-rataan Kernel IRIS WISCONSIN
7 12 Penerapan metode k-rataan terhadap data asli bunga Iris menunjukkan hasil yang sangat baik dengan rata-rata persentase salah klasifikasi sebesar 4.41%. Sebaliknya, penerapan metode k-rataan kernel terhadap data bunga Iris menunjukkan hasil yang sangat buruk dengan persentase salah klasifikasi sebesar 26.36%. Hasil ini bertolak belakang dengan hasil-hasil penggerombolan pada data simulasi. Seharusnya metode k-rataan kernel memberikan hasil yang sama baiknya atau bahkan lebih baik dari metode k-rataan. Pada pembahasan awal dijelaskan bahwa penentuan nilai lebar jendela sangat berpengaruh terhadap hasil penggerombolan dengan metode k-rataan kernel. Rumus perkiraan kasar digunakan untuk menentukan lebar jendela dari masing-masing kasus. Pada kasus data asli bunga Iris didapatkan lebar jendela untuk fungsi kernel Gaussian sebesar Berdasarkan hasil pembahasan di awal, beberapa nilai lebar jendela dipilih, yaitu 1, 2, 3, 4, 5, 6, 7 dan 8. Hasil persentase salah klasifikasi pada Tabel 11 memperlihatkan bahwa pada lebar jendela 6 didapatkan ratarata persentase salah klasifikasi sebesar 3.33%. Persentase salah klasifikasi ini lebih kecil dibandingkan persentase salah klasifikasi metode k-rataan. Hal ini menunjukkan bahwa nilai lebar jendela yang digunakan pada fungsi kernel Gaussian sangat berpengaruh terhadap hasil penggerombolan. Pada kasus ini perkiraan kasar ternyata tidak terlalu efektif dalam penentuan lebar jendela pada fungsi kernel Gaussian. Visualisasi hasil penggerombolan dengan biplot untuk penerapan metode k-rataan dan metode k-rataan kernel pada data asli bunga Iris dapat dilihat pada Gambar 6. Pada biplot tampak bahwa kedua metode mampu menggerombolkan objek-objek pada data asli bunga Iris dengan baik. Penerapan metode k-rataan terhadap data pasien penderita kanker payudara pada Rumah Sakit Universitas Wisconsin menunjukkan hasil yang sangat baik.. Rata-rata persentase salah klasifikasi dengan metode k-rataan adalah sebesar 3.81%. Penerapan metode k- rataan kernel terhadap data asli bunga Iris dan data pasien penderita kanker payudara pada Rumah Sakit Universitas Wisconsin juga menunjukkan hasil yang sangat baik dengan rata-rata persentase salah klasifikasi sebesar 2.93%. Gambar 7 menunjukkan visualisasi hasil penggerombolan dengan biplot untuk penerapan metode k-rataan dan k-rataan kernel pada data pasien penderita kanker payudara pada Rumah Sakit Universitas Wisconsin. Gambar 6 Biplot hasil penggerombolan (a) Data asli bunga Iris, (b) Hasil penggerombolan dengan metode k-rataan, dan (c) Hasil penggerombolan dengan metode k-rataan kernel Gambar 7 Biplot hasil penggerombolan (a) Data asli pasien penderita kanker payudara pada Rumah Sakit Universitas Wisconsin, (b) Hasil penggerombolan dengan metode k- rataan, dan (c) Hasil penggerombolan dengan metode k-rataan kernel
DETEKSI GEROMBOL DENGAN METODE K-RATAAN KERNEL GAUSS BIMANDRA ADIPUTRA DJAAFARA
i DETEKSI GEROMBOL DENGAN METODE K-RATAAN KERNEL GAUSS BIMANDRA ADIPUTRA DJAAFARA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 ii ABSTRAK BIMANDRA
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 terperinciPenggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com
Lebih terperinciHASIL DAN PEMBAHASAN. Selang Kepercayaan Bootstrap bagi Arah Rata-rata dan Arah Median
HASIL DAN PEMBAHASAN Sebelum dilakukan pendugaan selang kepercayaan, terlebih dahulu dilihat ketakbiasan dari penduga titik. Caranya adalah dengan menghitung nilai harapan dari arah rata-rata dan arah
Lebih terperinciHASIL DAN PEMBAHASAN
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
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 terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. PROGRAM PENGOLAHAN CITRA BIJI KOPI Citra biji kopi direkam dengan menggunakan kamera CCD dengan resolusi 640 x 480 piksel. Citra biji kopi kemudian disimpan dalam file dengan
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 terperinciDATA DAN METODE Sumber Data
14 DATA DAN METODE Sumber Data Data yang digunakan dalam penelitian ini adalah data hasil simulasi dan data dari paket Mclust ver 3.4.8. Data simulasi dibuat dalam dua jumlah amatan yaitu 50 dan 150. Tujuan
Lebih terperinciPenggunaan Kernel Principal Component Analysis Fungsi Polinomial Dalam Menyelesaikan Masalah Pengelompokan Plot Peubah Ganda
Penggunaan Kernel Principal Component Analysis Fungsi Polinomial Dalam Menyelesaikan Masalah Pengelompokan Plot Peubah Ganda Sueharti Maatuil, Hanny A. H. Komalig, Charles Mongi 3 Program Studi Matematika,
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 terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. DESKRIPSI ALAT Perhitungan benih ikan dengan image processing didasarkan pada luas citra benih ikan. Pengambilan citra menggunakan sebuah alat berupa wadah yang terdapat kamera
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 II TINJAUAN PUSTAKA. pembahasan pada bab selanjutnya. Pembahasan teori meliputi pengertian data
BAB II TINJAUAN PUSTAKA Bab ini membahas teori-teori dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya. Pembahasan teori meliputi pengertian data secara umum dan data sirkular, ukuran
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 terperinciHASIL DAN PEMBAHASAN. gangan guru per ma a. Lebih lanjut akan dilakukan eksplorasi terhadap kelompok-kelompok yang terbentuk.
gangan guru per ma a Metode Penelitian Sebelum dilakukan pengerombolan, data awal terlebih dahulu ditransformasi ke dalam bentuk baku karena perbedaan satuan pengukuran antar peubah. Pembakuan data awal
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 terperinciPENGEMBANGAN BAGAN KENDALI MUTU UNTUK KOMPOSISI. simplex-lattice adalah (q+ m-1)!/(m!(q-1)!) (Cornell 1990).
Lalu bagan Shewhart dapat dibentuk dengan rumus sebagai berikut: simplex-lattice adalah (q+ m-1)!/(m!(q-1)!) (Cornell 1990). p = Rata-rata proporsi produk cacat n = Ukuran contoh yang diambil UCL = Batas
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 terperinciTINJAUAN PUSTAKA. (statistik) dinamakan galat baku statistik, yang dinotasikan dengan
TINJAUAN PUSTAKA Penduga Titik dan Selang Kepercayaan Penduga bagi parameter populasi ada dua jenis, yaitu penduga titik dan penduga selang atau disebut sebagai selang kepercayaan. Penduga titik dari suatu
Lebih terperinciTabel 6 Daftar peubah karakteristik
6 Tabel 6 Daftar peubah karakteristik Kode. Keterangan X1 Hasil gabah (kg/ha) X2 Umur saat akar tembus lilin (HST) X3 Jumlah akar tembus X4 Panjang akar tembus (cm) X5 Berat akar (gr) X6 Laju asimilasi
Lebih terperinciAnalisis Peubah Ganda
Analisis Peubah Ganda Analisis Komponen Utama Dr. Ir. I Made Sumertajaya, M.Si Pengamatan Peubah Ganda - memerlukan sumberdaya lebih, dalam analisis - informasi tumpang tindih pada beberapa peubah Apa
Lebih terperinciHASIL DAN PEMBAHASAN. Suara sah calon nomor urut 4 Jumlah Rata-Rata Ragam
HASIL DAN PEMBAHASAN Deskripsi Data Tabel 4 menunjukkan deskripsi dari data suara sah calon nomor urut 2, 3, dan 4. Jumlah suara tertinggi diperoleh calon nomor urut 2. Sedangkan suara sah calon nomor
Lebih terperinciTINJAUAN PUSTAKA Analisis Biplot Biasa
TINJAUAN PUSTAKA Analisis Biplot Biasa Analisis biplot merupakan suatu upaya untuk memberikan peragaan grafik dari matriks data dalam suatu plot dengan menumpangtindihkan vektor-vektor dalam ruang berdimensi
Lebih terperinciMATERI VII DIAGRAM PENCAR PETA KENDALI HISTOGRAM. By : Moch. Zen S. Hadi, ST Communication Digital Lab.
MATERI VII DIAGRAM PENCAR PETA KENDALI HISTOGRAM By : Moch. Zen S. Hadi, ST Communication Digital Lab. 2 DIAGRAM PENCAR Tujuan : untuk mengetahui hubungan antara dua variabel dalam menentukan karakteristik
Lebih terperinciBAB III ANALISIS, ALGORITMA, DAN CONTOH PENERAPAN
BAB III ANALISIS, ALGORITMA, DAN CONTOH PENERAPAN 3.1 Analisis Berdasarkan cara menghitung besaran-besaran yang telah disebutkan pada Bab II, diperoleh perumusan untuk besaran-besaran tersebut sebagai
Lebih terperincidari tahun pada stasiun pengamat yang berada di daerah Darmaga, Bogor.
Jika plot peluang dan plot kuantil-kuantil membentuk garis lurus atau linier maka dapat disimpulkan bahwa model telah memenuhi asumsi (Mallor et al. 2009). Tingkat Pengembalian Dalam praktik, besaran atau
Lebih terperinciPlot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel
Plot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel Vitawati Bawotong, Hanny Komalig, Nelson Nainggolan 3 Program Studi Matematika, FMIPA, UNSRAT, vbawotong@gmail.com
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 terperinciBAB II Tinjauan Pustaka
BAB II Tinjauan Pustaka Pada bab ini dibahas mengenai konsep-konsep yang mendasari ekstraksi unsur jalan pada citra inderaja. Uraian mengenai konsep tersebut dimulai dari ekstraksi jalan, deteksi tepi,
Lebih terperinci: Purnomo Satria NIM : PENDISKRIPSIAN DATA
Nama : Purnomo Satria PENDISKRIPSIAN DATA NIM : 1133467162 1. Pendahuluan Dalam suatu penelitian kadang-kadang seorang peneliti menemui kesulitan dalam menyajikan sejumlah besar data statistik dalam bentuk
Lebih terperincix j dan HASIL DAN PEMBAHASAN
Kategori sedang (S) ika nilai rata-rata peubah ke- pada gerombol berada diantara nilai ( x - s ) dan ( x + s ). Kategori rendah (R) ika nilai rata-rata peubah ke- pada gerombol berada dibawah nilai ( x
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Spesifikasi Rancangan Pada sub bab spesifikasi rancangan ini akan dibahas mengenai spesifikasi perangkat lunak dan spesifikasi perangkat keras. 4.1.1 Spesifikasi Perangkat
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 terperinciKAJIAN METODE BERBASIS MODEL PADA ANALISIS CLUSTER DENGAN PERANGKAT LUNAK MCLUST
LAPORAN PENELITIAN BIDANG ILMU KELOMPOK TINGKAT LANJUT KAJIAN METODE BERBASIS MODEL PADA ANALISIS CLUSTER DENGAN PERANGKAT LUNAK MCLUST Oleh: Drs. Timbul Pardede, M.Si Drs. Budi Prasetyo, M.Si FAKULTAS
Lebih terperinciPENS. Probability and Random Process. Topik 2. Statistik Deskriptif. Prima Kristalina Maret 2016
Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya Probability and Random Process Topik 2. Statistik Deskriptif Prima Kristalina Maret 2016 1 Outline [2][1] 1. Penyajian Data o Tabel
Lebih terperinciREGRESI TERBOBOTI GEOGRAFIS DENGAN FUNGSI PEMBOBOT KERNEL GAUSSIAN
REGRESI TERBOBOTI GEOGRAFIS DENGANN FUNGSI PEMBOBOT KERNEL GAUSSIAN DAN KERNEL BISQUARE PADA ANGKA HARAPAN HIDUP (Studi Kasus : Angka Harapan Hidup Kabupaten/Kota di Provinsi Jawa Timur) LUKMAN MAULANA
Lebih terperinciHASIL DAN PEMBAHASAN Simulasi Kinerja Metode Kondisi Shift Outlier
17 HASIL DAN PEMBAHASAN Simulasi Perbandingan kinerja metode BICOV dan MCD dalam AKK melalui data simulasi dimaksudkan untuk mencari metode kekar yang memberikan nilai MSE paling minimum. Kinerja kedua
Lebih terperinciBAB V HASIL DAN PEMBAHASAN. diperhitungkan dalam menentukan metode deteksi tabrakan objek.
BAB V HASIL DAN PEMBAHASAN 5.1. Penentuan Metode Deteksi Tabrakan Untuk menentukan metode deteksi tabrakan yang lebih baik dibandingkan dengan AABB, penelitian ini melakukannya berdasarkan hasil penelitian
Lebih terperinciBAHAN DAN METODE. Adapun bahan yang digunakan adalah kuda yang sudah dewasa kelamin
15 Tempat dan Waktu Penelitian BAHAN DAN METODE Penelitian ini dilaksanakan di Kabupaten Samosir, Kabupaten Tapanuli Utara, Kabupaten Humbang Hasundutan dan Kabupaten Karo pada bulan Juli 2016 Bahan dan
Lebih terperinciTINJAUAN PUSTAKA. bebas digunakan jarak euclidean - sedangkan bila terdapat. korelasi antar peubah digunakan jarak mahalanobis - -
3 TINJAUAN PUSTAKA Gambaran Umum Analisis Gerombol Analisis gerombol merupakan salah satu metode analisis peubah ganda yang bertujuan untuk mengelompokkan objek kedalam kelompok kelompok tertentu yang
Lebih terperinciBAB I DISTRIBUSI FREKUENSI
BAB I DISTRIBUSI FREKUENSI A. Pengertian Distribusi Frekuensi adalah penyajian data yang telah digolongkan dalam kelas-kelas menurut urutan tingkatannya beserta jumlah individu pada masing-masing kelas.
Lebih terperinciDENGAN PENDEKATAN BEN6URAIAN SEBARAN CAMPURAN NORMAL GANIJA PADA DATA MSS LANDSAT
DENGAN PENDEKATAN BEN6URAIAN SEBARAN CAMPURAN NORMAL GANIJA PADA DATA MSS LANDSAT % Oleh FAKULTAS PASCASARJANA INGTLTUT PERTANIIAN BOGOR 1991 R I N G K C I S A N ANIK DJURAIDAH. Simulasi Analisis Gerombol
Lebih terperinciDENGAN PENDEKATAN BEN6URAIAN SEBARAN CAMPURAN NORMAL GANIJA PADA DATA MSS LANDSAT
DENGAN PENDEKATAN BEN6URAIAN SEBARAN CAMPURAN NORMAL GANIJA PADA DATA MSS LANDSAT % Oleh FAKULTAS PASCASARJANA INGTLTUT PERTANIIAN BOGOR 1991 R I N G K C I S A N ANIK DJURAIDAH. Simulasi Analisis Gerombol
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 terperinciIII. HASIL DAN PEMBAHASAN
III. HASIL DAN PEMBAHASAN 3.1 Perumusan Masalah Misalkan adalah proses Poisson nonhomogen pada interval dengan fungsi intensitas yang tidak diketahui. Fungsi intensitas diasumsikan terintegralkan lokal
Lebih terperinciBAB III BAHAN DAN METODE
BAB III BAHAN DAN METODE 3.1 Waktu dan Tempat Penelitian Penelitian dilaksanakan sejak bulan Desember 2011 sampai Januari 2012. Lokasi penelitian yaitu di RPH Jatirejo, Desa Gadungan, Kecamatan Puncu,
Lebih terperinciANALISIS DATA DALAM STATISTIK
1. Pengertian Analisis Data ANALISIS DATA DALAM STATISTIK Analisis data diartikan sebagai upaya mengolah data menjadi informasi, sehingga karakteristik atau sifat-sifat data tersebut dapat dengan mudah
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 terperinciKing s Learning Be Smart Without Limits NAMA : KELAS :
NAMA : KELAS : A. PENGERTIAN STATISTIKA Statistika adalah ilmu yang mempelajari cara mengumpulkan dan menyusun data, mengolah dan menganalisis data, serta menyajikan data. Statistik adalah hasil dari pengolahan
Lebih terperinci3. METODE PENELITIAN
14 3. METODE PENELITIAN 3.1. Lokasi dan Waktu Penelitian Penelitian ini dilaksanakan di perairan dangkal Karang Congkak, Kepulauan Seribu, Jakarta. Pengambilan contoh ikan dilakukan terbatas pada daerah
Lebih terperinciBAB 1 PENDAHULUAN. kompeten di bidangnya. Karena kepentingan itulah rumah sakit bisa dibedakan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Rumah sakit adalah salah satu bagian dari sarana publik vital yang harus dimiliki setiap negara dan setiap daerah. Setiap rumah sakit harus memiliki pekerja
Lebih terperinciUJI PRESTASI Kelipatan persekutuan terkecil dari 42, 70, dan 210 adalah. A. 7 D. 420 B. 14 E C. 210
UJI PRESTSI 1. PILIHN GND Pilihlah jawaban yang paling tepat! 1. Jika a : b : c 2 : 3: 5, maka 2b 3c... 2a 4b. 0,25 D. 0,75 B. 0,5625 E. 4,0 C. 0,75 2. Kendaraan P berjalan dengan laju 40 km/jam. Tiga
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 terperinciPENERAPAN METODE PENGGEROMBOLAN BERDASARKAN GAUSSIAN MIXTURE MODELS DENGAN MENGGUNAKAN ALGORITMA EXPECTATION MAXIMIZATION ULA SUSILAWATI
PENERAPAN METODE PENGGEROMBOLAN BERDASARKAN GAUSSIAN MIXTURE MODELS DENGAN MENGGUNAKAN ALGORITMA EXPECTATION MAXIMIZATION ULA SUSILAWATI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciHASIL DAN PEMBAHASAN. Eksplorasi Pola Spektrum
konsentrasi. Konsentrasi kafein terbagi menjadi 6 konsentrasi, sehingga dari masing-masing komponen diperoleh 24 kombinasi konsentrasi. c. Campuran senyawa tiga komponen, yaitu Vitamin B1, Vitamin B6,
Lebih terperinciKONSEP DASAR SAMPLING
TEKNIK SAMPLING KONSEP DASAR SAMPLING LOGO HAZMIRA YOZZA IZZATI RAHMI HG JURUSAN MATEMATIKA FMIPA UNAND TEKNIK SAMPLING Metode pengambilan sebagian anggota populasi sedemikian rupa sehingga contoh yang
Lebih terperinciHASIL DAN PEMBAHASAN. Keempat Kelas PBAS
HASIL DAN PEMBAHASAN Pembahasan mengenai pengembangan metodologi uji keterdugaan dengan rantai markov dibatasi pada pencarian karakteristik tingkat kecocokan dalam setiap kelas PBAS, membandingkan karakteristik
Lebih terperinciBAB I PENDAHULUAN. dapat digunakan untuk inferensi statistika. Metode bootstrap mengesampingkan
BAB I PENDAHULUAN 1.1 Latar Belakang Metode bootstrap merupakan metode simulasi berbasiskan data yang dapat digunakan untuk inferensi statistika. Metode bootstrap mengesampingkan distribusi sampling dari
Lebih terperinciCara uji berat jenis dan penyerapan air agregat kasar
Standar Nasional Indonesia Cara uji berat jenis dan penyerapan air agregat kasar ICS 91.100.15; 91.010.30 Badan Standardisasi Nasional Daftar isi Daftar isi... i Prakata... ii Pendahuluan... iii 1 Ruang
Lebih terperinciTINJAUAN PUSTAKA Analisis Gerombol
3 TINJAUAN PUSTAKA Analisis Gerombol Analisis gerombol merupakan analisis statistika peubah ganda yang digunakan untuk menggerombolkan n buah obyek. Obyek-obyek tersebut mempunyai p buah peubah. Penggerombolannya
Lebih terperinciMETODE Waktu dan Tempat Metode Penelitian Analisis Vegetasi
METODE Waktu dan Tempat Pengumpulan data dilakukan di ekosistem program PHBM di RPH Gambung petak 27, KPH Bandung Selatan (S 07 0 07 25.1 E 107 0 30 35.2, ketinggian 1246 mdpl), kemiringan lereng 36% pada
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 terperinciTRY OUT UJIAN NASIONAL
PEMERINTAH PROVINSI DAERAH KHUSUS IBUKOTA JAKARTA DINAS PENDIDIKAN MUSYAWARAH KERJA KEPALA SEKOLAH SMA Sekretariat : SMA Negeri 70 Jakarta Jalan Bulungan No. 1C, Jakarta Selatan - Telepon (01) 7667, Fax
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 terperinciSTK 211 Metode statistika. Agus Mohamad Soleh
STK 211 Metode statistika Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami Apa yang disajikan dan diringkas? --> PEUBAH Univariate vs Bivariate vs Multivariate
Lebih terperinciC. y = 1 x 2 2x 2. B. y = x 2 4x. D. y = x 2 + 4x E. y = 1 x 2 + 2x 2
EBTANAS-SMK-BIS-0-0 Seseseorangmendapat hadiah dari undian sebesar Rp. 00.000.000,00 sebelum dipotong pajak undian. Jika pajak undian sebesar 0 % dan % dari undian yang ia dapatkan dan disumbangkan kepada
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Karakteristik tanaman padi yang akan dikaji dalam penelitian ini meliputi komponen hasil (jumlah malai per m 2, persen gabah isi, dan produktivitas) dan serapan hara (serapan total
Lebih terperinciTRY OUT UJIAN NASIONAL
PEMERINTAH PROVINSI DAERAH KHUSUS IBUKOTA JAKARTA DINAS PENDIDIKAN MUSYAWARAH KERJA KEPALA SEKOLAH SMA Sekretariat : SMA Negeri 70 Jakarta Jalan Bulungan No. C, Jakarta Selatan Telepon (0) 7667, Fax (0)
Lebih terperinciDATA DAN METODE Data Data Simulasi Data Sekunder
11 DATA DAN METODE Data Data dalam penelitian ini terdiri dari dua sumber yaitu data simulasi dan data sekunder Data simulasi berupa data bangkitan yang berguna untuk mengukur kinerja metode BICOV dan
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Parameter Gauss Untuk dapat melakukan pengolahan data menggunakan ANN, maka terlebih dahulu harus diketahui nilai set data input-output yang akan digunakan. Set data inputnya yaitu
Lebih terperinciUN SMA IPS 2012 Matematika
UN SMA IPS 01 Matematika Kode Soal A Doc. Name: UNSMAIPS01MATA Doc. Version : 01-1 halaman 1 01. Ingkaran pernyataan Pada hari Senin siswa SMAN memakai sepatu hitam dan atribut lengkap adalah. Pada hari
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 3 Contoh data Shorea hasil kodefikasi
8 disajikan contoh data Shorea hasil kodefikasi dari beberapa karakter yang bernilai nominal. Tabel 2 Karakter daun yang bernilai nominal Karakter Nilai Kode Bentuk tulang Tidak menempel 1 daun Permukaan
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
BAB IV ANALISIS DAN PEMBAHASAN Analisa pemodelan fungsi hubungan pada variabel repon dengan variabel prediktor akan dijelaskan pada bab ini. Analisis yang digunakan pada penelitian ini adalah menggunakan
Lebih terperinciHASIL DAN PEMBAHASAN
22 HASIL DAN PEMBAHASAN Data spektra campuran senyawa dianalisis menggunakan beberapa metode statistika, yaitu Plot Korelasi, Plot Jarak Euclid, Analisis Komponen Utama (AKU), dan Metode Kemungkinan Maksimum
Lebih terperinciUJIAN NASIONAL TAHUN PELAJARAN 2003/2004 SMK. Matematika Non Teknik Bisnis dan Manajemen (E4-1) PAKET 1 (UTAMA) SELASA, 11 MEI 2004 Pukul
DOKUMEN NEGARA SANGAT RAHASIA UJIAN NASIONAL TAHUN PELAJARAN 200/2004 SMK Matematika Non Teknik Bisnis dan Manajemen (E4-) PAKET (UTAMA) SELASA, MEI 2004 Pukul 0.0 09.0 DEPARTEMEN PENDIDIKAN NASIONAL Hak
Lebih terperinciBAB 5 HASIL PENELITIAN. Tiga puluh dua pasien di ruang ICU dengan ventilator mekanik yang telah
BAB 5 HASIL PENELITIAN Tiga puluh dua pasien di ruang ICU dengan ventilator mekanik yang telah memenuhi syarat inklusi dan keluarganya bersedia menandatangani informed consent diikutsertakan dalam studi
Lebih terperinciBAB I PENDAHULUAN. Tuntutan kebutuhan manusia untuk dapat berkomunikasi di segala tempat,
BAB I PENDAHULUAN 1.1 Latar Belakang Tuntutan kebutuhan manusia untuk dapat berkomunikasi di segala tempat, waktu, dan kondisi (statis dan bergerak) menyebabkan telekomunikasi nirkabel (wireless) berkembang
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 terperinciBAB IV METODE PENELITIAN. Beberapa peralatan yang digunakan dalam penelitian ini adalah: 5.86GT/s, Cache 12MB, Quad-Core, Socket LGA1366 (No HSF)
BAB IV METODE PENELITIAN 4.1. Peralatan yang Digunakan Beberapa peralatan yang digunakan dalam penelitian ini adalah: a. Satu unit komputer dengan spesifikasi utama processor Xeon 2.4GHz, QPI 5.86GT/s,
Lebih terperinciSTATISTIKA DESKRIPTIF. Wenny Maulina, S.Si., M.Si
STATISTIKA DESKRIPTIF Wenny Maulina, S.Si., M.Si Statistika Deskripsi Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami. Teknik Penyajian Data Tabel Gambar
Lebih terperinciTINJAUAN PUSTAKA ( ) ( ) ( )
TINJAUAN PUSTAKA Penarikan Contoh Acak Berlapis Penarikan contoh acak berlapis adalah suatu rancangan penarikan contoh acak yang membagi N unit dari populasi ke dalam L strata yang tidak saling tumpang
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Karakteristik Siswa Gambar 1 memperlihatkan Karakteristik siswa SMA Negeri Ulu Siau berdasarkan jurusan. Berdasarkan Gambar 1 umumya siswa lebih memilih jurusan IPA daripada jurusan
Lebih terperinciStatistika Deskriptif
Statistika Deskriptif Materi 2 - STK511 AnalisisStatistika September 26, 2017 Sep, 2017 1 Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami Apa yang disajikan
Lebih terperinciJURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 39-46 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian RANCANGAN D-OPTIMAL LOKAL UNTUK REGRESI POLINOMIAL ORDE 3 DENGAN HETEROSKEDASTISITAS
Lebih terperinciAnalisis Pengelompokan dengan Metode K-Rataan
511 Analisis Pengelompokan dengan Metode K-Rataan Titin Agustin Nengsih Fakultas Syariah IAIN Sulthan Thaha Saifuddin Jambi Abstrak Analisis pengelompokkan adalah salah satu metode eksplorasi data untuk
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 21 Analisis Regresi Perubahan nilai suatu variabel tidak selalu terjadi dengan sendirinya, namun perubahan nilai variabel itu dapat disebabkan oleh berubahnya variabel lain yang berhubungan
Lebih terperinciKISI DIFRAKSI (2016) Kisi Difraksi
KISI DIFRAKSI (2016) 1-6 1 Kisi Difraksi Rizqi Ahmad Fauzan, Chi Chi Novianti, Alfian Putra S, dan Gontjang Prajitno Jurusan Fisika, Fakultas MIPA, Institut Teknologi Sepuluh Nopember Jl. Arief Rahman
Lebih terperinci5. IDENTIFIKASI JENIS TANAMAN. Pendahuluan
5. IDENTIFIKASI JENIS TANAMAN Pendahuluan Tujuan aplikasi berbasis sensor adalah melakukan penyemprotan dengan presisi tinggi berdasarkan pengamatan real time, menjaga mutu produk dari kontaminasi obat-obatan
Lebih terperinciBAB II TINJAUAN PUSTAKA. penelitian ini, yaitu analisis peubah ganda, analisis gerombol (cluster analysis),
BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas beberapa konsep yang menjadi dasar dalam penelitian ini, yaitu analisis peubah ganda, analisis gerombol (cluster analysis), metode penggerombolan hirarki
Lebih terperinciPENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI
PENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciAnalisis Simpang Bersinyal Metode Webster. Dr. Gito Sugiyanto, S.T., M.T. ARUS JENUH
// REKAYASA LALU LINTAS TKS 6 Analisis Simpang Bersinyal Metode Webster Dr. Gito Sugiyanto, S.T., M.T. ARUS JENUH Lebar pendekat Gradien Komposisi kendaraan Kendaraan belok kanan Kendaraan belok kiri Pejalan
Lebih terperinci3. METODE PENELITIAN
3. METODE PENELITIAN 3.1. Waktu dan Lokasi Penelitian Penelitian dilakasanakan mulai awal bulan Maret sampai bulan Mei, dengan interval pengambilan data setiap dua minggu. Penelitian berupa pengumpulan
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 terperinciANALISIS STATISTIKA. Pertemuan 2 Statistika Dasar (Basic Statistics)
ANALISIS STATISTIKA Pertemuan Statistika Dasar (Basic Statistics) Statistika Deskripsi dan Eksplorasi Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami. Tehnik
Lebih terperinciMetode Statistika STK211/ 3(2-3)
Metode Statistika STK211/ 3(2-3) Pertemuan II Statistika Deskripsi dan Eksplorasi Septian Rahardiantoro - STK IPB 1 Misalkan diketahui data sebagai berikut Data 1 No Jenis Kelamin Tinggi Berat Agama 1
Lebih terperinciDAFTAR ISI DETEKSI POLA SEBARAN TITIK SPASIAL SECARA REGULER MELALUI PENELUSURAN FUNGSI MASSA PELUANG, METODE KUADRAN DAN TETANGGA TERDEKAT
DAFTAR ISI BAB 1. DETEKSI POLA SEBARAN TITIK SPASIAL SECARA REGULER MELALUI PENELUSURAN FUNGSI MASSA PELUANG, METODE KUADRAN DAN TETANGGA TERDEKAT 1-1 Disampaikan dalam Seminar Nasional Sain II di IPB-Bogor
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Penaksir Robust Metode mencari himpunan bagian dari himpunan X sejumlah h elemen di mana n p 1 h n di mana determinan matrik kovariansi minimum. Misalkan himpunan bagian
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Proses Poisson Periodik Definisi 2.1 (Proses stokastik) Proses stokastik, adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh Ω ke suatu ruang states. Jadi,
Lebih terperinci