PENGEMBANGAN MODEL RAMALAN PRODUKSI PADI DENGAN PENDEKATAN BAGGING MARS
|
|
- Johan Kurnia
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGEMBANGAN MODEL RAMALAN PRODUKSI PADI DENGAN PENDEKATAN BAGGING MARS Alif Yuanita 1, Bambang Widjanarko Otok 2, dan Sutikno 3 1 Mahasiswa Statistika, Institut Teknologi Sepuluh Nopember 2,3 Dosen Statistika, Institut Teknologi Sepuluh Nopember yuanita_ra@yahoo.com 1, bambang_wo@statistika.its.ac.id 2, sutikno@statistika.its.ac.id 3 ABSTRAK Padi merupakan makanan utama bagi orang Indonesia, yang menyediakan pendapatan secara musiman dan tenaga kerja untuk masyarakat pedesaan. Penyimpangan iklim seperti El-Nino dan La-Nina dapat menyebabkan gangguan produksi dan menggagalkan panen dalam luasan ratusan ribu hektar. Hal ini disebabkan curah hujan yang tidak menentu yang mengakibatkan penurunan luas panen produksi padi nasional secara signifikan. Pendataan dan ramalan produksi padi secara nasional setiap tahunnya dilakukan oleh Badan Pusat Statistik (BPS) dan Departemen Pertanian (Deptan). Namun model ramalan BPS belum memasukkan faktor iklim, sementara iklim sangat mempengaruhi produksi padi di Indonesia. Pada penelitian ini digunakan bagging MARS untuk menduga anomali luas panen padi (AnLP) terhadap indeks curah hujan terboboti (WRI) dengan studi kasus di kabupaten Ngawi. Dari analisis yang telah dilakukan memberikan gambaran bahwa antara AnLP dan WRI nampak tidak jelas pola linearitasnya bahkan tidak mempunyai pola tertentu. Tahap pembentukan model dimulai dengan melakukan trial and error terhadap maksimum basis fungsi (BF), maksimum interaksi (MI) dan minimal jumlah pengamatan diantara knot (MO) hingga diperoleh nilai optimal dengan nilai MSE minimum untuk mendapatkan model MARS. Langkah selanjutnya adalah melakukan bagging pada variabel penelitian yang signifikan dengan 50, 100, 150, 200 dan 250 replikasi bootstrap. Model bagging MARS diperoleh dari rata-rata setiap parameter pada setiap pengambilan sampel sampai B. Selanjutnya ramalan produksi padi per periode merupakan hasil perkalian antara ramalan luas panen dengan produktifitas per periode. Sedangkan ramalan produksi padi selama satu tahun merupakan penjumlahan ramalan produksi padi selama tiga periode. Dari hasil analisis, model bagging MARS terbaik pada periode 1 yaitu dengan 150 kali replikasi bootstrap. Sedangkan untuk periode 2, dengan 100 kali replikasi bootstrap dapat menurunkan MSE sebesar ,88. Dan untuk periode 3, model bagging MARS terbaik dengan 200 kali replikasi bootstrap. Hasil ramalan luas panen padi dari model bagging MARS mempunyai tingkat kesalahan sebesar 2,91 %, sedangkan untuk hasil ramalan produksi padi mempunyai tingkat kesalahan sebesar 10,75 %. Kata kunci : Anomali luas panen, Bagging, Curah hujan terboboti, MARS, produksi padi PENDAHULUAN Padi merupakan bahan makanan utama bagi orang Indonesia. Produksi padi mengalami peningkatan sejak tahun 1970, namun para pemerhati dan peneliti meteorologi meyakini akan terjadi beberapa penyimpangan iklim global seperti El-Nino dan La-Nina yang dapat mempengaruhi produksi padi dan menggagalkan panen dalam luasan ratusan ribu hektar. Salah satu upaya untuk mendukung ketahanan pangan adalah diperlukannya informasi tentang ramalan produksi padi dan luas panen padi kedepan. Pendataan dan ramalan produksi padi secara nasional setiap tahunnya dilakukan oleh Badan Pusat Statistik (BPS) dan Departemen Pertanian (Deptan). Dalam melakukan ramalan produksi padi, BPS dan Deptan menggunakan analisis regresi dan kecenderungan linear. Namun model ramalan BPS belum memasukkan faktor iklim, sementara iklim terutama curah hujan sangat mempengaruhi luas panen dan produksi padi di Indonesia. Berbagai model produksi padi dengan menggunakan indikator iklim telah dikembangkan di Indonesia, diantaranya dengan menggunakan peubah indicator ENSO (El-Nino Southern Oscillation) (Naylor, Falcon, Wada & Rochberg, 2002), model dengan menggunakan indicator gabungan SOI (Southern Oscillation Index) dan DMI (Dipole Mode Index), SST (Sea Surface Temperatur) Nino 3.4 dan DMI (Surmaini, 2006; Arrigo & Wilson, 2008). Pendekatan lain yang diperkirakan lebih baik dalam menduga produksi padi nasional 1
2 ialah dengan menggunakan indeks curah hujan terboboti (Weighted Rainfall Index: WRI) yang dikembangkan di Australia oleh Stephen, Walker dan Lyons (1994). Oleh karena itu, untuk mengetahui pola hubungan antara indeks curah hujan terboboti dan anomali luas panen padi, dilakukan pemodelan MARS. Jumlah pengamatan yang digunakan dalam penelitian ini relatif kecil. Sehingga untuk mengatasi masalah ini dapat digunakan suatu metode misalnya dengan melakukan bootstrapping pada sampel pengamatannya. Dan untuk memperoleh parameter yang stabil pada model MARS, digunakan metode bagging MARS. Disamping itu, dilakukan perhitungan terhadap ramalan produksi padi dengan mengalikan antara ramalan luas panen dengan ramalan produktivitas. Kabupaten Ngawi merupakan salah satu daerah sentra produksi padi di Jawa Timur. Sehingga akan dilakukan pengembangan model ramalan produksi padi di kabupaten Ngawi dengan menggunakan bagging MARS. MARS MARS dikembangkan oleh Friedman (1991) untuk pendekatan model regresi multivariate nonparametrik antara variabel respon dan beberapa variabel prediktor pada piecewise regresi. Piecewise regresi merupakan regresi yang memiliki sifat tersegmen. MARS merupakan pengembangan dari pendekatan Recursive Partitioning Regression (RPR) yang masih memiliki kelemahan dimana model yang dihasilkan tidak kontinu pada knots. Selain itu RPR tidak bisa mengidentifikasi adanya fungsi linear dan aditif. Modifikasi Friedman dalam mengatasi kelemahan RPR menghasilkan persamaan untuk model MARS sebagai berikut Friedman (1991). dengan merupakan bagian bernilai positif dari, dimana adalah jika dan jika, adalah orde dari splines, adalah banyaknya interaksi pada fungsi basis, merupakan knot dari peubah prediktor, dan nilainya +1 jika knotnya terletak di kanan atau 1 jika knotnya terletak di kiri subregion. merupakan banyaknya variabel prediktor, merupakan banyaknya basis fungsi dan merupakan banyaknya interaksi. Dalam pembentukan model MARS, langkah awal yang dilakukan adalah menentukan titik-titik perubahan pola perilaku data atau yang disebut dengan titik knots. Pemilihan knots pada MARS menggunakan algoritma forward dan backward. Algoritma MARS, khususnya tahap forward digunakan untuk mendapatkan subregion subregion agar dapat menentukan basis fungsi. Penentuan titik knots dan koefisien sangatlah penting agar mendapatkan model terbaik. Untuk memenuhi konsep persemoni (model sederhana) dilakukan tahap backward, yaitu mengeluarkan suku model (basis fungsi) yang kontribusinya kecil terhadap nilai dugaan respon. Ukuran kontribusi yang digunakan dalam tahap ini adalah modifikasi kriteria GCV sebagai berikut (Lewis, 1991). Dengan Pembilang adalah rataan jumlah kuadrat galat (average sum square of residual; ASR), dan merupakan fungsi model kompleks. BAGGING Metode bagging pertama kali digunakan oleh Breiman (1994). Bagging digunakan sebagai alat untuk memperbaiki stabilitas dan kekuatan prediksi dengan cara mereduksi variansi dari suatu 2
3 prediktor. Bagging prediktor adalah metode untuk membangkitkan multiple version dari prediktor dan menggunakannya untuk aggregate prediktor. Multiple versions dibentuk dengan replikasi bootstrap dari sebuah data set. Sebuah data set terdiri dari. Dilakukan replikasi bootstrap sehingga didapatkan. Replikasi bootstrap dilakukan sebanyak B kali, sehingga didapatkan dari adalah resampling dengan pengembalian. Algoritma bagging untuk MARS adalah sebagai berikut. 1. Mengambil sampel bootstrap sebanyak n dari data set dengan pengulangan sebanyak n. 2. Memodelkan MARS dari data set hasil sampel bootstrap. 3. Menghitung nilai MSE dari langkah 2. Nilai MSE pada langkah ini disebut MSE B 4. Mengulang langkah 1-4 sebanyak B kali (replikasi bootstrap). 5. Memperoleh MSE bagging dari rata-rata MSE pada setiap pengambilan sampel sampai B. 6. Membentuk model bagging MARS dari rata-rata setiap parameter pada setiap pengambilan sampel sampai B. INDEKS CURAH HUJAN TERBOBOTI DAN ANOMALI LUAS PANEN PADI Indeks hujan terboboti (weighted rainfall index: WRI) dikembangkan di Australia oleh Stephen, dkk (1994). WRI yang digunakan dalam permodelan adalah WRI yang sistem pembobotnya telah dimodifikasi oleh Sutikno (2008). Modifikasi tersebut dituliskan sebagai berikut. Dimana, adalah curah hujan bulanan terboboti luasan wilayah Daerah Prakiraan Musim (DPM) / DPM revisi pada daerah/kabupaten/kota, adalah banyaknya wilayah DPM, adalah luas wilayah DPM ke-, adalah luas tanaman pada bulan ke-, adalah luas baku untuk tanaman padi di kabupaten, adalah wilayah DPM, adalah bulan, dan adalah daerah/kabupaten Setiap wilayah di Indonesia mendapatkan jumlah curah hujan yang berbeda-beda, sehingga jumlah penyerapan air pada setiap tempat untuk penanaman padi juga berbeda. Pembobotan dilakukan terhadap curah hujan per wilayah adalah untuk mendapatkan asumsi bahwa semua tempat penanaman padi mendapatkan penyerapan air yang sama. Pembobotan kedua adalah melalui luas tanam dan luas baku. Luas baku merupakan luas lahan yang seharusnya ditanami padi, sedangkan luas tanam adalah luas lahan yang telah ditanami padi. Luas panen merupakan luas tanaman yang diambil hasilnya setelah tanaman yang bersangkutan cukup umur dan sesuai dengan kriteria panen (Deptan & BPS, 2003). Anomali luas panen merupakan luas panen yang telah dikurangi rata-rata luas panen, sedangkan anomali luas panen per periode merupakan luas panen per periode yang telah dikurangi dengan rata-rata luas panen selama periode tertentu. Model hubungan anomali luas panen padi per periode (AnLP p ) dengan indeks curah hujan terboboti (WRI) adalah sebagai berikut. BAHAN DAN METODE Data yang digunakan untuk penelitian adalah data sekunder yang diperoleh dari BPS dan Deptan Kabupaten Ngawi, serta Badan Meterologi Klimatologi dan Geofisika (BMKG) stasiun klimatologi Karangploso tahun 1993 sampai Variabel dalam penelitian terdiri atas variabel respon dan variabel prediktor. Variabel respon ( ) adalah anomali luas panen padi per periode (AnLP p ), meliputi AnLP 1 (anomali luas panen periode 1, yaitu bulan Januari sampai bulan April), AnLP 2 (anomali luas panen periode 2, yaitu bulan Mei sampai bulan Agustus), dan AnLP 3 (anomali luas panen periode 3, yaitu bulan September sampai bulan Desember). AnLP p diperoleh dari selisih antara luas panen padi per periode dengan rata-rata luas panen padi per 3
4 periode mulai tahun Sedangkan Variabel prediktor ( ) adalah indeks curah hujan terboboti (WRI), yaitu Periode 1 : WRI 1 (Bulan Januari), WRI 2 (Bulan Februari), WRI 3 (Bulan Maret), dan WRI 4 ( Bulan April), Periode 2 : WRI 5 (Bulan Mei), WRI 6 (Bulan Juni), WRI 7 (Bulan Juli), dan WRI 8 ( Bulan Agustus), Periode 3: WRI 9 (Bulan September), WRI 10 (Bulan Oktober), WRI 11 (Bulan November), dan WRI 12 (Bulan Desember). Variabel prediktor merupakan indeks komposit meliputi curah hujan terboboti wilayah dan rasio luas tanam dan luas baku sawah dalam bulanan. HASIL DAN DISKUSI Untuk memodelkan hubungan antara anomali luas panen (AnLP) dan variabel prediktor indeks curah hujan terboboti (WRI) diawali dengan mengidentifikasi pola hubungannya. Gambar 1 memberikan gambaran bahwa pola hubungan antara AnLP dan WRI nampak tidak jelas pola linearitasnya bahkan tidak mempunyai pola tertentu. Demikian juga dengan arah hubungannya yang bernilai positif maupun negatif. Hal ini menunjukkan bahwa AnLP pada periode 1 (Januari-April), periode 2 (Mei-Agustus) dan periode 3 (September-Desember) tidak dipengaruhi oleh kedua variabel secara linear sehingga perlu dicari kemungkinan model non linear. Ketidakjelasan pola hubungan linear antara AnLP dengan WRI didukung oleh nilai korelasi yang kecil seperti pada Tabel 1. Olehkarena itu pada penelitian ini metode bagging MARS diterapkan dalam pemodelan antara anomali luas panen per periode sebagai variabel respon dan indeks curah hujan terboboti sebagai variabel prediktor. Tabel 1. Nilai Korelasi antara AnLP dan WRI Ukuran Statistik Periode WRI 1 WRI 2 WRI 3 WRI 4 Nilai Korelasi P-value Periode WRI 5 WRI 6 WRI 7 WRI 8 Nilai Korelasi P-value 0.002* Periode WRI 9 WRI 10 WRI 11 WRI 12 Nilai Korelasi P-value * 0.015* Gambar 1. Diagram Pencar AnLP dan WRI di Kabupaten Ngawi Selanjutnya dilakukan pemodelan antara anomali luas panen padi terhadap indeks curah hujan terboboti pada masing-masing periode dengan metode bagging MARS. Pembentukan model bagging MARS diawali dengan pembentukan model MARS pada data set atau data sebenarnya, 4
5 kemudian dilanjutkan dengan resampling B kali pada data set. Resampling dilakukan secara agregat pada pasangan variabel respon dan variabel prediktor yang signifikan. Dari model bagging MARS yang diperoleh, dapat dilihat seberapa besar bagging dapat menurunkan MSE dari model MARS pada data set awal. Langkah awal pembentukan model MARS dilakukan dengan trial and error terhadap maksimum basis fungsi (BF), maksimum interaksi (MI), minimal jumlah pengamatan diantara knots atau minimum observasi (MO) dan jumlah derajad bebas (DB) sampai diperoleh model optimal dengan nilai MSE dan GCV minimum. Friedman (1991) menyarankan jumlah maksimum basis fungsi 2 sampai 4 kali jumlah variabel prediktor. Maksimum interaksi 1, 2, atau 3 dengan pertimbangan jika lebih dari 3 akan menghasilkan model yang sangat kompleks. Serta minimum jarak antar knot atau minimum observasi antar knot sebanyak 0, 10, 20, 50, dan 100. a. Periode 1 Model MARS terbaik pada periode 1 yaitu model dengan kombinasi BF=12, MI=2, MO=0 dan DB=8 sebagaimana ditunjukkan seperti pada persamaan (6) berikut. Model ini memiliki nilai R 2, MSE dan GCV masing-masing sebesar 20,1%, ,17 dan ,43. Selanjutnya dari model terbaik pada persamaan (6) dapat dilihat bahwa terdapat tiga variabel prediktor yang masuk model, yaitu indeks curah hujan terboboti pada bulan Januari (WRI 1 ), indeks curah hujan terboboti pada bulan Maret (WRI 3 ) dan indeks curah hujan terboboti pada bulan April (WRI 4 ). Untuk melihat sejauh mana variabel-variabel tersebut akan berpengaruh dalam pembentukan model MARS dapat dilihat pada Tabel 2. Variabel indeks curah hujan terboboti pada bulan Januari (WRI 1 ) memberikan kontribusi sebesar 100 % artinya WRI 1 berpengaruh kuat terhadap anomali luas panen padi pada periode 1. Diikuti dengan indeks curah hujan terboboti pada bulan April (WRI 4 ), dan bulan Maret (WRI 3 ) yang masing-masing memberikan kontribusi sebesar 99,994 % dan 88,700 %. Tabel 2. Besarnya Kontribusi Masing-masing Variabel pada Periode 1 Variabel Besarnya kontribusi WRI % WRI 4 99,994 % WRI 3 88,700 % Langkah selanjutnya diambil sampel bootstrap sebanyak data, kemudian direplikasi sebanyak 50, 100, 150, 200 dan 250 kali. Pada setiap pengambilan sampel akan dibentuk model MARS dengan jumlah BF, MI dan MO sama dengan model MARS untuk data set awal, sehingga akan diperoleh nilai MSE sebanyak B dalam setiap B replikasi bootstrap. Kemudian nilai MSE tersebut dirata-rata sehingga menghasilkan MSE model bagging MARS. Tabel 3 memberikan informasi bahwa dengan replikasi sebanyak 150 kali didapatkan MSE terkecil sebesar ,43 dan dapat menurunkan nilai MSE dari model MARS data set awal sebesar ,74. Sehingga didapatkan model bagging MARS dengan 150 kali replikasi bootstrap seperti pada persamaan (7) berikut. 5
6 Tabel 3. Hasil bagging MARS pada Periode 1 Replikasi Bootstrap Rata-rata nilai MSE Penurunan nilai MSE 50 kali , , kali , , kali , , kali , , kali , ,61 Dari model bagging MARS pada persamaan (7) dapat diinterpretasikan setiap kenaikan satu satuan basis fungsi 4 (BF 4 ) dapat mengurangi anomali luas panen padi pada periode 1 sebesar 0,578 jika indeks curah hujan terboboti pada bulan januari (WRI 1 ) lebih dari 1,770 mm dan indeks curah hujan terboboti pada bulan April (WRI 4 ) lebih dari 7,350 mm. Sedangkan untuk setiap kenaikan satu satuan basis fungsi 5 (BF 5 ) dapat meningkatkan anomali luas panen padi pada periode 1 sebesar 0,422 jika indeks curah hujan terboboti pada bulan Maret (WRI 3 ) lebih dari 39,820 mm dan pada bulan April (WRI 4 ) lebih dari 7,350 mm. Dan setiap kenaikan satu satuan basis fungsi enam (BF 6 ), anomali luas panen padi pada periode 1 dapat meningkat sebesar 101,54 jika indeks curah hujan pada bulan Januari (WRI 1 ) lebih dari 1,770 mm. Selanjutnya setiap kenaikan satu satuan basis fungsi 7 (BF 7 ) dapat mengurangi anomali luas panen padi pada periode 1 sebesar 83,18, jika indeks curah hujan terboboti pada bulan Maret (WRI 3 ) lebih dari 39,820 mm. b. Periode 2 Untuk model MARS terbaik pada periode 2 mempunyai nilai R 2 sebesar 37,5 %, MSE sebesar ,28 dan GCV sebesar ,30 dengan kombinasi BF=8, MI=1, MO=0 dan DB=2. Model MARS tersebut seperti pada persamaan (8) berikut. Dari persamaan (8) terlihat hanya variabel indeks curah hujan terboboti pada bulan Mei (WRI 5 ) yang masuk dalam model. Sehingga skor variabel penting untuk WRI 5 bernilai 100 % artinya variabel indeks curah hujan terboboti pada bulan Mei berpengaruh kuat terhadap anomali luas panen padi pada periode 2. Selanjutnya dari pasangan variabel respon dan variabel prediktor yang signifikan tersebut yang akan dilakukan replikasi bootstrap sebanyak 50, 100, 150, 200 dan 250 kali. Tabel 4. Hasil bagging MARS pada Periode 2 Replikasi Bootstrap Rata-rata nilai MSE Penurunan nilai MSE 50 kali , , kali , , kali , , kali , , kali , ,80 Tabel 4 memberikan informasi bahwa dengan 100 kali replikasi bootstrap diperoleh rata-rata nilai MSE paling kecil yaitu sebesar ,39, sehingga berdasarkan hasil di atas maka dapat disimpulkan bahwa diperoleh hasil bagging terbaik adalah pada replikasi bootstrap sebanyak 100 kali. Model bagging ini dapat memperkecil nilai MSE dari model data set awal yaitu sebesar ,28 menjadi ,39 atau dengan kata lain bagging dapat menurunkan nilai MSE sebesar ,88 dari model data set awal. Model bagging MARS untuk 100 kali replikasi bootstrap adalah seperti ditunjukkan pada persamaan (9) berikut. 6
7 Dari model bagging MARS pada persamaan (9), dapat diinterpretasikan bahwa setiap kenaikan satu satuan basis fungsi 1 (BF 1 ) dapat meningkatkan anomali luas panen padi pada periode 2 sebesar 49,55 jika indeks curah hujan terboboti pada bulan Mei (WRI 5 ) lebih dari 0,220 mm. c. Periode 3 Pada periode 3 nilai MSE dan GCV terkecil masing-masing sebesar ,51 dan ,78 yaitu pada kombinasi BF=8, MI=2, MO=0 dan DB=5. Model tersebut ditunjukan seperti pada persamaan (10). Selanjutnya pada periode 3, indeks curah hujan terboboti pada bulan Oktober (WRI 10 ) memberikan kontribusi paling besar terhadap anomali luas panen padi yaitu sebesar 100 %. Sedangkan indeks curah hujan terboboti pada bulan Desember (WRI 12 ) memberikan kontribusi sebesar 46,65 % sebagaimana ditunjukkan pada Tabel 5. Tabel 5. Besarnya Kontribusi Masing-masing Variabel pada Periode 3 Variabel Besarnya kontribusi WRI % WRI 12 46,65 % Hasil nilai rata-rata MSE dari model bagging MARS pada periode 3 untuk setiap replikasi dapat dilihat pada Tabel 6. Dari Tabel 6 memberikan informasi bahwa bagging dengan replikasi 100 kali memberikan rata-rata nilai MSE terbesar yaitu ,38, sedangkan bagging dengan replikasi bootstrap sebanyak 200 kali memberikan rata-rata nilai MSE paling kecil yaitu sebesar ,15. Sehingga model bagging yang paling baik adalah dengan replikasi bootstrap 200 kali. Tabel 6. Hasil bagging MARS pada Periode 3 Replikasi Bootstrap Rata-rata nilai MSE Penurunan nilai MSE 50 kali , , kali , , kali , , kali , , kali , ,35 Model bagging MARS pada replikasi bootstrap 200 kali yang memberikan nilai MSE terkecil adalah seperti ditunjukkan pada persamaan (11) berikut. Interpretasi dari model bagging MARS tersebut adalah setiap kenaikan satu satuan basis fungsi 1 (BF 1 ) dapat meningkatkan anomali luas panen padi pada periode 3 sebesar 49,21 jika indeks curah hujan terboboti pada bulan Oktober (WRI 10 ) lebih dari 0,840 mm. Anomali luas panen padi pada periode 3 akan meningkat sebesar 18,67 jika indeks curah hujan terboboti pada bulan Desember (WRI 12 ) lebih dari 8,190 mm untuk setiap kenaikan satu satuan basis fungsi 2 (BF 2 ). Dan untuk setiap kenaikan satu satuan basis fungsi tiga (BF 3 ) dapat mengurangi anomali luas panen padi pada periode 3 sebesar 0,19 jika indeks curah hujan terboboti pada bulan Oktober (WRI 10 ) lebih dari 0,840 mm dan pada bulan Desember (WRI 12 ) lebih dari 8,190 mm. 7
8 d. Ramalan Produksi Padi Untuk evaluasi dan melihat tingkat kehandalan model yang terbentuk, dapat dilihat dari rata-rata tingkat kesalahan ramalan untuk luas panen dan produksi padi pada tahun 2006 sampai BPS dan Deptan setiap tahun melakukan pendataan dan ramalan produksi padi. BPS dan Deptan melakukan pendataan dan ramalan produksi padi di Indonesia yang dibagi dalam tiga periode, yaitu Januari April, Mei Agustus, dan September Desember. Luas panen setiap periode diperoleh dari jumlah luas panen pada bulan pertama hingga bulan keempat dalam satu periode. Produksi dan luas panen dalam satu tahun (Januari sampai Desember) didapatkan dari penjumlahan produksi dan luas panen selama 3 periode. Berikut akan dianalisis ramalan produksi padi dari model MARS dan model bagging MARS yang selanjutnya akan dibandingkan dengan nilai aktual produksi padi (ATAP / Angka Tetap) yang dikeluarkan BPS tiga tahun terakhir (tahun 2006 sampai 2008). Model yang memberikan rata-rata tingkat kesalahan ramalan yang paling kecil adalah model terbaik. Dari model MARS terbaik yang telah didapatkan dari analisis sebelumnya dapat dihitung nilai ramalan untuk luas panen dan produksi padi per tahun seperti ditunjukkan pada Tabel 7. Tabel 7. Nilai Ramalan Luas Panen dan Produksi Padi per Tahun dari Model MARS Tahun Luas panen (Ha) Produksi (ton) (Abs ( ) / Akt.) x 100 % Aktual Ramalan Aktual Ramalan Luas panen Produksi , ,58 2,34 % 3,58 % , ,96 2,73 % 3,01 % , ,82 6,97 % 21,93 % Rata-rata 4,02 % 9,51 % Berdasarkan Tabel 7, pada tahun 2006 memberikan kesalahan ramalan paling kecil baik untuk luas panen yaitu sebesar 2,34 %. Pada tahun 2007, kesalahan ramalan luas panen padi sebesar 2,73 % dan kesalahan ramalan untuk produksi padi sebesar 3,01 %. Sementara itu pada tahun 2008 produksi padi memberikan kesalahan ramalan paling tinggi yaitu sebesar 21,93 %, sedangkan untuk luas panen padinya terjadi kesalahan ramalan sebesar 6,97 %. Sehingga ratarata tingkat kesalahan ramalan luas panen padi dengan menggunakan MARS yaitu sebesar 4,02 %, sementara itu tingkat kesalahan ramalan untuk produksi padi sebesar 9,51 %. Sedangkan untuk model bagging MARS, hasil nilai ramalan untuk luas panen dan produksi padi per tahun seperti ditunjukkan pada Tabel 8. Tabel 8. Nilai Ramalan Luas Panen dan Produksi Padi per Tahun dari Model Bagging MARS Tahun Luas panen (Ha) Produksi (ton) (Abs ( ) / Akt.) x 100 % Aktual Ramalan Aktual Ramalan Luas panen Produksi , ,85 1,21 % 4,77 % , ,42 0,47 % 5,49 % , ,50 7,04 % 21,99 % Rata-rata 2,91 % 10,75 % Hasil ramalan luas panen padi dari model bagging MARS terlihat mempunyai tingkat kesalahan sebesar 2,91 %. Angka ini lebih kecil dibandingkan hasil ramalan luas panen padi dari model MARS yang mencapai 4,02 %. Sedangkan hasil ramalan produksi padi dari model bagging MARS mempunyai tingkat kesalahan sebesar 10,75 %. Angka ini lebih tinggi dibandingkan hasil ramalan produksi padi dari model MARS. KESIMPULAN Kecilnya jumlah pengamatan yang digunakan dalam penelitian ini, digunakan suatu metode dengan melakukan bootstrapping pada sampel pengamatannya. Sehingga untuk memperoleh parameter yang stabil, digunakan metode bagging MARS. Pemodelan antara anomali luas panen padi terhadap indeks curah hujan terboboti dilakukan pada masing-masing periode. Pada periode 1, dengan replikasi bootstrap sebanyak 150 kali dapat menurunkan nilai MSE paling 8
9 besar. Sedangkan untuk periode 2, dengan 100 kali replikasi bootstrap diperoleh rata-rata nilai MSE paling kecil yaitu sebesar ,39 dan dapat menurunkan nilai MSE sebesar ,88. Dan untuk periode 3, bagging dapat menurunkan nilai MSE sebesar ,36 dengan 200 kali replikasi bootstrap. Selanjutnya untuk evaluasi dan melihat tingkat kehandalan model yang terbentuk, dapat dilihat dari rata-rata tingkat kesalahan ramalan untuk luas panen dan produksi padi pada tahun 2006 sampai Hasil ramalan luas panen padi dari model bagging MARS mempunyai tingkat kesalahan sebesar 2,91 %. Angka ini lebih kecil dibandingkan hasil ramalan luas panen padi dari model MARS yang mencapai 4,02 %. Sedangkan hasil ramalan produksi padi dari model bagging MARS mempunyai tingkat kesalahan sebesar 10,75 %. Angka ini lebih tinggi dibandingkan hasil ramalan produksi padi dari model MARS yang mempunyai tingkat kesalahan sebesar 9,51 %. DAFTAR PUSTAKA [1] [BMKG] Badan Meteorologi, Klimatologi, dan Geofisika. (2009). ( Download tanggal 30 Maret 2009 jam 13:20. [2] [Deptan dan BPS] Departemen Pertanian and Badan Pusat Statistik. (2003). Buku Pedoman Petugas Kabupaten/Kota dan Propinsi, Pengumpulan Data Tanaman Pangan dan Holtikultura. Jakarta: BPS dan Departemen Pertanian. [3] Abraham, A., & Steinberg, D. (2001). MARS: Still an Alien Planet in Soft Computing?. School of Computing and Information Technology. USA : Salford System, Inc [4] Anonim. (2001). MARS TM User Guide. USA : Salford Systems [5] Breiman, L. (1994). Bagging Prediktor. Technical report No.421. New York : Department of statistiks University of California. [6] Buhlmann, P., & Bin Y. (2002). Analyzing Bagging. Annals of Statistiks, 30, [7] Efron, B. & Tibshirani, R.J. (1993), An Introduction to the Bootstrap, New York: Chapman & Hall, Inc. [8] Eubank,R.L., (1988), Spline Smoothing and Nonparametric Regression, New York: Mercel Dekker. [9] Friedman, J.H., (1991), Multivariate Adaptive Regression Splines. The Annals of Statistiks. Vol. 19 No.1 [10] Hastie, T., Tibshirani, R., Friedman, J. (2001). The Elements of Statistical Learning: Data Mining, Inference and Prediction. New York : Springer-Verlag [11] Nash, M.S. & Bradford, D.F. (2001), Parametric and Non Parametric Logistic Regression for Prediction of Precense/ Absence of an Amphibian. Las Vegas: Nevada. [12] Naylor RL, Falcon WP, Wada N, & Rochberg D. (2002). Using El Niño-Southern Oscillation Climate Data To Improve Food Policy Planning In Indonesia. Bulletin of Indonesian Economic Studies 38: [13] Rahardjo, S. (2008). Perubahan Iklim Sangat Berdampak Pada Tanaman Padi. ( Download tanggal 18 Maret 2009 jam 10:45. [14] Ryan, T.P,. (1996). Modern Regression Methods. New York: John Wiley & Sons, Inc. [15] Sephton, P. (2001). Forecasting Recessions: Can We Do Better on MARS. The Federal Reserve Bank of St. Louis. [16] Stephen DJ, Walker GK, & Lyons TJ. (1994). Foreasting Australian wheat yield with a weighted rainfall index. Agriculture and Forest Meteorology 71: [17] Sutikno. (2008). Statistikal Downscaling Luaran GCM dan Pemanfaatannya untuk Peramalan Produksi Padi [Disertasi]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. 9
BAGGING MARS UNTUK PENGEMBANGAN MODEL RAMALAN ANOMALI LUAS PANEN PADI DI KABUPATEN GUNUNGKIDUL
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, November 00 BAGGING MARS UNTUK PENGEMBANGAN MODEL RAMALAN ANOMALI LUAS PANEN PADI DI KABUPATEN GUNUNGKIDUL Alif Yuanita, Bambang Widjanarko
Lebih terperinciBAGGING MARS PADA PEMODELAN ANOMALI LUAS PANEN PADI DI KABUPATEN NGAWI. Abstrak
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 BAGGING MARS PADA PEMODELAN ANOMALI LUAS PANEN PADI DI KABUPATEN NGAWI Naily Kamaliah (1), Bambang Widjanarko Otok (2),
Lebih terperinci8. MODEL RAMALAN PRODUKSI PADI
8. MODEL RAMALAN PRODUKSI PADI 8.1 Pendahuluan Padi merupakan makanan utama sekaligus mempunyai nilai politis yang tinggi bagi orang Indonesia, yang menyediakan pendapatan secara musiman dan tenaga kerja
Lebih terperinciBAB V KESIMPULAN DAN SARAN
"DON'T LET OTHERS CONTROL YOUR LIFE, IT'S YOURS NOT THEIRS BAB V KESIMPULAN DAN SARAN 51 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Adapun kesimpulan yang didapat dari hasil analisis yaitu sebagai berikut.
Lebih terperinciBAGGING MARS PADA PERAMALAN PRODUKSI PADI DI PROVINSI KALIMANTAN BARAT
BAGGING PADA PERAMALAN PRODUKSI PADI DI PROVINSI KALIMANTAN BARAT Naily Kamaliah 1, Bambang Widjanarko Otok 2, Sutikno 3 1 Mahasiswa S2 Jurusan Statistika FMIPA ITS (138 21 12) 2,3 Dosen Jurusan Statistika
Lebih terperinciKata Kunci: Penciri Tingkat Kesejahteraan, Kemiskinan, bagging MARS
Jurnal Matematika UNAND Vol. 2 No. 4 Hal. 34 42 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND IDENTIFIKASI FAKTOR-FAKTOR PENCIRI TINGKAT KESEJAHTERAAN RUMAH TANGGA MENGGUNAKAN BOOTSTRAP AGREGATING
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. mendapatkan model dan faktor-faktornya, terlebih dahulu akan dibahas. bagaimana mendapatkan sampel dalam penelitian ini.
BAB IV HASIL DAN PEMBAHASAN Pada bab ini akan dijelaskan hasil dari penelitian yang meliputi model terbaik dari indeks prestasi kumulatif mahasiswa dan faktor-faktor apa saja yang berpengaruh terhadap
Lebih terperinciModel Ramalan Produksi Padi dengan Menggunakan Indeks Hujan Terboboti di Kabupaten Subang, Karawang, dan Indramayu
Model Ramalan Produksi Padi dengan Menggunakan Indeks Hujan Terboboti di Kabupaten Subang, Karawang, dan Indramayu Forecasting Model of Rice Production Using Weighted Rainfall Index in Subang, Karawang,
Lebih terperinci3. PEMANFAATAN INFORMASI IKLIM UNTUK PENYUSUNAN MODEL PRODUKSI PERTANIAN
3. PEMANFAATAN INFORMASI IKLIM UNTUK PENYUSUNAN MODEL PRODUKSI PERTANIAN 15 Berbagai model ramalan produksi tanaman pangan (khususnya padi) telah dikembangkan di Indonesia. Model-model tersebut secara
Lebih terperinci5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS
5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS Pendahuluan Pada model VARX hubungan peubah penjelas dengan peubah respon bersifat parametrik. Stone (1985) mengemukakan pemodelan yang bersifat fleksibel
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 1.1 Analisis Regresi Salah satu metode statistik yang umum digunakan untuk menganalisis hubungan ataupun pengaruh antara variabel prediktor dan variabel respon. Mengatasi kurva
Lebih terperinciPREDIKSI LUAS AREA KEBAKARAN HUTAN BERDASARKAN DATA METEOROLOGI DENGAN MENGGUNAKAN PENDEKATAN MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS)
PREDIKSI LUAS AREA KEBAKARAN HUTAN BERDASARKAN DATA METEOROLOGI DENGAN MENGGUNAKAN PENDEKATAN MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) Winalia Agwil 1, Izzati Rahmi HG 2, Hazmira Yozza 2 Program
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Metode klasifikasi merupakan salah satu metode statistika untuk mengelompok atau mengklasifikasi suatu data yang disusun secara sistematis ke dalam suatu kelompok sehingga
Lebih terperinciPengaruh Dipole Mode dan El Nino Southern Oscillation Terhadap Awal Tanam dan Masa Tanam di Kabupaten Mempawah
Pengaruh Dipole Mode dan El Nino Southern Oscillation Terhadap Awal Tanam dan Masa Tanam di Kabupaten Mempawah Yohana Fronika a, Muhammad Ishak Jumarang a*, Andi Ihwan a ajurusanfisika, Fakultas Matematika
Lebih terperinciKata Kunci: Komponen Akreditasi, Multivariate Adaptive Regression Spline (MARS)
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 44 53 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENERAPAN METODE MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) UNTUK MENGIDENTIFIKASI KOMPONEN YANG BERPENGARUH
Lebih terperinciBAB IV PEMBAHASAN. 4.1 Deskripsi Data
BAB IV PEMBAHASAN Pada bab ini diberikan deskripsi data, diagram pencar data, titik knot optimal, model regresi nonparametrik spline, pengujian parameter, dan pengujian sisaan. Selanjutnya regresi nonparametrik
Lebih terperinci6. PENGGUNAAN REGRESI SPLINES ADAPTIF BERGANDA UNTUK STATISTICAL DOWNSCALING LUARAN GCM
6. PENGGUNAAN REGRESI SPLINES ADAPTIF BERGANDA UNTUK STATISTICAL DOWNSCALING LUARAN GCM 6.1 Pendahuluan Model regresi SD dinyatakan y = f(x) ε dimana y adalah peubah respon (curah hujan observasi, beresolusi
Lebih terperinci1 PENDAHULUAN Latar Belakang
1 PENDAHULUAN Latar Belakang Indonesia merupakan negara kepulauan dengan bentuk topografi yang sangat beragam, dilewati garis katulistiwa, diapit dua benua dan dua samudera. Posisi ini menjadikan Indonesia
Lebih terperinciBAGGING MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI PASIEN HASIL PAP TEST PENYAKIT KANKER SERVIKS (STUDI KASUS DI RS X SURABAYA)
BAGGING MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI PASIEN HASIL PAP TEST PENYAKIT KANKER SERVIKS (STUDI KASUS DI RS X SURABAYA) Hartini Yastuti 1 dan Bambang Widjanarko Otok 2 1
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman 987-996 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN METODE REGRESI LOGISTIK BINER DAN MULTIVARIATE
Lebih terperinciSEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 PM -113 Kualifikasi Dan Mapping Kualitas Sekolah Menengah Swasta Di Tulungagung Berdasarkan Faktor Dominan Yang Berpengaruh Dengan Metode
Lebih terperinciMULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI STATUS KERJA DI KABUPATEN DEMAK Kishartini 1, Diah Safitri 2, Dwi Ispriyanti 3
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 711-718 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI
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 terperinciREGRESI SEMIPARAMETRIK SPLINE TRUNCATED DENGAN SOFTWARE R. Abstract. Keywords: Spline Truncated, GCV, Software R.
REGRESI SEMIPARAMETRIK SPLINE TRUNCATED DENGAN SOFTWARE R Tiani Wahyu Utami 1), Alan Prahutama 2) 1 Program studi Statistika, FMIPA, Universitas Mumammadiyah Semarang email: tianiutami@unimus.ac.id 2 Departemen
Lebih terperinciSEMINAR HASIL TESIS. Disusun oleh : EKO WIYONO NRP : DOSEN PEMBIMBING Dr. Bambang Widjanarko Otok, M.Si.
SEMINAR HASIL TESIS Disusun oleh : EKO WIYONO NRP : 39 7 DOSEN PEMBIMBING Dr. Bambang Widjanarko Otok, M.Si. PROGRAM MAGISTER JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI
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 terperinciJurnal Matematika Vol. 3 No. 1, Juli ISSN :
Jurnal Matematika Vol. 3 No. 1, Juli 2013. ISSN : 1693-1394 Pemodelan Angka Harapan Hidup di Provinsi Jawa Timur Tahun 2007 dan 2011 Berdasarkan Angka Melek Huruf, Rata-rata Lama Sekolah, dan Pengeluaran
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagai negara yang terletak diantara Samudra Pasifik-Hindia dan Benua Asia-Australia, serta termasuk wilayah tropis yang dilewati oleh garis khatulistiwa, menyebabkan
Lebih terperinciMULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI KEJADIAN KONSTIPASI TERHADAP PEMBERIAN AIR SUSU IBU DAN PEMBERIAN AIR SUSU FORMULA
MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI KEJADIAN KONSTIPASI TERHADAP PEMBERIAN AIR SUSU IBU DAN PEMBERIAN AIR SUSU FORMULA 1 Ria Muslikah, Moh. Yamin Darsyah 1,,3 Program Studi
Lebih terperinciII. TINJAUAN PUSTAKA 2.1 Metode Regresi 2.2 Model Aditif Terampat ( Generalized additive models , GAM)
II. TINJAUAN PUSTAKA. Metode Regresi Analisis regresi merupakan bagian dalam analisis statistika yang digunakan untuk memodelkan hubungan antara peubah tidak bebas (respon) dengan satu atau beberapa peubah
Lebih terperinciPEMODELAN DAN PENGKLASIFIKASIAN KABUPATEN TERTINGGAL DI INDONESIA DENGAN PENDEKATAN MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) Abstrak
PEMODELAN DAN PENGKLASIFIKASIAN KABUPATEN TERTINGGAL DI INDONESIA DENGAN PENDEKATAN MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) Siskarossa Ika Oktora, Prof. DR. Sutawanir Darwis, Drs. Gatot Riwi Setyanto,
Lebih terperinciVI. KESIMPULAN DAN SARAN
VI. KESIMPULAN DAN SARAN 6.1. Kesimpulan Dalam penelitian ini telah dilakukan suatu rangkaian penelitian yang mencakup analisis pewilayahan hujan, penyusunan model prediksi curah hujan, serta pemanfaatan
Lebih terperinciPEMANFAATAN GLOBAL CIRCULATION MODEL (GCM) UNTUK PREDIKSI PRODUKSI PADI
82 Jurnal Sains Dirgantara Vol. 6 No. 2 Juni 2009 : 82-94 PEMANFAATAN GLOBAL CIRCULATION MODEL (GCM) UNTUK PREDIKSI PRODUKSI PADI Sinta Berliana Sipayung * ), Sutikno **) (*) Peneliti Pusat Pemanfaatan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Definisi Belajar Menurut Dalyono (2007), ada beberapa definisi belajar dari para ahli, antara lain, yaitu: a) Witherington, dalam buku educational psychology mengemukakan:
Lebih terperinciPOTENSI PEMANFAATAN INFORMASI PRAKIRAAN IKLIM UNTUK MENDUKUNG SISTEM USAHA TAMBAK UDANG DAN GARAM DI KABUPATEN INDRAMAYU KIKI KARTIKASARI
POTENSI PEMANFAATAN INFORMASI PRAKIRAAN IKLIM UNTUK MENDUKUNG SISTEM USAHA TAMBAK UDANG DAN GARAM DI KABUPATEN INDRAMAYU KIKI KARTIKASARI DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP
ESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP PADA DATA PASIEN HIPERKOLESTEROLEMIA DI BALAI LABORATORIUM KESEHATAN YOGYAKARTA Fransiska Grase S.W, Sri Sulistijowati H.,
Lebih terperinci1. PENDAHULUAN. [8 Januari 2006] 1 ( )
1. PENDAHULUAN 1.1. Latar Belakang Informasi ramalan curah hujan sangat berguna bagi petani dalam mengantisipasi kemungkinan kejadian-kejadian ekstrim (kekeringan akibat El- Nino dan kebanjiran akibat
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 2, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 2, Tahun 2014, Halaman 223-231 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMILIHAN MODEL REGRESI POLINOMIAL LOKAL DAN SPLINE UNTUK ANALISIS
Lebih terperinciKlasifikasi Kesejahteraan Rumah Tangga di Jawa Timur dengan Pendekatan Multivariate Adaptive Regression Spline Bootstrap Aggregating (MARS Bagging)
Klasifikasi Kesejahteraan Rumah Tangga di Jawa Timur dengan Pendekatan Multivariate Adaptive Regression Spline Bootstrap Aggregating (MARS Bagging) Dimas Arvian Pandu Pratama 1 (1307100059), dan Bambang
Lebih terperinciVolume II No. 2, Juni 2017 ISSN
Volume II No., Juni 7 ISSN 5-74 MODEL PREDIKSI TIMELINESS PELAPORAN KEUANGAN MENGGUNAKAN METODE MULTIVARIATE ADAPTIVE REGRESSION SPLINE ( Studi Kasus pada Perusahaan Perbankan Go Public di BEI) Erna Hayati
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN Pengolahan data menggunakan software MARS.
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengolahan data menggunakan software MARS. Berdasarkan Lampiran 2 dapat dilihat bahwa Plot hubungan Angka Kematian Bayi dengan beberapa prediktor belum menunjukkan pola
Lebih terperinciPENDUGAAN PARAMETER REGRESI DENGAN BOOTSTRAP RESIDUAL UNTUK JUMLAH SAMPEL YANG BERVARIASI M a r zu k i, H i zi r S o f y a n Universitas Syiah Kuala marz_ukie@yahoo.com ABSTRAK Penelitian ini bertujuan
Lebih terperinciMemodelkan regresi logistik biner data set hasil sampel bootstrap B.
B O O T S T R A P A G G R E G A T I N G 1 2 3 4 5 6 7 Tinjauan Pustaka Algoritma Bagging Regresi Logistik Biner Mengambil sampel bootstrap sebanyak n dari data set dengan pengulangan sebanyak n. Pengambilan
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciPREDIKSI INFLASI DI INDONESIA MENGGUNAKAN REGRESI NONPARAMETRIK B-SPLINE
PREDIKSI INFLASI DI INDONESIA MENGGUNAKAN REGRESI NONPARAMETRIK B-SPLINE Annita Nur Kusumastuti, Sri Sulistijowati Handajani, dan Respatiwulan Program Studi Matematika FMIPA UNS ABSTRAK. Inflasi identik
Lebih terperinciPasang Surut Surabaya Selama Terjadi El-Nino
Pasang Surut Surabaya Selama Terjadi El-Nino G181 Iva Ayu Rinjani dan Bangun Muljo Sukojo Jurusan Teknik Geomatika, Fakultas Teknik Sipil dan Perencanaan, Institut Teknologi Sepuluh Nopember (ITS) Jl.
Lebih terperinciPEMODELAN MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) PADA FAKTOR-FAKTOR RESIKO ANGKA KESAKITAN DIARE
PEMODELAN MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) PADA FAKTOR-FAKTOR RESIKO ANGKA KESAKITAN DIARE (Studi Kasus : Angka kesakitan Diare di Jawa Tengah, Jawa Timur dan Daerah Istimewa Yogyakarta
Lebih terperinciKLASIFIKASI SIFAT CURAH HUJAN BERDASARKAN INDIKATOR ENSO (EL-NINO SOUTHERN OSCILLATION) DI KABUPATEN NGAWI DENGAN MENGGUNAKAN METODE KLASIFIKASI POHON
KLASIFIKASI SIFAT CURAH HUJAN BERDASARKAN INDIKATOR ENSO (EL-NINO SOUTHERN OSCILLATION) DI KABUPATEN NGAWI DENGAN MENGGUNAKAN METODE KLASIFIKASI POHON Putri Sea Paramita, Sutikno Mahasiswa Jurusan Statistika
Lebih terperinciKLASIFIKASI KELOMPOK RUMAH TANGGA DI KABUPATEN BLORA MENGGUNAKAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) DAN FUZZY K-NEAREST NEIGHBOR (FK-NN)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman 1077-1085 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI KELOMPOK RUMAH TANGGA DI KABUPATEN BLORA MENGGUNAKAN
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman Online di:
ISSN: 339-541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 014, Halaman 313-3 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN ANALISIS KLASIFIKASI MENGGUNAKAN METODE K-NEAREST NEIGHBOR
Lebih terperinciIV. METODE PENELITIAN. Penelitian ini dilakukan di Desa Purwasari, Kecamatan Dramaga
IV. METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian Penelitian ini dilakukan di Desa Purwasari, Kecamatan Dramaga Kabupaten Bogor, Propinsi Jawa Barat. Pemilihan lokasi dilakukan secara sengaja dengan
Lebih terperinciPEMODELAN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PANJANG MUSIM HUJAN BERDASAR SEA SURFACE TEMPERATURE
PEMODELAN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PANJANG MUSIM HUJAN BERDASAR SEA SURFACE TEMPERATURE Agus Buono 1, M. Mukhlis 1, Akhmad Faqih 2, Rizaldi Boer 2 1 Departemen Ilmu Komputer, Fakultas Matematika
Lebih terperinciKLASIFIKASI KEIKUTSERTAAN KELUARGA DALAM PROGRAM KELUARGA BERENCANA (KB) DI KOTA SEMARANG MENGGUNAKAN METODE MARS DAN FK-NNC
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 341-349 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI KEIKUTSERTAAN KELUARGA DALAM PROGRAM KELUARGA BERENCANA
Lebih terperinciRingkasan Proyeksi Produksi Minyak Sawit 2017 dari Segi Trend Kondisi Iklim Indonesia
Ringkasan Proyeksi Produksi Minyak Sawit 2017 dari Segi Trend Kondisi Iklim Indonesia 1 SEKILAS KETERKAITAN IKLIM (CURAH HUJAN) DAN KELAPA SAWIT Iklim merupakan given factor dalam usaha perkebunan kelapa
Lebih terperinciPREDIKSI INFLASI DI PROVINSI JAWA TENGAH DENGAN MENGGUNAKAN REGRESI KERNEL
PREDIKSI INFLASI DI PROVINSI JAWA TENGAH DENGAN MENGGUNAKAN REGRESI KERNEL Firmanti Suryandari, Sri Subanti, Bowo Winarno Program Studi Matematika FMIPA UNS ABSTRAK. Inflasi merupakan proses meningkatnya
Lebih terperinciKETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG MENGGUNAKAN BOOSTSTRAP AGGREGATTING REGRESI LOGISTIK MULTINOMIAL
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 11-20 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG
Lebih terperinciOleh Tim Agroklimatologi PPKS
Kondisi Indian Oscillation Dipole (IOD), El Nino Southern Oscillation (ENSO), Curah Hujan di Indonesia, dan Pendugaan Kondisi Iklim 2016 (Update Desember 2015) Oleh Tim Agroklimatologi PPKS Disarikan dari
Lebih terperinciPEMBOBOTAN SUB DIMENSION INDICATOR INDEX UNTUK PENGGABUNGAN CURAH HUJAN (Studi Kasus : 15 Stasiun Penakar Curah Hujan di Kabupaten Indramayu)
Xplore, 2013, Vol. 1(1):e3(1-7) c 2013 Departemen Statistika FMIPA IPB PEMBOBOTAN SUB DIMENSION INDICATOR INDEX UNTUK PENGGABUNGAN CURAH HUJAN (Studi Kasus : 15 Stasiun Penakar Curah Hujan di Kabupaten
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan yang cepat dalam teknologi pengumpulan dan penyimpanan data telah memudahkan organisasi untuk mengumpulkan sejumlah data berukuran besar sehingga
Lebih terperinciPendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi
Statistika, Vol. No., Mei Pendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi MARZUKI, HIZIR SOFYAN, ASEP RUSYANA Jurusan Matematika FMIPA Universitas Syiah Kuala Jl.
Lebih terperinciTEKNIK STATISTICAL DOWNSCALING DENGAN REGRESI KOMPONEN UTAMA DAN REGRESI KUADRAT TERKECIL PARSIAL UNTUK PREDIKSI CURAH HUJAN PADA KONDISI EL NINO, LA NINA, DAN NORMAL 1 2 Woro Estiningtyas, Aji Hamim Wigena
Lebih terperinciPEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP. Tarno. Jurusan Matematika FMIPA UNDIP Semarang. Subanar Jurusan Matematika FMIPA UGM Yogyakarta
PEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP Tarno Jurusan Matematika FMIPA UNDIP Semarang Subanar Jurusan Matematika FMIPA UGM Yogyakarta Abstrak Tulisan ini membicarakan tentang penerapan bootstrap
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 terperinciPERBANDINGAN METODE BOOTSTRAP DAN JACKKNIFE DALAM MENAKSIR PARAMETER REGRESI UNTUK MENGATASI MULTIKOLINEARITAS
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 2 (2013), hal 137 146. PERBANDINGAN METODE BOOTSTRAP DAN JACKKNIFE DALAM MENAKSIR PARAMETER REGRESI UNTUK MENGATASI MULTIKOLINEARITAS
Lebih terperinciEVALUASI MUSIM HUJAN 2007/2008 DAN PRAKIRAAN MUSIM KEMARAU 2008 PROVINSI BANTEN DAN DKI JAKARTA
BADAN METEOROLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI PONDOK BETUNG-TANGERANG Jln. Raya Kodam Bintaro No. 82 Jakarta Selatan ( 12070 ) Telp: (021) 7353018 / Fax: 7355262, Tromol Pos. 7019 / Jks KL, E-mail
Lebih terperinciANALISIS FINANCIAL DISTRESS DENGAN REGRESI LOGISTIK DAN BINARY MULTIVARIATE ADAPTIVE REGRESSION SPLINE (B-MARS)
E-jurnal: Spirit Pro Patria Volume IV Nomor 1, Maret 2017 E-ISSN 2443-1532 Halaman 08-16 ANALISIS FINANCIAL DISTRESS DENGAN REGRESI LOGISTIK DAN BINARY MULTIVARIATE ADAPTIVE REGRESSION SPLINE (B-MARS)
Lebih terperinciANALISIS HUJAN BULAN JUNI 2011 DAN PRAKIRAAN HUJAN BULAN AGUSTUS, SEPTEMBER DAN OKTOBER 2011 PROVINSI DKI JAKARTA
ANALISIS HUJAN BULAN JUNI 2011 DAN PRAKIRAAN HUJAN BULAN AGUSTUS, SEPTEMBER DAN OKTOBER 2011 PROVINSI DKI JAKARTA 1. TINJAUAN UMUM 1.1. Curah Hujan Curah hujan merupakan ketinggian air hujan yang jatuh
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 2, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 2, Tahun 2014, Halaman 253-262 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) PADA
Lebih terperinciPEMODELAN TERHADAP KELULUSAN SISWA MASUK KELAS AKSELERASI MENGGUNAKAN ANALISIS REGRESI LOGISTIK DAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS)
ARIKA, Vol. 04, No. 2 Agustus 2010 ISSN: 1978-1105 PEMODELAN TERHADAP KELULUSAN SISWA MASUK KELAS AKSELERASI MENGGUNAKAN ANALISIS REGRESI LOGISTIK DAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) Fentje
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Regresi Linear Sederhana Analisis regresi linear sederhana dipergunakan untuk mengetahui pengaruh antara satu buah variabel prediktor terhadap satu buah variabel respon. Model
Lebih terperinciBAB II TINJAUAN PUSTAKA. penelitian yang berjudul Penerapan Metode Multivariate Adaptive Regression Splines
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Sebelumnya Penelitian tentang MARS telah banyak dilakukan. Salah satunya yaitu penelitian yang berjudul Penerapan Metode Multivariate Adaptive Regression Splines
Lebih terperinciANALISIS MUSIM KEMARAU 2011 DAN PRAKIRAAN MUSIM HUJAN 2011/2012 PROVINSI DKI JAKARTA
ANALISIS MUSIM KEMARAU 2011 DAN PRAKIRAAN MUSIM HUJAN 2011/2012 PROVINSI DKI JAKARTA Sumber : BADAN METEOROLOGI, KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI PONDOK BETUNG TANGERANG 1. TINJAUAN UMUM 1.1.
Lebih terperinciANALISIS HUJAN BULAN MEI 2011 DAN PRAKIRAAN HUJAN BULAN JULI, AGUSTUS DAN SEPTEMBER 2011 PROVINSI DKI JAKARTA
ANALISIS HUJAN BULAN MEI 2011 DAN PRAKIRAAN HUJAN BULAN JULI, AGUSTUS DAN SEPTEMBER 2011 PROVINSI DKI JAKARTA Sumber : BADAN METEOROLOGI, KLIMATOLOGI DAN GEOFISIKA STASIUN KLIMATOLOGI PONDOK BETUNG TANGERANG
Lebih terperinciAnalisis Regresi Spline Kuadratik
Analisis Regresi Spline Kuadratik S 2 Oleh: Agustini Tripena Program Studi Matematika, Fakultas Sains dan Teknik, Univesitas Jenderal Soedirman, Purwokerto tripena1960@yahoo.co.id Abstrak Regresi spline
Lebih terperinciV. PENYUSUNAN MODEL PREDIKSI CURAH HUJAN BERDASARKAN FENOMENA ENSO DAN IOD UNTUK MENENTUKAN RENCANA TANAM
V. PENYUSUNAN MODEL PREDIKSI CURAH HUJAN BERDASARKAN FENOMENA ENSO DAN IOD UNTUK MENENTUKAN RENCANA TANAM 5.1. Pendahuluan Curah hujan merupakan salah satu unsur iklim yang mempunyai variabilitas dan fluktuasi
Lebih terperinciPengembangan Indikator Rumah Tangga Miskin Provinsi Jawa Timur Menggunakan Structural Equation Modelling Bootstrap Aggregating (SEM BAGGING)
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) D-89 Pengembangan Indikator Rumah Tangga Miskin Provinsi Jawa Timur Menggunakan Structural Equation Modelling Bootstrap Aggregating
Lebih terperinciPENENTUAN KONDISI OPTIMUM PADA PEMBENTUKAN POHON TERBAIK DENGAN METODE POHON KLASIFIKASI (CLASSIFICATION TREE)
Natural Vol. 11, No. 2, Mei 2007, hal. 112-118. PENENTUAN KONDISI OPTIMUM PADA PEMBENTUKAN POHON TERBAIK DENGAN METODE POHON KLASIFIKASI (CLASSIFICATION TREE) A. Efendi dan H. Kusdarwati Program Studi
Lebih terperinciKATA PENGANTAR TANGERANG SELATAN, MARET 2016 KEPALA STASIUN KLIMATOLOGI PONDOK BETUNG TANGERANG. Ir. BUDI ROESPANDI NIP
PROPINSI BANTEN DAN DKI JAKARTA KATA PENGANTAR Puji syukur kehadirat Tuhan YME atas berkat dan rahmat Nya kami dapat menyusun laporan dan laporan Prakiraan Musim Kemarau 2016 di wilayah Propinsi Banten
Lebih terperinciPERFORMANSI MODEL-MODEL CREDIT SCORING PADA DATA DEBITUR KREDIT PRODUKTIF PT. BANK X
PERFORMANSI MODEL-MODEL CREDIT SCORING PADA DATA DEBITUR KREDIT PRODUKTIF PT. BANK X Astri Afrilia Universitas Padjadjaran Program Pendidikan Magister Program Studi Statistika Terapan, Konsentrasi Statistika
Lebih terperinciHYBRID MARS TIME SERIES PADA PEMODELAN STATISTICAL DOWNSCALLING Studi Kasus: Stasiun Losarang ABSTRAK
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 1 HYBRID MARS TIME SERIES PADA PEMODELAN STATISTICAL DOWNSCALLING Studi Kasus: Stasiun Losarang 1 Bisyri Effendi, 2 Sutikno,
Lebih terperinci1. PENDAHULUAN PADA PRODUKSI JAGUNG DI JAWA TENGAH
MODEL REGRESI ROBUST ESTIMASI DENGAN PEMBOBOT FAIR PADA PRODUKSI JAGUNG DI JAWA TENGAH Oktaviana Wulandari, Yuliana Susanti, dan Sri Sulistijowati Handajani Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciJURNAL GAUSSIAN, Volume 2, Nomor 3, Tahun 2013, Halaman Online di:
JURNAL GAUSSIAN, Volume 2, Nomor 3, Tahun 2013, Halaman 239-248 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PREDIKSI CURAH HUJAN DENGAN METODE KALMAN FILTER (Studi Kasus di Kota Semarang
Lebih terperinciEVALUASI CUACA BULAN JUNI 2016 DI STASIUN METEOROLOGI PERAK 1 SURABAYA
EVALUASI CUACA BULAN JUNI 2016 DI STASIUN METEOROLOGI PERAK 1 SURABAYA OLEH : ANDRIE WIJAYA, A.Md FENOMENA GLOBAL 1. ENSO (El Nino Southern Oscillation) Secara Ilmiah ENSO atau El Nino dapat di jelaskan
Lebih terperinciGambar 1. Bentuk Pola Data
1. Pendahuluan Padi (Oryza sativa sp.) adalah tanaman yang berasal dari Bangladesh. Dari tanaman padi dihasilkan beras, yang merupakan bahan makanan pokok sebagian besar rakyat Indonesia. Padi dapat tumbuh
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA SEMARANG DENGAN METODE KALMAN FILTER
PREDIKSI CURAH HUJAN DI KOTA SEMARANG DENGAN METODE KALMAN FILTER Tika Dhiyani Mirawati 1, Hasbi Yasin 2, Agus Rusgiyono 3 1 Mahasiswa Jurusan Statistika FSM UNDIP 2,3 Staff Pengajar Jurusan Statistika
Lebih terperinciPEMODELAN DATA INDEKS HARGA SAHAM GABUNGAN. Disusun Oleh : NOVIA AGUSTINA. Skripsi. Jurusan Statistika Fakultas Sains dan Matematika Undip
PEMODELAN DATA INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN REGRESI PENALIZED SPLINE Disusun Oleh : NOVIA AGUSTINA 24010211130039 Skripsi Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains
Lebih terperinciPrakiraan Musim Kemarau 2018 Zona Musim di NTT KATA PENGANTAR
KATA PENGANTAR Badan Meteorologi Klimatologi dan Geofisika (BMKG) setiap tahun menerbitkan dua jenis prakiraan musim yaitu Prakiraan Musim Kemarau diterbitkan setiap bulan Maret dan Prakiraan Musim Hujan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis statistika pada dasarnya merupakan suatu analisis terhadap sampel yang kemudian hasilnya akan digeneralisasi untuk menggambarkan suatu karakteristik populasi.
Lebih terperinciPREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
Lebih terperinciBAB I PENDAHULUAN. hortikultura,dan 12,77 juta rumah tangga dalam perkebunan. Indonesia
BAB I PENDAHULUAN 1.1. LATAR BELAKANG Indonesia merupakan Negara agraris yang amat subur sehingga tidak dapat dipungkiri lagi sebagian besar penduduknya bergerak dalam sektor agraris. Data dalam Badan
Lebih terperinciMODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA PRODUK DOMESTIK REGIONAL BRUTO TERHADAP INVESTASI DI KABUPATEN TUBAN
MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA PRODUK DOMESTIK REGIONAL BRUTO TERHADAP INVESTASI DI KABUPATEN TUBAN Amalia Ma rufa, Sri Subanti, Titin Sri Martini Program Studi Matematika FMIPA UNS
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 terperinciPemodelan Kemiskinan di kabupaten Jombang dengan Pendekatan Multivariate Adaptive Regression Splines (MARS)
JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (214) 2337-352 (231-928X Print) D-32 Pemodelan Kemiskinan di kabupaten Jombang dengan Pendekatan Multivariate Adaptive Regression Splines (MARS) Millatur Rodliyah,
Lebih terperinciHYBRID MARS TIME SERIES PADA PEMODELAN STATISTICAL DOWNSCALLING Studi Kasus: Stasiun Losarang
HYBRID MARS TIME SERIES PADA PEMODELAN STATISTICAL DOWNSCALLING Studi Kasus: Stasiun Losarang 1 Bisyri Effendi, 2 Sutikno, dan 3 Bambang Widjanarko Otok 1 Mahasiswa S2 Jurusan Statistika FMIPA ITS 2,3
Lebih terperinciANALISA VARIABILITAS CURAH HUJAN DI PALU BERDASARKAN DATA PENGAMATAN TAHUN
ANALISA VARIABILITAS CURAH HUJAN DI PALU BERDASARKAN DATA PENGAMATAN TAHUN 1981-2010 Wenas Ganda Kurnia Stasiun Pemantan Atmosfer Global Lore Lindu Bariri Palu Email: wenasbmkg@gmail.com ABSTRAK Curah
Lebih terperinciPENDUGAAN UMUR ANTI KARAT KENDARAAN MOBIL DENGAN METODE REGRESI SPILINES KUADRAT TERKECIL
PENDUGAAN UMUR ANTI KARAT KENDARAAN MOBIL DENGAN METODE REGRESI SPILINES KUADRAT TERKECIL Grace Ratna Sari 1 ; Sutoro 2 ; Haryono Soeparno 3 ABSTRACT The technology is growing fast, especially in the transportation.
Lebih terperinciMULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI STATUS KERJA DI KABUPATEN DEMAK
MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI STATUS KERJA DI KABUPATEN DEMAK SKRIPSI Disusun oleh KISHARTINI 24010210141008 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
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 terperinciTINJAUAN PUSTAKA. Tingkat Penerimaan Masyarakat terhadap Bank Syariah
4 TINJAUAN PUSTAKA Pangsa Pasar Menurut Undang-Undang Republik Indonesia No. 5 Tahun 2009 Tentang Larangan Praktik Monopoli dan Persaingan Usaha Tidak Sehat, pangsa pasar adalah persentase nilai jual atau
Lebih terperinciPENGARUH FENOMENA GLOBAL DIPOLE MODE POSITIF DAN EL NINO TERHADAP KEKERINGAN DI PROVINSI BALI
PENGARUH FENOMENA GLOBAL DIPOLE MODE POSITIF DAN EL NINO TERHADAP KEKERINGAN DI PROVINSI BALI Maulani Septiadi 1, Munawar Ali 2 Sekolah Tinggi Meteorologi Klimatologi dan Geofisika (STMKG), Tangerang Selatan
Lebih terperinci