BAB 2 LANDASAN TEORI
|
|
- Devi Santoso
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 LANDASAN TEORI 21 Bootstrap Bootstrap adalah prosedur statistika yang melakukan sampling dari sebuah populasi yang dikerjakan dengan cara resampling dari sampel ( Ada dua cara yang digunakan dalam proses resampling, yaitu sampel diambil dengan pengembalian dan sampel diambil tanpa pengembalian Sampling dengan pengembalian mengambil sebuah observasi dari sampel dan kemudian meletakkan kembali dalam sampel untuk kemungkinan dijadikan sampel lagi Sampel tanpa pengembalian mengambil sebuah observasi dari sampel, tetapi sekali diambil tidak dapat dijadikan sampel lagi Metode bootstrap mendapatkan sampelnya dengan cara sampling dengan pengembalian dari sampel asli Kuncinya adalah pengembalian dari observasi setelah sampling, yang mengijinkan para peneliti untuk membuat sebanyak apapun sampel yang dibutuhkan dan tidak pernah khawatir akan penduplikasian sampel kecuali kebetulan Setiap sampel dapat dianalisis secara bebas dan hasilnya dikompilasikan dari sampel Sebagai contoh, estimasi terbaik dari mean adalah rata-rata dari semua mean yang diestimasi dari sampel Selang kepercayaan juga dapat langsung dihitung dari sampel terpilih 7
2 8 211 Teori Dasar Bootstrap Statistik nonparametrik umumnya memainkan peranan yang penting bagi data yang tidak kontinyu dan tidak bisa menggunakan distribusi probabilitas normal dalam menduga parameter dan estimasi selang kepercayaan Tapi sekarang ada perpekstif baru dalam estimasi nonparametrik yang juga berhubungan dengan parameter dan bisa digunakan untuk estimasi selang kepercayaan Dengan itu, kita tidak harus menerima bahwa parameter mengikuti distribusi normal Kita bahkan bisa menciptakan nilai-nilai untuk parameter seperti misalnya median, yang secara umum sulit untuk ditetapkan dengan teknik inferensia statistika tradisional Nonparametrik ini secara umum dikenal sebagai bootstrap, telah banyak digunakan sebagai sebuah alternatif untuk metode inferensia statistik Bootstrap mengesampingkan sampling distribusi dari parameter dan menghitung distribusi empiris, melewati ratusan atau ribuan sampel Dengan perkataan lain, bootstrap tidak harus bertumpu pada asumsi distribusi sehingga kita bisa menghitung sebuah distribusi nyata dari parameter sampel (Hair Joseph F et al, 1998) Bootstrap, tidak menggunakan distribusi probabilitas, tapi menghitung distribusi empiris dari estimasi parameter Dengan menciptakan bermacam macam sampel dari sampel asli, bootstrap sekarang hanya membutuhkan kemampuan komputasional untuk mengestimasi nilai parameter dari masing masing sampel Sekali mereka semua sudah dihitung, kita bisa memeriksa histogram dari nilai dan bahkan menghitung selang kepercayaan dari estimasi parameter
3 9 Bootstrap merupakan metode simulasi berbasiskan data yang bisa digunakan untuk inferensia statistika Istilah bootstrap didapat dari sebuah frase untuk menarik seseorang keatas dengan menggunakan satu tali sepatu (bootstrap) sendiri, yang diperoleh dari sebuah buku pada abad ke-18 yang berjudul Adventure of Baron Munchausen karya Rudolph Erich Raspe (Efron and Tibshirani, 1998) Bootstrap yang kita kenal sekarang dikembangkan oleh Bradley Efron, profesor statistika di Stanford pada tahun 1979 Sejak itu metode bootstrap banyak diaplikasikan dalam bidang statistika karena memiliki banyak keunggulan, diantaranya bootstrap tidak harus dibentuk dari asumsi statistik parametrik, dengan kata lain, parameternya tidak harus mengikuti distribusi normal Salah satu tujuan dari bootstrap menurut Davidson ( adalah mencoba dan mempelajari tentang parameter statistika dari sebuah distribusi, misalnya mean dan standard error ketika distribusi yang sesungguhnya tidak diketahui dan kita hanya mempunyai sekumpulan observasi Ide utamanya adalah menggunakan sekumpulan observasi sebagai gambaran empiris dari distribusi yang sesungguhnya Menurut Neter John et al (1996, p429 ) tujuan dari bootstrap adalah memperbaiki ukuran sampel untuk mengevaluasi kebenaran dalam situasi yang tidak standar Misalnya ketika terjadi heteroskedastisitas, atau ketika estimasi Robust digunakan, sehingga estimasi hanya bisa didekati jika ukuran sampel besar Jadi bisa disimpulkan tujuan penggunaan metode bootstrap dalam penulisan ini adalah untuk memperbaiki ukuran sampel untuk meningkatkan
4 10 keakuratan estimasi dan untuk mengevaluasi kebenaran dari estimasi Jika parameter bisa dinyatakan sebagai sebuah fungsi dari distribusi yang tidak diketahui, maka estimator bootstrapnya merupakan fungsi yang sama dari fungsi distribusi empiris 212 Batasan Metode Bootstrap Ada beberapa batasan dalam metode bootstrap Pertama, dan mungkin yang paling penting, sampel harus cukup besar dan diambil secara random sehingga dapat mewakili keseluruhan populasi Sampel yang dimaksud disini mengikuti kaidah teorema limit pusat yaitu 30 karena teknik bootstrap tidak dapat mengatasi beberapa bias untuk sampel yang tidak mewakili, dan dalam beberapa kasus akan memperumit masalah Kedua, bagaimanapun metode parametrik lebih baik dalam banyak kasus untuk membuat pendugaan titik (point estimation), seperti mean Jadi, prosedur bootstrap bisa menambah pendugaan titik dari metode parametrik dengan menyediakan estimasi yang lebih akurat 213 Prosedur Umum Bootstrap Inferensia statistik didasarkan pada distribusi sampling dari sampel statistik Bootstrap, merupakan sebuah cara untuk menemukan distribusi sampling, setidaknya mendekati, dari hanya satu sampel Berikut ini adalah prosedurnya :
5 Resample Menurut Ronald EWalpole et al (2002, p3), sampel adalah suatu himpunan bagian dari populasi Istilah sampel asli digunakan untuk menyebut himpunan bagian yang pertama diambil dari populasi, sebelum dilakukan resampling, yaitu proses pengambilan sampel kembali dari sampel yang telah kita ambil dari populasi, sedangkan istilah sampel bootstrap (resample) digunakan untuk menyebut sampel yang telah kita resampling dari sampel asli Sampel asli dilambangkan dengan x = { x 1,x n } n = 1,2,3,, n (21) dan sampel bootstrap dilambangkan dengan x* = { x * 1,x * B } B = 1,2,3,, B (22) Sampel bootstrap diperoleh dengan cara sampling secara random dengan pengembalian, dari sampel asli Sampling secara random dengan pengembalian berarti setelah kita secara random mengambil sebuah observasi dari sampel asli, kita meletakkannya kembali sebelum kita mengambil observasi berikutnya Sampel dengan pengembalian memungkinkan kita untuk mendapatkan jumlah data yang sama dengan ketika pertama kali kita melakukan sampling, dan memungkinkan satu data diambil beberapa kali Peluang sampel dengan pengembalian dapat dinotasikan untuk i,j = 1,,n P ( x 1 * = x j x ) = 1 n (23)
6 12 Ini adalah distribusi seragam untuk sampling bootstrap Masing-masing sampel bootstrap yang diambil setiap kali pengambilan adalah sama banyaknya dengan sampel asli Jumlah dari sampel bootstrap yang diseleksi bergantung pada keadaan khusus dari masing-masing pemakaian Kadang-kadang 50 sampel bootstrap sudah cukup, seringkali sampel bootstrap baru cukup bahkan untuk kasuskasus tertentu bootstrap memerlukan ribuan sampel ( Proses sampling bootstrap dilakukan dengan menggunakan bantuan program komputer, mengingat besarnya jumlah resampling yang bisa mencapai ribuan kali sehingga sangatlah sulit untuk melakukan perhitungan secara manual Sx 1 Sx 2 Sx B sampel bootstrap x 1 x 2 x B x 1 x 2 x n Resampling ket : B = jumlah iterasi bootstrap Populasi Sampling Gambar 21 Skema Resample 2132 Perhitungan Distribusi Bootstrap Hitunglah statistik yang kita perlukan untuk tiap resample Inferensia statistik untuk resample disebut distribusi bootstrap Untuk mengestimasi nilai
7 13 tengah dari suatu populasi (μ), maka yang menjadi estimatornya adalah nilai tengah dari sampel ( ), sama halnya, estimator bootstrap dari ragam populasi adalah ragam sampel yang bersesuaian Estimator bootstrap dari koefisien korelasi populasi adalah koefisien korelasi sampel yang bersesuaian dan seterusnya Inferensia statistik paling umum yang sering diperoleh dengan menggunakan prosedur bootstrap adalah mean : Contoh perhitungan mean menggunakan prosedur bootstrap ( : Diketahui mean, diambil dengan cara sampling secara random dari sebuah populasi dengan fungsi distribusi C μ = x dc(x) (24) mean nya adalah fungsi yang sama dari fungsi distribusi empiris Fn yaitu dari Ĉ(x) = 1 n I( Xi x) (25) n i= 1 dimana X 1,X n menunjukkan data karena itu, estimasi bootstrap mean populasi (μ) adalah mean sampel ( ) : = x d Ĉ (x) = 1 n Xi n i= 1 (26) Prosedur untuk menghitung mean berlaku juga untuk menghitung distribusi bootstrap yang lainnya
8 Penggunaan Distribusi Bootstrap Gunakan distribusi bootstrap untuk mencari nilai-nilai yang diinginkan seperti mean, selang kepercayaan, standard error dan lain sebagainya Distribusi bootstrap memberikan banyak informasi mengenai inferensia statistik 214 Pengulangan Iterasi Bootstrap Kita bisa mengulang prosedur bootstrap sesering yang kita inginkan Dari persamaan (21) untuk sampel asli, dilakukan prosedur bootstrap sehingga didapat persamaan (22) untuk sampel bootstrap Untuk mengulang iterasi bootstrap, kita harus melakukan resampling dari sampel yang telah disampling, dengan cara yang sama yaitu sampling secara random dengan pengembalian, sehingga didapat persamaan x** = { x 1 **,, x B ** } (27) Persamaan diatas disebut resample bootstrap Tapi mengingat perhitungan yang sangat kompleks untuk prosedur ini, biasanya bootstrap mencegah lebih dari satu iterasi 215 Prosedur Bootstrap untuk Model Regresi Bootstrap bisa juga diterapkan dalam model regresi Untuk model regresi, biasanya jumlah replikasi bootstrap adalah 1000 kali (JFaraway, 2002) Menurut Efron dan Tibshirani (1998, p113), ada dua prosedur bootstrap yang bisa digunakan dalam regresi Prosedur ini berlaku untuk semua model regresi
9 Bootstrap Residual Prinsip bootstrap residual adalah mencocokkan model linier dan memperoleh residual n Prosedur pada bootstrap residual sama dengan prosedur bootstrap pada umumnya, hanya saja dalam bootstrap residual nilai residualnya ikut diresampling Residual dalam regresi artinya selisih nilai antara Y sebenarnya dengan Y estimasi(ŷ) Langkah-langkah dalam prosedur bootstrap residual menurut Norman RDrapper dan Harry Smith (1998, p585), adalah sebagai berikut : Hitung koefisien regresi Hasilkan nilai residual Pilih sampel berukuran n dari residual, hasilkan dengan probabilitas 1/n untuk masing-masing residual, dan sampling dengan pengembalian Gabungkan nilai-nilai sampel itu ke n yang diprediksikan oleh Ŷ i untuk memberikan sekumpulan resample dari Y s Oleh karena itu, jika modelnya adalah Y = Xβ + є dan Ŷ = Xb, nilai Y yang baru adalah Y* = Xb + e* (28) dimana e* adalah kumpulan resample dari vektor e = Y - Ŷ (29) Persamaan regresi sekarang ditunjukkan dengan model Y* = Xβ + є (210) Gunakan metode kuadrat terkecil untuk memperoleh estimasi b i *
10 Bootstrap Pairs Prosedur bootstrap kedua dalam regresi adalah metode pairs (Y i,x i ) dimana Y i adalah observasi ke i dan x i adalah baris ke i dari matrik X Langkah-langkah dalam prosedur bootstrap pairs menurut Norman RDrapper dan Harry Smith (1998, p586) adalah sebagai berikut : Resampling sejumlah n dari (Y i,x i ), masing-masing diseleksi dengan probabilitas 1/n, dan sampling dengan pengembalian Hasilkan nilai Y i baru dan x i baru Dinotasikan dengan Y i ** dan X i ** Model regresinya menjadi Y** = X**β + є (211) Cari nilai b i baru dengan metode kuadrat terkecil, notasikan dengan b i ** 216 Prosedur Bootstrap untuk Mengestimasi Standard error Menurut Efron dan Tibshirani (1998, p15) standard error merupakan ukuran yang paling sederhana untuk mengukur keakuratan dalam perhitungan statistika Dalam model regresi, standard error adalah kesalahan baku atau simpangan baku dari e, dimana e adalah residual atau selisih antara Y(Y yang sebenarnya) dengan Ŷ(Y estimasi) Bootstrap yang pertama kali diperkenalkan pada tahun 1979 merupakan sebuah metode yang berbasiskan komputer untuk mengestimasi standard error dari θ (nilai dugaan bagi parameter populasi θ ) Bootstrap menyediakan keakuratan estimasi dengan menggunakan prinsip plug-in yaitu menggantikan populasi dengan sampel yang dianggap mewakili Estimasi bootstrap untuk
11 17 standard error tidak memerlukan perhitungan teori dan selalu tersedia walaupun sekompleks apapun perhitungan statistika untuk estimator θ, artinya prosedur bootstrap untuk standard error selalu sama untuk semua bentuk distribusi data 217 Algoritma Bootstrap untuk Mengestimasi Standard error Algoritma bootstrap untuk mengestimasi standard error menurut Efron dan Tibshirani (1998, p47) adalah sebagai berikut : a Pilih sampel bootstrap, yaitu sampel yang telah kita resampling dari sampel asli Dinotasikan dengan x 1 *, x 2 *,, x B *, masing-masing berisi nilai data yang telah disampling secara random dengan pengembalian dari sampel x b Evaluasi hasil bootstrap yang diperoleh untuk masing-masing sampel bootstrap θ *(b) = s(x*b) b = 1,2,, B (212) c Estimasi standard error untuk sampel bootstrap se B = B b= 1 ( θ *(b) - θ *()) 2 / (B - 1) 1/ 2 (213) dimana θ *() = B b= 1 θ *(b)/b (214) 22 Regresi Linier Menurut Sir Francis Galton (Walpole et al, 2002), persamaan regresi adalah persamaan matematik yang memungkinkan kita meramalkan nilai-nilai atau variabel-variabel suatu peubah tak bebas dari nilai-nilai satu atau lebih
12 18 peubah bebas Jika nilai peubah tak bebas dinyatakan dengan konotasi Y dan nilai peubah bebas dengan konotasi X maka bentuk hubungan antara X dan Y adalah merupakan suatu hubungan linier, yang dinotasikan dengan Y = α + βx, untuk satu peubah bebas dan Y = α + β + 1 xi + β 2 x2 + β n xn, untuk dua atau lebih peubah bebas Fungsi linier Y = α + βx apabila digambarkan, akan tampak seperti gambar 22 Y Δx Δy β = Δx Δy O α X Gambar 22 Fungsi linier Y = α + βx α = jarak titik asal O dengan perpotongan antara sumbu tegak Y dan garis fungsi linier atau besarnya nilai Y kalau X = 0 sering disebut intercept coefficient β = koefisien arah = koefisien regresi = besarnya pengaruh X terhadap Y, apabila X naik 1 unit Sering disebut slope coefficient Persamaan Y = α + βx juga bisa ditulis Y = B 0 + B 1 X 1, atau dengan simbol lainnya Beberapa simbol yang sering digunakan dalam fungsi linier ini adalah = delta, simbol pertambahan
13 19 Δ x Y β = delta X, pertambahan X = delta Y, pertambahan y = adalah rata-rata pertambahan y per 1 unit (satuan) pertambahan X, atau pertambahan X sebesar 1 unit akan mengakibatkan pertambahan pertambahan Y sebesar B Model regresi harus mempunyai variabel penduga yang linier serta parameter yang linier Linier dalam parameter karena tidak ada parameter yang muncul sebagai pangkat dua, perkalian atau pembagian oleh parameter lainnya Dalam praktek model regresi, yang mempengaruhi Y bukan hanya X saja, melainkan masih ada faktor lain yang tidak dimasukkan dalam persamaan Faktorfaktor tersebut secara keseluruhan disebut error atau disturbance error Error tersebut yang menyebabkan suatu ramalan sering tidak tepat Dengan memperhitungkan error є maka bentuk persamaan fungsi linier tersebut diatas menjadi sebagai berikut : Y = α + βx + ε dimana α dan β adalah konstanta yang harus diestimasi, dan є adalah error 221 Regresi Linier Berganda Regresi linier berganda adalah persamaan regresi untuk meramalkan hubungan antara satu peubah tak bebas dengan dua atau lebih peubah bebas, yang akan ditentukan hubungan antara Y dan X 1, X 2,X k sehingga didapat regresi Y = f(x 1, X 2,X k )
14 Persamaan Regresi Linier Berganda Untuk meramalkan Y, apabila semua nilai peubah bebas diketahui, dipergunakan persamaan regresi linier berganda Hubungan Y dan X 1, X 2,,X k adalah sebagai berikut : Y i = B 0 + B 1 X 1i + B 2 X 2i + + B k X ki + ε i (215) ( untuk populasi ) Y i = b 0 + b 1 X 1i + b 2 X 2i + + b k X ki + e i (216) ( untuk sampel ) dimana : i = 1,2,,n b 0, b 1, b 2,, b k dan e i adalah pendugaan atas B 0, B 1, B 2,, B k dan ε i Biasanya fungsi regresi dalam regresi linier berganda disebut regression surface atau response surface yang bisa digambarkan dalam suatu bidang Apabila fungsi regresi terdiri dari lebih dari tiga penduga variabel maka dinamakan fungsi hyperplane, dimana fungsi ini tidak bisa lagi digambarkan dalam suatu bidang (Neter John et al, 1996) Fungsi regresi apabila dinyatakan dalam bentuk persaman matriks, akan diperoleh rumus berikut, Y = X B + ε (217) dimana : Y, B, ε = vektor X = matriks
15 21 sedangkan y 1 y 2 y n B 0 B 1 Y = B= ε = B n ε 0 ε 1 ε n X= 1 X 11 X 21 X k1 1 X 12 X 22 X k2 1 X 1i X 2i X ki 1 X 1n X 2n X kn 2212 Pendugaan Koefisien Regresi Linier Berganda Koefisien B harus diestimasi berdasarkan data hasil penelitian sampel acak Prosedur estimasi tergantung pada asumsi mengenai variabel X dan error ε Beberapa asumsi yang penting adalah sebagai berikut : 1 Nilai harapan setiap error sama dengan nol = 0 E(ε i ) = 0, untuk semua i E(ε1 E(ε1 E(ε1 E(ε1 = = 0 ( vektor nol )
16 22 Nilai harapan suatu vektor/matriks adalah nilai harapan dari masingmasing komponen vektor/matriks tersebut 2 Error yang satu (ε i ) tidak berkorelasi (bebas) terhadap error lainnya (ε i ), akan tetapi mempunyai varians yang sama (Homoskedastisitas) 3 X 1i, X 2i,,X ki merupakan bilangan riil, tanpa mengandung kesalahan Dengan perkataan lain matriks merupakan himpunan angka-angka konstan 4 Matriks X mempunyai rank k < n (ada kolom dari matriks X yang bebas linier) Jumlah observasi n harus lebih banyak dari jumlah variabel, atau lebih banyak dari koefisien regresi linier yang akan diestimasi Ŷ = b 0 + b 1 X 1 + b 2 X b k X k (218) Jika asumsi yang disebut diatas dapat dipenuhi, maka penggunaan metode kuadrat terkecil akan menghasilkan Best Liniar Unbiased Estimator terhadap koefisien B Misalkan b sebagai penduga β : Y = Xb + e e = Y - Xb ei = Yi - b 1 X 1i - b 2 X 2i - b k X ki (219) maka jumlah pangkat dua simpangan yang harus diminimumkan : e 2 i = ( Yi - b 1 X 1i - b 2 X 2i - - b k X ki ) 2 (220) Estimasi vektor β dengan menggunakan metode kuadrat terkecil, ialah vektor b sedemikian rupa sehingga jumlah kuadrat error : e T e = e 2 i minimum
17 23 (221) Caranya ialah dengan penurunan parsial e i 2 terhadap setiap komponen vektor b dan menyamakannya dengan 0, sehingga didapat persamaan normal : nb 0 + b 1 X 1i + b 2 X 1i X 2i + + b k X 1i X ki = Y i b 0 X 1i + b 1 X 1i 2 + b 2 X 1i X 2i + + b k X 1i X ki = X 1i Y i (222) b 0 X 2i + b 1 X 1i X 2i + b 2 X 2i b k X 2i X ki = X 2i Y i b 0 X ki + b 1 X 1i X ki + b 2 X 2i X ki + + b k X ki 2 = ki Y i Bila dinyatakan dalam bentuk matriks, persamaan normal diatas akan menjadi X T Xb = X T Y (223) Dengan demikian, b sebagai penduga B dapat diperoleh melalui rumus berikut b = (X T X) -1 X T Y (224) sehingga dapat diselesaikan dengan persamaan matriks Pada dasarnya, nilai-nilai dari koefisien b j bervariasi, dan varians dari b j dalam bentuk vektor matrik adalah sebagai berikut : Var (b) = σ²(x T X) -1 (225) karena umumnya σ² tidak diketahui, maka σ² diduga dengan S e ², sehingga perkiraan varians (b) adalah Var (b) = S b ² = S e ²(X T X) -1 (226) dimana S e ² merupakan varians dari error yang dinyatakan dengan rumus berikut
18 24 T 2 2 = e e ei S = (227) e n k 1 n k 1 dimana : n = banyaknya observasi, k = banyaknya variabel bebas 2213 Standard error pada Regresi Linier Berganda Kesalahan baku regresi sama dengan simpangan baku (standard deviation) atau standard error dinyatakan dengan S e = 2 1 n k 1 S e = ei 2 (228) Jika matriks D = (X T X) -1, maka varians b j dapat dinyatakan dengan S bj 2 S = d (229) e 2 jj dimana d jj = elemen matriks D dari baris j dan kolom j yang terletak pada diagonal utama Simpangan baku dari bj adalah akar dari S bj ², dinyatakan dengan S S = 2 (230) bj bj 2214 Masalah (Penyimpangan) pada Regresi Linier Berganda Otokorelasi Di dalam suatu model regresi, dianggap bahwa kesalahan pengganggu εi,di mana i = 1,2,3,,n merupakan variabel acak yang bebas Dengan kata lain bahwa kesalahan observasi yang berikutnya diperoleh secara bebas terhadap kesalahan sebelumnya Jadi apabila asumsi tersebut tidak dipenuhi maka akan
19 25 terjadi otokorelasi dan apabila metode kuadrat terkecil diterapkan untuk memperkirakan parameter / koefisien regresi, maka penduga yang dihasilkan bukan lagi penduga tak bias yang terbaik Selain itu, apabila terjadi otokorelasi di antara kesalahan pengganggu maka pengujian nyata berdasarkan statistik uji t dan F sebetulnya tidak berlaku lagi Solusi untuk masalah otokorelasi adalah data asli harus ditransformasikan terlebih dahulu untuk menghilangkan otokorelasi di antara kesalahan pengganggu tersebut Untuk menguji ada tidaknya otokorelasi dapat menggunakan Statistik d Durbin-Watson (The Durbin-Watson d Statistics) Heterokedastisitas Apabila matriks ragam (variance) kesalahan adalah sebagai berikut : T 2 2 E( εε ) = σ v = σ V V V nn Dan apabila beberapa elemen pada diagonal utama tidak sama dengan satu (Vii 1), maka kesalahan pengganggu tersebut disebut heteroskedastisitas Dengan kata lain kesalahan pengganggu merupakan variabel bebas, tetapi kesalahan pengganggu tersebut mempunyai varians yang berbeda untuk setiap nilai X yang berbeda, di mana X merupakan variabel bebas Cara untuk mengatasi masalah heterokedastisitas adalah mengubah matrik kovarian menjadi matrik yang memenuhi homokedastisitas
20 Multikolinieritas Multikolinieritas adalah masalah yang timbul pada regresi linier apabila terdapat suatu hubungan atau korelasi di antara beberapa atau semua dari peubah-peubah bebas Jika peubah-peubah bebas tersebut saling berkorelasi, maka akan sangat sulit untuk memisahkan pengaruh mereka masing-masing terhadap peubah tak bebas dan untuk mendapatkan penaksir yang baik bagi koefisien-koefisien regresi 23 R Language R adalah suatu sistem untuk komputasi statistika dan grafik yang dapat dijalankan pada platform UNIX, Windows, dan MacOS R menyediakan banyak hal diantaranya, sebuah bahasa pemrograman, teknik statistika dan grafik tingkat tinggi (model linier dan nonlinier), pengujian statistika, analisis deret waktu, klasifikasi, kluster, akses ke bahasa pemrograman yang lainnya dan fasilitas perbaikan kesalahan (debug) Beberapa hal yang dimiliki oleh R antara lain Pengaturan data dan fasilitas penyimpanan yang efektif Operator yang cocok untuk perhitungan array dan matrik Tools Colection yang bisa digunakan untuk analisis data Fasilitas grafik untuk analisis data dan menyediakannya pada komputer atau hardcopy Bahasa pemrograman yang sederhana, efektif dan dikembangkan dengan baik yang meliputi syarat, pengulangan, fungsi rekursif dan fasilitas input serta output
21 27 R-Language adalah versi lain dari S R dikembangkan pada laboratorium Bell oleh John M Chambers dan rekan-rekan pada tahun 1980 dan sejak itu telah dipakai secara luas dalam komunitas statistika John M Chambers sendiri telah mendapat penghargaan 1998 ACM Software Systems For S Ada banyak kesamaan antara S dan R, namun ada juga beberapa perbedaan yang penting S dipakai jika kita ingin menggunakan software yang sifatnya komersial, karena R Language merupakan suatu software yang bisa diperoleh secara gratis dengan cara men download dari Versi terbaru dari R Language adalah versi {221} (download tanggal 20 Desember 2005) Untuk mengikuti perkembangan software R, maka penelitian ini menggunakan R versi terbaru Sintaks yang digunakan dalam R memiliki sedikit kesdamaan dengan C Language Kelebihan dari R adalah menyediakan computing on the language yang memungkinkan untuk membuat suatu fungsi yang mengambil sebuah ekspresi sebagai input, sesuatu yang sangat sering digunakan dalam permodelan statistika dan grafik R sudah menyediakan banyak paket-paket fungsi yang bisa digunakan untuk komputasi statistik, tetapi fungsi-fungsi tersebut bisa dikodekan sendiri, mengingat beberapa pengguna lebih suka menulis sendiri fungsi yang akan dipakai
BAB II TINJAUAN PUSTAKA. satu peubah prediktor dengan satu peubah respon disebut analisis regresi linier
BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Linier Berganda Analisis regresi pertama kali dikembangkan oleh Sir Francis Galton pada abad ke-19. Analisis regresi dengan satu peubah prediktor dan satu peubah
Lebih terperinciBAB 2 LANDASAN TEORI
8 BAB 2 LANDASAN TEORI 21 Regresi 211 Pengertian Persamaan Regresi Menurut Sir Francis Galton (1822-1911), persamaan regresi adalah persamaan matematik yang memungkinkan kita meramalkan nilai-nilai atau
Lebih terperinciBAB 1 PENDAHULUAN. awal peradaban manusia. Pada awal zaman Masehi, bangsa-bangsa
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengolahan informasi statistik mempunyai sejarah jauh ke belakang sejak awal peradaban manusia. Pada awal zaman Masehi, bangsa-bangsa mengumpulkan data statistik
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan dibahas tinjauan pustaka yang akan digunakan untuk tesis ini, yang selanjutnya akan diperlukan pada bab 3. Yang akan dibahas dalam bab ini adalah metode bootstrap
Lebih terperinciBAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur
BAB I PENDAHULUAN 1.1 Latar Belakang Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis dan interpretasi data. Statistika
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI LINIER BERGANDA DENGAN TEKNIK BOOTSTRAP
Jurnal Matematika UNAND Vol. 3 No. 3 Hal. 41 49 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ESTIMASI PARAMETER MODEL REGRESI LINIER BERGANDA DENGAN TEKNIK BOOTSTRAP DWI ANNISA FITRI Program Studi
Lebih terperinciBAB II LANDASAN TEORI. Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan
BAB II LANDASAN TEORI 2.1 Data Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan datum yang berisi fakta-fakta serta gambaran suatu fenomena yang dikumpulkan, dirangkum, dianalisis, dan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Metodologi Penelitian Metodologi yang dilakukan dalam penelitian ini adalah : Riset kepustakaan Kepustakaan dilakukan dengan cara mengumpulkan informasi-informasi yang berhubungan
Lebih terperinciTINJAUAN PUSTAKA. Menurut Usman dan Warsono (2000) bentuk model linear umum adalah :
II. TINJAUAN PUSTAKA. Model Linear Umum Menurut Usman dan Warsono () bentuk model linear umum adalah : Y = Xβ + ε dengan : Y n x adalah vektor peubah acak yang teramati. X n x p adalah matriks nxp dengan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Statistika adalah salah satu cabang ilmu matematika yang memperhitungkan probabilitas dari suatu data sampel dengan tujuan mendapatkan kesimpulan mendekati
Lebih terperinciBAB 1 PENDAHULUAN. banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Dalam masyarakat modern seperti sekarang ini, metode statistika telah banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan keputusan / kebijakan.
Lebih terperinciBAB II METODE ANALISIS DATA. memerlukan lebih dari satu variabel dalam membentuk suatu model regresi.
10 BAB II METODE ANALISIS DATA 2.1 Pengertian Regresi Berganda Banyak data pengamatan yang terjadi sebagai akibat lebih dari dua variabel, yaitu memerlukan lebih dari satu variabel dalam membentuk suatu
Lebih terperinciBAB 2 LANDASAN TEORI
14 BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Analisis Regresi Kata regresi (regression) diperkenalkan pertama kali oleh Francis Dalton pada tahun 1886. Menurut Dalton, analisis regresi berkenaan dengan studi
Lebih terperinciBAB 2 LANDASAN TEORI. digunakan sebagai konsep statistik pada tahun 1877 oleh Sir Francis Galton. Dia
10 BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Dalam ilmu statistika teknik yang umum digunakan untuk menganalisa hubungan antara dua variabel atau lebih adalah analisa regresi linier. Regresi pertama
Lebih terperinciBab I PENDAHULUAN. Dewasa ini perkembangan komputer yang maju dapat dipergunakan manusia
1 Bab I PENDAHULUAN 1.1 Latar belakang Dewasa ini perkembangan komputer yang maju dapat dipergunakan manusia sebagai alat bantu untuk mempermudah dan mempercepat pekerjaannya. Fungsi komputer tersebut
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Program studi Ganda Teknik Informatika-Statistika Skripsi Sarjana Komputer Sarjana Sains Semester ganjil 2005/2006
UNIVERSITAS BINA NUSANTARA Program studi Ganda Teknik Informatika-Statistika Skripsi Sarjana Komputer Sarjana Sains Semester ganjil 2005/2006 ANALISIS PERBANDINGAN MODEL REGRESI LINIER BERGANDA DENGAN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Dalam ilmu statistika teknik yang umum digunakan untuk menganalisa hubungan anatara dua variabel atau lebih adalah analisa regresi linier. Regresi pertama digunakan
Lebih terperinciTINJAUAN PUSTAKA. Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan
4 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Matriks 2.1.1 Matriks Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan dalam susunan itu disebut anggota dalam matriks tersebut. Suatu
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan fungsional antara variabel respon dengan satu atau beberapa variabel prediktor.
Lebih terperinciBAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel
BAB LANDASAN TEORI.1 Pengertian Regresi Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut dengan
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 terperinciBAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel
8 BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut
Lebih terperinciBAB ΙΙ LANDASAN TEORI
7 BAB ΙΙ LANDASAN TEORI Berubahnya nilai suatu variabel tidak selalu terjadi dengan sendirinya, bisa saja berubahnya nilai suatu variabel disebabkan oleh adanya perubahan nilai pada variabel lain yang
Lebih terperinciBab 2 LANDASAN TEORI
9 Bab 2 LANDASAN TEORI 21 Uji Kecukupan Sampel Dalam melakukan penelitian yang berhubungan dengan kecukupan sampel maka langkah awal yang harus dilakukan adalah pengujian terhadap jumlah sampel Pengujian
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinciPENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 53 61 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA OLIVIA ATINRI,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Fuzzy Tidak semua himpunan yang dijumpai dalam kehidupan sehari-hari terdefinisi secara jelas, misalnya himpunan orang miskin, himpunan orang pandai, himpunan orang tinggi,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Konsep Dasar Statistika Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, menyusun atau mengatur, menyajikan, menganalisa dan memberi interpretasi terhadap
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 terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Konsep Dasar Statistika Statistik adalah ilmu yang mempelajari tentang seluk beluk data, yaitu tentang pengumpulan, pengolahan, penganalisisa, penafsiran, dan penarikan kesimpulan
Lebih terperinciBAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut
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 terperinciBAB 2 LANDASAN TEORI. mengetahui pola hubungan antara dua atau lebih variabel. Istilah regresi yang
8 BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Analisis regresi merupakan suatu model matematis yang dapat di gunakan untuk mengetahui pola hubungan antara dua atau lebih variabel. Istilah regresi yang
Lebih terperinciBAB 2 LANDASAN TEORI. bermacam-macam istilah: variabel penjelas, variabel eksplanatorik, variabel
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut
Lebih terperinciBAB III METODE PENELITIAN. September). Data yang dikumpulkan berupa data jasa pelayanan pelabuhan, yaitu
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini berasal dari data sekunder dengan jenis data bulanan mulai tahun 2004 sampai dengan tahun 2011 (bulan September).
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 terperinciBAB II LANDASAN TEORI. Analisis regresi (regressison analysis) merupakan suatu teknik untuk membangun persamaan
BAB II LANDASAN TEORI 21 Konsep Dasar Analisis Regresi Analisis regresi (regressison analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI A. Persamaan Regresi Linear Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk mengetahui pola hubungan antara dua atau lebih variabel. Analisis regresi
Lebih terperinciBAB 2 LANDASAN TEORI. Istilah regresi pertama kali digunakan oleh Francis Galton. Dalam papernya yang
13 BAB 2 LANDASAN TEORI 2.1 Analisis Regresi Istilah regresi pertama kali digunakan oleh Francis Galton. Dalam papernya yang terkenal Galton menemukan bahwa meskipun terdapat tendensi atau kecenderungan
Lebih terperinciBAB II LANDASAN TEORI. metode kuadrat terkecil (MKT), outlier, regresi robust, koefisien determinasi,
BAB II LANDASAN TEORI Beberapa teori yang diperlukan untuk mendukung pembahasan diantaranya adalah regresi linear berganda, pengujian asumsi analisis regresi, metode kuadrat terkecil (MKT), outlier, regresi
Lebih terperinciTINJAUAN PUSTAKA. Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan
4 II. TINJAUAN PUSTAKA 2.1 Definisi Pencilan Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan yang bervariasi (beragam). Keberagaman data ini, di satu sisi sangat dibutuhkan dalam
Lebih terperinciBAB III METODE PENELITIAN
33 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Penelitian ini dilakukan berdasarkan data series bulan yang dipublikasikan oleh Bank Indonesia (BI) dan Badan Pusat Statistik (BPS), diantaranya adalah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Analisis Regresi Linier Analisis regresi merupakan teknik yang digunakan dalam persamaan matematik yang menyatakan hubungan fungsional antara variabel-variabel. Analisis regresi linier
Lebih terperinciIII. METODE PENELITIAN
39 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder tersebut merupakan data cross section dari data sembilan indikator
Lebih terperinciIII. METODE PENELITIAN. Jenis data yang digunakan dalam penelitian ini adalah data sekunder deret waktu
III. METODE PENELITIAN A. Jenis dan Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder deret waktu (time-series data) bulanan dari periode 2004:01 2011:12 yang diperoleh dari PT.
Lebih terperinciIII. METODE PENELITIAN. Berdasarkan sifat penelitiannya, penelitian ini merupakan sebuah penelitian
III. METODE PENELITIAN A. Ruang Lingkup Penelitian Berdasarkan sifat penelitiannya, penelitian ini merupakan sebuah penelitian deskriptif. Definisi dari penelitian deskriptif adalah penelitian yang menggambarkan
Lebih terperinciKorelasi Linier Berganda
Korelasi Linier Berganda Analisa Korelasi Untuk mengukur "seberapa kuat" atau "derajat kedekatan yang terjadi antar variabel. Ingin mengetahui derajat kekuatan tersebut yang dinyatakan dalam koefisien
Lebih terperinciTINJAUAN PUSTAKA. Model Regresi Linier Ganda
TINJAUAN PUSTAKA Model Regresi Linier Ganda Hubungan antara y dan X dalam model regresi linier umum adalah y = X ß + e () dengan y merupakan vektor pengamatan pada peubah respon (peubah tak bebas) berukuran
Lebih terperinciANALISIS ESTIMASI PARAMETER REGRESI KUANTIL DENGAN METODE BOOTSTRAP
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 125 130 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS ESTIMASI PARAMETER REGRESI KUANTIL DENGAN METODE BOOTSTRAP MESI OKTAFIA, FERRA YANUAR, MAIYASTRI
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi yang berarti peramalan, penaksiran, atau pendugaan pertama kali diperkenalkan pada tahun 1877 oleh Sir Francis Galton (1822-1911) sehubungan dengan penelitiannya
Lebih terperinciBab 2 LANDASAN TEORI
17 Bab 2 LANDASAN TEORI 2.1 Aljabar Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemen-elemen yang disusun secara teratur menurut baris dan kolom sehingga
Lebih terperinciANALISIS REGRESI LINIER SEDERHANA DENGAN METODE THEIL
ANALISIS REGRESI LINIER SEDERHANA DENGAN METODE THEIL SKRIPSI Oleh : Prayitno Amigoro NIM. J2E 004 242 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciESTIMASI. Arna Fariza PENDAHULUAN
ESTIMASI Arna Fariza PENDAHULUAN MATERI LALU Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik
Lebih terperinci= parameter regresi = variabel gangguan Model persamaan regresi linier pada persamaan (2.2) dapat dinyatakan dalam bentuk matriks berikut:
BAB II LANDASAN TEORI 2. Analisis Regresi Linier Berganda Analisis regresi merupakan salah satu analisis statistik yang sering digunakan untuk menganalisis hubungan antara dua variabel atau lebih. Menurut
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 terperinciJurnal Gradien Vol. 10 No. 1 Januari 2014 : 963-966 Pendugaan Galat Baku Nilai Tengah Menggunakan Metode Resampling Jackknife dan Bootstrap Nonparametric dengan Software R 2.15.0 * Septiana Wulandari,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Penelitian Penelitian ini merupakan jenis penelitian deskriptif-korelasional (kausal) yang menjelaskan adakah hubungan dan seberapa besar pengaruh tiap-tiap variabel
Lebih terperinciBAB II KAJIAN TEORI. Bab ini akan membahas mengenai pengertian-pengertian dasar yang akan
5 BAB II KAJIAN TEORI Bab ini akan membahas mengenai pengertian-pengertian dasar yang akan digunakan sebagai landasan pembahasan mengenai model Seemingly Unrelated Regression (SUR). Pengertian-pengertian
Lebih terperinciBAB 1 PENDAHULUAN. Perkembangan dunia teknologi berkembang sangat pesat di dalam kehidupan
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan dunia teknologi berkembang sangat pesat di dalam kehidupan manusia. Perkembangan teknologi ini ditandai dengan ditemukannya banyak penemuan penemuan
Lebih terperinciBAB 2 LANDASAN TEORI. berarti ramalan atau taksiran pertama kali diperkenalkan Sir Francis Galton pada
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk mengetahui pola hubungan antara dua atau lebih variabel. Istilah regresi yang berarti
Lebih terperinciBAB 2 LANDASAN TEORI. pertama digunakan sebagai konsep statistik pada tahun 1877 oleh Sir Francis
10 BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Dalam ilmu statistika teknik yang umum digunakan untuk menganalisa hubungan antara dua variabel atau lebih variabel adalah analisa regresi linier. Regresi
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction).
Lebih terperinciREGRESI LINIER BERGANDA
REGRESI LINIER BERGANDA 1. PENDAHULUAN Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal
Lebih terperinciBAB III METODE PENELITIAN. di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
17 BAB III METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dalam sebuah penelitian di bidang statistika, peneliti akan berhubungan dengan data pengamatan, baik data kualitatif atau data kuantitatif yang akan diproses
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Regresi pertama kali digunakan sebagi konsep statistika pada tahun 1877 oleh sir Francis Galton.
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Regresi Regresi pertama kali digunakan sebagi konsep statistika pada tahun 1877 oleh sir Francis Galton. Beliau memperkenalkan model peramalan, penaksiran, atau pendugaan,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Aljabar Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemen-elemen yang disusun secara teratur menurut baris dan kolom sehingga
Lebih terperinciKORELASI LINIER BERGANDA. Debrina Puspita Andriani /
KORELASI LINIER BERGANDA 10 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline 3 Korelasi Linear Berganda Alat ukur mengenai hubungan yang terjadi antara variabel terikat
Lebih terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Di dalam statistika, sebuah estimator adalah hasil perhitungan suatu estimasi terhadap kuantitas tertentu berdasarkan pada data terobservasi atau
Lebih terperinciKORELASI LINIER BERGANDA
KORELASI LINIER BERGANDA 10 Debrina Puspita Andriani Teknik Industri Universitas Brawijaya e-mail : debrina@ub.ac.id Blog : http://debrina.lecture.ub.ac.id/ 2 Outline 3 Analisa Korelasi Untuk mengukur
Lebih terperinciBAB II KAJIAN PUSTAKA. dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat
BAB II KAJIAN PUSTAKA 2.1 Konsep Dasar Runtun Waktu Data runtun waktu (time series) merupakan data yang dikumpulkan, dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat berupa
Lebih terperinciMETODE PENELITIAN. A. Variabel Penelitian dan Definisi Operasional. Untuk memperjelas dan memudahkan pemahaman terhadap variabelvariabel
43 III. METODE PENELITIAN A. Variabel Penelitian dan Definisi Operasional Untuk memperjelas dan memudahkan pemahaman terhadap variabelvariabel yang akan dianalisis dalam penelitian ini, maka perlu dirumuskan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam
Lebih terperinciBAB III METODE PENELITIAN. Di dalam penelitian ilmiah diperlukan adanya objek dan metode penelitian
BAB III METODE PENELITIAN 3.1 Objek Penelitian Di dalam penelitian ilmiah diperlukan adanya objek dan metode penelitian Menurut Winarno Surakhmad dalam Suharsimi Arikunto (1997:8) metode penelitian merupakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Indeks Pembangunan Manusia Pembangunan manusia merupakan salah satu cara yang dilakukan untuk memperbaiki kualitas penduduk, hal ini dapat ditempuh dengan cara meningkatkan kapasitas
Lebih terperinciBAB III OBJEK DAN METODE PENELITIAN. Objek penelitian yang dianalisis adalah faktor-faktor yang mempengaruhi
48 BAB III OBJEK DAN METODE PENELITIAN 3.1. Objek Penelitian Objek penelitian yang dianalisis adalah faktor-faktor yang mempengaruhi ekspor komoditi karet di Indonesia periode 1990-2006. Adapun variabelnya
Lebih terperinciDaerah Jawa Barat, serta instansi-instansi lain yang terkait.
IV. METODE PENELITIAN 4.1 Waktu dan Lokasi Penelitian Pengambilan data sekunder untuk keperluan penelitian ini dilaksanakan pada awal bulan juli hingga bulan agustus 2011 selama dua bulan. Lokasi penelitian
Lebih terperinciBAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol
BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel
Lebih terperinciBAB 3 MODEL ESTIMASI REGRESI NONPARAMETRIK
BAB 3 MODEL ESTIMASI REGRESI NONPARAMETRIK Dalam melakukan estimasi pada suatu kasus regresi nonparametrik, ada banyak metode yang dapat digunakan. Yasin (2009) dalam makalahnya melakukan estimasi regresi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi pertama kali digunakan sebagai konsep statistika pada tahun 1877 oleh sir Francis Galton. Beliau memperkenalkan model peramalan, penaksiran, atau pendugaan,
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 terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1 Data Data merupakan kumpulan keterangan atau fakta yang diperoleh dari satu populasi atau lebih. Data yang baik, benar dan sesuai dengan model menentukan kualitas kebijakan
Lebih terperinciSESI 13 STATISTIK BISNIS
Modul ke: SESI 13 STATISTIK BISNIS Sesi 13 ini bertujuan agar Mahasiswa dapat mengetahui teori Analisis Regresi dan Korelasi Linier yang berguna sebagai alat analisis data Ekonomi dan Bisnis. Fakultas
Lebih terperinciBAB 2 LANDASAN TEORI. regresi adalah sebuah teknik statistik untuk membuat model dan menyelediki
BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Analisis Regresi Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan, dan hal tersebut biasanya diselidiki sifat hubungannya.
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction).
Lebih terperinciII. TINJAUAN PUSTAKA
II. INJAUAN PUSAKA.1 Penduga Area Kecil Rao (003) mengemukakan bahwa suatu area disebut kecil apabila contoh yang diambil pada area tersebut tidak mencukupi untuk melakukan pendugaan langsung dengan hasil
Lebih terperinciBAB III OBJEK DAN METODE PENELITIAN
73 BAB III OBJEK DAN METODE PENELITIAN 3.1 Objek Penelitian Yang menjadi objek dalam penelitian ini adalah menganalisis tentang faktor-faktor yang mempengaruhi distribusi pendapatan Indonesia yang terjadi
Lebih terperinciBAB 2 LANDASAN TEORI. Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton pada tahun
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1886.Secara umum, analisis regresi pada dasarnya adalah studi mengenai ketergantungan
Lebih terperinciBAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari
BAB III MODEL STATE-SPACE 3.1 Representasi Model State-Space Representasi state space dari suatu sistem merupakan suatu konsep dasar dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1 Matriks 2.1.1 Definisi Matriks Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemenelemen yang disusun secara teratur menurut baris dan kolom berbentuk
Lebih terperinciBAB III METODE PENELITIAN. Dalam penelitian ini daerah yang akan dijadikan lokasi penelitian adalah
BAB III METODE PENELITIAN 3.1 Objek Penelitian Dalam penelitian ini daerah yang akan dijadikan lokasi penelitian adalah Kecamatan Ciampea Kabupaten Bogor. Dan yang menjadi objek penelitian adalah pengusaha
Lebih terperinciKarakteristik Pendugaan Emperical Best Linear Unbiased Prediction (EBLUP) Pada Pendugaan Area Kecil
Prosiding Semirata FMIPA Universitas Lampung, 2013 Karakteristik Pendugaan Emperical Best Linear Unbiased M. Adi Sidauruk, Dian Kurniasari, Widiarti Jurusan Matematika, FMIPA Universitas Lampung E-mail:
Lebih terperinciBAB II KAJIAN TEORI. Sebuah Matriks adalah susunan segi empat siku-siku dari bilangan-bilangan.
BAB II KAJIAN TEORI A. Matriks 1. Definisi Matriks Sebuah Matriks adalah susunan segi empat siku-siku dari bilangan-bilangan. Bilangan-bilangan dalam susunan tersebut dinamakan entri dalam matriks (Howard
Lebih terperinciIII. METODE PENELITIAN. Jenis data yang digunakan dalam penelitian ini adalah data sekunder, time series triwulan dari
34 III. METODE PENELITIAN 3.1 Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder, time series triwulan dari tahun 2005-2012, yang diperoleh dari data yang dipublikasikan
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih terperinciIII. METODE PENELITIAN. topik penelitian secara keseluruhan. Dalam kaitannya dengan hal ini, metode
III. METODE PENELITIAN Metode penelitian merupakan pendekatan umum untuk membangun topik penelitian secara keseluruhan. Dalam kaitannya dengan hal ini, metode penelitian merupakan sistem atas peraturan-peraturan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Analisis statistika pada dasarnya adalah analisis terhadap sampel yang kemudian hasil analisisnya akan digeneralisasikan untuk mengetahui karakteristik populasi.
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN Dalam bagian hasil dan pembahasan ini akan ditampilkan proses pengolahan data, dalam bentuk statement dalam R Language, diagram pencar, tabel-tabel dan grafik yang digunakan
Lebih terperinciPENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI
PENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI Ni Made Metta Astari 1, Ni Luh Putu Suciptawati 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas
Lebih terperinci