TINGKAT EFISIENSI PENAKSIR M TERHADAP PENAKSIR LMS DALAM MENAKSIR KOEFISIEN GARIS REGRESI
|
|
- Shinta Chandra
- 7 tahun lalu
- Tontonan:
Transkripsi
1 INGKA EFISIENSI PENAKSIR M ERHADAP PENAKSIR LMS DALAM MENAKSIR KOEFISIEN GARIS REGRESI Harm Sugart (harm@ut.ac.d) And Megawarn Jurusan Statstk FMIPA Unverstas erbuka ABSRAC he usng of OLS method to estmate the regresson coeffcents n multple lnear regresson model presupposed assumpton that there s no outler n the data. Alternatvel robust regresson methods can be used. hs paper ams to nvestgate the effcenc of M method and LMS method to estmate the regresson coeffcents. Besdes applcaton data smulaton data generated b MINIAB and SYSA package program were used. he nvestgaton shows the LMS method s more effcent than the M method when there s outler n the data. Otherwse the M method s more effcent than the LMS method. Ke words : effcenc LMS estmator M estmator outler robust regresson Efsens suatu penaksr terhadap penaksr lanna dperlukan untuk mengetahu bahwa penaksr tersebut merupakan penaksr terbak atu penaksr dengan varans terkecl. Penggunaan metode ang tdak sesua dengan konds data ang ada akan menghaslkan penaksr ang tdak tepat. Oleh karena tu penggunaan suatu metode sangat menuntut dpenuhna asums-asums tertentu. Sebagamana dketahu bahwa penggunaan metode kuadrat terkecl (ordnar least square OLS) dalam menentukan penaksr parameter dar model regres Y 0 1 X1 X... p X p 1... n salah satuna menuntut dpenuhna asums data tdak mengandung penclan (outler) (Draper & Smth 1981). Adana pengamatan penclan (outler) dalam data dapat mengakbatkan penaksr koefsen gars regres ang dperoleh tdak tepat. Untuk mengatas kelemahan-kelemahan dar metode ang ada perlu dcoba metode lan ang bersfat tdak senstf terhadap pelanggaran asums-asums atu metode regres robust (robust regresson). Beberapa metode pendugaan/penaksran koefsen gars regres ang bersfat robust telah dkembangkan dantarana adalah metode pendugaan parameter regres berdasarkan pada penduga M (maxmum lkelhood estmator) dan penduga LMS (least medan of square estmator). ngkat efsens dar metode dapat dgunakan sebaga ndkator untuk menentukan metode mana ang lebh bak. Pada peneltan pendahuluan telah dperoleh hasl bahwa untuk data ang mengandung outler secara umum metode regres robust dengan menggunakan pembobot Huber lebh efsen dbandng metode OLS begtu juga untuk data ang tdak mengandung outler metode regres robust lebh efsen dbandng metode OLS (Sugart 008). Peneltan n bertujuan untuk mengkaj tngkat efsens penggunaan metode M dan metode LMS dalam menaksr koefsen gars regres.
2 Sugart ngkat Efsens Penaksr M terhadap Penaksr LMS Pengamatan Penclan dan Berpengaruh Serngkal model regres dbangun dar data ang banak mengandung kekurangan dantarana adalah adana pengamatan penclan atu pengamatan dengan ssaan ang cukup besar. Penolakan begtu saja suatu penclan bukanlah prosedur ang bjaksana karena adakalana pengamatan penclan memberkan nformas ang cukup berart msalna karena penclan tmbul dar kombnas keadaan ang tdak basa ang mungkn saja sangat pentng dan perlu dseldk lebh lanjut. Pengamatan penclan dapat merupakan pengamatan ang berpengaruh artna pengamatan ang dapat mempengaruh hasl pendugaan koefsen regres. Oleh karena tu tndakan membuang pengamatan ang berpengaruh akan mengubah secara berart persamaan regres serta kesmpulanna (Draper & Smth 1981). Menurut Mers (1990) untuk mendeteks adana pengamatan penclan ang berpengaruh dapat dgunakan nla perbedaan dugaan peubah tak bebas terbakukan atu DFFIS (dfferences n the fts) ang drumuskan sebaga: ˆ ˆ ( DFFIS) s h dmana: ˆ nla pendugaan ˆ nla pendugaan tanpa pengamatan ke- s dugaan smpangan baku tanpa pengamatan ke- dan h unsur ke- dar dagonal matrks top. Jka p menatakan banakna parameter dan n menatakan banakna pengamatan maka suatu pengamatan akan merupakan pengamatan berpengaruh dalam persamaan regres apabla mempuna nla DFFIS ( p n ). Metode Regres Robust dengan Penduga M Menurut Staudte dan Sheather (1990) jka hubungan lnear antara satu peubah respons dengan peubah-peubah bebasna dmodelkan sebaga: Y X dmana X menatakan bars ke- dar matrks rancangan X menatakan parameter model dan menatakan suku galat. Penduga kemungknan maksmum (M-estmator) ˆ untuk model dengan p parameter dperoleh dengan cara memnmumkan ˆ persamaan: ˆ 0 x e x e x x atau mencar penelesaan dar x x x dmana x e ang dapat dturunkan dan memenuh x x e untuk berbaga fungs konveks 0 0. Karena penduga ˆ ang dperoleh n bukan merupakan skala nvarant atu jka ssaanna e ˆ x dgandakan dengan suatu konstanta akan dperoleh penelesaan ang tdak sama sepert sebelumna; maka untuk e mendapatkan skala nvarant dgunakan nla sebaga penggant e dmana adalah faktor skala ang juga perlu dduga. Dengan demkan persamaan ang ada menjad: e ˆ x x ˆ x x x x x w 0 91
3 Jurnal Matematka Sans dan eknolog Volume 11 Nomor September e ˆ x x dmana w w x adalah fungs pembobot ang bernla antara 0 e dan 1. Secara umum fungs pembobot drumuskan sebaga berkut: ˆ x ( x ) e w w x c e ( x ) dmana c adalah nfluence functon dan ( x ) adalah suatu fungs ang tdak dketahu dan tergantung pada x nla melalu leverage. Dengan memlh fungs Huber c ang berbentuk e c jka c e e e c ( ) jka c e c jka c dan menentukan nla (1 h ( ) ) x serta ˆ s ( ) nla pembobot w menjad tergantung h pada kombnas besarna leverage dan studentzed resdual melalu DFFIS. Secara sngkat nla pembobot w dnatakan dalam bentuk: ˆ x e p / n w x w x mn 1 DFFIS e Fungs Huber c dan fungs pembobot Huber w x masng-masng dapat dlhat pada Gambar 1 dan Gambar. ( e / ) w( e / ) e/ e/ Selanjutna persamaan x ˆ w x 0 dapat dtulskan dalam bentuk matrks X WX X WY ang kta kenal sebaga persamaan normal kuadrat terkecl tertmbang dengan W adalah matrks dagonal ang bers pembobot. Solus persamaan normal tersebut akan memberkan 1 dugaan untuk atu: ˆ X WX X WY dan penduga M untuk dperoleh dengan cara 9
4 Sugart ngkat Efsens Penaksr M terhadap Penaksr LMS melakukan teras sampa dperoleh suatu hasl ang kovergen cara n basa dkenal sebaga metode kuadrat terkecl tertmbang secara teratf (teratvel reweghted least square). Berdasakan pembobot w ˆ dan penaksr M untuk parameter matrks varans kovarans untuk ˆ akn n dapat ddekat dengan persamaan berkut: n X D X X D X X D X n p dmana D 1 adalah matrks dagonal dengan elemen- e elemen dagonalna c v( x ) dagonalna w e (Staudte & Sheather1990). dan D adalah matrks dagonal dengan elemen-elemen Metode Regres Robust dengan Penduga LMS Salah satu metode regres robust ang juga serng dgunakan adalah metode LMS (least medan of squares). Metode n mempuna keuntungan untuk mengurang pengaruh dar ssaan (resdual). Menurut Rousseeuw dan Lero (003) penduga LMS dperoleh dengan mencar model regres ang memnmumkan medan dar h kuadrat ssaan ( e ) atau ddefnskan sebaga: ˆ arg mn medan e dengan e x ˆ ; 1... n. Ukuran sebaran dar galat dapat dtaksr dengan cara menentukan terlebh dahulu nla awal 1 Faktor (075) dusulkan karena medan z 1 (075) z berdstrbus N 0 untuk setap pengamatan atu w. Selanjutna nla awal taksran dhtung berdasarkan ˆ 0 1 jka r s jka r s 5 s /( n p) medan e. merupakan penaksr konssten untuk jka 0 s dgunakan untuk menentukan pembobot n n 1 1 w. Berdasarkan pembobot w nla akhr w e w p dan matrks varans kovarans untuk ˆ dperoleh dengan menggunakan metode kuadrat terkecl terbobot akn: ˆ ˆ s X WX 1 Efsens Efsens dar dua penaksr adalah raso dar ukuran sampel ang dperlukan untuk mendapatkan keakuratan ang sama. Jka ˆ dan ˆ masng-masng adalah penaksr tak bas untuk parameter maka efsens relatf ˆ terhadap dkatakan lebh efsen dbandng ˆ jka ˆ ˆ & Scheaffer 008). ˆ adalah ˆ eff ˆ var var atau var ˆ var ˆ var ˆ var ˆ 1. Penaksr ˆ (Wackerl Mendenhall 93
5 Jurnal Matematka Sans dan eknolog Volume 11 Nomor September MEODE PENELIIAN ujuan data metode dan alat ang dgunakan dalam peneltan dsajkan dalam Gambar 3 ujuan umum Data Metode Alat Mengkaj tngkat efsens penggunaan metode M dan metode LMS dalam menaksr koefsen gars regres Data Smulas Data Nla mahasswa: ugas uton Partspas uton UAS Analss regres: Metode M Metode LMS MINIAB SYSA Gambar 3. ujuan Data Metode dan Alat Peneltan Guna memudahkan pemahaman tentang kajan metode ang ada dgunakan dua macam data atu data smulas berupa data bangktan ang dperoleh dengan bantuan program MINIAB vers 13.1 serta data sekunder berupa nla nla ugas utoral Onlne (uton) Nla Partspas uton dan nla UAS mata kulah MMPI5103 Statstka masa ujan Adapun langkah-langkah ang akan dlakukan dalam peneltan n adalah: 1. membangktkan sebanak 40 pasang data sebaga peubah bebas ( X1 X ) dan data galat ( ) dengan ~ NIID (0 ). menentukan peubah tak bebas ( Y ) melalu asums nla 0 1 tertentu Untuk model Y 0 1 X1 X 3. mendapatkan pengamatan penclan (outler) dengan menggant sejumlah tertentu pengamatan Y dengan nla ekstrm sedemkan sehngga dperoleh pengamatan penclan ang berpengaruh ˆ untuk data smulas dengan atau tanpa 4. mencar penaksr M untuk koefsen gars regres penclan 5. mencar penaksr LMS untuk koefsen gars regres ˆ untuk data smulas dengan atau tanpa penclan 6. menghtung eff ˆ ˆ ˆ var var ˆ untuk data smulas dengan atau tanpa penclan 7. menentukan metode ang lebh efsen antara metode M dan LMS dalam menaksr koefsen gars regres untuk data smulas. 8. mendapatkan data nla mahasswa berupa Nla UAS sebaga peubah tak bebas ( Y ) Nla ugas ( X 1) dan Nla Partspas uton ( X ) sebaga peubah tak bebas 9. mencar penaksr M untuk koefsen gars regres 10. mencar penaksr LMS untuk koefsen gars regres ˆ untuk data nla mahasswa ˆ untuk data nla mahasswa 94
6 Sugart ngkat Efsens Penaksr M terhadap Penaksr LMS 11. menghtung ˆ ˆ eff var ˆ var ˆ untuk data nla mahasswa 1. menentukan metode ang lebh efsen antara metode M dan LMS dalam menaksr koefsen gars regres untuk data nla mahasswa. HASIL DAN PEMBAHASAN Sebanak empat puluh galat berdstrbus Normal dengan mean 0 dan varans 1 dan varabel ( X1 X ) dbangktkan secara random dengan paket program MINIAB. Dengan mengasumskan akn Y 1 X1 X smulas memberkan empat puluh pasang data ( Y X1 X ) ang dapat dlhat pada Lampran. Pada abel 1 dapat dlhat bahwa pada data ang tdak mengandung outler penaksr M mash cukup efsen dbandng penaksr LMS hal n ˆ ˆ 1 ˆ ˆ 116 eff ˆ ˆ 574 dan dapat dlhat dar besarna nla eff akn eff eff ˆ ˆ 167. Nla-nla tersebut mempuna art bahwa untuk mendapatkan varans ang sama tentang penaksran parameter 0 metode LMS memerlukan 116% data dbandng metode M begtu juga tentang penaksran parameter 1 metode LMS memerlukan data sebesar 574% dbandng metode M serta memerlukan 167% untuk parameter. abel 1. Nla Efsens untuk Data anpa Outler Parameter ˆ ( ˆ ) M LM M LMS ˆ eff ˆ Pada abel dapat dlhat bahwa untuk data ang mengandung 5% outler penaksr LMS eff ˆ ˆ 1 akn masng-masng cukup efsen dbandng penaksr M hal n dapat dlhat dar nla eff ˆ ˆ 09 eff ˆ ˆ 04 dan eff ˆ ˆ Nla-nla tersebut mempuna art bahwa untuk mendapatkan varans ang sama tentang penaksran parameter 0 metode LMS hana memerlukan 9% data dbandng metode M begtu juga tentang penaksran parameter 1 metode LMS memerlukan data sebesar 4% dbandng metode M dan memerlukan 37% untuk parameter. abel. Nla Efsens untuk Data dengan 5% Outler Parameter ˆ ( ˆ ) M LM M LMS ˆ eff ˆ
7 Jurnal Matematka Sans dan eknolog Volume 11 Nomor September Pada abel 3 dapat dlhat bahwa untuk data ang mengandung 10% outler penaksr LMS eff ˆ ˆ ang sangat kecl sangat efsen dbandng penaksr M hal n dapat dlhat dar nla masng-masng adalah eff ˆ ˆ eff ˆ ˆ dan eff ˆ ˆ 010. Nla-nla tersebut mempuna art bahwa untuk mendapatkan keakuratan ang sama tentang penaksran parameter 0 metode LMS hana memerlukan 6% dar data ang dgunakan metode M begtu juga tentang penaksran parameter 1 metode LMS memerlukan sebesar 11% data ang dgunakan oleh metode M dan memerlukan 10% data untuk parameter. abel 3. Nla Efsens untuk Data dengan 10% Outler Parameter ˆ ( ˆ ) M LM M LMS ˆ eff ˆ Hasl erapan Data nla mahasswa berupa nla ugas utoral Onlne (uton) nla Partspas uton dan nla UAS mata kulah MMPI5103 Statstka masa ujan dapat dlhat pada abel 4. Jka nla DFFIS dbandngkan dengan nla ( p n ) maka dapat dlhat bahwa terdapat tga pengamatan ang mempuna DFFIS atu pengamatan nomor dan 16. Hal n menunjukkan bahwa data tersebut mengandung tga outler akn pengamatan ang berpengaruh dalam menentukan persamaan regres. abel 4. Data Nla Mahasswa Observas UAS ugas Partspas DFFIS
8 Sugart ngkat Efsens Penaksr M terhadap Penaksr LMS Pada abel 5 dapat dlhat bahwa untuk data nla mahasswa penaksr LMS kurang efsen eff ˆ ˆ 1 akn dbandng penaksr M untuk parameter 0 dan 1. Hal n dapat dlhat dar nla eff 0 0 dan eff 1 1 penaksr M karena ˆ ˆ eff 1 akn eff. Untuk parameter penaksr LMS lebh efsen dbandng. Nla-nla tersebut mempuna art bahwa untuk mendapatkan keakuratan ang sama tentang penaksran parameter 0 metode LMS memerlukan 167% dar data ang dgunakan metode M; begtu juga tentang penaksran parameter 1 metode LMS memerlukan sebesar 149% data dbandngkan metode M. Untuk penaksran parameter metode LMS hana memerlukan 34% data dbandngkan metode M. Meskpun data nla mahasswa mengandung outler namun hasl analss menunjukkan bahwa penduga LMS relatf kurang efsen dbandng penduga M hal n mungkn dsebabkan model lnear kurang sesua untuk data ang ada. abel 5. Nla Efsens untuk Data Nla Mahasswa Parameter ˆ s ( ˆ ) ˆ eff ˆ M LM M LMS Konstan ( 0 ) ugas ( 1 ) Partspas ( ) KESIMPULAN Secara umum dapat dsmpulkan bahwa metode LMS memberkan penaksr koefsen gars regres ang tdak jauh berbeda dengan metode M. Dalam hal data tdak mengandung outler metode LMS kurang efsen dbandng metode M dalam menaksr koefsen gars regres; namun metode LMS sangat efsen dbandng metode M dalam menaksr koefsen gars regres jka data mengandung outler. Secara khusus jka model tdak sesua dengan data meskpun data mengandung outler maka metode LMS menjad tdak efsen dbandng metode M dalam menaksr koefsen gars regres. REFERENSI Draper N.R. & Smth H. (1981). Appled regresson analss ( nd ed). New York: Wle. Mers R.H. (1990). Classcal and modern regresson wth applcatons ( nd ed). Boston: PWS- Kent. Rousseeuw P.J. & LeroA.M. (003). Robust regresson and outler detecton. New York: Wle. Staudte R.G. & Sheather S.J. (1990). Robust estmaton and testng. New York: Wle. Sugart H. (008). Resstens dan efsens fungs pembobot Huber pada metode regres robust. Makalah pada Konferens Nasonal Matematka XIV tanggal 4-7 Jul 008 d Unverstas Srwjaa Palembang. WackerlD.D. MendenhallW. & ScheafferR.L. (008). Mathematcal statstcs wth applcatons (7 th ed). Duxbur: homson. 97
9 Jurnal Matematka Sans dan eknolog Volume 11 Nomor September LAMPIRAN Observas Y X1 X Observas Y X1 X
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciMODEL PEMANFAATAN SUMBER DAYA ALAM DAN ENERGI DENGAN METODE LEAST TRIMMED SQUARED
MODEL PEMANFAATAN SUMBER DAYA ALAM DAN ENERGI DENGAN METODE LEAST TRIMMED SQUARED Harm Sugart 1 1 FMIPA Unverstas Terbuka. Tangerang Selatan Emal korespondens : arm@ut.ac.d Abstrak Eksplotas sumber daya
Lebih terperinciHarmi Sugiarti Jurusan Statistika FMIPA Universitas Terbuka. ABSTRAK
PENAKSIR LEAST MEDIAN SQUARE UNTUK POLA HUBUNGAN LINEAR ANTARA PARTISIPASI MAHASISWA DALAM TUTORIAL ONLINE TERHADAP NILAI UJIAN AKHIR SEMESTER MATA KULIAH STATISTIKA (MMPI5103) Harm Sugart Jurusan Statstka
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciPENERAPAN MODEL REGRESI LINEAR ROBUST DENGAN ESTIMASI M PADA DATA NILAI KALKULUS II MAHASISWA UNIVERSITAS WIDYA DHARMA KLATEN
PENERAPAN MODEL REGRESI LINEAR ROBUST DENGAN ESTIMASI M PADA DATA NILAI KALKULUS II MAHASISWA UNIVERSITAS WIDYA DHARMA KLATEN Yulana Abstrak:Model persamaan regres lnear dapat dnyatakan dalam bentuk matrks
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBab 3 Analisis Ralat. x2 x2 x. y=x 1 + x 2 (3.1) 3.1. Menaksir Ralat
Mater Kulah Ekspermen Fska Oleh : Drs. Ishaft, M.S. Program Stud Penddkan Fska Unverstas Ahmad Dahlan, 07 Bab 3 Analss Ralat 3.. Menaksr Ralat Msalna suatu besaran dhtung dar besaran terukur,,..., n. Jka
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih terperinciRIDGE-MM SEBAGAI SALAH SATU METODE REGRESI RIDGE YANG ROBUST TERHADAP DATA PENCILAN
RIDGE-MM SEBAGAI SALAH SATU METODE REGRESI RIDGE YANG ROBUST TERHADAP DATA PENCILAN Sudartanto 1, Nono Suwarno 2, Ahmad Taofk 3 JurusanStatstka FMIPA-UNPAD, Fapet UNPAD, Jurusan Agrotek UIN emal : sudartanto@unpad.ac.d;
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB LANDASAN TEORI.1 Regres Lner Analss regres dgunakan untuk mengetahu hubungan antara varabel terkat (Y) dengan satu atau lebh varabel bebas (X). Menurut Har et al (009) regres lnear sederhana dapat
Lebih terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciAnalisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :
Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan
Lebih terperinciPENGGUNAAN KRITERIA rcp PADA PEMILIHAN PEUBAH BEBAS TERBAIK JIKA TERDAPAT MULTIKOLINEARITAS
PENGGUNAAN KRIERIA rp PADA PEMILIHAN PEUBAH BEBAS ERBAIK JIKA ERDAPA MULIKOLINEARIAS Harm Sugart (harm@mal.ut.a.d) Unverstas erbuka ABSRAC Some roedures an be used for seletng ndeendent varables, one of
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciRESAMPLING UNTUK MEMPERBESAR KOEFISIEN DETERMINASI DALAM MODEL REGRESI LINEAR.
Resamplng untuk Memperbesar Koefsen Determnas RESAMPLING UNUK MEMPERBESAR KOEFISIEN DEERMINASI DALAM MODEL REGRESI LINEAR. Ad Setawan Program Stud Matematka Fakultas Sans dan Matematka, Unverstas Krsten
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciAnalysis of Covariance (ANACOVA)
Analss of Covarance ANACOVA Bett Kash Paramtha Ihda Ihsana Gempur Safar Oleh: La Ftran Muhammad Alawdo Erma Aprlana Eka Setanngsh Prof Dr Sr Haratm Kartko Program Stud Statstka FMIPA Unverstas Gadah Mada
Lebih terperinciUji Park Dan Uji Breusch Pagan Godfrey Dalam Pendeteksian Heteroskedastisitas Pada Analisis Regresi
Al-Jabar: Jurnal Penddkan Matematka Vol. 8, No., 07, Hal 63-7 Uj Park Dan Uj Breusch Pagan Godfrey Dalam Pendeteksan Heteroskedaststas Pada Analss Regres Sska Andran UIN Raden Intan Lampung: sskaandran@radenntan.ac.d
Lebih terperinciBAB III SKEMA NUMERIK
BAB III SKEMA NUMERIK Pada bab n, akan dbahas penusunan skema numerk dengan menggunakan metoda beda hngga Forward-Tme dan Centre-Space. Pertama kta elaskan operator beda hngga dan memberkan beberapa sfatna,
Lebih terperinciSeemingly Unrelated Regression (SUR) Penderita Penyakit DBD RS. Wahidin Sudirohusodo Dan RS. Stella Maris Makassar
Vol. 3, o., -5, Jul 6 Seemngl Unrelated Regresson Penderta Penakt DBD RS. Wahdn Sudrohusodo Dan RS. Stella ars akassar A n s a Abstrak Hubungan antar varabel adalah salah satu hal ang selalu menark dalam
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciBAB I PENDAHULUAN. pembangunan dalam sektor energi wajib dilaksanakan secara sebaik-baiknya. Jika
BAB I PENDAHULUAN 1.1.Latar Belakang Energ sangat berperan pentng bag masyarakat dalam menjalan kehdupan seharhar dan sangat berperan dalam proses pembangunan. Oleh sebab tu penngkatan serta pembangunan
Lebih terperinciPENDEKATAN REGRESI UNTUK ANALISIS RAGAM KLASIFIKASI DUA-ARAH
PENDEKAAN REGRES UNUK ANALSS RAGAM KLASFKAS DUA-ARAH Dw sprant Program Stud Statstka urusan Matematka FMPA UNDP l Prof H Soedarto, SH, Semarang 5075 Abstract Regresson approach can be used for solvng analss
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciBAB 2 TINJAUAN KEPUSTAKAAN
BAB TIJAUA KEPUSTAKAA.1. Gambaran Umum Obyek Peneltan Gambar.1 Lokas Daerah Stud Gambar. Detal Lokas Daerah Stud (Sumber : Peta Dgtal Jabotabek ver.0) 7 8 Kawasan perumahan yang dplh sebaga daerah stud
Lebih terperinciAnalisis Regresi 1. Pokok Bahasan : Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh
Analss Regres 1 Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan nla harapannya E[Y x] E[Y x] y b
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciAnalisis Regresi 2. Mendeteksi pencilan dan penanganannya
Analss Regres Pokok Bahasan : Mendeteks penclan dan penanganannya TUJUAN INSTRUKSIONAL KHUSUS : Mahasswa dapat mendeteks adanya penclan pada regres lner berganda Penclan Penclan adalah pengamatan yang
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciPENDUGAAN RASIO, BEDA DAN REGRESI
TEKNIK SAMPLING PENDUGAAN RASIO, BEDA DAN REGRESI PENDAHULUAN Pendugaan parameter dar peubah Y seharusnya dlakukan dengan menggunakan nformas dar nla-nla peubah Y Bla nla-nla peubah Y sult ddapat, maka
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN EORI.. Regres... Pengertan Persamaan Regres Persamaan regres adalah persamaan matematk yang memungknkan kta meramalkan nla-nla suatu peubah tak bebas dar nla-nla satu atau lebh peubah bebas
Lebih terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres
Lebih terperinciAnalisis Regresi Linear Sederhana
Analss Regres Lnear Sederhana Al Muhson Pendahuluan Menggunakan metode statstk berdasarkan data yang lalu untuk mempredks konds yang akan datang Menggunakan pengalaman, pernyataan ahl dan surve untuk mempredks
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciREGRESI DAN KORELASI. Penduga Kuadrat Terkecil. Penduga b0 dan b1 yang memenuhi kriterium kuadrat terkecil dapat ditemukan dalam dua cara berikut :
BAHAN AJAR EKONOMETRIKA AGUS TRI BASUKI UNIVERSITAS MUHAMMADIYAH YOGYAKARTA REGRESI DAN KORELASI Tujuan metode kuadrat terkecl adalah menemukan nla dugaan b0 dan b yang menghaslkan jumlah kesalahan kuadrat
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciPrediksi Kelainan Refraksi Berdasarkan Panjang Sumbu Bola Mata Pada Pasien Myopia Axial Melalui Regresi Bootstrap
Predks Kelanan Refraks Berdasarkan Panjang Sumbu Bola Mata Pada Pasen Myopa Axal Melalu Regres Bootstrap Oleh: Karyam dan Qorlna Statstka UII ABSTRAKSI Peneltan n dlakukan d Rumah Sakt Mata Dr. YAP Yogyakarta
Lebih terperinciII. TEORI DASAR. Definisi 1. Transformasi Laplace didefinisikan sebagai
II. TEORI DASAR.1 Transormas Laplace Ogata (1984) mengemukakan bahwa transormas Laplace adalah suatu metode operasonal ang dapat dgunakan untuk menelesakan persamaan derensal lnear. Dengan menggunakan
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciPendugaan Parameter Regresi. Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Pendugaan Parameter Regres Menduga gars regres Menduga gars regres lner sederhana = menduga parameter-parameter regres β 0 dan β 1 : Penduga parameter yang dhaslkan harus merupakan penduga yang bak Software
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciPERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA
Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN :2087-0922 PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciUJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD
UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj
Lebih terperinciREGRESI LINIER SEDERHANA (MASALAH ESTIMASI)
REGRESI LINIER SEDERHANA (MASALAH ESTIMASI) PowerPont Sldes byyana Rohmana Educaton Unversty of Indonesan 007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 9 Bandung, Telp. 0 013163-53 Hal-hal
Lebih terperinciMODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciOVERDISPERSI PADA REGRESI LOGISTIK BINER MENGGUNAKAN METODE BETA BINOMIAL
OVERDISPERSI PADA REGRESI LOGISTIK BINER MENGGUNAKAN METODE BETA BINOMIAL Heru Wbowo, Suyono, Wdyant Rahayu Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam, Unverstas Neger Jakarta
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciPEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL
PEMODELAN PASANG SURUT AIR LAUT DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK POLINOMIAL LOKAL KERNEL Tan Wahyu Utam, Indah Manfaat Nur Unverstas Muhammadyah Semarang, emal : tan.utam88@gmal.com
Lebih terperinciBAB III METODOLOGI PENELITIAN
41 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Berdasarkan masalah yang akan dtelt dengan melhat tujuan dan ruang lngkup dserta dengan pengolahan data, penafsran serta pengamblan kesmpulan, maka metode
Lebih terperinciIndependent Var. Dependent Var. Test. Nominal Interval Independent t-test, ANOVA. Nominal Nominal Cross Tabs, Chi Square, dan Koefisien Kontingensi
Independent Var. Dependent Var. Test Nomnal Interval Independent t-test, ANOVA Nomnal Nomnal Cross Tabs, Ch Square, dan Koefsen Kontngens Nomnal Ordnal Mann Whtney, Kolmogorov- Smrnow, Kruskall Walls Ordnal
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciDISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA
DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciESTIMASI PARAMETER REGRESI ROBUST DENGAN METODE ESTIMASI-S PADA PENJUALAN ENERGI LISTRIK DI JAWA TENGAH TAHUN 2009
ESTIMASI PARAMETER REGRESI ROBUST DENGAN METODE ESTIMASI-S PADA PENJUALAN ENERGI LISTRIK DI JAWA TENGAH TAHUN 2009 oleh GRIYA ARTIANA M007033 SKRIPSI dtuls dan dajukan untuk memenuh sebagan persyaratan
Lebih terperinciMetode Estimasi Kemungkinan Maksimum dan Kuadrat Terkecil Tergeneralisasi pada Analisis Pemodelan Persamaan Struktural
Jurnal Graden Vol. 11 No. 1 Januar 015 : 1035-1039 Metode Estmas Kemungknan Maksmum dan Kuadrat Terkecl Tergeneralsas pada Analss Pemodelan Persamaan Struktural Dan Agustna Jurusan Matematka, Fakultas
Lebih terperinciAnalisis Regresi 1. Pokok Bahasan : Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh
Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan nla harapannya ) E [Y x ] E [Y x] =
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinci2 TINJAUAN PUSTAKA. Model Persamaan Struktural (MPS)
3 2 TINJAUAN PUSTAKA Model Persamaan Struktural (MPS) Model persamaan struktural (MPS) merupakan salah satu analss multvarat yang dapat menganalss hubungan peubah secara kompleks. Analss n pada umumnya
Lebih terperinciSEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN
AALISIS DISKRIMIA DISKRIT UTUK MEGELOMPOKKA KOMPOE Bernk Maskun Jurusan Statstka FMIPA UPAD jay_komang@yahoo.com Abstrak Untuk mengelompokkan hasl pengukuran yang dukur dengan p buah varabel dmana penlaan
Lebih terperinciEVALUASI METODE PENELUSURAN KERAGAMAN DALAM BLOK DENGAN ANALISIS INTERBLOK
Prosdng SPMIPA. pp. 147-15. 006 ISBN : 979.704.47.0 EVALUASI METODE PENELUSURAN KERAGAMAN DALAM BLOK DENGAN ANALISIS INTERBLOK Rta Rahmawat, I Made Sumertajaya Program Stud Statstka Jurusan Matematka FMIPA
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciConfigural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Confgural Frequency Analyss untuk Melhat Penympangan pada Model Log Lnear Resa Septan Pontoh 1, Def Y. Fadah 2 1,2 Departemen Statstka FMIPA
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciNirwan Ilyas, Anisa, Andi Kresna Jaya ABSTRAK
PERBANDINGAN MODEL REGRESI LOGISTIK DAN ZERO-INFLATED POISSON (ZIP) UNTUK MENGANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI STATUS KELANGSUNGAN HIDUP PENDERITA PENYAKIT DEMAM BERDARAH (DBD) RS WAHIDIN SUDIROHUSODO
Lebih terperinciKOMBINASI PENAKSIR RASIO-PRODUK PROPORSI EKSPONENSIAL UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA., R. Efendi 2, H.
KOMBINASI PENAKSIR RASIO-PRODUK PROPORSI EKSPONENSIAL UNTUK RATA-RATA POPULASI PADA SAMPLING AAK SEDERHANA A. F. Indraan *, R. Efend, H. Srat Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas
Lebih terperinci