HASIL DAN PEMBAHASAN. Algoritma Cepat Penduga GS
|
|
- Utami Santoso
- 7 tahun lalu
- Tontonan:
Transkripsi
1 HASIL DAN PEMBAHASAN Algoritma Cepat Penduga GS Sebagaimana halnya dengan algoritma cepat penduga S, algoritma cepat penduga GS dikembangkan dengan mengkombinasikan algoritma resampling dan algoritma I-step. Dalam hal ini, algoritma resamping dan algoritma I-step yang digunakan dalam algoritma cepat penduga S dimodifikasi guna menyelaraskan formula yang diterapkan dengan rumusan yang dipakai dalam penghitungan penduga GS. Inti dari modifikasi ini terletak pada penggantian skala sisaan dengan skala selisih sisaan dalam semua penghitungan. Untuk algoritma resampling, hasil modifikasi dimaksud diintegrasikan dalam langkah penghitungan algoritmik yang dibahas pada paragraf di bawah ini. Sementara untuk algoritma I-step, formula iteratif yang telah dimodifikasi dapat dilihat pada Persamaan (8) dan Persamaan (9). Algoritma resampling untuk algoritma cepat penduga GS diawali dengan pengambilan secara acak resampel berukuran dari data untuk mendapatkan dan yang merupakan nilai awal kandidat dugaan kekar parameter regresi dan kandidat dugaan kekar skala sisaan pada resampel ke- dengan 1,,. Dalam hal ini, adalah dugaan kuadrat terkecil yang dihitung dengan data resampel dan ialah dugaan kekar skala selisih sisaan yang diperoleh dengan data asli dengan rumus,1. Proses ini diilustrasikan dengan. diagram alir Gambar 6. Sementara itu, untuk algoritma I-step, formula iteratif penghitungan dugaan kekar skala sisaan ke- 1, yang dirumuskan sebagai: 1, 8
2 22 Start Untuk 1sampai dengan Ambil subsampel berukuran Hitung dugaan kuadrat terkecil berdasarkan data resampel ke- Dengan data asli, hitung sisaan Hitung selisih sisaan Hitung dugaan kekar skala End Gambar 6 Diagram alir algoritma resampling untuk penduga GS dan dugaan kekar regresi dari penyelesaian persamaan:, 0 9 dengan,,1 dimana untuk fungsi pada Persamaan (3). Misalkan hasil yang diperoleh di sini dilambangkan dengan dan. Diagram alir algoritma I-step dalam konteks ini diilustrasikan pada Gambar 7 dan proses penghitungannya dijabarkan sebagai berikut: Untuk 0,1, hitung: 1 bobot,,1 ;
3 23 2 dengan menyelesaikan persamaan, 0; 3 sisaan,1 ; 4 selisih sisaan,1 ; 5 skala selisih sisaan yang diperbaiki. Start Untuk 1 sampai dengan Masukkan Untuk 0, 1, 2, Hitung bobot,,1, 0, 1, 2, Hitung dari, 0 Hitung sisaan, 1 Hitung selisih sisaan, 1 Hitung End Gambar 7 Diagram alir algoritma I-step untuk penduga GS
4 24 Seperti yang diterapkan pada penduga S, hasil yang diperoleh dengan algoritma resampling dan algoritma I-step, yang diterapkan sebanyak 3 ulangan, dalam membangun algoritma cepat penduga GS merupakan kandidat dugaan yang mesti diperbaiki dengan penghitungan lebih lanjut hingga hasil yang dapat bersifat konvergen. Dalam hal ini, penghitungan juga dilakukan hanya untuk 5 kandidat dugaan terbaik dan proses dilalui dijabarkan sebagai berikut: 1 Untuk 1, hitung dan, 0,1,2,, hingga konvergen dengan algoritma I-step untuk nilai awal dan, bangun gugus pasangan dugaan,, 1 dan misalkan max ; 2 untuk, jika maka hitung dan hingga konvergen dengan algoritma I-step, perbaharui gugus pasangan, yang sudah ada dengan mensubstitusi nilai dugaan dan yang baru diperoleh dan mengeluarkan pasangan yang hasilkan pada iterasi sebelumnya, dan hitung kembali max ; 3 ulangi langkah 2 hingga. Misalkan dugaan regresi dan dugaan kekar skala sisaan yang dihasilkan pada tahap ini adalah dan, 1. Diagram alir untuk pendekatan di atas diilustrasikan pada Gambar 8.
5 25 Start Untuk 1sampai dengan Masukkan nilai dan Ya Hitung dengan I-step dan, hingga konvergen Tidak Bangun gugus pasangan dugaan, Hitung sebagai max Ya Hitung dengan I-step hingga konvergen dan Tidak Perbaharui gugus pasangan dugaan dengan substitusi nilai yang baru diperoleh, Hitung kembali sebagai max End Gambar 8 Diagram alir penghitungan kandidat terbaik dalam algoritma cepat penduga GS
6 26 Berdasarkan pembahasan di atas, algoritma cepat penduga GS untuk pendugaan parameter model regresi linear berganda dapat disarikan seperti berikut: 1 ambil resampel berukuran yang tidak kolinear dari data asli, hitung dugaan, 1,, dengan metoda kuadrat terkecil dengan menggunakan data resampel, dan hitung dengan data asli; 2 terapkan kali I-step dengan nilai awal dan untuk memperoleh dugaan regresi dan dugaan kekar skala selisih sisaan yang diperbaiki yang dilambangkan dengan dan ; 3 hitung dugaan regresi dan dugaan kekar skala selisih sisaan menerapkan I-step untuk kandidat penduga yang memenuhi syarat hingga konvergen dengan nilai awal dan dan menghasilkan dan, 1 ; 4 ambil dugaan dengan dugaan kekar skala selisih sisaan yang minimal sebagai dugaan regresi. Diagram alir untuk langkah di atas diilustrasikan dengan Gambar 9. Dugaan parameter yang dihasilkan pada langkah di atas kemudian digunakan dalam pendugaan intersep yang dipandang sebagai sisaan. Dugaan intersep didapatkan dengan menggunakan pendugaan M lokasi dengan dugaan skala diketahui. Formula yang dipakai dalam penghitungan ini didasarkan pada pendekatan yang dikemukakan Maronna et al. (2006, 39). Berikut ini proses yang dimaksud. 1 Masukkan nilai. 2 Hitung sisaan, dugaan awal intersep med, skala. med, dan bobot awal, di mana untuk fungsi pada
7 27 Persamaan (3) namun tuning constant yang digunakan pada fungsi adalah Untuk 0, 1, 2, a hitung,, b hitung, ; ; c berhenti jika 10. Diagram alir untuk langkah penghitungan ini diilustrasikan dengan Gambar 10 dan kode R untuk semua langkah di atas dilampirkan pada Lampiran 1. Start Masukkan data ambil resampel berukuran, hitung dugaan, 1,, terapkan kali I-step untuk memperoleh dan dengan nilai awal dan hitung dugaan dan, 1 dengan I-step untuk kandidat penduga yang memenuhi syarat hingga konvergen dengan nilai awal dan ambil dugaan dengan dugaan kekar skala sisaan yang minimal sebagai dugaan regresi End Gambar 9 Diagram alir algoritma cepat penduga GS
8 28 Start Masukkan Hitung sisaan Hitung dugaan awal intersep med Hitung skala med. Hitung bobot awal, Misalkan eps = 1e-20, error = 1, dan 0 Tidak error > eps? Ya Hitung,, Hitung, Hitung Hitung 1 End Gambar 10 Diagram alir penghitungan intersep pada algoritma cepat penduga GS
9 29 Dengan merangkum ulasan tentang penduga S, algoritma cepat penduga S, penduga GS, dan algoritma cepat penduga GS yang telah dikemukakan sebelumnya, perbandingan proses penghitungan keempat pendekatan tersebut dapat ditunjukkan dengan Tabel 1. Tabel 1 Perbandingan cara kerja penduga S, algoritma cepat penduga S, penduga GS, dan algoritma cepat penduga GS Metoda Komputasi Keterangan Metoda projection pursuit Dikemukakan oleh Rousseeuw dan Yohai (1984) Penduga S Kombinasi algoritma resampling Dikemukakan oleh dan langkah perbaikan lokal Ruppert (1992 diacu dalam Salibian- Barrera dan Yohai 2006) Algoritma cepat Penduga S Penduga GS Algoritma cepat Penduga GS Kombinasi algoritma resampling dan algoritma I-step Kombinasi algoritma resampling dan langkah perbaikan lokal Kombinasi algoritma resampling dan algoritma I-step Dikemukakan oleh Salibian-Barrera dan Yohai (2006) Dikemukakan oleh Croux et al. (1994) Selanjutnya, perbedaan spesifik antara penduga S dan penduga GS dapat disarikan seperti Tabel 2. Tabel 2 Perbedaan Penduga S dan Penduga GS Kriteria Penduga S Penduga GS Besaran skala yang Skala sisaan Skala selisih sisaan digunakan Tuning constant dalam fungsi biweight Tukey Aplikasi pada model dengan atau tanpa intersep Dugaan intersep Bisa digunakan untuk pendugaan model dengan atau tanpa intersep Diperoleh bersamaan dengan parameter yang lain Hanya bisa digunakan untuk model dengan intersep Tidak bisa dihitung secara langsung dalam pendugaan parameter melainkan diduga secara terpisah dengan dugaan kekar lokasi
10 30 Pembangkitan Data Data dibangkitkan dengan menggunakan model regresi 1 untuk jumlah peubah penjelas 2 dan 1 untuk 5. Pada kedua kondisi, data yang dibangkitkan berukuran contoh 60 untuk kasus tanpa nilai pencilan dan dengan nilai pencilan, yakni dengan proporsi 0.05, dan Pencilan yang dibangkitkan adalah pencilan sisaan dengan rataan 10 dan 100 dan ragam 1 dan 3. Di samping itu, data juga dibangkitkan dengan mengunakan model untuk jumlah peubah penjelas 2 dan untuk 5. Data yang dibangkitkan yang berukuran contoh 60 untuk kasus tanpa nilai pencilan dan dengan nilai pencilan dengan proporsi 0.05, dan 0.15, namun data hanya memuat pencilan sisaan dengan rataan 10 dan ragam 1. Berdasarkan salah satu gugus data yang dibangkitkan untuk data dengan model 1 untuk nilai seeding 1, diperoleh plot terhadap dan plot seperti Gambar 11 s.d. 14. Residuals vs Fitted 58 Residuals Fitted values lm(y1 ~ x) Gambar 11 Plot terhadap untuk data yang dibangkitkan dengan ukuran contoh 60, jumlah peubah 2, model 1, dan proporsi pencilan 5% yang memiliki rataan 10 dan ragam 1
11 31 Normal Q-Q Standardized residuals Theoretical Quantiles lm(y1 ~ x) Gambar 12 Plot untuk satu data yang dibangkitkan dengan ukuran contoh 60, jumlah peubah 2, model 1, dan proporsi pencilan 5% yang memiliki rataan 10 dan ragam 1 Residuals vs Fitted Residuals Fitted values lm(y2 ~ x) Gambar 13 Plot terhadap untuk satu data yang dibangkitkan dengan ukuran contoh 60, jumlah peubah 2, model 1, dan proporsi pencilan 15% yang memiliki rataan 10 dan ragam 1
12 32 Normal Q-Q Standardized residuals Theoretical Quantiles lm(y2 ~ x) Gambar 14 Plot untuk satu data yang dibangkitkan dengan ukuran contoh 60, jumlah peubah 2, model 1, dan proporsi pencilan 15% yang memiliki rataan 10 dan ragam 1 Plot yang diperoleh pada Gambar 11 dan 12 menunjukkan bahwa pembangkitan data dengan 5% nilai pencilan sisaan menghasilkan tepat 5% (tiga data) pencilan sisaaan. Sedangkan Gambar 13 dan 14 memperlihatkan bahwa pembangkitan data dengan 15% nilai pencilan sisaan tidak tepat menghasilkan 15% (sembilan data) yang juga nilai pencilan sisaaan. Akan tetapi, secara visual sembilan data tersebut tidak mengikuti pencaran 51 data yang lain. Kondisi yang serupa juga ditemukan pada pembangkitan data dengan ukuran contoh 60 dan jumlah peubah 5, model 1, dan proporsi pencilan 5%, 15%. Efisiensi Relatif Algoritma Cepat Penduga S dan Algoritma Cepat Penduga GS Berdasarkan simulasi di atas, kinerja algoritma cepat penduga GS dibandingkan dengan algoritma cepat S dengan memperhatikan nilai efisiensi relatif dugaan yang diperoleh yang dihitung untuk data tanpa pencilan dan pada data dengan 5% pencilan. Dalam hal ini pembandingan dilakukan pada dua kondisi, yakni kasus dengan jumlah peubah penjelas 2 dan 5.
13 33 Pembandingan pada kasus pertama dilakukan dengan menggunakan data yang dibangkitkan dengan model 1 untuk nilai pencilan dengan rataan 10 dan 100 dan ragam 1 dan 3. Hal yang sama juga dilakukan pada kasus dengan jumlah peubah penjelas 5 yang menggunakan model pembangkit 1. Hasil penghitungan untuk 2 ditampilkan pada Tabel 3 dan untuk 5 pada Tabel 4. Tabel 3 Efisiensi relatif untuk data dengan dua peubah penjelas Proporsi Pencilan Rataan Pencilan Ragam Pencilan Efisiensi Relatif FAST S FAST GS Simp Simp Rataan Rataan Baku Baku % tanpa pencilan Tabel 4 Efisiensi relatif untuk data dengan lima peubah penjelas Proporsi Pencilan Rataan Pencilan Ragam Pencilan Efisiensi Relatif FAST S FAST GS Simp Simp Rataan Rataan Baku Baku % tanpa pencilan Berdasarkan Tabel 3 dan Tabel 4, algoritma cepat penduga GS memiliki rataan efisiensi relatif yang lebih kecil dari pada algoritma cepat penduga S dalam semua kondisi. Hasil ini menunjukkan bahwa algoritma cepat penduga GS memiliki efisiensi yang lebih baik dari pada algoritma cepat penduga S. Sehingga aplikasi algoritma cepat penduga GS pada data yang tidak begitu jauh menyimpang dari asumsi normalitas galat memberikan hasil yang lebih mendekati hasil yang diperoleh dengan metoda kuadrat terkecil dari pada aplikasi algoritma cepat penduga S. Bahkan untuk data tanpa pencilan algoritma cepat penduga GS
14 34 memiliki kinerja yang baik yang ditandai dengan efisiensi relatif yang mendekati 1. Berbeda dengan hasil yang diperoleh untuk dugaan yang akan diulas pada bagian berikut, nilai efisiensi relatif dipengaruhi oleh nilai rataan dan ragam pencilan yang ditunjukkan oleh perbedaan rataan nilai efisiensi relatif yang signifikan antara data tanpa pencilan, data dengan pencilan yang mempunyai rataan 10, dan data dengan pencilan yang memiliki rataan 100 untuk kedua kasus pada Tabel 3 dan Tabel 4. Perbedaan ini terjadi karena kekekaran penduga S dan penduga GS hanya untuk dugaan bukan untuk nilai fitted. Namun demikian, kondisi ini tidak menjadi masalah karena aspek yang diperhatikan pada tinjauan tentang efisiensi relatif hanya pada perilaku hasil penghitungan untuk data yang tidak begitu menyimpang dari asumsi normalitas atau bahkan dengan sempurna memenuhi asumsi normalitas. Proporsi, rataan, dan ragam pencilan bukanlah aspek yang dipertimbangkan dalam melihat efisiensi relatif. Perbandingan Metoda Kuadrat Terkecil, Algoritma Cepat Penduga S, dan Algoritma Cepat Penduga GS Data simulasi di atas, kinerja algoritma cepat penduga GS juga dapat dibandingkan dengan algoritma cepat S dan metoda kuadrat terkecil dengan memperhatikan nilai dugaan yang diperoleh dari ketiga pendekatan. Dalam hal ini pembandingan dilakukan pada dua kondisi, yakni kasus dengan model yang sama dan model yang berbeda. Pembandingan pada kasus model yang sama dilakukan dengan menggunakan data yang dibangkitkan dengan model 1 untuk jumlah peubah penjelas 2 dan dengan model 1 untuk 5. Hasil dimaksud ditampilkan pada Tabel 5 dan Tabel 6. Sedangkan pembandingan pada kasus dua model yang berbeda dilaksanakan dengan menggunakan data yang dibangkitkan dengan model 1 dan untuk jumlah peubah penjelas 2 dan dengan model 1 dan untuk 5. Namun hasil yang diamati hanya pada data
15 35 dengan nilai pencilan yang memiliki rataan 10 dan ragam 1. Hasil pembandingan yang kedua ini ditampilkan pada Tabel 7. Tabel 5 Perbandingan dugaan untuk data dengan nilai pencilan Rataan Pencilan Ragam Pencilan OLS Fast S Fast GS 2 peubah penjelas dengan 5% data pencilan peubah penjelas dengan 15% data pencilan peubah penjelas dengan 5% data pencilan peubah penjelas dengan 15% data pencilan Berdasarkan Tabel 5, dugaan yang diperoleh dengan algoritma cepat penduga GS lebih kecil dari pada yang didapatkan dengan metoda kuadrat terkecil dan algoritma cepat penduga S untuk jumlah peubah penjelas, proporsi, rataan, dan ragam pencilan yang sama. Hasil ini menunjukkan bahwa dugaan yang diperoleh dengan algoritma cepat penduga GS untuk data dengan pencilan mempunyai efisiensi yang lebih baik dari pada yang diperoleh dengan metoda metoda kuadrat terkecil dan algoritma cepat penduga S dalam semua kondisi. Hal ini sesuai dengan teori penduga GS mempunyai efisiensi yang lebih baik dari pada penduga S.
16 36 Tabel di atas juga memperlihatkan bahwa dugaaan yang diperoleh dengan algoritma cepat penduga GS maupun algoritma cepat penduga S pada suatu proporsi pencilan tertentu memiliki nilai yang sama meskipun data dibangkitkan dengan pencilan yang mempunyai rataan dan ragam yang berbeda. Hasil ini menunjukkan perilaku kekekaran penduga GS dan penduga S. Kedua penduga resisten terhadap pencilan. Namun tidak demikian halnya dengan dugaan yang diperoleh dengan metoda kuadrat terkecil. Dugaan kuadrat terkecil sangat sensitif terhadap pencilan. Sehingga peningkatan rataan pencilan mengakibatkan peningkatan dugaan secara signifikan. Akan tetapi peningkatan ragam pencilan hanya mengakibatkan sedikit menurunkan nilai. Penurunan nilai ini disebabkan oleh fakta bahwa peningkatan ragam menyebabkan nilai pencilan yang dihasilkan lebih menyebar sehingga pencilan yang diperoleh akan mendekati data yang bukan pencilan. Di sisi lain, Tabel 5 juga menunjukkan bahwa pertambahan jumlah peubah penjelas juga diikuti dengan peningkatan nilai dugaan yang diperoleh dari ketiga pendekatan. Peningkatan ini lebih dipengaruhi oleh bertambahnya suku positif pada penjumlahan yang digunakan dalam penghitungan karena merupakan jumlah kuadrat. Sehingga penambahan jumlah peubah penjelas mengakibatkan peningkatan suku positif yang dijumlahkan. Peningkatan nilai juga seiring dengan pertambahan proporsi pencilan untuk dugaan yang dihasilkan dengan algoritma cepat penduga GS dan metoda kuadrat terkecil. Sebaliknya, nilai dugaan yang didapatkan dengan algoritma cepat penduga S cenderung menurun, namun bila dibandingkan dengan dugaan dari algoritma cepat GS maka nilai yang dihasilkan tetap lebih besar. Hal ini menunjukkan bahwa algoritma cepat penduga GS mempunyai efisiensi yang semakin baik bila digunakan pada data dengan proporsi pencilan yang semakin rendah. Kondisi yang lebih ekstrim dapat ditemukan pada data tanpa pencilan. Pada data tanpa pencilan, dugaan yang diperoleh dengan algoritma cepat penduga GS mendekati nilai yang diperoleh dengan metoda kuadrat terkecil. Sementara itu, nilai yang diperoleh dengan algoritma cepat penduga S lebih besar
17 37 dari apa yang diperoleh dari kedua pendekatan tersebut. Fakta ini sesuai dengan perilaku penduga S yang merupakan penduga kekar yang memiliki nilai titik breakdown yang tinggi namun mempunyai efisiensi yang rendah. Penggunaan penduga S untuk pendugaan parameter model pada data yang tidak begitu jauh menyimpang dari asumsi normalitas menghasilkan nilai dugaan yang tidak baik. Perbandingan dugaan pada data tanpa pencilan dapat dilihat pada Tabel 6. Tabel 6 Perbandingan dugaan untuk data tanpa nilai pencilan Jumlah Peubah Penjelas OLS Fast S Fast GS Seperti yang telah dikemukakan sebelumnya, pembangkitan data dalam penelitian ini juga dilakukan dengan menggunakan model yang berbeda. Tabel 7 menampilkan perbandingan dugaan yang diperoleh dari ketiga pendekatan. Tabel 7 Perbandingan dugaan untuk dua model berbeda Model OLS Fast S Fast GS 2 peubah penjelas dengan 5% data pencilan peubah penjelas dengan 15% data pencilan peubah penjelas dengan 5% data pencilan peubah penjelas dengan 15% data pencilan Keterangan : 1 : 1 2 : : 1 4 :
18 38 Tabel 7 memperlihatkan bahwa jika data dibangkitkan secara simultan dengan rataan dan ragam pencilan yang bernilai sama, maka dugaan yang diperoleh untuk dua model yang berbeda akan bernilai sama pula. Hal ini disebabkan oleh fakta bahwa perbedaan model yang digunakan pada pembangkitan data hanya mengakibatkan penambahan atau pengurangan pada nilai dugaan. Sebagai contoh, misalkan data dibangkitkan dengan menggunakan model yang berkoefisien,, dan menghasilkan dugaan,,, maka untuk,, dengan diperoleh,, dengan dimana sebarang konstanta dan 1,,1. Akibatnya,.
ALGORITMA CEPAT (FAST ALGORITHM) PENDUGA GENERALIZED-S (GS) UNTUK PENDUGAAN KEKAR PARAMETER MODEL REGRESI LINEAR BERGANDA DODI VIONANDA
ALGORITMA CEPAT (FAST ALGORITHM) PENDUGA GENERALIZED-S (GS) UNTUK PENDUGAAN KEKAR PARAMETER MODEL REGRESI LINEAR BERGANDA DODI VIONANDA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN
Lebih terperinciTINJAUAN PUSTAKA. Gambar 1 Plot jenis pengamatan pencilan.
TINJAUAN PUSTAKA Pencilan Aunuddin (1989) mendefinisikan pencilan sebagai nilai ektstrim yang menyimpang agak jauh dari kumpulan pengamatan lainnya, yang secara kasar berada pada jarak sejauh tiga atau
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Deskripsi Data Simulasi Plot pencaran titik data antara peubah respon dengan peubah penjelas dapat dilihat pada Gambar 5. Gambar tersebut mengungkapkan bahwa secara keseluruhan pola
Lebih terperinci, dengan. Karakteristik dari vektor peubah acak X dan Y sebagai berikut:
3 TINJAUAN PUSTAKA Analisis Korelasi Kanonik Analisis korelasi kanonik (AKK) yang diperkenalkan oleh Hotelling pada tahun 1936, bertujuan untuk mengidentifikasi dan menghitung hubungan linier antara dua
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 PENDAHULUAN Latar Belakang Analisis regresi berguna dalam menelaah hubungan antara sepasang peubah atau lebih, dan terutama untuk menelusuri pola hubungan yang modelnya belum diketahui sempurna sehingga
Lebih terperinciBAB 2 TINJAUAN PUSTAKA = (2.2) =
BAB 2 TINJAUAN PUSTAKA 2.1. Regresi Linear Berganda Regresi linear berganda adalah regresi dimana variabel terikatnya dihubungkan atau dijelaskan dengan lebih dari satu variabel bebas,,, dengan syarat
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 terperinci(α = 0.01). Jika D i > , maka x i atau pengamatan ke-i dianggap pencilan (i = 1, 2,..., 100). HASIL DAN PEMBAHASAN
4 karena adanya perbedaan satuan pengukuran antar peubah. 1.. Memastikan tidak adanya pencilan pada data dengan mengidentifikasi adanya pencilan pada data. Pengidentifikasian pencilan dilakukan dengan
Lebih terperinciBAB 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 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 terperinciIV HASIL DAN PEMBAHASAN
6 telah dibangkitkan. Kemudian peubah X dan Y diregresikan dengan OLS sehingga diperoleh kuadrat galat. Kuadrat galat diurutkan dari ang terkecil sampai dengan ang terbesar, lalu dilakukan pemangkasan.
Lebih terperinciPERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN
E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751 PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN NI PUTU NIA IRFAGUTAMI 1, I GUSTI
Lebih terperinciTINJAUAN PUSTAKA Kalibrasi Ganda Regresi Kuadrat Terkecil Parsial ( Partial Least Squares/PLS) 1. Model PLS
TINJAUAN PUSTAKA Kalibrasi Ganda Kalibrasi adalah suatu fungsi matematik dengan data empirik dan pengetahuan untuk menduga informasi pada Y yang tidak diketahui berdasarkan informasi pada X yang tersedia
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini terdiri dari dua bagian. Pada bagian pertama berisi tinjauan pustaka dari penelitian-penelitian sebelumnya dan beberapa teori penunjang berisi definisi-definisi yang digunakan
Lebih terperinciPENDEKATAN WINSOR PADA ANALISIS REGRESI DENGAN PENCILAN MURIH PUSPARUM
PENDEKATAN WINSOR PADA ANALISIS REGRESI DENGAN PENCILAN MURIH PUSPARUM DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015 PERNYATAAN MENGENAI SKRIPSI
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan suatu metode analisis dalam statistika yang digunakan untuk mencari hubungan antara suatu variabel terhadap variabel lain. Dalam
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 terperinciMETODOLOGI HASIL DAN PEMBAHASAN
3 berada pada jarak sejauh tiga atau empat kali simpangan baku dari nilai tengahnya (Aunuddin 1989). Pendekatan pencilan dapat dilakukan dengan melihat plot peluang normal. Apabila terdapat loncatan vertikal
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode analisis yang menjelaskan tentang
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi merupakan metode analisis yang menjelaskan tentang hubungan antara dua atau lebih variabel. Variabel dalam analisis regresi, dibedakan menjadi dua yaitu
Lebih terperinciMETODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 3 (2014), hal 163-168. METODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Lebih terperinciHASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut:
. Menyiapkan gugus data pencilan dengan membangkitkan peubah acak normal ganda dengan parameter µ yang diekstrimkan dari data contoh dan dengan matriks ragam-peragam yang sama dengan data contoh. Proses
Lebih terperinciPengaruh Outlier Terhadap Estimator Parameter Regresi dan Metode Regresi Robust
Pengaruh Outlier Terhadap Estimator Parameter Regresi dan Metode Regresi Robust I GUSTI AYU MADE SRINADI Jurusan Matematika Universitas Udayana, srinadiigustiayumade@yahoo.co.id Abstrak. Metode kuadrat
Lebih terperinciANALISIS REGRESI ROBUST ESTIMASI-S MENGGUNAKAN PEMBOBOT WELSCH DAN TUKEY BISQUARE
48 Jurnal Matematika Vol 6 No 1 Tahun 2017 ANALISIS REGRESI ROBUST ESTIMASI-S MENGGUNAKAN PEMBOBOT WELSCH DAN TUKEY BISQUARE S-ESTIMATION OF ROBUST REGRESSION ANALYSIS USES WELSCH AND TUKEY BISQUARE WEIGHTING
Lebih terperinciKode R algoritma cepat penduga GS
LAMPIRAN 43 Lampiran 1 Kode R algoritma cepat penduga GS fast.gs
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 terperinciBAB V HASIL DAN PEMBAHASAN
2 5. Pemilihan Pohon Contoh BAB V HASIL DAN PEMBAHASAN Pohon contoh yang digunakan dalam penyusunan tabel volume ini adalah jenis nyatoh (Palaquium spp.). Berikut disajikan tabel penyebaran pohon contoh
Lebih terperinciTINJAUAN PUSTAKA. Gambar 1 Diagram kotak garis
TINJAUAN PUSTAKA Diagram Kotak Garis Metode diagram kotak garis atau boxplot merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran dan kemiringan pola
Lebih terperinciBAB I PENDAHULUAN. hubungan ketergantungan variabel satu terhadap variabel lainnya. Apabila
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi merupakan metode analisis yang dapat digunakan untuk menganalisis data dan mengambil kesimpulan yang bermakna tentang hubungan ketergantungan variabel
Lebih terperinciBAB III MINIMUM VOLUME ELLIPSOID PADA ANALISIS KOMPONEN UTAMA ROBUST. Pada bab ini akan dikaji bahasan utama yaitu pencilan dan analisis
BAB III MINIMUM VOLUME ELLIPSOID PADA ANALISIS KOMPONEN UTAMA ROBUST Pada bab ini akan dikaji bahasan utama yaitu pencilan dan analisis komponen utama robust sebagai konsep pendukung serta metode Minimum
Lebih terperinci3 METODE. 3.1 Data = 0 1. time 0, =1, 2,,, =1, 2,, dengan n = 100 dan m = 5.
11 3 METODE 3.1 Data Data dalam penelitian ini terdiri dari dua sumber yaitu data simulasi dan data terapan. Data simulasi berguna untuk mengukur kinerja penduga kekar Huber pada data longitudinal. Data
Lebih terperincihomogen jika titik-titik tersebar secara merata atau seimbang baik di atas maupun dibawah garis, dengan maksimum ragam yang kecil.
8 koefisien regresi berganda dari variabel tak bebas Y terhadap variabel bebas Xi. Pada kasus ini, persamaan mengandung arti sebagai berikut, seperti yang telah dimodelkan Merdun (23) di Sungai Saluda,
Lebih terperinciMETODE PENELITIAN Sumber Data
13 METODE PENELITIAN Sumber Data Data yang digunakan dalam penelitian ini merupakan hasil simulasi melalui pembangkitan dari komputer. Untuk membangkitkan data, digunakan desain model persamaan struktural
Lebih terperinciMinimum Variance Unbiased Estimator (MVUE) K-Fold Cross Validation
6 Individu kemudian diseleksi dengan metode Roulette Wheel, dengan peluang suatu individu untuk terpilih dinyatakan dengan persamaan sebagai berikut: 4. Pindah silang (cross-over) Metode pindah silang
Lebih terperinciSTK511 Analisis Statistika. Pertemuan 10 Analisis Korelasi & Regresi (1)
STK511 Analisis Statistika Pertemuan 10 Analisis Korelasi & Regresi (1) Analisis Hubungan Jenis/tipe hubungan Ukuran Keterkaitan Skala pengukuran peubah Pemodelan Keterkaitan anang kurnia (anangk@apps.ipb.ac.id)
Lebih terperinciBAB I PENDAHULUAN. lebih variabel independen. Dalam analisis regresi dibedakan dua jenis variabel
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linier merupakan teknik dalam statistika yang digunakan untuk membentuk model hubungan antara variabel dependen dengan satu atau lebih variabel independen.
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
25 BAB 3 METODOLOGI PENELITIAN 3.1. Analisis Permasalahan Pada regresi berganda terdapat beberapa masalah yang dapat terjadi sehingga dapat menyebabkan estimasi koefisien regresi menjadi tidak stabil.
Lebih terperinciKAJIAN TELBS PADA REGRESI LINIER DENGAN KASUS PENCILAN
KAJIAN TELBS PADA REGRESI LINIER DENGAN KASUS PENCILAN Nurul Gusriani 1), Firdaniza 2), Novi Octavianti 3) 1,2,3) Departemen Matematika FMIPA Universitas Padjadjaran, Jalan Raya Bandung- Sumedang Km. 21
Lebih terperinciHASIL DAN PEMBAHASAN
Konsentrasi lemak ikan (%) Kandungan zat aktif (absorban) HASIL DAN PEMBAHASAN Deskripsi Data Berdasarkan data yang digunakan dalam penelitian ini, akan dilakukan pengidentifikasian multikolinieritas.
Lebih terperinciPERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA
PERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA Ni Luh Putu Ratna Kumalasari 1, Ni Luh Putu Suciptawati 2,, Made Susilawati
Lebih terperinciIV. METODOLOGI PENELITIAN. Penelitian ini dilakukan di Kecamatan Tanjungpinang Timur,
IV. METODOLOGI PENELITIAN 4.1 Tempat dan Waktu Penelitian Penelitian ini dilakukan di Kecamatan Tanjungpinang Timur, Tanjungpinang, Kepulauan Riau. Pemilihan lokasi dilakukan secara sengaja (purposive)
Lebih terperinciIV. METODE PENELITIAN. Penelitian ini dilakukan di Desa Purwasari, Kecamatan Dramaga,
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian ini dilakukan di Desa Purwasari, Kecamatan Dramaga, Kabupaten Bogor, Provinsi Jawa Barat. Pemilihan lokasi ini dilakukan secara tertuju
Lebih terperinciBAB I PENDAHULUAN. untuk membentuk model hubungan antara variabel dependen dengan satu atau
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linier merupakan teknik dalam statistika yang digunakan untuk membentuk model hubungan antara variabel dependen dengan satu atau lebih variabel independen.
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Analisa Regresi Regresi pertama kali dipergunakan sebagai konsep statistik pada tahun 1877 oleh Sir Francis Galton. Galton melakukan studi tentang kecenderungan tinggi badan
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian mengenai faktor-faktor yang mempengaruhi realisasi KUR di wilayah perkotaan ini dilakukan di Bank Rakyat Indonesia (BRI). Bank ini dipilih
Lebih terperinciPENERAPAN BOOTSTRAP DALAM METODE MINIMUM COVARIANCE DETERMINANT (MCD) DAN LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI LINIER BERGANDA
PENERAPAN BOOTSTRAP DALAM METODE MINIMUM COVARIANCE DETERMINANT (MCD) DAN LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI LINIER BERGANDA Ni Putu Iin Vinny Dayanti 1, Ni Luh Putu Suciptawati 2, Made
Lebih terperinciPENDAHULUAN. Latar Belakang. Tujuan Penelitian
PENDAHULUAN Latar Belakang Fungsi Cobb-Douglas dengan galat aditif merupakan salah satu fungsi produksi yang dapat digunakan untuk menganalisis hubungan antara hasil produksi dan faktor-faktor produksi.
Lebih terperinciEFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH
EFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH May Cristanti, Yuliana Susanti, dan Sugiyanto Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER
ESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER Siswanto 1, Raupong 2, Annisa 3 ABSTRAK Dalam statistik, melakukan suatu percobaan adalah salah satu cara untuk mendapatkan
Lebih terperincidimana n HASIL DAN PEMBAHASAN
5. Proses penghilangan data dilakukan secara acak untuk memenuhi asumsi mekanisme kehilangan data yang acak (MAR). 6. Ulangan yang digunakan sebanyak 1 kali pada setiap simulasi untuk memberikan peluang
Lebih 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 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 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 terperinciDATA DAN METODE Sumber Data
14 DATA DAN METODE Sumber Data Data yang digunakan dalam penelitian ini adalah data hasil simulasi dan data dari paket Mclust ver 3.4.8. Data simulasi dibuat dalam dua jumlah amatan yaitu 50 dan 150. Tujuan
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Absorbsi Near Infrared Sampel Tepung Ikan Absorbsi near infrared oleh 50 sampel tepung ikan dengan panjang gelombang 900 sampai 2000 nm berkisar antara 0.1 sampai 0.7. Secara grafik
Lebih terperinciSTUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG PENCILAN
Jurnal Matematika UNAND Vol. 2 No. 4 Hal. 18 26 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND STUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Model regresi yang baik memerlukan data yang baik pula. Suatu data dikatakan baik apabila data tersebut berada di sekitar garis regresi. Kenyataannya, terkadang terdapat
Lebih terperinciS T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON
S T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2010 PENDUGAAN PARMETER IV. PENDUGAAN PARAMETER Populasi N Sampling Sampel n Rata-rata : μ Simp. Baku : σ Ragam
Lebih terperinciAnalisis Komponen Utama (Principal component analysis)
Analisis Komponen Utama (Principal component analysis) A. LANDASAN TEORI Misalkan χ merupakan matriks berukuran nxp, dengan baris-baris yang berisi observasi sebanyak n dari p-variat variabel acak X. Analisis
Lebih terperinciBAB III ANALISIS KORELASI KANONIK ROBUST DENGAN METODE MINIMUM COVARIANCE DETERMINAN
BAB III ANALISIS KORELASI KANONIK ROBUST DENGAN METODE MINIMUM COVARIANCE DETERMINAN 3.1 Deteksi Pencilan Multivariat Pengidentifikasian pencilan pada kasus multivariat tidaklah mudah untuk dilakukan,
Lebih terperinciREGRESI ROBUST DENGAN ESTIMASI-GS (GENERALIZED S-ESTIMATION ) PADA PENJUALAN TENAGA LISTRIK DI JAWA TENGAH TAHUN 2010
REGRESI ROBUST DENGAN ESTIMASI-GS (GENERALIZED S-ESTIMATION ) PADA PENJUALAN TENAGA LISTRIK DI JAWA TENGAH TAHUN 2010 oleh YURISTA WULANSARI NIM. M 0108073 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian
Lebih terperinciREGRESI ROBUST DENGAN METODE CONSTRAINED M ESTIMATION PADA PRODUKSI PADI SAWAH DI JAWA TENGAH. oleh IDA YUSWARA DYAH PITALOKA M
REGRESI ROBUST DENGAN METODE CONSTRAINED M ESTIMATION PADA PRODUKSI PADI SAWAH DI JAWA TENGAH oleh IDA YUSWARA DYAH PITALOKA M0108046 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh
Lebih terperinciBAB. IX ANALISIS REGRESI FAKTOR (REGRESSION FACTOR ANALYSIS)
BAB. IX ANALII REGREI FAKTOR (REGREION FACTOR ANALYI) 9. PENDAHULUAN Analisis regresi faktor pada dasarnya merupakan teknik analisis yang mengkombinasikan analisis faktor dengan analisis regresi linier
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian Penelitian mengenai faktor-faktor yang mempengaruhi realisasi kredit BNI Tunas Usaha ini dilakukan pada Unit Kredit Kecil (UKC) Cabang Karawang. Bank
Lebih terperinciREGRESI LINIER. b. Variabel tak bebas atau variabel respon -> variabel yang terjadi karena variabel bebas. Dapat dinyatakan dengan Y.
REGRESI LINIER 1. Hubungan Fungsional Antara Variabel Variabel dibedakan dalam dua jenis dalam analisis regresi: a. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia.
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 terperinciPERBANDINGAN METODE KEKAR BIWEIGHT MIDCOVARIANCE DAN MINIMUM COVARIANCE DETERMINANT DALAM ANALISIS KORELASI KANONIK FREZA RIANA
PERBANDINGAN METODE KEKAR BIWEIGHT MIDCOVARIANCE DAN MINIMUM COVARIANCE DETERMINANT DALAM ANALISIS KORELASI KANONIK FREZA RIANA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012 i PERNYATAAN MENGENAI
Lebih terperinciBAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT
BAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT Model fungsi transfer multivariat merupakan gabungan dari model ARIMA univariat dan analisis regresi berganda, sehingga menjadi suatu model yang mencampurkan pendekatan
Lebih terperinciREGRESI ROBUST MM-ESTIMATOR UNTUK PENANGANAN PENCILAN PADA REGRESI LINIER BERGANDA
REGRESI ROBUST MM-ESTIMATOR UNTUK PENANGANAN PENCILAN PADA REGRESI LINIER BERGANDA SKRIPSI Disusun Oleh : SHERLY CANDRANINGTYAS J2E 008 053 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
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 terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
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 terperinciMETODE PARTIAL LEAST SQUARES UNTUK MENGATASI MULTIKOLINEARITAS PADA MODEL REGRESI LINEAR BERGANDA
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 3 (2014), hal 169 174. METODE PARTIAL LEAST SQUARES UNTUK MENGATASI MULTIKOLINEARITAS PADA MODEL REGRESI LINEAR BERGANDA Romika Indahwati,
Lebih terperinciviii METODE REGRESI LEAST TRIMMED SQUARES PADA DATA YANG MENGANDUNG PENCILAN ANNI FITHRIYATUL MAS UDAH
viii METODE REGRESI LEAST TRIMMED SQUARES PADA DATA YANG MENGANDUNG PENCILAN ANNI FITHRIYATUL MAS UDAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
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. Analisis regresi merupakan sebuah alat statistik yang memberi penjelasan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan sebuah alat statistik yang memberi penjelasan tentang pola hubungan (model) antara dua peubah atau lebih (Draper dan Smith, 1992).
Lebih terperinciBAB III PEREDUKSIAN RUANG INDIVIDU DENGAN ANALISIS KOMPONEN UTAMA. Analisis komponen utama adalah metode statistika multivariat yang
BAB III PEREDUKSIAN RUANG INDIVIDU DENGAN ANALISIS KOMPONEN UTAMA Analisis komponen utama adalah metode statistika multivariat yang bertujuan untuk mereduksi dimensi data dengan membentuk kombinasi linear
Lebih terperinciMETODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE
METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2010 RINGKASAN
Lebih terperinciBAB III KAJIAN SIMULASI
BAB III Kajian Simulasi 12 BAB III KAJIAN SIMULASI 3.1 Kajian simulasi tentang efektifitas pengujian 1 outlier Kajian terhadap literatur menghasilkan kesimpulan bahwa pendeteksian outlier dengan menggunakan
Lebih terperinciS T A T I S T I K A OLEH : WIJAYA
S T A T I S T I K A OLEH : WIJAYA email : zeamays_hibrida@yahoo.com FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2009 IV. PENDUGAAN PARAMETER Populasi Sampling Sampel N n Rata-rata : μ Simp.
Lebih terperinciIII. HASIL DAN PEMBAHASAN
III. HASIL DAN PEMBAHASAN 3.1 Statistik Data Plot Contoh Jumlah total plot contoh yang diukur di lapangan dan citra SPOT Pankromatik sebanyak 26 plot contoh. Plot-plot contoh ini kemudian dikelompokkan
Lebih terperinciMetode Statistika Pertemuan XII. Analisis Korelasi dan Regresi
Metode Statistika Pertemuan XII Analisis Korelasi dan Regresi Analisis Hubungan Jenis/tipe hubungan Ukuran Keterkaitan Skala pengukuran variabel Pemodelan Keterkaitan Relationship vs Causal Relationship
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 terperinciHASIL DAN PEMBAHASAN. Model Regresi Logistik Biner untuk data Hasil Pembangkitan
HASIL DAN PEMBAHASAN Model Regresi Logistik Biner untuk data Hasil Pembangkitan Model regresi logistik digunakan untuk menggambarkan hubungan antara peubah respon dan peubah penjelas pada data hasil pembangkitan.
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan tingkat
BAB 2 LANDASAN TEORI 2.1 Pengertian Analisis Regresi dan Korelasi 2.1.1 Analisis Korelasi Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan tingkat hubungan Y dan X dalam bentuk
Lebih terperinciBAB III MODEL REGRESI DATA PANEL. Pada bab ini akan dikemukakan dua pendekatan dari model regresi data
BAB III MODEL REGRESI DATA PANEL Pada bab ini akan dikemukakan dua pendekatan dari model regresi data panel, yaitu pendekatan fixed effect dan pendekatan random effect yang merupakan ide pokok dari tugas
Lebih terperinciPEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)
PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing
Lebih terperinciJudul : Perbandingan Metode MCD Bootstrap dan. Analisis Regresi Linear Berganda. Pembimbing : 1. Dra. Ni Luh Putu Suciptawati,M.Si
Judul : Perbandingan Metode MCD Bootstrap dan LAD Bootstrap Dalam Mengatasi Pengaruh Pencilan Pada Analisis Regresi Linear Berganda Nama : Ni Luh Putu Ratna Kumalasari Pembimbing : 1. Dra. Ni Luh Putu
Lebih terperinciKOEFISIEN DETERMINASI REGRESI FUZZY SIMETRIS UNTUK PEMILIHAN MODEL TERBAIK. Iqbal Kharisudin. Jurusan Matematika FMIPA Universitas Negeri Semarang
KOEFISIEN DETERMINASI REGRESI FUZZY SIMETRIS UNTUK PEMILIHAN MODEL TERBAIK S-33 Iqbal Kharisudin Jurusan Matematika FMIPA Universitas Negeri Semarang Email: iqbal_kh@staff.unnes.ac.id Abstrak: Dalam analisis
Lebih terperinciBAB I PENDAHULUAN. suatu metode yang disebut metode kuadrat terkecil (Ordinary Least Square OLS).
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam penaksiran koefisien-koefisien regresi linier, biasanya kita digunakan suatu metode yang disebut metode kuadrat terkecil (Ordinary Least Square OLS).
Lebih terperinciPencilan. Pencilan adalah pengamatan yang nilai mutlak sisaannya jauh lebih besar daripada sisaan-sisaan lainnya
Pencilan Pencilan adalah pengamatan yang nilai mutlak sisaannya jauh lebih besar daripada sisaan-sisaan lainnya Bisa jadi terletak pada tiga atau empat simpangan baku atau lebih jauh lagi dari rata-rata
Lebih terperinci(R.14) METODE MINIMUM COVARIANCE DETERMINANT PADA ANALISIS REGRESI LINIER BERGANDA DENGAN KASUS PENCILAN
(R.14) MEODE MINIMUM COVARIANCE DEERMINAN PADA ANALISIS REGRESI LINIER BERGANDA DENGAN KASUS PENCILAN Dini Aderlina, Firdaniza, Nurul Gusriani Jurusan Matematika FMIPA Universitas Padjadjaran Jl. Raya
Lebih terperinciPelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi. Bertho Tantular 1)
Pelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi S-28 Bertho Tantular 1) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD berthotantular@gmail.com Abstrak Secara umum model
Lebih terperinciBAB 2 LANDASAN TEORI
19 BAB 2 LANDASAN TEORI 2.1. Metode Analisis Data 2.1.1. Uji Validitas Validitas adalah suatu ukuran yang membuktikan bahwa apa yang diamati peneliti sesuai dengan apa yang sesungguhnya ada dalam dunia
Lebih terperinciStatistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak
BAB 2 LANDASAN TEORI 2.1 Pengertian Analisis Regresi Statistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak mendapatkan perhatian dan dipelajari oleh ilmuan dari hampir semua ilmu bidang
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini menggunakan data sekunder tahunan Data sekunder
III. METODE PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunakan data sekunder tahunan 2000-2011. Data sekunder tersebut bersumber dari Lampung dalam Angka (BPS), Badan Penanaman Modal Daerah
Lebih terperinciMANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO
MANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2011 RINGKASAN MAGRI HANDOKO. Manajemen
Lebih terperinciForum Statistika dan Komputasi, Oktober 2009 p : ISSN :
, Oktober 2009 p : 26-34 ISSN : 0853-8115 Vol 14 No.2 METODE PENDUGAAN MATRIKS RAGAM-PERAGAM DALAM ANALISIS REGRESI KOMPONEN UTAMA (RKU) (Variance-Covariance Matrix Estimation Method for Principal Component
Lebih terperinciBAB 2 LANDASAN TEORI
9 BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Analisis Regresi Perubahan nilai suatu variabel dapat disebabkan karena adanya perubahan pada variabel - variabel lain yang mempengaruhinya. Misalnya pada kinerja
Lebih terperinciAnalisis Regresi 2. Pokok Bahasan : Asumsi sisaan dan penanganannya
Analisis Regresi 2 Pokok Bahasan : Asumsi sisaan dan penanganannya Tujuan Instruksional Khusus : Mahasiswa dapat menjelaskan asumsi-asumsi yang melandasi analisis regresi linier sederhana dan berganda,
Lebih 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 terperinci