PEMODELAN STATISTICAL DOWNSCALLING DENGAN PENDEKATAN REGRESI BAYES ROBUST PCA (STUDI KASUS : DATA GCM STASIUN AMBON)
|
|
- Suhendra Susman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Jural Barekeg Vol 6 No Hal (0) PEMODELAN STATISTICAL DOWNSCALLING DENGAN PENDEKATAN REGRESI BAYES ROBUST PCA (STUDI KASUS : DATA GCM STASIUN AMBON) FERRY KONDO LEMBANG Staf Jurusa Matematka, FMIPA, Uatt Jl Ir M Putuhea, Kamus Uatt, Poka-Ambo e-mal: ferrykodolembag@yahoocod ABSTRACT Masalah medasar dar redks redks model curah huja adalah keakurata model berdasarka roses stokhastk skala global mauu skala kecl Statstcal Dowscallg (SD) meruaka salah satu alteratf utuk megatas masalah tersebut SD adalah model yag meghubugka skala global GCM dega skala yag lebh kecl (lokal) dega jala ra-emrosesa reduks dmes doma grd utuk megatas kasus multkoleartas Metode reduks dmes yag serkal dguaka adalah Prcal Comoet Aalyss (PCA) Namu PCA tdak daat dadalka jka ada egamata outler dalam data, sehgga derluka reduks dmes yag robust Reduks dmes robust megguaka Robust Prcal Comoet Aalyss (ROBPCA) dega estmator robust Dar hasl reduks dmes doma grd tersebut selajutya dregreska dega varabel reso berua data curah huja d stasu Ambo dega edekata regres Bayes Pedekata regres Bayes ROBUST PCA mejad salah satu alteratf ada emodela SD Hasl Peelta meujukka Metode regres Bayes ROBPCA cederug lebh bak ada doma 8x8 dlhat ada krtera kebaka model RMSE terkecl yatu 3,4 da R-Square terbesar 38,% dbadgka doma 3x3 da doma x Keywords: Statstcal Dowscallg, GCM, ROBPCA, Regres Bayes PENDAHULUAN Aalss regres meruaka aalss statstka yag bertujua utuk memodelka hubuga atara varabel bebas (X) da varabel tdak bebas (Y) Metode Ordary Least Square (OLS) meruaka salah satu metode estmas arameter yag alg terkeal dalam model regres karea relath mudah Kemudaha tersebut sebaga akbat adaya beberaa asums yag cuku ketat atara la asums error detk deede da berdstrbus ormal yag harus deuh sehgga aka deroleh satu model taksra utuk semua model data serta tdak terjad koleartas gada atara varabel bebas Bayak metode estmas arameter yag dguaka utuk megatas adaya multkoleartas, atara la: regres komoe utama, regres kuadrat terkecl arsal (PLS), regres rdge, serta edekata regres Bayes (Box ad Tao, 973) Salah satu eeraa yag dagga sebaga eeraa edekata regres Bayes dalam aalss regres adalah Regres rdge Jka ada metode Ordary Least squares (OLS) arameter regres ( ) dasumska kosta, teta ada edekata Bayes arameter model dasumska memlk sebara tertetu Iformas dsebut formas ror Udate formas ror ada arameter megguaka formas samel yag terdaat dalam data (melalu fugs lkelhood), sehgga deroleh formas osteror yag aka dguaka utuk egambla keutusa (Gelma, dkk, 995 dalam Prastyo, 008) Pror ada regres rdge adalah ~ N, I yag berart arameter regres deede satu sama la Pada beberaa kasus, korelas datara varabel deede terjad dega ola yag khusus (tertetu),
2 Barekeg Vol 6 No Hal (0) msalya ada model curah huja dega data luara GCM Namu formas GCM sfatya global da tdak berlaku utuk formas skala kecl, sehgga utuk mejembata Skala GCM ke Skala Kecl daka Tekk Dowscallg (Wgea, 006) yag meruaka tekk ereduksa dmes Metode reduks dmes dalam raemrosesa yag dguaka atara la : Prcal Comoet Aályss (PCA), Trasformas Wavelet Dskrt (TWD) (Aggrae, 009), Kerel PCA (Maorag, 009), da ROBUST PCA (Khotmah, 009) Hasl reduks dmes dalam ra-emrosesa megguaka ROBUST PCA utuk medaatka valdas model curah huja bsa dselesaka dega edekata regres bayes sehgga dkeal dega stlah regres Bayes ROBUST PCA Dalam ersektf statstka ermasalaha meruaka emodela hubuga atara varabel klm stasu skala besar dega komoe utama hasl reduks ra-emrosesa ROBUST PCA Komoe utama hasl reduksdmes ROBUST PCA dbag atas komoe yatu, data -samle utuk medaatka model da data out-samle utuk medaatka valdas model Krtera kebaka model utuk erbadga kerja hasl reduks dmes PCA dega model regres Bayes ROBUST PCA adalah RMSEP da R redct Nla RMSEP meruaka la dar error hasl taksra sehgga model terbak adalah model dega RMSEP mmum yag meadaka la taksra medekat la sebearya sedagka semak besar la R redct, maka semak bak ula model yag ddaatka karea mamu mejelaska lebh bayak data (Draer da Smth,996) TINJAUAN PUSTAKA Prcal Comoet Aalyss (PCA) PCA adalah suatu rosedur utuk mereduks dmes data dega cara metrasformas varabel-varabel asl yag berkorelas mejad satu set varabel baru yag deede yag meruaka kombas ler dar varabel asal sedemka hgga varas mejad maksmum (Johso, 00) ' Msalka vektor radom X X, X,, X yag terdr dar sejumlah observas sebayak varabel da memuya matrks vara-kovara Σ Σ memuya asaga egevalue-egevektor e, e,, e, dmaa 0 Maka kombas ler PC daat dtuls sebaga berkut : Z e X e X e X e X Z e X e X e X e X Z e X e X e X e X Model PC ke- daat juga dtuls dega otas Z ex dmaa : =,,, da oleh kareaya : Var( Z ) e e,,, ' 46 ' Cov( Z, Zk ) e ek k PC tdak berkorelas da memuya varas yag sama dega egevalue dar, sehgga: Var X tr, maka: Proors varas ke- = Aabla PC yag dambl sebayak k dmaa (k<), maka: k Proors varas k PC = Meurut Johso (00) da Jollfe (986) ada beberaa acua dalam meetuka bayakya PC, yatu: melhat scree lot, melhat egevalueyag lebh besar dar satu, da total varas yag daat djelaska adalah 80 sama 90 erse Pedeteksa Outler Outler meruaka suatu egamata yag meymag cuku jauh dar egamata laya sehgga membulka kecurgaa bahwa egamata tersebut berasal dar dstrbus data yag berbeda (Hawks dalam Sujatmko, 005:4) Pada data uvarate, egamata outler daat dega mudah terlhat dega megguaka beberaa lot sederhaa, seert scatter lot, steam ad leaf, boxlot, da sebagaya, sedagka ada data multvarate detfkas outler umumya ddasarka ada Mahalaobs Dstace (MD), T d x μ Σ x μ (5) MD dega μ meruaka vektor rata-rata data da Σ meruaka matrks vara-kovara Suatu egamata ddetfkas sebaga outler jka suatu egamata memuya la d MD lebh besar dar, Namu detfkas outler ada data multvarate dega jarak mahalaobs tdak maksmal karea adaya efek maskg (adaya egamata outler la yag berdekata) da swamg (adaya egamata yag buka outler yag terdetfkas sebaga outler) (Rousseeuw da Va Zomere, 990) Oleh karea tu, dguaka Robust Dstace (RD) dega estmator (Rocke da Woodruff, 996), sehgga RD daat dtulska, RD T d x T(X) C(X) x T(X) (6) sama halya dega MD, sebuah egamata x ddetfkas sebaga outler jka memuya la d RD lebh besar dar, Estmator Metode meruaka uaya utuk meemuka h observas ( h ) yag memlk determa matrks vara-kovara terkecl dega [( )/] h mdet CX j, j =,,, h Kodo Lembag
3 Barekeg Vol 6 No Hal (0) d maa C(X) adalah matrks vara-kovara berdasarka egamata x dega J Estmator dberka h oleh: TX x da h C X h t x x h T X T X mecar subsamel h, sebayak C h, sehgga utuk besar dbutuhka komutas yag ajag utuk meemuka estmator Oleh karea tu, utuk memmalsas waktu komutas dguaka algortma FAST- oleh Rousseeuw da Va Dresse (999) It dar algortma FAST- adalah C-Ste TeoremaC-Stes t Dketahu X x,,x meruaka hmua data sejumlah observas yag terdr dar varabel Msal H,, dmaa H h Tetaka h T : h x da h t C : H h x T x T Jka H det (C ) 0 defska jarak relatf : d t x T C x T, =,, Selajutya ambl hmua H sedemka sehgga, d ; H: d,, d d maa d d d : h: : : : meruaka uruta jarak, kemuda T da C dhtug berdasarka hmua H Sehgga det C det C, aka sama jka da haya jka T =T da C =C Tetaka T(X) dac(x) sebaga estmator dar subsamel yag memberka determa matrks vara-kovara mmum Berdasaka subsamel yag memberka determa matrks vara-kovara mmum dberka embobota ada data, t jka( x ) ( ) { T(X) C(X) x T(X) w 0 laya Selajutya estmator adalah: T(X) C(X) wx w da ( )( ) t w x T(X) x T(X) w Regres Ler Aalss regres adalah aalss statstka yag bertujua utuk memodelka hubuga atara varabel redkta (reso) dega varabel ejelas (Walole, 995) Secara umum model yag meggambarka hubuga atara varabel ejelas (X) dega varabel reso (Y) adalah: Y= f(x) + (), dalam betuk matrks model regres dyataka dega (Draer da Smth, 99) : Y X X β0 ε Y X X β ε Y X X β ε Krtera yag sergkal dguaka utuk kebaka model regres adalah RMSE da R Nla RMSE meujukka keakurata suatu model, sehgga model yag bak adalah model dega la RMSE kecl Nla RMSE dar model daat deroleh dar ersamaa: ˆ Y Y RMSE sedagka R meujukka roors keragama total la-la varabel reso yag daat dteragka oleh varabel-varabel redktor dalam model yag dguaka Secara umum, semak besar la R suatu model, maka model tersebut semak bak Nla R daat dhtug dar, ( Y ˆ Y ) SSError R SS Total ( Y Y) Regres Bayes Model bayesa dkembagka dar teorema bayes Teorema bayes dguaka sebaga dasar dar metode eaksra arameter suatu dstrbus atau suatu model Dalam teorema bayes, besara arameter dsajka sebaga berkut : Lx x x dega adalah dstrbus ror, x lkelhood dar samel, da x L adalah adalah dstrbus osteror dar Pembaharua formas ror ada arameter megguaka formas samel yag terdaat dalam data (melalu fugs lkelhood), sehgga deroleh formas osteror yag aka dguaka utuk egambla keutusa Pedekata Bayes dalam regres dlakuka dega membetuk sebara osteror dar arameter (Ldley ad Smth, 97; Berger, 985 dalam Setawa, 003) Posteror meruaka hasl kal atara ror dega fugs kemugka Model umum regres ormal gada dega k buah eubah bebas (termasuk terse) adalah : y X dasumska ~ N(, V) dmaa V adalah matrks ragam-eragam sehgga smetrs, sedagka y ~ N X, I adalah : Dega demka fugs rorya k / / T V ex V Kodo Lembag
4 Barekeg Vol 6 No Hal (0) Fugs kemugka dar model regres ormal gada adalah : / T l y ex y X y X GCM GCM adalah suatu model berbass komuter yag terdr dar berbaga ersamaa umerk da determstk yag teradu da megkut kadah-kadah fska Model meduga erubaha usur-usur cuaca dalam betuk luara grd-grd yag berukura km meurut ltag da bujur (vo Stroch et al 993 dalam Sutko, 008) GCM meruaka suatu alat etg dalam stud keragama klm da erubaha klm (Zorta da Storch, 999) Namu formas GCM mash berskala global, sehgga sult utuk memeroleh lagsug formas berskala lokal dar GCM Teta GCM mash mugk dguaka utuk memeroleh formas skala lokal atau regoal bla tekk dowscalg dguaka (Feradez, 005 dalam Wgea, 006) Dowscalg ddefska sebaga uaya meghubugka atara srkulas varabel skala global (varabel ejelas) da varabel skala lokal (varabel reso) (Sutko, 008) Utuk mejembata skala GCM yag besar dega skala yag lebh kecl ( kawasa yag mejad stud) dguaka tekk Statstcal Dowscalg (SD) SD adalah suatu roses dowscalg yag bersfat statk dmaa data ada grd-grd berskala besar dalam erode da jagka waktu tertetu dguaka sebaga dasar utuk meetuka data ada grd berskala lebh kecl (Wgea, 006) Pedekata SD megguaka data regoal atau global utuk memeroleh hubuga fugsoal atara skala lokal dega skala global GCM Secara umum betuk hubuga tersebut dyataka dega: Y = f(z) + ε dmaa: Y : varabel reso (curah huja) Z :varabel ejelas (gabuga dar hasl reduks sasal (ltag-bujur) varabel GCM) ε : ssaa METODOLOGI PENELITIAN Data yag dguaka adalah data sekuder yag deroleh dar data luara GCM model CSIRO-Mk3 dar Australa, dega doma GCM yag dguaka adalah doma 3x3 (9 grd), doma 8x8 (64 grd), da doma x (44 grd) Lokas grd yag dambl adalah dtegah-tegah Kabuate Kota Ambo Perode data yatu tahu Varabel yag dguaka ada eelta adalah varabel luara CSIRO Mk3 sebaga varabel redktor yag melut: rectable water (PRW), tekaa 48 ermukaa laut (SLP), komoe ag merdoal (VA), komoe zoal (UA), ketgga geootesal (ZG), da kelembaba sesfk (HUS) Ketgga (level) yag dguaka dalam eelta adalah 850 hpa, 500 hpa, da 00 hpa Sedagka varabel reso (6) yatu data curah huja bulaa Stasu Kota Ambo Adau tahaatahaa aalss data dalam eelta, yatu : Melakuka stadarsas data Mecar komoe utama megguaka rcal comoet aalyss (PCA) dega lagkah seert berkut: a Membuat matrks vara-kovaras Σ b Meuruka la akar karakterstk (ege value) λ dega ersamaa Σ 0 da ege vektor dega ersamaa ΣX X c Meetuka jumlah komoe utama yag dbagktka (dega melhat keragama kumulatf yag lebh besar sama dega 85%) d Medaatka varabel baru yatu z CPCA Mecar komoe utama megguaka robust rcal comoet aalyss (ROBPCA), dega lagkah seert berkut: a Meetuka eleme subsamel dar X, yatu X yag deroleh dar observas terlh h detc X b Meetuka TX da CX, da vc X c Meetuka RD d Megurutka la RD e Observas yag memuya la RD terkecl ke- sama dega terkecl ke-h dguaka sebaga X h f Megulag lagkah b-d sama deroleh subsamel yag koverge, yatu det X det X da C C Tetaka T X C X sebaga estmator subsamel yag memuya determa matrks varakovara mmum g Berdasarka subsamel yag memberka determa matrks vara-kovara mmum, dberka embobota w terhada data: h Medaatka estmator : T(X) da C(X) Meetuka la akar karakterstk (ege value) λ dega meghtug C(X) 0 da ege vektor dega ersamaa C(X) X X e Meetuka jumlah komoe utama yag dbagktka (dega dega melhat keragama kumulatf yag lebh besar sama dega 85%) f Medaatka varabel baru yatu z ROBPCA Kodo Lembag
5 Barekeg Vol 6 No Hal (0) 3 Melakuka regres lear bergada dega varabel ejelas adalah komoe utama yag dhaslka dar masg-masg metode, dega model regresya Y = f(z) + ε 4 Megaalss kerja hasl reduks dmes da emodela SD dega metode ROBUST PCA HASIL DAN PEMBAHASAN Pra-emrosesa Pemodela SD Lagkah awal dalam emodela SD adalah reduks dmes, yag sergkal dsebut sebaga ra-emrosesa data Pereduksa dlakuka ada dmes sasalya yatu ltag da bujur atau dsebut grd da ada semua varabel d seta level serta ada seta doma Dalam hal seta grd adalah varabel redktor, sehgga ada doma 3x3, 8x8, da xsecara beruruta ada 9, 64, da 44 varabel yag aka dreduks Metode Reduks Dmes Robust PCA Berdasarka Krtera beberaa komoe utama ertamaya telah meeragka keragama data lebh besar sama dega 85% maka tabel dbawah meeragka PC otmal dar metode reduks dmes Robust PCA Tabel Jumlah PC Otmal da Keragama Kumulatf PC Varabel Luara GCM dega Megguaka Metode ROBPCA 49 Secara umum, varabel ada level ermukaa memuya komoe utama yag semak bayak sebadg dega semak luasya doma, kecual varabel SLP Namu, hal tersebut juga tdak berlaku utuk varabel ZG00, ZG500, da ZG850, karea cuku dega satu komoe utama, varabel tersebut sudah mamu mejelaska lebh dar 85% ada seta doma Berbeda dega varabel HUSS, VAS, VA00, VA500, da VA850 yag memerluka cuku bayak komoe utama agar mamu mejelaska lebh dar 85% total keragama data Pemodela SD Taha berkutya adalah emodela SD Pemodela SD megguaka regres ler bergada, dega varabel redktor adalah gabuga dar varabel hasl reduks dmes varabel-varbel GCM ada masg-masg doma berdasarka metode ROBUST PCA da varabel reso yatu data curah huja bulaa stasu Ambo Pemodela SD dega metode regres Bayes ROBPCA megguaka varabel redktor yag meruaka gabuga dar varabel hasl reduks dmes varabelvarabel GCM dega metode ROBPCA yag dlakuka ada seta doma Pada doma 3x3 megguaka 6 varabel redktor, ada doma 8x8 megguaka 7 varabel redktor, da ada dom a x megguaka 38varabel redktor (lhat Tabel ) Nla RMSE da R hasl emodela SD dega megguaka metode regres bayes ROBPCA ada masg-masg stasu da doma tergkas dalam Tabel berkut: Tabel RMSE da R Pemodela SD dega Metode Regres BAYES ROBPCA Berdasarka Tabel dketahu hasl reduks dmes varabel luara GCM dega megguaka metode ROBPCA Pada doma 3x3, jumlah komoe utama otmal yag terbetuk dega keragama yag daat dteragka lebh besar sama dega 85% adalah satu komoe utama Pada doma 8x8, komoe utama otmal yag dguaka atara satu sama dega tga komoe utama Pada doma x, komoe utama otmal yag dguaka tdak lebh dar emat komoe utama, kecual varabel HUSS da VA500 yag megguaka lma komoe utama Berdasarka Tabel dketahu bahwa kerja emodela SD atardoma tdak ada erbedaa yag sgfka utuk stasu Ambo Semak luas doma semak besar la R da semak kecl la RMSE-ya Nla RMSE ada doma 8x8 teryata lebh kecl dar la RMSE ada doma 3x3 da x Hal berart semak luas doma tdak mejam megkatka keakurata suatu model da sebalkya Haya saja, utuk ukura R-square terbesar 38, % belum daat dgologka model layak dguaka sebab krtera layakya model adalah 80% KESIMPULAN Berdasarka tujua eelta serta memerhatka aalss da embahasa ada bab sebelumya, maka deroleh kesmula sebaga berkut: Kodo Lembag
6 Barekeg Vol 6 No Hal (0) 50 Total varabel redktor yag dhaslka metode ROBPCA meurut doma secara beruruta adalah 6, 7, da 38 varabel Pemodela SD dlakuka dega megguaka regres Bayes, dega varabel redktor adalah gabuga dar varabel hasl reduks dmes varabel GCM ada masg-masg doma berdasarka metode ROBPCA da varabel reso yatu data curah huja bulaa kota Ambo Tdak terdaat kosstes luasa doma terhada besar keclya la RMSE da R Utuk kasus, model ada doma 8x8 mejad yag alg bak sebab meghaslka la RMSE terkecl da R-Square terbesar DAFTAR PUSTAKA Draer, NR da Smth, H (99) Aalss Regres Teraa, Eds kedua Jakarta: PT Grameda Pustaka Utama Johso, RA ad Wcher, DW (00) Aled Multvarate Statstcal Aalyss 5th Ed New Jersey: Pretce Hall Jollffe, IT (986) Prcal Comoet Aalyss, Secod Ed New York: Srger-Verlag Rousseeuw, PJ ad Va Zomere, BC (990) Umaskg Multvarate Outlers ad Leverage Pots, Joural of the Amerca Statstcal Assocato, 85, Rousseeuw, PJ, ad Va Dresse, K (999) A Fast Algorthm for the Mmum Covarace Determat Estmator, Techometrcs, Vol 4, No 3, -3 Sujatmko, Irwa (005) Aalss Komoe Utama dega Megguaka Matrks Varas-Kovaras yag Robust Tess Jurusa Statstk-ITS Surabaya Sutko (008) Statstcal Dowscalg Luara GCM da Pemafaataya utuk Peramala Produks Pad Dsertas Bogor: Program Pascasarjaa, Isttut Pertaa Bogor Walole, R E (995) Pegatar Statstka, Eds ketga Jakarta: PT Grameda Pustaka Utama Wgea, AH (006) Pemodela Statstcal Dowscalg dega Regres Projecto Pursut utuk Peramala Curah Huja Bulaa Dsertas Bogor: Program Pascasarjaa, Isttut Pertaa Bogor Zorta, E ad vo Storch, H, (999): The aalog method as a smle statstcal dowscalg techque: comarso wth more comlcated method, Joural of Clmate,, Kodo Lembag
BAB III ISI. x 2. 2πσ
BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)
Lebih terperinci( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:
5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut
Lebih terperinciBAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.
BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska
Lebih terperinciBAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier
BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres
Lebih terperinciANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:
ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X
Lebih terperinciRuang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA
Ruag Baach Sumaag Muhtar Gozal UNIVERSITAS PENDIDIKAN INDONESIA Satu kose etg d kulah Aalss ugsoal adalah teor ruag Baach. Pada baga aka drevu defs, cotoh-cotoh, serta sfat-sfat etg ruag Baach. Kta aka
Lebih terperinciBAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai
BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres
Lebih terperinciPENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD
PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan
BAB II LANDASAN TEORI Pada bab aka dbahas megea dasar-dasar teor ag aka dguaka dalam eulsa skrs, atu megea data hrark, model regres -level, model logstk, estmas arameter model logstk, uj sgfkas arameter
Lebih terperinciPEMODELAN SAISICAL DOWNSCALING LUARAN GCM DENGAN PENDEKAAN REGRESI KONINUM DAN PRA-PEMROSESAN PCA (Stud Kasus: Pemodela Statstcal Doscalg d Stasu Losarag, Idramayu, Yutyuat, Ambo, da Potaak) Hedy Puromoad,
Lebih terperinciBAB III ESTIMASI MODEL PROBIT TERURUT
BAB III ESTIMASI MODEL PROBIT TERURUT 3. Pedahulua Model eurua kods embata destmas dega model robt terurut. Estmas terhada arameter model robt terurut yatu koefse model da threshold dlakuka dega metode
Lebih terperinciPERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM
PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka
Lebih terperinciESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE.
Prosdg Semar Nasoal Alkas Sas & Tekolog (SNAST) Yogakarta, 6 November 6 ISSN : 979 9X eissn : 54 58X ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE Noerat, Rka Herda,, Jurusa Statstka,
Lebih terperinciDi dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu
KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua
Lebih terperinciProses inferensi pada model logit Agus Rusgiyono. Abstracts
Proses eres ada model logt Agus Rusgoo Let dstrbuto wth Abstracts 3 rereset the resose o a omal radom varable o Beroull P P where s a arameter wth ukow value. Problems o estmatg used smallest square methods
Lebih terperinciBAB 2. Tinjauan Teoritis
BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut
Lebih terperinci11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN
// REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling
BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl
Lebih terperinciBAB 5. ANALISIS REGRESI DAN KORELASI
BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakag Masalah Regres merupaka suatu metode statstka yag dguaka utuk meyeldk pola hubuga atara dua atau lebh varabel.betuk atau pola hubuga varabelvarabel tersebut dapat ddetfkas
Lebih terperinciPenaksiran Parameter Model Regresi Polinomial Berkson Menggunakan Metode Minimum Distance
Peaksra Parameter Model Regres Polomal Berkso Megguaka Metode Mmum Dstace Da Kurawat Dearteme Matematka, FMIPA UI, Kamus UI Deok 16 da61@gmal.com Abstrak Berkso Measuremet Error Model meruaka model regres
Lebih terperinciUKURAN GEJALA PUSAT DAN UKURAN LETAK
UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu
Lebih terperinciBAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu
BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka
Lebih terperinciPENGEMBANGAN MODEL RAMALAN CURAH HUJAN UNUK PEMODELAN SAISICAL DOWNSCALLING DENGAN PENDEKAAN REGRESI BAYES PCA Oleh : Ferr Kodo Lembag, Setawa 3 Suto 3 E-mal: free_maxluz6@ahoo.com, setawa@statsta.ts.ac.d,
Lebih terperinciBab II Teori Pendukung
Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak
Lebih terperinciMINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI
MINGGU KE-0 HUBUNGAN ANTAR KONVERGENSI Hubuga atar koverges Hrark atar koverges dyataka dalam teorema berkut. Teorema Msalka X da X, X, X 3,... adalah varabel radom yag ddefska pada ruag probabltas yag
Lebih terperinciBAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam
BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma
Lebih terperinciRegresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )
Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar
Lebih terperinciBAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu
BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl
Lebih terperinciTEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas
TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,
Lebih terperinciTAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP
JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut
Lebih terperinciPenarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV
Pearka Cotoh Acak Berlas (Stratfed Radom Samlg Pertemua IV Defs Cotoh acak berlas ddaatka dega cara membag oulas mejad beberaa kelomok ag tdak salg tumag tdh, da kemuda megambl secara acak dar seta kelomokkelomok
Lebih terperinciPEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R 2, Cp MALLOW, dan S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL
Majalah Ekoom ISSN 4-950 : Vol. VII No. Des 03 PEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R, C MALLOW, da S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL Oleh : Wara Pramest, Martha Suhardyah Fakultas Matematka
Lebih terperinciBAB II LANDASAN TEORI. teori dan definisi mengenai variabel random, regresi linier, metode kuadrat
BAB II LANDASAN TEORI Sebaga pedukug dalam pembahasa selajutya, dperluka beberapa teor da defs megea varabel radom, regres ler, metode kuadrat terkecl, peguja asums aalss regres, outler, da regres robust.
Lebih terperinciPENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION. Kismiantini
PENDUGAAN BERBASIS MODEL UNUK KASUS BINER PADA SMALL AREA ESIMAION Ksmat Jurusa Peddka Matematka, Uverstas Neger Yogyakarta Karagmalag, Yogyakarta 558, Idoesa e-mal : ksm_uy@yahoo.com ABSRAK Small Area
Lebih terperinciBAB IX PENGGUNAAN STATISTIK DALAM SIMULASI
BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug
Lebih terperinciIII. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri
III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,
Lebih terperinciBAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah
BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,
Lebih terperinciAnalisis Regresi Robust Menggunakan Kuadrat Terkecil Terpangkas untuk Pendugaan Parameter
Vol. 6, No., 9-6, Jauar Aalss Regres Robust Megguaka Kuadrat Terkecl Terpagkas utuk Pedugaa Parameter Asa, Raupog, Sarmat Zaudd Abstrak Prosedur regres robust dtujuka utuk megakomodas adaya keaeha data,
Lebih terperinciPENAKSIR RASIO REGRESI LINEAR SEDERHANA UNTUK RATA-RATA POPULASI MENGGUNAKANKARAKTER TAMBAHAN
PENAKIR RAIO REGREI LINEAR EDERHANA UNTUK RATA-RATA POPULAI MENGGUNAKANKARAKTER TAMBAHAN Astar Rahmadta *, Harso, Haosa rat Mahasswa Program tud Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu
Lebih terperinciREGRESI & KORELASI LINIER SEDERHANA
. Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,
Lebih terperinciRegresi & Korelasi Linier Sederhana
Regres & Korelas Ler Sederhaa. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar la peubah
Lebih terperinciBAB 6 PRINSIP INKLUSI DAN EKSKLUSI
BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu
Lebih terperinciPENDEKATAN REGRESI KONTINUM DENGAN PRA-PEMROSESAN ANALISIS KOMPONEN UTAMA UNTUK PEMODELAN STATISTICAL DOWNSCALING
Semar Nasoal Statstka IX Isttut ekolog Sepulu Nopember, 7 November 009 PENDEKAAN REGRESI KONINUM DENGAN PRA-PEMROSESAN ANALISIS KOMPONEN UAMA UNUK PEMODELAN SAISICAL DOWNSCALING (SUDI KASUS : SASIUN INDRAMAYU,
Lebih terperinciBAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,
BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga
Lebih terperinciBAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel
BAB LANDASAN TEORI.1 Pegerta Regres Regres dalam statstka adalah salah satu metode utuk meetuka tgkat pegaruh suatu varabel terhadap varabel yag la. Varabel yag pertama dsebut dega bermacam-macam stlah:
Lebih terperinciBAB III PERSAMAAN PANAS DIMENSI SATU
BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka
Lebih terperinciABSTRAK. Ika Dewi Ariyanti 1 dan Sutikno 2
Pemodela Aomal Luas Pae Pad da Curah Huja Terbobot (Weghted Rafall Idex) dega Pedekata Robust Bootstrap LTS (Stud Kasus: Pemodela Luas Pae d Kabupate Subag) Ika Dew Aryat da Sutko Mahasswa S Statstka ITS,
Lebih terperinciUji Statistika yangb digunakan dikaitan dengan jenis data
Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas
Lebih terperinciALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS
LGORITM MENENTUKN HIMPUNN TERBESR DRI SUTU MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar Program Stud Matematka FMIP UNDIP JlProfSoedarto SH Semarag 575 bstract Ths research dscussed about how to obtaed
Lebih terperinciTAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL
TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR
Lebih terperinciINTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2
INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas
Lebih terperinciPOWER OF THE TESTS DENGAN NON-SAMPLE PRIOR INFORMATION PADA PENGUJIAN HIPOTESIS SATU ARAH
JMP : Vol. 8 No., Des. 6, hal. 89- ISSN 85-456 POWER OF THE TESTS DENGAN NON-SAMPLE PRIOR INFORMATION PADA PENGUJIAN HIPOTESIS SATU ARAH Bud Pratko Jurusa Matematka, Fakultas MIPA, UNSOED Purwokerto bratkto@gmal.com
Lebih terperinciTAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD
TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR
Lebih terperinciREPRESENTASI BILANGAN FIBONACCI DALAM BENTUK KOMBINATORIAL
REPRESENTASI BILANGAN FIBONACCI DALAM BENTUK KOMBINATORIAL Rzky Maulaa Nugraha Tekk Iformatka Isttut Tekolog Badug Blok Sumurwed I RT/RW 4/, Haurgeuls, Idramayu, 4564 e-mal: laa_cfre@yahoo.com ABSTRAK
Lebih terperinciNORM VEKTOR DAN NORM MATRIKS
NORM VEKTOR DN NORM MTRIK umaag Muhtar Gozal UNIVERIT PENDIDIKN INDONEI. Pedahulua Jka kta membcaraka topk ruag vektor maka cotoh sederhaa yag dapat kta ambl adalah ruag Eucld R. D ruag kta medefska pajag
Lebih terperinciBAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode
BAB II ANDASAN TEORI. Regres Noparametrk Metode statstka oparametrk merupaka metode statstka ag dapat dguaka dega megabaka asums-asums ag meladas pegguaa metode statstk parametrk. Terutama ag berkata dega
Lebih terperinciI adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu
METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut
Lebih terperinciAnalisis Regresi Logistik Ordinal pada Prestasi Belajar Lulusan Mahasiswa di ITS Berbasis SKEM
D- JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) 337-350 (30-98X Prt) Aalss Regres Logstk Ordal ada Prestas Belajar Lulusa Mahasswa d ITS Berbass SKEM Zakaryah da Isma Za Jurusa Statstka, FMIPA, Isttut Tekolog
Lebih terperinci3 Departemen Statistika FMIPA IPB
Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka
Lebih terperinciBAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP
BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh
Lebih terperinciRELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA. Haposan Sirait 1, Usman Malik 2 ABSTRAK
Relatf Efses Peaksr Mome Terhada Peaksr Maksmum Lkelhood RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA Haosa Srat, Usma Malk ABSTRAK Makalah
Lebih terperinciANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS
ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud
Lebih terperinciXI. ANALISIS REGRESI KORELASI
I ANALISIS REGRESI KORELASI Aalss regres mempelajar betuk hubuga atara satu atau lebh peubah bebas dega satu peubah tak bebas dalam peelta peubah bebas basaya peubah yag dtetuka oelh peelt secara bebas
Lebih terperinciPENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION 1. Kismiantini
PENDUGAAN BERBASIS MODEL UNUK KASUS BINER PADA SMALL AREA ESIMAION Ksmat Jurusa Peddka Matematka, Uverstas Neger Yogyakarta Karagmalag, Yogyakarta 5528, Idoesa e-mal : ksm_uy@yahoo.com ABSRAK Small Area
Lebih terperinciBAB II KAJIAN LITERATUR
BAB II Kaja Lteratur 4 BAB II KAJIAN LITERATUR. Jarak Mahalaobs Megut artkel tetag jarak Mahalaobs dar htt://e.wkeda.org ada 8 Maret 008, jarak Mahalaobs adalah ukura jarak yag derkealka oleh Prasata Chadra
Lebih terperinciJawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2
M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe
Lebih terperinciBAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten
BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar
Lebih terperinciRegresi Linier Sederhana Definisi Pengaruh
Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh
Lebih terperinciBAB III UKURAN PEMUSATAN DATA
BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah
Lebih terperinciX a, TINJAUAN PUSTAKA
PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel
Lebih terperinciSTATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis
STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma
Lebih terperinciPENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan
Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah
Lebih terperinciBAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.
BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah
Lebih terperinciMean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.
Mea utuk Data Tuggal Des. Jka suatu sampel berukura dega aggota x1, x, x3,, x, maka mea sampel ddesska : 1... N 1 Mea utuk Data Kelompok Des Mea dar data yag dkelompoka adalah : x x 1 1 1 dega : x = ttk
Lebih terperinciS2 MP Oleh ; N. Setyaningsih
S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal
Lebih terperinciX, Y, yang diasumsikan mengikuti model :
PERBANDINGAN MODEL REGRESI NONPARAMETRIK DENGAN REGRESI SPLINE DAN KERNEL Lls Laome Jurusa Matematka FMIPA Uverstas Haluoleo Kedar 933 emal : ls@yaoo.com Abstrak Tulsa membaas model regres oarametrk utuk
Lebih terperinciFMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani
FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk
Lebih terperinciTUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER
TUGAS ATA KULIAH TEORI RING LANJUT ODUL NOETHER Da Aresta Yuwagsh (/364/PPA/03489) Sebelumya, telah dketahu bahwa sebaga rg dega eleme satua memeuh sfat rata ak utuk deal-deal d. Apabla dpadag sebaga modul,
Lebih terperinciTAKSIRAN YANG LEBIH EFISIEN UNTUK PARAMETER PADA DISTRUSI WEIBULL. Erma Kusuma Wati 1), Sigit Sugiarto 2), Bustami 2)
TAKSIRAN YANG LEBIH EFISIEN UNTUK PARAMETER PADA DISTRUSI WEIBULL Erma Kusuma Wat, Sgt Sugarto, Bustam emakusumawat7@yahooco Mahasswa Program S Matematka Dose Matematka, Jurusa Matematka Fakultas Matematka
Lebih terperinciPendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin
4/6/015 Oleh : Fauza Am Se, 06 Aprl 015 GDL 11 (07.30-10.50) Pedahulua Aalsa regres dguaka utuk mempelajar da megukur hubuga statstk ag terjad atara dua atau lebh varbel. Dalam regres sederhaa dkaj dua
Lebih terperinciAnalisis Korelasi dan Regresi
Aalss Korelas da Regres Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uad LOGO www.themegaller.com LOGO Data varat Data dega dua varael Terhadap satu pegamata dlakuka pegukurapegamata terhadap varael
Lebih terperinciANALISIS REGRESI LINIER PIECEWISE DUA SEGMEN. Keywords: two-segment piecewise linear regression, X-knots, discharge, bedload transport.
JURNAL GAUSSIAN, Volume, Nomor, Tahu 0, Halama 9-8 Ole d: htt://ejoural-s.ud.ac.d/dex.h/gaussa ANALISIS REGRESI LINIER PIECEWISE DUA SEGMEN Sylf, Dw Isryat, Dah Saftr 3 Mahasswa Jurusa Statstka FSM Uverstas
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN
3 BAB 5 HASIL DAN PEMBAHASAN Dalam baga hasl da embahasa aka dtamlka roses aalss da egolaha data, dalam betuk deskrtf, tabel-tabel yag dguaka, gambar-gambar beserta hasl da embahasaya. Dega memerhatka
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa
Lebih terperinciPERBANDINGAN METODE CROSS VALIDATION DAN GENERALIZED CROSS VALIDATION DALAM REGRESI NONPARAMETRIK BIRESPON SPLINE
Perbadga Metode Cross Valdato Da Geeralzed Cross Valdato Dalam Regres Noarametrk Breso Sle Luh Putu Saftr Pratw PERBANDINGAN METODE CROSS VALIDATION DAN GENERALIZED CROSS VALIDATION DALAM REGRESI NONPARAMETRIK
Lebih terperinci4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data
//203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,
Lebih terperinciSIFAT-SIFAT LANJUT FUNGSI TERBATAS
Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.
Lebih terperinciIMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB
Semar Nasoal Tekolog 007 (SNT 007) ISSN : 978 9777 IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Krsawat STMIK AMIKOM Yogyakarta e-mal : krsa@amkom.ac.d
Lebih terperinciREGRESI SEDERHANA Regresi
P a g e REGRESI SEDERHANA.. Regres Istlah regres dkemukaka utuk pertama kal oleh seorag atropolog da ahl meteorology Fracs Galto dalam artkelya Famly Lkeess Stature pada tahu 886. Ada juga sumber la yag
Lebih terperinciKOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI
KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI Defl Ardh 1, Frdaus, Haposa Srat defl_math@ahoo.com
Lebih terperinciPenelitian Operasional II Teori Permainan TEORI PERMAINAN
Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game
Lebih terperinciSOLUSI TUGAS I HIMPUNAN
Program Stud S1 Tekk Iformatka Fakultas Iformatka, Telkom Uversty SOLUSI TUGAS I HIMPUNAN Matematka Dskrt (MUG2A3) Halama 1 dar 6 Soal 1 Tetukalah eleme-eleme dar hmpua berkut! 2 x x adalah blaga real
Lebih terperinciTINJAUAN PUSTAKA Evaluasi Pengajaran
TINJAUAN PUSTAKA Evaluas Pegajara Evaluas adalah suatu proses merecaaka, memperoleh da meyedaka formas yag sagat dperluka utuk membuat alteratf- alteratf keputusa. Dalam hubuga dega kegata pegajara evaluas
Lebih terperinci