BAB III ESTIMASI PARAMETER MODEL DENGAN GS2SLS. Pada bab ini akan dibahas tentang bentuk model spasial lag sekaligus
|
|
- Adi Kusuma
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB III ESTIMASI PARAMETER MODEL DENGAN GS2SLS Pada bab ii aka dibahas tetag betuk model spasial lag sekaligus spasial error da prosedur Geeralized Spatial Two Stage Least Squares (GS2SLS) utuk megestimasi parameter pada model tersebut. Selai itu aka delaska pula megeai pemiliha matriks variabel istrume da matriks bobot spasial. 3. MODEL Pada bab sebelumya telah dibahas bahwa terdapat dua jeis karateristik spasial depede yaitu spasial lag da spasial error. Ada kemugkia suatu data spasial memeuhi kedua karateristik depedesi spasial. Hal ii megartika bahwa terdapat depedesi pada ilai observasi atar lokasi disertai dega depedesi error atar lokasi. Betuk modelya merupaka gabuga model spasial lag da spasial error. Model spasial lag sekaligus spasial error tersebut adalah sebagai berikut: y=xβ + λ Wy+ u (3.) dega u= ρ Mu+ ε (3.2) Keteraga: y = vektor observasi variabel depede berukura x X = matriks k variabel idepede berukura x k 42
2 20 W, M = matriks bobot spasial terstadarisasi w =, m = j j berukura x β = vektor parameter regresi berukura k x λ, ρ = parameter skalar u = vektor error berukura x ε = vektor iovasi berukura x Utuk peyederhaaa peulisa model dapat dibetuk mejadi: y=zδ +u (3.3) dega u= ρ Mu+ ε (3.4) Z= ( X,W y ) matriks berukura x (k+) δ = ( β', λ ) ' vektor parameter berukura (k+) x Model di atas dapat ditulis secara idividual yaitu k yi = xitβj + λ wy j +u i (3.5) t= j dega ui = ρ j + m u ε i (3.6) j w = da m = j j = Pada model spasial depede jeis ii ilai observasi da ilai error pada suatu lokasi berkorelasi pada lokasi sekitarya dimaa hubuga tersebut direpresetasika oleh matriks bobot = ( w ) W da M = ( m )
3 2 Asumsi yag diguaka dalam model adalah sebagai berikut:. Matriks ( I-λW) da ( ρ ) 2. Matriks X memiliki full colum rak I- M merupaka matriks osigular 3. Vektor iovasi ε berisi kompoe radom ε, ε2,..., ε dega 2 ( i ) E ε 2 = σ da ( i ) 0 E ε = dimaa 2 0 σ b < < dega b < 4. X tidak berkorelasi dega u Utuk meghilagka autokorelasi error pada model tersebut maka aka dilakuka trasformasi Cochrae-Orcutt, yaitu sebagai berikut. Perhatika betuk model spasial lag pada betuk model (3.3). Jika kedua ruas dikalika dega ρm maka didapatka betuk ρmy = ρmzδ + ρmu (3.7) Jika persamaa (3.) dikuragka dega persamaa (3.7) maka didapat betuk atau dalam betuk lai dega * = ρ y ρmy=zδ + u ρmzδ ρmu ( y ρmy ) = ( I ρm) Zδ + ( u ρmu) y y My, * = ( ρ ) y* = Z* δ+ ε (3.8) Z I M Z, da ε = u ρmu Meskipu pada model yag telah ditrasformasi Cochrae Orcutt (persamaa 2.8) tidak lagi megadug autokorelasi pada error amu y* da Z* merupaka fugsi dari ρ. Karea ilai parameter ρ tidak diketahui
4 22 maka estimasi parameter δ belum dapat dilakuka. Oleh karea itu dibutuhka tiga tahap prosedur yag disebut Geeralized Spatial Two Stage Least Squares (GS2SLS) yaitu sebagai berikut:. estimasi parameter δ pada model (3.3) yag berisi β da λ dega metode Two Stage Least Squares (2SLS). 2. estimasi parameter ρ pada model (3.2) dega metode Geeralized Momet dega megguaka ilai residual atara ilai observasi sebearya dega ilai hasil taksira pada tahap. 3. setelah taksira ρ didapatka, estimasi kembali parameter δ pada model yag telah ditrasformasi Cochrae-Orcutt setelah mesubtitusika ˆρ yag didapat dari tahap 2 ke dalam model tersebut. 3.2 PROSEDUR ESTIMASI 3.2. Tahap : Estimasi Parameter Model Spasial Lag Pada bagia ii aka dilakuka peaksira parameter model spasial lag tapa mempertimbagka adaya spasial error. Peaksira ii megguaka metode peaksira 2SLS. Oleh karea itu aka dibahas terlebih dahulu tetag 2SLS pada model regresi secara umum.
5 Two Stage Least Square (2 SLS) Misalka dalam model regresi yag telah delaska pada BAB II, terdapat kasus dimaa terdapat variabel regressor berkorelasi dega error. Kasus ii terjadi pada model dega regressor X yag merupaka variabel radom. Karea terdapat variabel regressor X berkorelasi dega u maka asumsi E ux = 0 tidak terpeuhi. Hal ii karea ilai X pada masigmasig pegamata memberika iformasi kepada ekspektasi dari u pada pegamata tersebut. Hal ii meyebabka bahwa plim X'u 0 (3.9) (bukti pada lampira 3). Oleh karea itu, pada kasus ii kosiste utuk β. Bukti: ˆβ buka merupaka taksira yag Aka dibuktika bahwa β. ˆβ buka merupaka taksira yag kosiste utuk Dari persamaa (2.7) didapatka hasil bahwa ˆ plim β = β+ plim XX ' plim ' Xu
6 24 Karea plim X'u 0 maka plim βˆ β. Dega demikia, berdasarka defiisi 9 maka ˆβ buka merupaka taksira yag kosiste utuk β. (terbukti) Utuk megatasi hal ii maka diperluka suatu metode utuk medapatka taksira yag kosiste. Metode peaksira ii diamaka Istrumetal Variable. Pada metode peaksira Istrumetal Variable, dibutuhka variabel-variabel istrume yag memeuhi kriteria berikut. Misalka H ( x p) merupaka matriks variabel istrume yag berisi p variabel-variabel istrume. Maka H harus memeuhi sifat: i. Tidak berkorelasi dega u atau E uh = 0 ii. H harus megadug variabel miimal sebayak k atau p k sedemikia sehigga H berkorelasi dega X Karea H harus megadug variabel sebayak atau lebih bayak dari jumlah variabel X ( p k ) maka prosedur medapatka taksira pada metode Istrumetal Variable dibagi mejadi dua kasus, yaitu a) Jumlah variabel istrume p = k Formula taksira utuk pemiliha variabel istrume sebayak p = k diperoleh dega lagkah-lagkah berikut. Kalika persamaa regresi (2.4) dega traspos matriks H sehigga didapat:
7 25 H' y = H'Xβ + H'u atau [ ] H' y = H' Xβ + u (3.0) Dega megambil betuk koverge dalam probabilitas pada kedua ruas maka diperoleh plim Hy ' plim '( ) = H Xβ + u =plim HXβ ' + plim Hu ' ` (3.) Karea H tidak berkorelasi dega u maka plim ' = Hu 0 (3.2) (bukti pada lampira 4) Oleh karea itu persamaa (3.) dapat dibetuk mejadi plim Hy ' = plim ' HX β Dari hasil yag didapatka pada persamaa tersebut utuk medapatka taksira yag kosiste utuk β yaitu yag memeuhi plim ˆβ =β maka taksiraya haruslah ( ) βˆ = H'X H'y (3.3) sehigga ˆβ pada (3.3) merupaka taksira yag kosiste utuk β.
8 26 Bukti. Aka dibuktika bahwa ˆβ pada persamaa (3.3) merupaka taksira yag kosiste utuk β. Berdasarka defiisi tetag peaksir yag kosiste (defiisi 9) maka aka dibuktika bahwa plim βˆ = β. Karea y = Xβ + u maka persamaa (3.3) dapat dibetuk mejadi: ( ) ( ) βˆ = H'X H' Xβ + u = ( ) + ( ) H'X H'Xβ H'X H'u ( ) = β + H'X H'u (3.4) Oleh karea itu diperoleh bahwa ˆ plim β = β+ plim H'X plim H'u (3.5) Dari hasil pada pada persamaa (3.2) telah terbukti bahwa plim H'u = 0 sehigga dari persamaa (3.5) didapatka hasil bahwa plim βˆ = β. Berdasarka defiisi 9 maka ˆβ merupaka taksira yag kosiste utuk β. (terbukti) b) Jumlah variabel istrume p > k Jika p > k, ' HX pada persamaa (3.3) tidak memiliki ivers sehigga tidak didapatka taksira dega formula tersebut. Utuk kasus ii, diguaka metode lebih spesifik dari Istrumetal Variables yag diamaka
9 27 dega Two Stage Least Squares (2SLS). Prisip 2SLS adalah megguaka prisip OLS yag dilakuka dalam 2 lagkah, yaitu:. lakuka regresi megguaka OLS utuk X pada matriks variabel istrume sehigga dihasilka ˆX : ' ( ) - ˆ ' X=H HH HX (3.6) Persamaa (3.6) megartika bahwa regressor tidak diguaka secara lagsug melaika merupaka ilai yag dihasilka dari regresi terhadap variabel-variabel istrume. 2. lakuka regresi megguaka OLS utuk y pada ˆX utuk medapatka taksira parameter, yaitu: = ' βˆ XX ˆ ˆ Xy ˆ ' (3.7) Dega taksira ii maka ˆβ merupaka taksira yag kosiste utuk β. Bukti Aka dibuktika bahwa ˆβ pada persamaa (3.7) merupaka taksira yag kosiste utuk β sehigga berdasarka defiisi tetag peaksir yag kosiste pada defiisi 9 maka aka dibuktika bahwa plim βˆ = β. Karea y = Xβ + u maka (3.7) dapat dibetuk mejadi βˆ = ˆ ' ˆ ˆ XX Xy ' [ ] = ˆ ' ˆ ˆ XX X' Xβ + u (3.8)
10 28 Utuk peyerdehaaa betuk yag dihasilka pada (3.8) aka ditujukka bahwa ˆ ' ˆ = ˆ ' XX XX Oleh karea itu (3.8) mejadi: ( ( ) ) X ( H( H H) H ) Xˆ ' = ' ' H H H H X ' = ' ' ' ' ( ) = XHHH ' ' H' ( ) ( ) Xˆ ' Xˆ= XHHH ' ' HHHH ' ' HX ' ( ) = XHHH ' ' HX ' = ˆ ' XX [ ] βˆ = ˆ ' ˆ ˆ XX X' Xβ + u [ ] = ˆ ' ˆ XX X' Xβ + u ( ) ( ) [ ] = XHHH ' ' HX ' XHHH ' ' H' Xβ + u ( ) ( ) = XHHH ' ' HX ' XHHH ' ' HXβ ' + ( ) ( ) XHHH ' ' HX ' XHHH ' ' Hu ' ( ) ( ) = β + XHHH ' ' HX ' XHHH ' ' Hu ' (3.9) (3.20) Kemudia aka dicari betuk koverge dalam probabilitas utuk ˆβ. Dari persamaa (3.20) didapat betuk persamaa
11 29 ˆ plim β = β+ plim XHHH ' ( ' ) HX ' ' ( ' ) plim ' XHHH Hu (3.2) Pada lampira 4 telah dibuktika bahwa plim Hu ' = 0 sehigga dari persamaa (3.2) didapatkah hasil bahwa plim βˆ = β. Meurut defiisi 9 maka terbukti bahwa kosiste utuk β. ˆβ pada (3.7) merupaka taksira yag (terbukti) Estimasi Model Spasial Lag dega 2SLS Pada bagia ii aka dilakuka peaksira vektor parameter model spasial lag dega Two Stage Least Squares (2SLS). δ pada Pada model spasial lag yag dibetuk pada persamaa (3.3), terjadi kasus bahwa variabel Wy berkorelasi dega dega u (bukti pada lampira 5). Karea pada model ii terdapat kasus bahwa terdapat variabel regressor yag berkorelasi dega error maka diguaka metode peaksira 2SLS utuk meghasilka taksira yag kosiste. Formula taksira 2SLS utuk model ii adalah: ( ˆˆ ' ) dega ˆ ' ( ) - ˆ ' δ = ZZ Z y (3.22) - ( ' ) Z= X,H HH HWy di maa H adalah matriks variabel istrume. Tahap ii meghasilka model taksira spasial lag
12 30 y=xβ + λwy Model taksira ii belum merupaka model taksira akhir utuk model spasial lag karea belum memperhatika aspek spasial error yag dikadugya. Model ii diguaka utuk memperoleh ilai residual yag aka diperluka pada lagkah 2 prosedur GS2SLS Tahap 2: Estimasi Parameter ρ Pada bagia ii aka dilakuka estimasi parameter ) spasial error ρ pada model (3.2) dega metode yag diamaka Geeralized Momet. Prosedur pada tahap ii telah melibatka aspek spasial lag karea megguaka hasil yag didapat pada lagkah. Dari taksira parameter yag didapatka pada lagkah aka didapatka ilai y yag merupaka ilai yag didapatka dari model hasil taksira. Nilai residual yag didapatka dari selisih y dega ilai ŷ sebearya pada sampel diotasika sebagai u.nilai residual iilah yag aka diguaka sebagai vektor pegamata utuk variabel radom u pada model spasial error. y y = u (3.23) Prisip metode peaksira Geeralized Momet adalah memiimumka residual dari taksira kodisi mome. Karea kodisi mome direpresetasika dalam betuk persamaa mome maka metode
13 3 peaksira ii aka megguaka persamaa mome. Oleh karea itu aka dibetuk suatu persamaa mome Γα - γ =0 sedemikia sehigga α merupaka vektor parameter, Γ da γ merupaka matriks yag eleme-elemeya berupa mome. Utuk membuat persamaa mome dilakuka lagkah-lagkah sebagai berikut. bahwa Perhatika persamaa (3.2). Dari persamaa tersebut diperoleh Misalka Mu = u maka ε = u ρmu ε = u ρu (3.24) Jika kedua ruas persamaa tersebut dikalika dega matriks M maka ε = u ρu (3.25) dega ε = Mε da u= Mu Aka didapatka tiga persamaa dari hasil memaipulasi persamaa (3.24) da (3.25). Ketiga persamaa tersebut adalah 2 2 ρuu ' ρ uu ' + ε'ε = uu ' 2 2 ρuu ' ρ uu ' + ε'ε = uu ' 2 ρ( uu ' + uu ' ) ρ uu ' + ε'ε = uu ' (3.26) (bukti pada lampira 6) Dari persamaa (3.26) dapat dibetuk kodisi mome yaitu
14 ρe[ uu ' ] ρ E[ uu ' ] + E[ ε'ε] E[ uu ' ] = 0 2 ρe E E[ ] E[ ] uu ρ uu + ε'ε uu = 2 ρe ' + ' ρ E ' + E[ ] E[ ' ] = 0 uu uu uu ε'ε uu 2 ' ' ' 0 Aka dicari ilai dari [ ] (3.27) Nilai dari [ ] E ε'ε, E [ ε'ε], da E [ ε'ε] pada persamaa E ε'ε, 2 2 E[ ε'ε ] = E ε i E ε i = i i (3.27) Karea diasumsika bahwa 2 2 E ε i = σ maka 2 2 [ ] 2 E ε'ε = E ε i = σ σ = (3.28) i E Nilai dari [ ε'ε ] (bukti pada lampira 7) Nilai dari 2 E[ ε'ε] Tr( = σ M'M) (3.29)
15 33 E (bukti pada lampira 8) [ ] ε'ε = 0 (3.30) Dari hasil yag didapatka pada persamaa (3.28), (3.29), da (3.30), maka persamaa (3.27) mejadi ρe[ uu ' ] ρ E[ uu ' ] + σ E[ uu ' ] = 0 2 ρe E Tr E uu ρ uu + σ M'M uu 2 ρe ' + ' ρ E ' + 0 E[ ' ] = 0 uu uu uu uu ( ) [ ] 2 2 ' ' ' 0 Jika diotasika dalam betuk matriks maka persamaa (3.3) mejadi = (3.3) 2 E[ uu ' ] E[ uu ' ] E[ ' ] uu ρ 2 2 E ' E ' Tr( ) ρ E[ ' ] uu uu M'M uu = 0 2 σ E ' + ' E ' 0 E[ ' ] uu uu uu uu (3.32) Dari hasil ii diperoleh kodisi mome Γα - γ =0 sedemikia sehigga ρ α merupaka vektor parameter dega 2 = ρ 2 σ
16 34 2 E[ uu ' ] E[ uu ' ] E [ uu ' ] 2 Γ= E ' E ' Tr ( ) uu uu M'M da γ = E [ uu ' ] E ' + ' E ' 0 uu uu uu E [ uu ' ] Misalka u = Mu da u = Mu dimaa u merupaka residual yag diperoleh dari tahap maka peaksir utuk Γ da γ adalah G da g yaitu sebagai berikut: 2 uu ' uu ' 2 G= u ' u u' u Tr M' uu ' + uu ' uu ' 0 ( M) da uu ' g= u ' u uu ' (3.33) Sehigga diperoleh persamaa empiris utuk kodisi mome yaitu Dega v merupaka vektor residual. Gα g= v (3.34) Hasil peaksira dega Geeralized Momet didefiisika sebagai hasil memiimumka jumlah kuadrat residual atau v v pada (3.34), yaitu dega lagkah sebagai berikut [ ]'[ ] v'v = g Gα g Gα = gg ' ggα ' α' Gg ' + α' GGα Karea hasil dari α'g'g berupa skalar maka α'g'g simetris maka (3.35)
17 35 α'g'g = ( α'g'g )' = ( G'g )'α =g'gα sehigga persamaa (3.35) dapat ditulis mejadi v'v = g'g - 2α'G'g + α'ggα (3.36) Nilai taksira α diperoleh dega memiimumka ilai kuadrat residual v v yaitu v'v =-2G'g+2G'Gα =0 α G'g = G'Gα Sehigga didapatka taksira utuk α yaitu [ ] - α ˆ = G'G G'g (3.37) Solusi ii memiimumka jumlah kuadrat residual utuk persamaa (3.34) (bukti pada lampira 9). Dari hasi peaksira ii didapatka taksira parameter spasial error yaitu ρˆ. Taksira parameter ii aka diguaka utuk tahap Tahap 3: Estimasi Model Akhir Pada bagia ii vektor parameter δ yag berisi vektor parameter β da λ aka diestimasi kembali dega 2SLS. Peaksira kembali parameter-parameter ii harus dilakuka karea peaksira yag dihasilka pada tahap belum memperhatika adaya korelasi error atar uit lokasi.
18 36 Dari prosedur yag dilakuka pada lagkah 2 didapatka ilai taksira parameter ρ yaitu ˆρ. Selajutya taksira ii aka disubtitusika ke dalam model yag telah ditrasformasi Cochrae-Orcutt sehigga peaksira kembali vektor parameter β da λ dapat dilakuka. Perhatika model yag telah ditrasformasi yaitu persamaa (3.8). Jika ilai peaksir ρ yaitu ˆρ disubtitusi ke persamaa tersebut maka didapatka ilai dari y* = y ˆ ρmy da Z * = ( I ˆ ρm) Z Karea ( ˆ ρ ) ( I ˆ ρm)( X,Wy) ( X ˆ ρmx Wy ˆ ρmwy) ( X*, Wy* ) Z* = I M Z = =, = maka model hasil trasformasi pada persamaa (3.8) dapat pula ditulis sebagai y * =X* β + λwy * + ε (3.38) dega X* = X ˆ ρmxda Wy* = Wy ˆ ρmwy Selajutya aka dilakuka peaksira vektor parameter β da parameter λ dalam vektor δ dega metode 2SLS. Pada model yag telah ditrasformasi yaitu pada betuk model (3.38) terdapat kasus bahwa variabel regressor Z* megadug Wy* yag berkorelasi dega ε (bukti pada lampira 0). Karea terdapat kasus bahwa terdapat variabel regressor
19 37 yag berkorelasi dega error maka peaksira dilakuka dega metode 2SLS. Formula taksiraya adalah sebagai berikut - ( ˆ ρ ) ( ˆ ρ) ( ˆ ρ) ( ) δ ˆ = Z ˆ * ' Z ˆ * Z ˆ * ' y* ˆ ρ (3.39) Dimaa ( ) ( - ˆ *= ' Z X ˆ ρmx, S S S S' Wy ˆρMWy), dega S merupaka matriks istrume variabel. Dari hasil peaksira ii didapatka model trasformasi taksira * y ˆ =X* βˆ + ˆ λwy * (3.40) i Dega megembalika betuk setelah ditrasformasi tersebut ke dalam betuk semula, maka didapatka model k k yˆ = ˆ ρ m y + x ˆ β + ˆ λ w y ˆ ρ w x ˆ β ˆ ρ m w y i j it t j it t j j t= j t= j j Model ii merupaka model taksira akhir karea telah melibatka efek spasial lag da spasial error pada peaksiraya. 3.3 MATRIKS VARIABEL INSTRUMEN UNTUK METODE 2SLS DALAM MENGESTIMASI MODEL SPASIAL DEPENDEN Seperti yag telah delaska pada subbab sebelumya, variabel istrume harus dibetuk sedemikia sehigga tidak berkorelasi dega error da berkorelasi dega variabel regressor. Pada estimasi tahap pertama yag diguaka adalah model spasial lag. Pada model tersebut variabel X diasumsika tidak berkorelasi dega u da variabel X berkorelasi
20 38 dega Wy sehigga variabel-variabel dalam X dapat diguaka sebagai variabel istrume yag valid. Aka tetapi, bayakya variabel istrume tersebut adalah k sehigga belum lebih besar dari bayakya kolom pada Z yaitu k+. Oleh karea itu bayakya variabel istrume ditambah dega kombiasi dari X seperti WX atau MX. Karea X merupaka matriks istrume variabel yag valid maka perkaliaya dega suatu matriks W atau M juga merupaka matriks istrume variabel yag valid. Oleh karea itu matriks variabel istrume yag valid yag disaraka utuk tahap adalah H= ( X, WX) atau H= ( X, MX ) (bukti pada lampira ). Pada estimasi tahap ketiga yag diguaka adalah regressor Z* = ( X*, W y *). Dalam hal ii variabel regressor X* tidak berkorelasi dega ε da berkorelasi dega Wy*. Dega pejelasa yag sama seperti meetuka matriks istrume variabel utuk tahap pertama maka variabel istrume yag valid yag disaraka utuk estimasi tahap 3 adalah ( ) S = X*, WX * atau S = ( X*, MX *) (bukti pada lampira 2). 3.4 MATRIKS BOBOT SPASIAL Matriks bobot spasial W da M memberika rata-rata bobot utuk observasi da error dari lokasi-lokasi di sekitar lokasi yag diamati. Dega kata lai, matriks bobot spasial merepresetasika keterkaita atar lokasi yag memberika pegaruh pada masig-masig lokasi tersebut. Secara
21 39 umum, eleme-eleme dari W yaitu w merupaka hubuga atara lokasi ke i da ke j dimaa w w = 0 jika i tidak berhubuga dega j atau i=j = a, a 0 jika i berhubuga dega j Oleh karea itu eleme diagoal matriks bobot diasumsika sama dega 0. Matriks bobot spasial yag diguaka terlebih dahulu distadarisasi yaitu w = yag meghasilka jumlah bobot utuk setiap j lokasi yag diamati berilai satu. Berikut adalah jeis-jeis peetua matriks bobot spasial atara lokasi i da lokasi j yag berhubuga. i) Cotiguity Weight i. Rook Cotiguity didefiisika sebagai: w = w = 0 jika lokasi i da j memiliki commo edge jika laiya i.2 Bishop Cotiguity didefiisika sebagai: w = jika lokasi i da j memiliki commo verteks w = 0 jika laiya i.3 Quee Cotiguity didefiisika sebagai:
22 40 w = jika lokasi i da j memiliki commo ege atau commo verteks w = 0 jika laiya ii) Distace Weight Cara lai dalam meetuka etri-etri matriks bobot adalah megguaka fugsi jarak. Pada prisipya bobot jarak atara suatu lokasi dega lokasi lai ditetuka dega jarak kedua daerah itu. Semaki dekat jarak kedua lokasi tersebut maka bobot yag diberika semaki besar. Berikut beberapa cara dalam meetuka matriks bobot berdasarka fugsi jarak: ii. Fugsi jarak meuru Didefiisika sebagai w = d jika d D, z < 0 z w = 0 jika d > D ii.2 K lokasi terdekat Pada cara ii peeliti meetuka sebayak k lokasi j di sekitar lokasi i yag terdekat dega lokasi tersebut. ii.3 Ivers jarak Didefiisika sebagai w = jika d D d w = 0 jika d > D
23 4 Keteraga: D: limit jarak yag ditetuka d: jarak atar lokasi i da j Tidak ada ketetua tetag bagaimaa memilih cara meetuka matriks bobot. Aka tetapi biasaya para peeliti megguaka metode quee cotiguity.
BAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinciESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL. Nurul Muthiah, Raupong, Anisa Program Studi Statistika, FMIPA, Universitas Hasanuddin ABSTRAK
ESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL Nurul Muthiah, Raupog, Aisa Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK Regresi spasial merupaka pegembaga dari regresi liier klasik.
Lebih terperinciBAB III PENGGUNAAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA GENERAL LINEAR MIXED MODEL
BAB III PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP PADA GENERAL LINEAR MIXED MODEL Pada Bab III ii aka dibahas megeai taksira parameter pada Geeral Liear Mixed Model berdasarka asumsi
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Metode Kuadrat Terkecil Aalisis regresi merupaka aalisis utuk medapatka hubuga da model matematis atara variabel depede (Y) da satu atau lebih variabel idepede (X). Hubuga atara
Lebih terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT
Vol. 6. No., 97-09, Agustus 003, ISSN : 40-858 METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak Tulisa ii membahas peetua persamaa ruag
Lebih terperinciMENENTUKAN KOEFISIEN DETERMINASI ANTARA ESTIMASI M DENGAN TYPE WELSCH DENGAN LEAST TRIMMED SQUARE DALAM DATA YANG MEMPUNYAI PENCILAN
Saitia Matematika ISSN: 337-9197 Vol. 0, No. 03 (014), pp. 5 35. MENENTUKAN KOEFISIEN DETERMINASI ANTARA ESTIMASI M DENGAN TYPE WELSCH DENGAN LEAST TRIMMED SQUARE DALAM DATA YANG MEMPUNYAI PENCILAN Sabam
Lebih terperinciBAB 4. METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN
BAB 4 METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN Estimasi reliabilitas membutuhka pegetahua distribusi waktu kerusaka yag medasari dari kompoe atau sistem yag dimodelka Utuk memprediksi
Lebih terperinciBAB II TEORI DASAR. Definisi Grup G disebut grup komutatif atau grup abel jika berlaku hukum
BAB II TEORI DASAR 2.1 Aljabar Liier Defiisi 2. 1. 1 Grup Himpua tak kosog G disebut grup (G, ) jika pada G terdefiisi operasi, sedemikia rupa sehigga berlaku : a. Jika a, b eleme dari G, maka a b eleme
Lebih terperinciStatistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:
Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira
Lebih terperinciPERTEMUAN 13. VEKTOR dalam R 3
PERTEMUAN VEKTOR dalam R Pegertia Ruag Vektor Defiisi R Jika adalah sebuah bilaga bulat positif, maka tupel - - terorde (ordered--tuple) adalah sebuah uruta bilaga riil ( a ),a,..., a. Semua tupel - -terorde
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciPENGANTAR MODEL LINEAR Oleh: Suryana
PENGANTAR MODEL LINEAR Oleh: Suryaa Model liear meyagkut masalah statistik yag ketergatugaya terhadap parameter secara liear. Betuk umum model liear adalah 0 1X1... px p, dega = Variabel respo X i = Variabel
Lebih terperinciTri Handhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Universitas Gunadarma Abstrak
PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP) PADA GENERAL LINEAR MIXED MODEL ri Hadhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Uiversitas Guadarma trihadika@staff.guadarma.ac.id
Lebih terperinciBAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28
5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 1, 39-46, April 2002, ISSN :
JURNAL MATEMATKA DAN KOMPUTER Vol 5 No, 39-46, April 22, SSN : 4-858 MENCAR SOLUS PENAKSR PARAMETER PADA ANALSS VARANS DENGAN PENDEKATAN GENERAL NVERS Sukestiaro Jurusa Matematika FMPA Uiversitas Negeri
Lebih terperinciII. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang
II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih terperinciRange atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu
BAB 4 UKURAN PENYEBARAN DATA Pada Bab sebelumya kita telah mempelajari beberapa ukura pemusata data, yaitu ukura yag memberika iformasi tetag bagaimaa data-data ii megumpul atau memusat Pada bagia Bab
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinci) didefinisikan sebagai persamaan yang dapat dinyatakan dalam bentuk: a x a x a x b... b adalah suatu urutan bilangan dari bilangan s1, s2,...
SISEM PERSAMAAN LINIER DAN MARIKS. SISEM PERSAMAAN LINIER Secara umum, persamaa liier dega variabel ( x, x,..., x ) didefiisika sebagai persamaa yag dapat diyataka dalam betuk: a x a x a x b... dega a,
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciPerbandingan Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, dan Estimasi Method Of Moment
PRISMA 1 (2018) https://joural.ues.ac.id/sju/idex.php/prisma/ Perbadiga Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, da Estimasi Method Of Momet Muhammad Bohari Rahma, Edy Widodo
Lebih terperinciPemilihan Model Terbaik
Pemiliha Model Terbaik Hazmira Yozza Jur. Matematika FMIPA Uiv. Adalas Jadi bayak model yag mugki dibetuk Var. Bebas :,, 3 Model Maa Yag Mampu Mewakili Data 3,, 3, 3,, 3 + model akar, log, hasil kali,
Lebih terperinciSecara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real:
BARISAN TAK HINGGA Secara umum, suatu barisa dapat diyataka sebagai susua terurut dari bilaga-bilaga real: u 1, u 2, u 3, Barisa tak higga merupaka suatu fugsi dega domai berupa himpua bilaga bulat positif
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciPENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT
Prosidig Semiar Nasioal Matematika da Terapaya 06 p-issn : 0-0384; e-issn : 0-039 PENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT Liatus
Lebih terperinciBAB 1 PENDAHULUAN. dimana f(x) adalah fungsi tujuan dan h(x) adalah fungsi pembatas.
BAB 1 PENDAHUUAN 1.1 atar Belakag Pada dasarya masalah optimisasi adalah suatu masalah utuk membuat ilai fugsi tujua mejadi maksimum atau miimum dega memperhatika pembatas pembatas yag ada. Dalam aplikasi
Lebih terperinciB a b 1 I s y a r a t
34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat
Lebih terperinciBAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy
BAB III PEMBAHASAN Pada BAB III ii aka dibahas megeai betuk program liear fuzzy dega koefisie tekis kedala berbetuk bilaga fuzzy da pembahasa peyelesaia masalah optimasi studi kasus pada UD FIRDAUS Magelag
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinciBAB I PENDAHULUAN. Integral adalah salah satu konsep penting dalam Matematika yang
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Itegral adalah salah satu kosep petig dalam Matematika yag dikemukaka pertama kali oleh Isac Newto da Gottfried Wilhelm Leibiz pada akhir abad ke-17. Selajutya
Lebih terperinciIII PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah
III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka
Lebih terperinciterurut dari bilangan bulat, misalnya (7,2) (notasi lain 2
Bab Bilaga kompleks BAB BILANGAN KOMPLEKS Defiisi Bilaga Kompleks Sebelum medefiisika bilaga kompleks, pembaca diigatka kembali pada permasalah dalam sistem bilaga yag telah dikeal sebelumya Yag pertama
Lebih terperinciBAB I KONSEP DASAR PERSAMAAN DIFERENSIAL
BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah
Lebih terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinciPengantar Statistika Matematika II
Pegatar Statistika Matematika II Metode Evaluasi Atia Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Uiversitas Islam Idoesia April 11, 2017 atiaahdika.com Pegguaa metode estimasi yag berbeda dapat meghasilka
Lebih terperinciII. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel.
II. LANDASAN TEORI Defiisi 2.1 Distribusi Samplig Distribusi samplig adalah distribusi probibilitas dari suatu statistik. Distribusi tergatug dari ukura populasi, ukura sampel da metode memilih sampel.
Lebih terperinciBab IV Metode Alternating Projection
Bab IV Metode Alteratig Projectio Metode alteratig projectio megubah masalah feasibility o koveks mejadi masalah feasibility koveks Pada bab ii aka dicari matriks defiit positif da simetri X,Y yag diguaka
Lebih terperinciPendugaan Parameter. Debrina Puspita Andriani /
Pedugaa Parameter 7 Debria Puspita Adriai E-mail : debria.ub@gmail.com / debria@ub.ac.id Outlie Pedahulua Pedugaa Titik Pedugaa Iterval Pedugaa Parameter: Kasus Sampel Rataa Populasi Pedugaa Parameter:
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciBAB III RUANG HAUSDORFF. Pada bab ini akan dibahas mengenai ruang Hausdorff, kekompakan pada
8 BAB III RUANG HAUSDORFF Pada bab ii aka dibahas megeai ruag Hausdorff, kekompaka pada ruag Hausdorff da ruag regular legkap. Pembahasa diawali dega medefiisika Ruag Hausdorff da beberapa sifatya kemudia
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciDefinisi Integral Tentu
Defiisi Itegral Tetu Bila kita megedarai kedaraa bermotor (sepeda motor atau mobil) selama 4 jam dega kecepata 50 km / jam, berapa jarak yag ditempuh? Tetu saja jawabya sagat mudah yaitu 50 x 4 = 200 km.
Lebih terperinciANALISIS REGRESI DAN KORELASI SEDERHANA
LATAR BELAKANG DAN KORELASI SEDERHANA Aalisis regresi da korelasi megkaji da megukur keterkaita seara statistik atara dua atau lebih variabel. Keterkaita atara dua variabel regresi da korelasi sederhaa.
Lebih terperinciProgram Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi
Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.
Lebih terperinciBAB II TINJAUAN PUSTAKA
3 BAB II TINJAUAN PUSTAKA Pada bab ii aka dituliska beberapa aspek teoritis berupa defiisi, teorema da sifat-sifat yag berhubuga dega aljabar liear, struktur aljabar da teori kodig yag diguaka sebagai
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
Lebih terperinciIII. METODE PENELITIAN. Lokasi penelitian dilakukan di Provinsi Sumatera Barat yang terhitung
42 III. METODE PENELITIAN 3.. Lokasi da Waktu Peelitia Lokasi peelitia dilakuka di Provisi Sumatera Barat yag terhitug mulai miggu ketiga bula April 202 higga miggu pertama bula Mei 202. Provisi Sumatera
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinciAn = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3
SUKU BANYAK A Pegertia: f(x) x + a 1 x 1 + a 2 x 2 + + a 2 +a 1 adalah suku bayak (poliom) dega : - a, a 1, a 2,.,a 2, a 1, a 0 adalah koefisiekoefisie suku bayak yag merupaka kostata real dega a 0 - a
Lebih terperinciAn = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3
BAB XII. SUKU BANYAK A = a Pegertia: f(x) = a x + a x + a x + + a x +a adalah suku bayak (poliom) dega : - a, a, a,.,a, a, a 0 adalah koefisiekoefisie suku bayak yag merupaka kostata real dega a 0 - a
Lebih terperinciBAB V METODOLOGI PENELITIAN
BAB V METODOLOGI PEELITIA 5.1 Racaga Peelitia Peelitia ii merupaka peelitia kualitatif dega metode wawacara medalam (i depth iterview) utuk memperoleh gambara ketidaklegkapa pegisia berkas rekam medis
Lebih terperinciANALISIS TABEL INPUT OUTPUT PROVINSI KEPULAUAN RIAU TAHUN Erie Sadewo
ANALISIS TABEL INPUT OUTPUT PROVINSI KEPULAUAN RIAU TAHUN 2010 Erie Sadewo Kodisi Makro Ekoomi Kepulaua Riau Pola perekoomia suatu wilayah secara umum dapat diyataka meurut sisi peyediaa (supply), permitaa
Lebih terperinciDISTRIBUSI SAMPLING. Oleh : Dewi Rachmatin
DISTRIBUSI SAMPLING Oleh : Dewi Rachmati Distribusi Rata-rata Misalka sebuah populasi berukura higga N dega parameter rata-rata µ da simpaga baku. Dari populasi ii diambil sampel acak berukura, jika tapa
Lebih terperinciHimpunan Kritis Pada Graph Caterpillar
1 0 Himpua Kritis Pada Graph Caterpillar Chairul Imro, Budi Setiyoo, R. Simajutak, Edy T. Baskoro {imro-its,budi}@matematika.its.ac.id, {rio,ebaskoro}@ds.math.itb.ac.id Ues, Semarag, 4 7 Juli 006 Abstrak
Lebih terperinciHomomorfisma Pada Semimodul Atas Aljabar Max-Plus
Homomorfisma Pada Semimodul Atas Aljabar Max-Plus A 14 Oleh : Musthofa Jurusa Pedidika Matematika FMIPA UNY Abstrak Kosep homorfisma telah bayak dibahas pada beberapa struktur aljabar yaitu pada ruag vektor
Lebih terperinciBAB II TINJAUAN PUSTAKA. dengan asumsi bahwa telah diketahui bentuk fungsi regresinya. atau dalam bentuk matriks dapat ditulis dengan:
BAB II TINJAUAN PUSTAKA 2.1 Regresi Parametrik Regresi parametrik merupaka metode statistika yag diguaka utuk megetahui pola hubuga atara variabel prediktor dega variabel respo, dega asumsi bahwa telah
Lebih terperinciSolusi Numerik Persamaan Transport
Solusi Numerik Persamaa Trasport M. Jamhuri December 16, 2013 Diberika persamaa Trasport u t + 2u x = 0 1) Diberika persamaa Trasport u t + 2u x = 0 1) Diskretka persamaa trasport 1) dega megguaka persamaa
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini akan dijelaskan mengenai analisis regresi robust estimasi-s
BAB III PEMBAHASAN Pada bab ii aka dijelaska megeai aalisis regresi robust estimasi-s dega pembobot Welsch da Tukey bisquare. Kemudia aka ditujukka model regresi megguaka regresi robust estimasi-s dega
Lebih terperinciBAB I PENDAHULUAN. X Y X Y X Y sampel
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Aalisis regresi merupaka metode aalisis data yag meggambarka hubuga atara variabel respo dega satu atau beberapa variabel prediktor. Aalisis regresi tersebut
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA
PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA KOEFISIE VARIASI DA KOEFISIE KURTOSIS PADA SAMPLIG GADA Heru Agriato *, Arisma Ada, Firdaus Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas
Lebih terperinciMAKALAH ALJABAR LINEAR SUB RUANG VEKTOR. Dosen Pengampu : Darmadi, S.Si, M.Pd
MAKALAH ALJABAR LINEAR SUB RUANG VEKTOR Dose Pegampu : Darmadi, S.Si, M.Pd Disusu : Kelas 5A / Kelompok 5 : Dia Dwi Rahayu (084. 06) Hefetamala (084. 4) Khoiril Haafi (084. 70) Liaatul Nihayah (084. 74)
Lebih terperinciBAB III METODE PENELITIAN. penelitian yang tepat dalam sebuah penelitian ditentukan guna menjawab
BAB III METODE PENELITIAN Metode peelitia merupaka suatu cara atau prosedur utuk megetahui da medapatka data dega tujua tertetu yag megguaka teori da kosep yag bersifat empiris, rasioal da sistematis.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Model Pertumbuha Betuk ugsi pertumbuha satu jeis spesies pada umumya megguaka otasi ugsi aalitik yag diyataka dalam satu persamaa. Secara umum ugsi pertumbuha meyataka hubuga
Lebih terperinciLIMIT. = δ. A R, jika dan hanya jika ada barisan. , sedemikian hingga Lim( a n
LIMIT 4.. FUNGSI LIMIT Defiisi 4.. A R Titik c R adalah titik limit dari A, jika utuk setiap δ > 0 ada palig sedikit satu titik di A, c sedemikia sehigga c < δ. Defiisi diatas dapat disimpulka dega cara
Lebih terperinciPENAKSIRAN PARAMETER MODEL REGRESI DATA PANEL DINAMIS MENGGUNAKAN METODE BLUNDELL DAN BOND SKRIPSI
UIVERSITAS IDOESIA PEAKSIRA PARAMETER MODEL REGRESI DATA PAEL DIAMIS MEGGUAKA METODE BLUDELL DA BOD SKRIPSI SYAHRUL SYAWAL 76261966 FAKULTAS MATEMATIKA DA ILMU PEGETAHUA ALAM PROGRAM STUDI SARJAA MATEMATIKA
Lebih terperinciRING MATRIKS ATAS RING KOMUTATIF. Achmad Abdurrazzaq, Ari Wardayani, Suroto Universitas Jenderal Soedirman
JMP : Volume 7 Nomor 1, Jui 2015, hal 11-18 RING MATRIKS ATAS RING KOMUTATIF Achmad Abdurrazzaq, Ari Wardayai, Suroto razzaqgaesha@gmailcom Uiversitas Jederal Soedirma ABSTRACT This paper discusses a matrices
Lebih terperinciHUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN
Jural Matematika UNAND Vol. 2 No. 2 Hal. 0 6 ISSN : 2303 290 c Jurusa Matematika FMIPA UNAND HUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN VIRA AGUSTA, DODI
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB ENDAHULUAN. Latar Belakag Masalah Dalam kehidupa yata, hampir seluruh feomea alam megadug ketidak pastia atau bersifat probabilistik, misalya pergeraka lempega bumi yag meyebabka gempa, aik turuya
Lebih terperinciII. LANDASAN TEORI. Pada bab ini akan diberikan beberapa istilah, definisi serta konsep-konsep yang
II. LANDASAN TEORI Pada bab ii aka diberika beberapa istilah, defiisi serta kosep-kosep yag medukug dalam peelitia ii. 2.1 Kosep Dasar Teori Graf Berikut ii aka diberika kosep dasar teori graf yag bersumber
Lebih terperinciHendra Gunawan. 12 Februari 2014
MA1201 MATEMATIKA 2A Hedra Guawa Semester II, 2013/2014 12 Februari 2014 Bab Sebelumya 8. Betuk Tak Tetu da Itegral Tak Wajar 8.1 Betuk Tak Tetu 0/0 82 8.2 Betuk Tak Tetu Laiya 8.3 Itegral Tak Wajar dg
Lebih terperinciBAB III OBYEK DAN METODE PENELITIAN
BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peelitia Meurut Sugiyoo (2010, hlm. 3) pegertia dari obyek peelitia adalah sasara ilmiah utuk medapatka data dega tujua da keguaa tertetu tetag sesuatu hal
Lebih terperinciLANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang
2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua
Lebih terperinciESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan
JMP : Vol. 8 No., Des. 016, al. 33-40 ISSN 085-1456 ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI Novita Eka Cadra Uiversitas Islam Darul Ulum Lamoga ovitaekacadra@gmail.com Masriai Mayuddi Uiversitas
Lebih terperinciBAB III METODE PENELITIAN
6 BAB III METODE PENELITIAN 3.1 Desai Peelitia Meurut Kucoro (003:3): Peelitia ilmiah merupaka usaha utuk megugkapka feomea alami fisik secara sistematik, empirik da rasioal. Sistematik artiya proses yag
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 31-41, April 2004, ISSN :
Vol. 7. No. 1, 31-41, April 24, ISSN : 141-8518 Peetua Kestabila Sistem Kotrol Lup Tertutup Waktu Kotiu dega Metode Trasformasi ke Betuk Kaoik Terkotrol Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciIII. METODE PENELITIAN. Variabel X merupakan variabel bebas adalah kepemimpinan dan motivasi,
7 III. METODE PENELITIAN 3.1 Idetifikasi Masalah Variabel yag diguaka dalam peelitia ii adalah variabel X da variabel Y. Variabel X merupaka variabel bebas adalah kepemimpia da motivasi, variabel Y merupaka
Lebih terperinciBAB III MENENTUKAN MODEL KERUSAKAN DAN INTERVAL WAKTU PREVENTIVE MAINTENANCE OPTIMUM SISTEM AXIS PADA MESIN CINCINNATI MILACRON DOUBLE GANTRY TIPE-F
BAB III MENENUKAN MODEL KERUSAKAN DAN INERVAL WAKU PREVENIVE MAINENANCE OPIMUM SISEM AXIS PADA MESIN CINCINNAI MILACRON DOUBLE GANRY IPE-F 3.1 Pedahulua Pada Bab II telah dijelaska beberapa teori yag diguaka
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena
7 BAB III METODE PENELITIAN A. Jeis Peelitia Peelitia ii merupaka jeis peelitia deskriptif-kuatitatif, karea melalui peelitia ii dapat dideskripsika fakta-fakta yag berupa kemampua siswa kelas VIII SMP
Lebih terperinci4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN
4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN Saat asumsi keormala tidak dipuhi maka kesimpula yag kita buat berdasarka suatu metod statistik yag mesyaratka asumsi keormala meadi tidak baik, sehigga mucul
Lebih terperinciI. PENDAHULUAN II. LANDASAN TEORI
I PENDAHULUAN 1 Latar belakag Model pertumbuha Solow-Swa (the Solow-Swa growth model) atau disebut juga model eoklasik (the eo-classical model) pertama kali dikembagka pada tahu 195 oleh Robert Solow da
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperinciSemigrup Matriks Admitting Struktur Ring
Semigrup Matriks dmittig Struktur ig K a r y a t i Jurusa Pedidika Matematika FMIP, Uiversitas Negeri Yogyakarta Email: yatiuy@yahoo.com bstrak Diberika adalah rig komutatif dega eleme satua da adalah
Lebih terperinci