IV HASIL DAN PEMBAHASAN
Ukuran: px
Mulai penontonan dengan halaman:

Download "IV HASIL DAN PEMBAHASAN"

Transkripsi

1 6 telah dibangkitkan. Kemudian peubah X dan Y diregresikan dengan OLS sehingga diperoleh kuadrat galat. Kuadrat galat diurutkan dari ang terkecil sampai dengan ang terbesar, lalu dilakukan pemangkasan. Langkah terakhir minimumkan jumlah dari kuadrat galat terkecil. 6. Tahap pengolahan dengan metode WLS Pada metode ini akan dilakukan penentuan sampel sebanak N dari data ang telah dibangkitkan. Peubah X dan Y diregresikan dengan OLS sehingga diperoleh kuadrat galat. Bobot data pengamatan dihitung dan diregresikan kembali. Jumlah kuadrat galat terboboti, kemudian diminimumkan. 7. Tahap pembandingan hasil pendugaan parameter Pada tahap akhir ini akan dibandingkan Rataan Persentase Galat Mutlak (MAPE) dan hasil dari dugaan kelima metode di atas. Dugaan parameter ang dihasilkan akan ditampilkan dalam bentuk tebaran data (scatter plot) dan persamaan regresi. IV HASIL DAN PEMBAHASAN 4.1 Pembangkitan Data Pada kasus ini dilakukan pembangkitan 3 gugus data berukuran n = 2 berdasarkan model regresi Y = β + β 1 X + e i dengan cara sebagai berikut : Gugus data 1. Data tanpa pencilan. a. Ditentukan β = 1 & β 1 = 1 dan e i ~ N (,5) b. Dibangkitkan nilai Y dengan memasukkan nilai X = 1,2, 2 Gugus data 2. Data dengan pencilan terhadap X. a. Ditentukan β = 1 & β 1 = 1 dan e i ~ N (,5) b. Dibangkitkan nilai X = 1,2,,2 kemudian mengubah nilai X = 17 menjadi X = 3 dan X = 19 menjadi X = 4. Gugus data 3. Data dengan pencilan terhadap Y. a. Ditentukan β = 1 & β 1 = 1 dan e i ~ N (,5) b. Dibangkitkan nilai Y dengan memasukkan nilai X = 1,2, 2 kemudian mengubah nilai Y = 17 menjadi Y = 3 dan Y = 19 menjadi Y = Proses Pengolahan Data Pengolahan Data dengan OLS Gugus data 1, 2, dan 3 diregresikan dengan metode OLS. Tentukan nilai,,, dan MAPE Pengolahan Data dengan LMS a. Meregresikan gugus data 1, 2, dan 3 dengan metode OLS. Menentukan nilai,,, dan MAPE. b. Membagi setiap gugus data secara random kedalam 5 anak gugus data. c. Meregresikan setiap anak gugus data dengan metode OLS dan dicari medianna. d. Menentukan minimum median dari tiap anak gugus. e. Mnentukan menggunakan dari hasil regresi gugus data ang mempunai median ang paling minimum. f. Menentukan kuadrat galat. g. Menentukan S dan hitung bobot w i untuk mendapatkan dan final. h. Menentukan MAPE Pengolahan Data dengan LAD a. Meregresikan gugus data 1, 2, dan 3 dengan metode OLS. Menentukan nilai,,, dan MAPE. b. Menentukan standar deviasi dari. c. Menghitung bobot w i. d. Meregresikan kembali. e. Lakukan secara berulang (iterativel) sampai mendapatkan ang relatif stabil. f. Menentukan MAPE Pengolahan Data dengan LTS a. Meregresikan gugus data 1, 2, dan 3 dengan metode OLS. Menentukan nilai,,, dan MAPE. b. Menentukan kuadrat galat. c. Mengurutkan kuadrat galat tersebut dari ang terkecil sampai dengan ang terbesar.

2 7 d. Melakukan pemangkasan sebesar 1 dari data. e. Kemudian meregresikan kembali hingga mendapatkan dan final. f. Menentukan MAPE Pengolahan Data dengan WLS a. Meregresikan gugus data 1, 2, dan 3 dengan metode OLS. Menentukan nilai,,, dan MAPE. b. Menentukan kuadrat galat. c. Menentukan standar deviasi dari. d. Menghitung bobot w i. e. Meregresikan kembali hingga mendapatkan dan final. f. Menentukan MAPE. 4.3 Hasil Metode OLS untuk data tanpa pencilan (n = 2) Persamaan regresi ang diperoleh dengan menggunakan metode OLS aitu: Gambar 4 Model linear dengan metode LMS untuk data tanpa pencilan Metode LAD untuk data tanpa pencilan (n = 2) Persamaan regresi ang diperoleh dengan menggunakan metode LAD aitu: MAPE 9.8 % MAPE 7.3 % R Gambar 3 Model linear dengan metode OLS untuk data tanpa pencilan Gambar 5 Model linear dengan metode LAD untuk data tanpa pencilan Metode LTS untuk data tanpa pencilan (n = 2) Persamaan regresi ang diperoleh dengan menggunakan metode LTS aitu: MAPE 6.6 % Metode LMS untuk data tanpa pencilan (n = 2) Persamaan regresi ang diperoleh dengan menggunakan metode LMS aitu: MAPE 8.1 %

3 Metode OLS untuk data dengan pencilan terhadap Y (n = 2) Persamaan regresi ang diperoleh dengan menggunakan metode OLS aitu: MAPE 29.9 % Gambar 6 Model linear dengan metode LTS untuk data tanpa pencilan Metode WLS untuk data tanpa pencilan (n = 2) Persamaan regresi ang diperoleh dengan menggunakan metode WLS aitu: MAPE 8.7 % Gambar 7 Model linear dengan metode WLS untuk data tanpa pencilan R Gambar 9 Model linear dengan metode OLS untuk data dengan pencilan terhadap Y Metode LMS untuk data dengan pencilan terhadap Y (n = 2) Persamaan regresi ang diperoleh dengan menggunakan metode LMS aitu: MAPE 16.3 % Gambar 8 Model linear perbandingan metode OLS ( ), LMS ( ), LAD ( ), LTS ( ), dan WLS ( ) tanpa pencilan Gambar 8 menunjukkan grafik OLS, LMS, LAD, LTS, dan WLS terlihat berhimpit. Dapat disimpulkan untuk data ang tidak mengandung pencilan, tidak ada perbedaan antara kelima metode tersebut. Gambar 1 Model linear dengan metode LMS untuk data dengan pencilan terhadap Y Metode LAD untuk data dengan pencilan terhadap Y (n = 2) Persamaan regresi ang diperoleh dengan menggunakan metode LAD aitu : MAPE 2.5 %

4 Gambar 11 Model linear dengan metode LAD untuk data dengan pencilan terhadap Y Metode LTS untuk data dengan pencilan terhadap Y (n = 2) Persamaan regresi ang diperoleh dengan menggunakan metode LTS aitu: Gambar 13 Model linear dengan metode WLS untuk data dengan pencilan terhadap Y MAPE 11.2 % Gambar 12 Model linear dengan metode LTS untuk data dengan pencilan terhadap Y Metode WLS untuk data dengan pencilan terhadap Y (n = 2) Persamaan regresi ang diperoleh dengan menggunakan metode WLS aitu: MAPE 19.4 % Gambar 14 Model linear perbandingan metode OLS ( ), LMS ( ), LAD ( ), LTS ( ), dan WLS ( ) dengan pencilan terhadap Y Gambar 14 menunjukkan perubahan grafik OLS. Garis regresi metode Kuadrat Terkecil bergeser ke atas menuju titik pencilan, sedangkan LMS, LAD, LTS, dan WLS tidak mengalami pergeseran. Disimpulkan metode LMS, LAD, LTS, dan WLS lebih kekar dibandingkan dengan metode OLS untuk data ang mengandung pencilan terhadap Y Metode OLS untuk data dengan pencilan terhadap X (n = 2) Persamaan regresi ang diperoleh dengan menggunakan metode OLS aitu: MAPE 68.4 % R

5 Gambar 15 Model linear dengan metode OLS untuk data dengan pencilan terhadap X Metode LMS untuk data dengan pencilan terhadap X (n = 2) Persamaan regresi ang diperoleh dengan menggunakan metode LMS aitu: MAPE 12.6 % Gambar 17 Model linear dengan metode LAD untuk data dengan pencilan terhadap X Metode LTS untuk data dengan pencilan terhadap X (n = 2) Persamaan regresi ang diperoleh dengan menggunakan metode LTS aitu: MAPE 36.2 % Gambar 16 Model linear dengan metode LMS untuk data dengan pencilan terhadap X Metode LAD untuk data dengan pencilan terhadap X (n = 2) Persamaan regresi ang diperoleh dengan menggunakan metode LAD aitu: MAPE 68.4 % Gambar 18 Model linear dengan metode LTS untuk data dengan pencilan terhadap X Metode WLS untuk data dengan pencilan terhadap X (n = 2) Persamaan regresi ang diperoleh dengan menggunakan metode WLS aitu: MAPE 68.4 %

6 Gambar 19 Model linear dengan metode WLS untuk data dengan pencilan terhadap X Gambar 2 Model linear perbandingan metode OLS ( ), LMS ( ), LAD ( ), LTS ( ), dan WLS ( ) dengan pencilan terhadap X Gambar 2 menunjukkan perubahan grafik OLS, LAD, dan WLS. Garis OLS, LAD, dan WLS bergeser ke bawah menuju titik pencilan, sedangkan LMS, dan LTS tidak mengalami pergeseran. Disimpulkan metode LMS dan LTS lebih kekar dibandingkan dengan metode OLS, LAD, dan WLS untuk data ang mengandung pencilan terhadap X Metode LAD untuk data simetris tanpa pencian (n = 2) Minimum galat mutlak ang ang diperoleh dengan menggunakan metode LAD aitu: Gambar 21 Model linear dengan metode LAD untuk data simetris tanpa pencilan 4.4 Pembahasan Dari hasil di atas dapat dilihat perilaku garis regresi OLS, LMS, LAD, LTS, dan WLS. Untuk data tanpa pencilan, dugaan parameter metode OLS, LMS, LAD, LTS, dan WLS tidak jauh berbeda. Namun ketika terdapat pencilan terhadap Y terjadi pembiasan dugaan parameter pada metode OLS. Hal ini ditunjukkan pada Gambar 9, grafik regresi tergeser ke arah pencilan. metode LMS, LAD, LTS, dan WLS tidak mengalami pergeseran sebesar metode OLS. Hal ini dapat dilihat pada gambar 1, Gambar 11, Gambar 12, dan Gambar 13. Begitu pula ketika terdapat pencilan terhadap X terjadi pembiasan dugaan parameter pada metode OLS, LAD, dan WLS. Hal ini ditunjukan pada Gambar 15, Gambar 17, dan Gambar 19 grafik regresi tergeser ke arah pencilan. metode LMS dan LTS tidak mengalami pergeseran sebesar metode OLS, LAD, dan WLS. Hal ini dapat dilihat pada Gambar 16 dan Gambar 18. Gambar 14 dan Gambar 2 menunjukkan keunggulan metode LMS dan LTS dibandingkan metode OLS, LAD, dan WLS. Metode LMS dan LTS lebih baik dalam mengatasi adana pencilan baik terhadap Y maupun terhadap X. Pada umumna LAD tidak konsisten dan tidak unik. Pada kasus ini juga terihat bahwa LAD dan WLS tidak konsisten dan tidak unik, karena ketika terdapat pencilan terhadap Y, grafik regresi tidak mengalami pergeseran ke arah pencilan. Namun ketika terdapat pencilan terhadap X grafik regresi mengalami pergeseran ke arah pencilan. Hal ini dapat dilihat pada Gambar 14 dan Gambar 2. Metode LAD menghasilkan penduga ang tidak unik pada kasus data simetris. Hal ini dapat dilihat pada Gambar 21.

7 12 Cara lain untuk melihat hasil galat untuk setiap metode adalah menggunakan diagram kotak (bo-and-whisker-plot). Diagram kotak ditampilkan Gambar 21 untuk data tanpa pencilan, Gambar 22 untuk data dengan pencilan terhadap Y, dan Gambar 23 untuk data dengan pencilan terhadap X. Selisih Q 3 dan Q 1 menggambarkan tingkat keragaman suatu data. Semakin besar nilaina maka data semakin beragam. Data ang digunakan dalam diagram kotak ini adalah persentase galat mutlak dari masing-masing metode. Untuk lebih memperjelas diagram kotak, diberikan juga tabel tentang Q 1, Q 2, Q 3, nilai maksimum, nilai minimum dan rataan dari galat untuk setiap metode. Tabel 1 Q 1, Q 2, Q 3, nilai ma, nilai min dan rataan dari galat untuk data tanpa pencilan Metode Q 1 (%) Q 2 (%) Q 3 (%) Ma (%) Min (%) Rataan (%) OLS LMS LAD LTS WLS Gambar 22 Diagram kotak untuk setiap data awal tanpa pencilan Dari diagram kotak dan tabel untuk data tanpa pencilan ang ditunjukkan pada Gambar 21 dan Tabel 1 di atas dapat dilihat bahwa kesalahan relatif hasil dugaan parameter ang ditunjukkan oleh rentang Q 1 dengan Q 3 untuk metode OLS, LMS, LAD, LTS, dan WLS mempunai tingkat keragaman ang relatif sama. Tabel 2 Q 1, Q 2, Q 3, nilai ma, nilai min dan rataan dari galat untuk data dengan pencilan terhadap Y Metode Q 1 (%) Q 2 (%) Q 3 (%) Ma (%) Min (%) Rataan (%) OLS LMS LAD LTS WLS

8 13 Gambar 23 Diagram kotak untuk setiap data dengan pencilan terhadap Y Dari diagram kotak dan tabel untuk data tanpa pencilan ang ditunjukkan pada Gambar 22 dan Table 2 di atas dapat dilihat bahwa kesalahan relatif hasil dugaan parameter ang ditunjukkan oleh rentang Q 1 dengan Q 3 untuk metode WLS, LMS, LAD, dan LTS mempunai tingkat keragaman ang relatif sama kecil, sedangkan metode OLS mempunai tingkat keragaman ang relatif besar. Tabel 3 Q 1, Q 2, Q 3, nilai ma, nilai min, dan rataan dari galat untuk data dengan pencilan terhadap X Metode Q 1 (%) Q 2 (%) Q 3 (%) Ma (%) Min (%) Rataan (%) OLS LMS LAD LTS WLS Gambar 24 Diagram kotak untuk setiap data dengan pencilan terhadap X Dari diagram kotak dan tabel untuk data tanpa pencilan ang ditunjukkan pada Gambar 23 dan Table 3 di atas dapat dilihat bahwa kesalahan relatif hasil dugaan parameter ang ditunjukkan oleh rentang Q 1 dengan Q 3 untuk metode LMS, dan LTS mempunai tingkat keragaman ang relatif sama kecil, sedangkan metode LAD, OLS, dan WLS mempunai tingkat keragaman ang relatif sama besar. V SIMPULAN DAN SARAN 5.1 Simpulan 1. Pemeriksaan ada atau tidakna data pencilan merupakan hal ang penting untuk sesuai. menentukan metode apa ang

dokumen-dokumen yang mirip

PERBANDINGAN METODE REGRESI KUADRAT TERKECIL DENGAN METODE KEKAR HENDRA YULFI

PERBANDINGAN METODE REGRESI KUADRAT TERKECIL DENGAN METODE KEKAR HENDRA YULFI PERBANDINGAN METODE REGRESI KUADRAT TERKECIL DENGAN METODE KEKAR HENDRA YULFI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ABSTRACT HENDRA YULFI.

Lebih terperinci

BAB I PENDAHULUAN. menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah

BAB I PENDAHULUAN. menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi linier berganda merupakan analisis yang digunakan untuk menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah respon Y yang

Lebih terperinci

TINJAUAN PUSTAKA. Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan

TINJAUAN PUSTAKA. Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan 4 II. TINJAUAN PUSTAKA 2.1 Definisi Pencilan Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan yang bervariasi (beragam). Keberagaman data ini, di satu sisi sangat dibutuhkan dalam

Lebih terperinci

HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN HASIL DAN PEMBAHASAN Deskripsi Data Simulasi Plot pencaran titik data antara peubah respon dengan peubah penjelas dapat dilihat pada Gambar 5. Gambar tersebut mengungkapkan bahwa secara keseluruhan pola

Lebih terperinci

IV HASIL DAN PEMBAHASAN

IV HASIL DAN PEMBAHASAN 5 IV HASIL DAN PEMBAHASAN 4.1 Pembangkitan Data Hipotetik Data dibangkitkan dengan bantuan software Mathematica yaitu dengan cara mencari solusi numerik dari model dinamik dengan memberikan nilai parameter

Lebih terperinci

Judul : Perbandingan Metode MCD Bootstrap dan. Analisis Regresi Linear Berganda. Pembimbing : 1. Dra. Ni Luh Putu Suciptawati,M.Si

Judul : Perbandingan Metode MCD Bootstrap dan. Analisis Regresi Linear Berganda. Pembimbing : 1. Dra. Ni Luh Putu Suciptawati,M.Si Judul : Perbandingan Metode MCD Bootstrap dan LAD Bootstrap Dalam Mengatasi Pengaruh Pencilan Pada Analisis Regresi Linear Berganda Nama : Ni Luh Putu Ratna Kumalasari Pembimbing : 1. Dra. Ni Luh Putu

Lebih terperinci

METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE

METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2010 RINGKASAN

Lebih terperinci

BAB I PENDAHULUAN. dependen disebut dengan regresi linear sederhana, sedangkan model regresi linear

BAB I PENDAHULUAN. dependen disebut dengan regresi linear sederhana, sedangkan model regresi linear BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linear merupakan metode statistika yang digunakan untuk membentuk model hubungan antara variabel dependen (terikat; respon) dengan satu atau lebih variabel

Lebih terperinci

PERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA

PERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA PERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA Ni Luh Putu Ratna Kumalasari 1, Ni Luh Putu Suciptawati 2,, Made Susilawati

Lebih terperinci

PERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENAKSIR M DALAM MENGATASI PERMASALAHAN DATA PENCILAN

PERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENAKSIR M DALAM MENGATASI PERMASALAHAN DATA PENCILAN Saintia Matematika Vol. 1, No. 1 (2013), pp. 73 85. PERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENAKSIR M DALAM MENGATASI PERMASALAHAN DATA PENCILAN Sri Wulandari, Sutarman, Open Darnius Abstrak. Analisis

Lebih terperinci

HASIL DAN PEMBAHASAN. Algoritma Cepat Penduga GS

HASIL DAN PEMBAHASAN. Algoritma Cepat Penduga GS HASIL DAN PEMBAHASAN Algoritma Cepat Penduga GS Sebagaimana halnya dengan algoritma cepat penduga S, algoritma cepat penduga GS dikembangkan dengan mengkombinasikan algoritma resampling dan algoritma I-step.

Lebih terperinci

BAB I PENDAHULUAN. suatu metode yang disebut metode kuadrat terkecil (Ordinary Least Square OLS).

BAB I PENDAHULUAN. suatu metode yang disebut metode kuadrat terkecil (Ordinary Least Square OLS). BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam penaksiran koefisien-koefisien regresi linier, biasanya kita digunakan suatu metode yang disebut metode kuadrat terkecil (Ordinary Least Square OLS).

Lebih terperinci

TINJAUAN PUSTAKA. Gambar 1 Plot jenis pengamatan pencilan.

TINJAUAN PUSTAKA. Gambar 1 Plot jenis pengamatan pencilan. TINJAUAN PUSTAKA Pencilan Aunuddin (1989) mendefinisikan pencilan sebagai nilai ektstrim yang menyimpang agak jauh dari kumpulan pengamatan lainnya, yang secara kasar berada pada jarak sejauh tiga atau

Lebih terperinci

TINJAUAN PUSTAKA. Gambar 1 Diagram kotak garis

TINJAUAN PUSTAKA. Gambar 1 Diagram kotak garis TINJAUAN PUSTAKA Diagram Kotak Garis Metode diagram kotak garis atau boxplot merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran dan kemiringan pola

Lebih terperinci

( ) 1 IV CONTOH KASUS. β τ. Jika panjang vektor koefisien regresinya. (26) dan juga 2. maka: (29) Tetapi apabila Ew [

( ) 1 IV CONTOH KASUS. β τ. Jika panjang vektor koefisien regresinya. (26) dan juga 2. maka: (29) Tetapi apabila Ew [ 0 ( ) = Ew X ( q Y X V ) β arg min [ ( ) ( ) β ], β (6) dan juga β ( ) = arg min Ew [ ( X) ( Q ( Y X) V ) ], β β (7) yang dapat menyatakan bahwa ( ) β merupakan koefisien regresi kuantil parsial dari regresi

Lebih terperinci

BAB II LANDASAN TEORI. metode kuadrat terkecil (MKT), outlier, regresi robust, koefisien determinasi,

BAB II LANDASAN TEORI. metode kuadrat terkecil (MKT), outlier, regresi robust, koefisien determinasi, BAB II LANDASAN TEORI Beberapa teori yang diperlukan untuk mendukung pembahasan diantaranya adalah regresi linear berganda, pengujian asumsi analisis regresi, metode kuadrat terkecil (MKT), outlier, regresi

Lebih terperinci

REGRESI KUANTIL (STUDI KASUS PADA DATA SUHU HARIAN) Abstrak

REGRESI KUANTIL (STUDI KASUS PADA DATA SUHU HARIAN) Abstrak REGRESI KUANTIL (STUDI KASUS PADA DATA SUHU HARIAN) Rita Rahmawati 1, Widiarti 2, Pepi Novianti 3 1) Program Studi Statistika FMIPA Undip 2) Sekolah Pascasarjana Departemen Statistika IPB 3) Jurusan Matematika

Lebih terperinci

PENDAHULUAN TINJAUAN PUSTAKA

PENDAHULUAN TINJAUAN PUSTAKA 1 PENDAHULUAN Latar Belakang Analisis regresi berguna dalam menelaah hubungan antara sepasang peubah atau lebih, dan terutama untuk menelusuri pola hubungan yang modelnya belum diketahui sempurna sehingga

Lebih terperinci

PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN

PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751 PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN NI PUTU NIA IRFAGUTAMI 1, I GUSTI

Lebih terperinci

BAB I PENDAHULUAN. lebih variabel independen. Dalam analisis regresi dibedakan dua jenis variabel

BAB I PENDAHULUAN. lebih variabel independen. Dalam analisis regresi dibedakan dua jenis variabel BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linier merupakan teknik dalam statistika yang digunakan untuk membentuk model hubungan antara variabel dependen dengan satu atau lebih variabel independen.

Lebih terperinci

TINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan

TINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan fungsional antara variabel respon dengan satu atau beberapa variabel prediktor.

Lebih terperinci

BAB I PENDAHULUAN. hubungan ketergantungan variabel satu terhadap variabel lainnya. Apabila

BAB I PENDAHULUAN. hubungan ketergantungan variabel satu terhadap variabel lainnya. Apabila BAB I PENDAHULUAN A. Latar Belakang Analisis regresi merupakan metode analisis yang dapat digunakan untuk menganalisis data dan mengambil kesimpulan yang bermakna tentang hubungan ketergantungan variabel

Lebih terperinci

METODOLOGI HASIL DAN PEMBAHASAN

METODOLOGI HASIL DAN PEMBAHASAN 3 berada pada jarak sejauh tiga atau empat kali simpangan baku dari nilai tengahnya (Aunuddin 1989). Pendekatan pencilan dapat dilakukan dengan melihat plot peluang normal. Apabila terdapat loncatan vertikal

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah metode statistika yang digunakan untuk mengetahui hubungan antara variabel terikat (dependen, respon, YY) dengan satu atau lebih variabel bebas

Lebih terperinci

PENDUGAAN PARAMETER MODEL DINAMIK DENGAN METODE ROBUST MEDIAN ABSOLUTE DEVIATION (MAD) LENY YUSTIE WIDIASARI

PENDUGAAN PARAMETER MODEL DINAMIK DENGAN METODE ROBUST MEDIAN ABSOLUTE DEVIATION (MAD) LENY YUSTIE WIDIASARI PENDUGAAN PARAMETER MODEL DINAMIK DENGAN METODE ROBUST MEDIAN ABSOLUTE DEVIATION (MAD) LENY YUSTIE WIDIASARI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

Lebih terperinci

IV HASIL DAN PEMBAHASAN

IV HASIL DAN PEMBAHASAN tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.

Lebih terperinci

BAB I PENDAHULUAN. Analisis regresi merupakan sebuah alat statistik yang memberi penjelasan

BAB I PENDAHULUAN. Analisis regresi merupakan sebuah alat statistik yang memberi penjelasan BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan sebuah alat statistik yang memberi penjelasan tentang pola hubungan (model) antara dua peubah atau lebih (Draper dan Smith, 1992).

Lebih terperinci

BAB I PENDAHULUAN. Analisis regresi merupakan metode analisis yang menjelaskan tentang

BAB I PENDAHULUAN. Analisis regresi merupakan metode analisis yang menjelaskan tentang BAB I PENDAHULUAN A. Latar Belakang Analisis regresi merupakan metode analisis yang menjelaskan tentang hubungan antara dua atau lebih variabel. Variabel dalam analisis regresi, dibedakan menjadi dua yaitu

Lebih terperinci

DATA DAN METODE Data Data Simulasi Data Sekunder

DATA DAN METODE Data Data Simulasi Data Sekunder 11 DATA DAN METODE Data Data dalam penelitian ini terdiri dari dua sumber yaitu data simulasi dan data sekunder Data simulasi berupa data bangkitan yang berguna untuk mengukur kinerja metode BICOV dan

Lebih terperinci

Tabel 1 Sudut terjadinya jarak terdekat dan terjauh pada berbagai kombinasi pemilihan arah acuan 0 o dan arah rotasi HASIL DAN PEMBAHASAN

Tabel 1 Sudut terjadinya jarak terdekat dan terjauh pada berbagai kombinasi pemilihan arah acuan 0 o dan arah rotasi HASIL DAN PEMBAHASAN sudut pada langkah sehingga diperoleh (α i, x i ).. Mentransformasi x i ke jarak sebenarnya melalui informasi jarak pada peta.. Melakukan analisis korelasi linier sirkular antara x dan α untuk masingmasing

Lebih terperinci

ESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER

ESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER ESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER Siswanto 1, Raupong 2, Annisa 3 ABSTRAK Dalam statistik, melakukan suatu percobaan adalah salah satu cara untuk mendapatkan

Lebih terperinci

METODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER

METODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 3 (2014), hal 163-168. METODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER

Lebih terperinci

4 HASIL DAN PEMBAHASAN

4 HASIL DAN PEMBAHASAN 16 4 HASIL DAN PEMBAHASAN Pada bab ini dibahas mengenai kajian simulasi dan kajian terapan. Simulasi dilakukan untuk mengevaluasi penduga yang diperoleh dengan menggunakan metode pendugaan klasik dan metode

Lebih terperinci

viii METODE REGRESI LEAST TRIMMED SQUARES PADA DATA YANG MENGANDUNG PENCILAN ANNI FITHRIYATUL MAS UDAH

viii METODE REGRESI LEAST TRIMMED SQUARES PADA DATA YANG MENGANDUNG PENCILAN ANNI FITHRIYATUL MAS UDAH viii METODE REGRESI LEAST TRIMMED SQUARES PADA DATA YANG MENGANDUNG PENCILAN ANNI FITHRIYATUL MAS UDAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR

Lebih terperinci

BAB II TINJAUAN PUSTAKA. satu peubah prediktor dengan satu peubah respon disebut analisis regresi linier

BAB II TINJAUAN PUSTAKA. satu peubah prediktor dengan satu peubah respon disebut analisis regresi linier BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Linier Berganda Analisis regresi pertama kali dikembangkan oleh Sir Francis Galton pada abad ke-19. Analisis regresi dengan satu peubah prediktor dan satu peubah

Lebih terperinci

ANALISIS REGRESI ROBUST PADA DATA MENGANDUNG PENCILAN DENGAN METODE LEAST MEDIAN SQUARE

ANALISIS REGRESI ROBUST PADA DATA MENGANDUNG PENCILAN DENGAN METODE LEAST MEDIAN SQUARE ANALISIS REGRESI ROBUST PADA DATA MENGANDUNG PENCILAN DENGAN METODE LEAST MEDIAN SQUARE SKRIPSI Oleh Hufron Haditama NIM 051810101096 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS

Lebih terperinci

MANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO

MANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO MANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2011 RINGKASAN MAGRI HANDOKO. Manajemen

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA = (2.2) =

BAB 2 TINJAUAN PUSTAKA = (2.2) = BAB 2 TINJAUAN PUSTAKA 2.1. Regresi Linear Berganda Regresi linear berganda adalah regresi dimana variabel terikatnya dihubungkan atau dijelaskan dengan lebih dari satu variabel bebas,,, dengan syarat

Lebih terperinci

PENDEKATAN WINSOR PADA ANALISIS REGRESI DENGAN PENCILAN MURIH PUSPARUM

PENDEKATAN WINSOR PADA ANALISIS REGRESI DENGAN PENCILAN MURIH PUSPARUM PENDEKATAN WINSOR PADA ANALISIS REGRESI DENGAN PENCILAN MURIH PUSPARUM DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015 PERNYATAAN MENGENAI SKRIPSI

Lebih terperinci

HASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut:

HASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut: . Menyiapkan gugus data pencilan dengan membangkitkan peubah acak normal ganda dengan parameter µ yang diekstrimkan dari data contoh dan dengan matriks ragam-peragam yang sama dengan data contoh. Proses

Lebih terperinci

METODE PENELITIAN Sumber Data

METODE PENELITIAN Sumber Data 13 METODE PENELITIAN Sumber Data Data yang digunakan dalam penelitian ini merupakan hasil simulasi melalui pembangkitan dari komputer. Untuk membangkitkan data, digunakan desain model persamaan struktural

Lebih terperinci

, dengan. Karakteristik dari vektor peubah acak X dan Y sebagai berikut:

, dengan. Karakteristik dari vektor peubah acak X dan Y sebagai berikut: 3 TINJAUAN PUSTAKA Analisis Korelasi Kanonik Analisis korelasi kanonik (AKK) yang diperkenalkan oleh Hotelling pada tahun 1936, bertujuan untuk mengidentifikasi dan menghitung hubungan linier antara dua

Lebih terperinci

HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN Konsentrasi lemak ikan (%) Kandungan zat aktif (absorban) HASIL DAN PEMBAHASAN Deskripsi Data Berdasarkan data yang digunakan dalam penelitian ini, akan dilakukan pengidentifikasian multikolinieritas.

Lebih terperinci

III. METODOLOGI PENELITIAN. Modal, Dinas Penanaman Modal Kota Cimahi, Pemerintah Kota Cimahi, BPS Pusat

III. METODOLOGI PENELITIAN. Modal, Dinas Penanaman Modal Kota Cimahi, Pemerintah Kota Cimahi, BPS Pusat III. METODOLOGI PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini berupa data tenaga kerja, PDRB riil, inflasi, dan investasi secara berkala yang ada di kota Cimahi.

Lebih terperinci

SIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY KRIGING DENGAN TEKNIK JACKKNIFE

SIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY KRIGING DENGAN TEKNIK JACKKNIFE ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 333-342 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian SIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY

Lebih terperinci

STK 211 Metode statistika. Materi 2 Statistika Deskriptif

STK 211 Metode statistika. Materi 2 Statistika Deskriptif STK 211 Metode statistika Materi 2 Statistika Deskriptif 1 Statistika Deskriptif Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami Penyajian data dapat dilakukan

Lebih terperinci

BAB II LANDASAN TEORI. : Ukuran sampel telah memenuhi syarat. : Ukuran sampel belum memenuhi syarat

BAB II LANDASAN TEORI. : Ukuran sampel telah memenuhi syarat. : Ukuran sampel belum memenuhi syarat BAB II LANDASAN TEORI 2.1. Uji Kecukupan Sampel Dalam melakukan penelitian ini yang berhubungan dengan kecukupan sampel maka langkah awal yang harus dilakukan adalah pengujian terhadap jumlah sampel. Pengujian

Lebih terperinci

MODEL REGRESI KANDUNGAN BATUBARA MENGGUNAKAN METODE LEAST MEDIAN OF SQUARES

MODEL REGRESI KANDUNGAN BATUBARA MENGGUNAKAN METODE LEAST MEDIAN OF SQUARES PTNBR - BATAN Bandung, 04 Juli 013 MODEL REGRESI KANDUNGAN BATUBARA MENGGUNAKAN METODE LEAST MEDIAN OF SQUARES Kankan Parmikanti 1, Endang Rusyaman 1 dan Emah Suryamah 1 1 Jurusan Matematika FMIPA Universitas

Lebih terperinci

DATA DAN METODE Sumber Data

DATA DAN METODE Sumber Data 14 DATA DAN METODE Sumber Data Data yang digunakan dalam penelitian ini adalah data hasil simulasi dan data dari paket Mclust ver 3.4.8. Data simulasi dibuat dalam dua jumlah amatan yaitu 50 dan 150. Tujuan

Lebih terperinci

STK 211 Metode statistika. Agus Mohamad Soleh

STK 211 Metode statistika. Agus Mohamad Soleh STK 211 Metode statistika Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami Apa yang disajikan dan diringkas? --> PEUBAH Univariate vs Bivariate vs Multivariate

Lebih terperinci

PENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI

PENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI PENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI Ni Made Metta Astari 1, Ni Luh Putu Suciptawati 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas

Lebih terperinci

PERBANDINGAN METODE MKT, LTS, WIN, DAN THEIL PADA PENDUGAAN PARAMETER REGRESI APABILA GALATNYA MENYEBAR EKSPONENSIAL HELGA ARINA PRAMUDITYA

PERBANDINGAN METODE MKT, LTS, WIN, DAN THEIL PADA PENDUGAAN PARAMETER REGRESI APABILA GALATNYA MENYEBAR EKSPONENSIAL HELGA ARINA PRAMUDITYA PERBANDINGAN METODE MKT, LTS, WIN, DAN THEIL PADA PENDUGAAN PARAMETER REGRESI APABILA GALATNYA MENYEBAR EKSPONENSIAL HELGA ARINA PRAMUDITYA STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT

Lebih terperinci

TINJAUAN PUSTAKA. Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan

TINJAUAN PUSTAKA. Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan 4 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Matriks 2.1.1 Matriks Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan dalam susunan itu disebut anggota dalam matriks tersebut. Suatu

Lebih terperinci

TINJAUAN PUSTAKA Spesifikasi Model Berbagai model dalam pemodelan persamaan struktural telah dikembangkan oleh banyak peneliti diantaranya Bollen

TINJAUAN PUSTAKA Spesifikasi Model Berbagai model dalam pemodelan persamaan struktural telah dikembangkan oleh banyak peneliti diantaranya Bollen 4 TINJAUAN PUSTAKA Spesifikasi Model Berbagai model dalam pemodelan persamaan struktural telah dikembangkan oleh banyak peneliti diantaranya Bollen (1989). Namun demikian sebagian besar penerapannya menggunakan

Lebih terperinci

3 METODE. 3.1 Data = 0 1. time 0, =1, 2,,, =1, 2,, dengan n = 100 dan m = 5.

3 METODE. 3.1 Data = 0 1. time 0, =1, 2,,, =1, 2,, dengan n = 100 dan m = 5. 11 3 METODE 3.1 Data Data dalam penelitian ini terdiri dari dua sumber yaitu data simulasi dan data terapan. Data simulasi berguna untuk mengukur kinerja penduga kekar Huber pada data longitudinal. Data

Lebih terperinci

ESTIMASI PARAMETER PADA SISTEM PERSAMAAN SIMULTAN DENGAN METODE LIMITED INFORMATION MAXIMUM LIKELIHOOD (LIML) SKRIPSI

ESTIMASI PARAMETER PADA SISTEM PERSAMAAN SIMULTAN DENGAN METODE LIMITED INFORMATION MAXIMUM LIKELIHOOD (LIML) SKRIPSI ESTIMASI PARAMETER PADA SISTEM PERSAMAAN SIMULTAN DENGAN METODE LIMITED INFORMATION MAXIMUM LIKELIHOOD (LIML) SKRIPSI Oleh : IPA ROMIKA J2E004230 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA

Lebih terperinci

BAB IV PENDUGAAN VOLATILITAS INDEKS HARGA SAHAM

BAB IV PENDUGAAN VOLATILITAS INDEKS HARGA SAHAM BAB IV PENDUGAAN VOLATILITAS INDEKS HARGA SAHAM 4.1 Indeks Harga Saham Saham merupakan salah satu investasi yang menjanjikan bagi investor pada saat ini. Pertumbuhan ekonomi Indonesia yang cukup baik,

Lebih terperinci

Atina Ahdika. Universitas Islam Indonesia 2015

Atina Ahdika. Universitas Islam Indonesia 2015 Atina Ahdika Universitas Islam Indonesia 2015 Pada materi sebelumnya, kita telah belajar tentang koefisien korelasi, yaitu suatu ukuran yang menyatakan tentang kuat tidaknya hubungan linier antara dua

Lebih terperinci

III. METODE PENELITIAN. topik penelitian secara keseluruhan. Dalam kaitannya dengan hal ini, metode

III. METODE PENELITIAN. topik penelitian secara keseluruhan. Dalam kaitannya dengan hal ini, metode III. METODE PENELITIAN Metode penelitian merupakan pendekatan umum untuk membangun topik penelitian secara keseluruhan. Dalam kaitannya dengan hal ini, metode penelitian merupakan sistem atas peraturan-peraturan

Lebih terperinci

BAB IX ANALISIS REGRESI

BAB IX ANALISIS REGRESI BAB IX ANALISIS REGRESI 1. Model Analisis Regresi-Linear Analisis regresi-linear adalah metode statistic yang dapat digunakan untuk mempelajari hubungan antarsifat permasalahan yang sedang diselidiki.

Lebih terperinci

TINJAUAN PUSTAKA. Model Regresi Linier Ganda

TINJAUAN PUSTAKA. Model Regresi Linier Ganda TINJAUAN PUSTAKA Model Regresi Linier Ganda Hubungan antara y dan X dalam model regresi linier umum adalah y = X ß + e () dengan y merupakan vektor pengamatan pada peubah respon (peubah tak bebas) berukuran

Lebih terperinci

ANALISIS REGRESI TERPOTONG BEBERAPA NILAI AMATAN NURHAFNI

ANALISIS REGRESI TERPOTONG BEBERAPA NILAI AMATAN NURHAFNI ANALISIS REGRESI TERPOTONG DENGAN BEBERAPA NILAI AMATAN NOL NURHAFNI SEKOLAH PASCASARJANAA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan

Lebih terperinci

Pertemuan 4-5 ANALISIS REGRESI SEDERHANA

Pertemuan 4-5 ANALISIS REGRESI SEDERHANA Pertemuan 4-5 ANALISIS REGRESI SEDERHANA Metode Kuadrat Terkecil (OLS) Persoalan penting dalam membuat garis regresi sampel adalah bagaimana kita bisa mendapatkan garis regresi yang baik yaitu sedekat

Lebih terperinci

4, digunakan. metode P sedangkan jika δ maks

4, digunakan. metode P sedangkan jika δ maks 6 Untuk nilai 1< к

Lebih terperinci

VI. PEMBAHASAN. dengan metode kemungkinan maksimum, tetapi terhadap

VI. PEMBAHASAN. dengan metode kemungkinan maksimum, tetapi terhadap 89 VI. PEMBAHASAN Pada analisis yang menggunakan pendekatan model acak satu faktor (model persamaan 4.1), metode kuadrat terkecil secara umum memberikan hasil dugaan yang berbeda dengan metode kemungkinan

Lebih terperinci

STK511 Analisis Statistika. Bagus Sartono

STK511 Analisis Statistika. Bagus Sartono STK511 Analisis Statistika Bagus Sartono Pokok Bahasan Pengenalan analisis dan deskripsi data Sebaran peluang peubah acak. Sebaran penarikan contoh Pendugaan parameter Pengujian hipotesis (t-test, one-way

Lebih terperinci

HASIL. yang berlebihan. kotak garis (box-plot) yaitu, Bersubsidi. untuk KPR Bersubsidi. 2. Membangun. analisis. keseluruhan

HASIL. yang berlebihan. kotak garis (box-plot) yaitu, Bersubsidi. untuk KPR Bersubsidi. 2. Membangun. analisis. keseluruhan 4 HASIL DAN PEMBAHASAN Ekplorasi Seluruh Data KPR Bersubsidi Secara kesulurahan persentase macet pada data Kredit Pemilikan Rumah Bersubsidi dalam penelitian ini sebesar 6,05%. Gambar 3 menggambarkan perbandingan

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab ini terdiri dari dua bagian. Pada bagian pertama berisi tinjauan pustaka dari penelitian-penelitian sebelumnya dan beberapa teori penunjang berisi definisi-definisi yang digunakan

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dengan variabel yang lain. Analisis regresi merupakan

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN. berjumlah 88 orang. Responden diambil sebanyak 20 orang dari

BAB IV HASIL DAN PEMBAHASAN. berjumlah 88 orang. Responden diambil sebanyak 20 orang dari 30 BAB IV HASIL DAN PEMBAHASAN A. Karakteristik Responden Penelitian ini melibatkan mahasiswa aktif tahun angkatan 2013 dan 2014 program studi farmasi FKIK UMY. Total mahasiswa farmasi angkatan 2013 berjumlah

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Metode dan Desain Penelitian Metode penelitian berkaitan dengan prosedur dan teknik yang harus dilakukan dalam penelitian, metode penelitian memberikan pedoman mengenai langkah-langkah

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi

Lebih terperinci

Percobaan 1 Percobaan 2

Percobaan 1 Percobaan 2 direpresentasikan dengan histogram. Perlakuan pertama terhadap data-data penelitian ini adalah menghitung histogramnya. Kemudian dari interval antara 0-255 akan dibagi menjadi interval-interval bagian

Lebih terperinci

Statistika Deskriptif

Statistika Deskriptif Statistika Deskriptif Materi 2 - STK511 AnalisisStatistika September 26, 2017 Sep, 2017 1 Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami Apa yang disajikan

Lebih terperinci

A. Persamaan Kuadrat dan Fungsi Kuadrat. Salah satu akar persamaan kuadrat ( a ) (3a ) 3a 0 adalah, maka akar lainna adalah. Nilai m ang memenuhi agar persamaan kuadrat ( m ) (m ) ( m ) 0 mempunai dua

Lebih terperinci

REGRESI KEKAR SIMPANGAN MUTLAK TERKECIL DENGAN MODIFIKASI SIMPLEKS MUHAMMAD YUSUF DWIHARJANGGI

REGRESI KEKAR SIMPANGAN MUTLAK TERKECIL DENGAN MODIFIKASI SIMPLEKS MUHAMMAD YUSUF DWIHARJANGGI REGRESI KEKAR SIMPANGAN MUTLAK TERKECIL DENGAN MODIFIKASI SIMPLEKS MUHAMMAD YUSUF DWIHARJANGGI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ABSTRAK

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Metode Permukaan Respon (Response Surface Methodology/RSM), pertama kali diperkenalkan oleh Box dan Wilson (1951), metode ini sering digunakan untuk mencari

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu

Lebih terperinci

HASIL DAN PEMBAHASAN. efisien untuk menentukan lebar jendela fungsi kernel Gaussian.

HASIL DAN PEMBAHASAN. efisien untuk menentukan lebar jendela fungsi kernel Gaussian. 6 6. Catat persentase salah klasifikasi dari hasil penggerombolan. 7. Ulangi langkah 2-6 sebanyak tiga puluh kali. HASIL DAN PEMBAHASAN Penentuan Lebar Jendela Fungsi Kernel Penentuan lebar jendela fungsi

Lebih terperinci

SOAL ToT MATEMATIKA BISNIS-MANAJEMEN adalah...

SOAL ToT MATEMATIKA BISNIS-MANAJEMEN adalah... SOAL ToT MATEMATIKA BISNIS-MANAJEMEN 08. Bentuk sederhana dari 0 0 3 0 3 8 0 4 0 3 5 8 adalah.... Nilai dari log 6 3 log 4 log6 log 48 adalah... 7 3 3 3. Jika diketahui log 5 = a dan log 3 = b maka nilai

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan suatu metode analisis dalam statistika yang digunakan untuk mencari hubungan antara suatu variabel terhadap variabel lain. Dalam

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data

Lebih terperinci

TINJAUAN PUSTAKA. Rancangan petak teralur (strip plot design) merupakan susunan petak-petak (plotplot)

TINJAUAN PUSTAKA. Rancangan petak teralur (strip plot design) merupakan susunan petak-petak (plotplot) II. TINJAUAN PUSTAKA 2.1 Rancangan Petak Teralur Rancangan petak teralur (strip plot design) merupakan susunan petak-petak (plotplot) sebagai satuan percobaan yang terdiri dari plot baris untuk perlakuan

Lebih terperinci

HASIL DAN PEMBAHASAN Simulasi Kinerja Metode Kondisi Shift Outlier

HASIL DAN PEMBAHASAN Simulasi Kinerja Metode Kondisi Shift Outlier 17 HASIL DAN PEMBAHASAN Simulasi Perbandingan kinerja metode BICOV dan MCD dalam AKK melalui data simulasi dimaksudkan untuk mencari metode kekar yang memberikan nilai MSE paling minimum. Kinerja kedua

Lebih terperinci

4 SIFAT-SIFAT STATISTIK DARI REGRESI KONTINUM

4 SIFAT-SIFAT STATISTIK DARI REGRESI KONTINUM 4 SIFA-SIFA SAISIK DAI EGESI KONINUM Abstrak Matriks pembobot W pada egresi Kontinum diperole dengan memaksimumkan fungsi kriteria umum ternata menimbulkan masala dari aspek statistika. Prinsip dari fungsi

Lebih terperinci

Metode Statistika STK211/ 3(2-3)

Metode Statistika STK211/ 3(2-3) Metode Statistika STK211/ 3(2-3) Pertemuan III Statistika Deskripsi dan Eksplorasi (2) Septian Rahardiantoro - STK IPB 1 Misalkan diketahui data sebagai berikut Data 1 No Jenis Kelamin Tinggi Berat Agama

Lebih terperinci

BAB I PENDAHULUAN. untuk membentuk model hubungan antara variabel dependen dengan satu atau

BAB I PENDAHULUAN. untuk membentuk model hubungan antara variabel dependen dengan satu atau BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linier merupakan teknik dalam statistika yang digunakan untuk membentuk model hubungan antara variabel dependen dengan satu atau lebih variabel independen.

Lebih terperinci

Probabilitas dan Statistika Analisis Data Lanjut. Adam Hendra Brata

Probabilitas dan Statistika Analisis Data Lanjut. Adam Hendra Brata Probabilitas dan Analisis Lanjut Adam Hendra Brata Tunggal Populasi adalah sebagai sekumpulan data yang mengidentifikasi suatu fenomena. Sampel adalah sekumpulan data yang diambil atau diseleksi dari suatu

Lebih terperinci

METODOLOGI. (a). (b) (c) Gambar 3. Pola sebaran data dengan = 0.05, 5, dan 50

METODOLOGI. (a). (b) (c) Gambar 3. Pola sebaran data dengan = 0.05, 5, dan 50 METODOLOGI Data Data yang digunakan dalam penelitian ini ada dua jenis, yaitu data simulasi dan data riil Data simulasi digunakan untuk melihat pengaruh perubahan parameter konsentrasi ( ) terhadap karakteristik

Lebih terperinci

BAB I PENDAHULUAN. seringnya terjadi kekolinieran antar variabel bebas.

BAB I PENDAHULUAN. seringnya terjadi kekolinieran antar variabel bebas. BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam suatu penelitian, analisis regresi dapat digunakan untuk membantu melihat pengaruh antara satu atau lebih variabel bebas terhadap variabel tak bebas.

Lebih terperinci

III. METODE PENELITIAN

III. METODE PENELITIAN 39 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder tersebut merupakan data cross section dari data sembilan indikator

Lebih terperinci

TINJAUAN PUSTAKA Kalibrasi Ganda Regresi Kuadrat Terkecil Parsial ( Partial Least Squares/PLS) 1. Model PLS

TINJAUAN PUSTAKA Kalibrasi Ganda Regresi Kuadrat Terkecil Parsial ( Partial Least Squares/PLS) 1. Model PLS TINJAUAN PUSTAKA Kalibrasi Ganda Kalibrasi adalah suatu fungsi matematik dengan data empirik dan pengetahuan untuk menduga informasi pada Y yang tidak diketahui berdasarkan informasi pada X yang tersedia

Lebih terperinci

BAB 3 METODE PENELITIAN. jenis data yang berbentuk angka (metric) yang terdiri dari:

BAB 3 METODE PENELITIAN. jenis data yang berbentuk angka (metric) yang terdiri dari: BAB 3 METODE PENELITIAN 3.1 Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data kuantitatif, yaitu jenis data yang berbentuk angka (metric) yang terdiri dari: 1. Data laporan

Lebih terperinci

III. HASIL DAN PEMBAHASAN

III. HASIL DAN PEMBAHASAN III. HASIL DAN PEMBAHASAN 3.1. Panjang Baku Panjang baku rata-rata populasi benih ikan nila pada tiap kasus dan kumulatif mengalami peningkatan setelah dilakukan sortasi pada bulan pertama (Gambar 1a),

Lebih terperinci

Efektivitas Metode Regresi Robust Penduga Welsch dalam Mengatasi Pencilan pada Pemodelan Regresi Linear Berganda

Efektivitas Metode Regresi Robust Penduga Welsch dalam Mengatasi Pencilan pada Pemodelan Regresi Linear Berganda Jurnal Penelitian Sains Volume 1 Nomer 1(A) 1101 Efektivitas Metode Regresi Robust Penduga Welsch dalam Mengatasi Pencilan pada Pemodelan Regresi Linear Berganda Dian Cahyawati S. 1), Hadi Tanuji ), dan

Lebih terperinci

PENERAPAN METODE LEAST MEDIAN SQUARE-MINIMUM COVARIANCE DETERMINANT (LMS-MCD) DALAM REGRESI KOMPONEN UTAMA

PENERAPAN METODE LEAST MEDIAN SQUARE-MINIMUM COVARIANCE DETERMINANT (LMS-MCD) DALAM REGRESI KOMPONEN UTAMA E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 6-10 ISSN: 2303-1751 PENERAPAN METODE LEAST MEDIAN SQUARE-MINIMUM COVARIANCE DETERMINANT (LMS-MCD) DALAM REGRESI KOMPONEN UTAMA I PUTU EKA IRAWAN 1, I KOMANG

Lebih terperinci

(R.14) METODE MINIMUM COVARIANCE DETERMINANT PADA ANALISIS REGRESI LINIER BERGANDA DENGAN KASUS PENCILAN

(R.14) METODE MINIMUM COVARIANCE DETERMINANT PADA ANALISIS REGRESI LINIER BERGANDA DENGAN KASUS PENCILAN (R.14) MEODE MINIMUM COVARIANCE DEERMINAN PADA ANALISIS REGRESI LINIER BERGANDA DENGAN KASUS PENCILAN Dini Aderlina, Firdaniza, Nurul Gusriani Jurusan Matematika FMIPA Universitas Padjadjaran Jl. Raya

Lebih terperinci

BAB 1 PENDAHULUAN. banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan

BAB 1 PENDAHULUAN. banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Dalam masyarakat modern seperti sekarang ini, metode statistika telah banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan keputusan / kebijakan.

Lebih terperinci

STATISTIKA DESKRIPTIF. Wenny Maulina, S.Si., M.Si

STATISTIKA DESKRIPTIF. Wenny Maulina, S.Si., M.Si STATISTIKA DESKRIPTIF Wenny Maulina, S.Si., M.Si Ukuran Pemusatan Ukuran pemusatan ukuran ringkas yang menggambarkan karakteristik umum data tersebut. Modus (Mode): Nilai pengamatan yang paling sering

Lebih terperinci
2024 © DocPlayer.info Pengaturan dan alat privasi | Ketentuan | Tanggapan