IV HASIL DAN PEMBAHASAN
|
|
|
- Suhendra Halim
- 8 tahun lalu
- Tontonan:
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
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.
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
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
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
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
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
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
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
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
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.
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).
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
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
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
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
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
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
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.
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.
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
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
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
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
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.
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).
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
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
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
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
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
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
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
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
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
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
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
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
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
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
, 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
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.
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.
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
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
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
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
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
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
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
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
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
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
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
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,
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
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.
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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.
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
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
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
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
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),
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
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
(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
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.
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