PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE. Suparti 1 dan Tarno 2
|
|
- Devi Cahyadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Pemodela Data (Supart) PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE Supart 1 da Taro 2 1 Staf Jurusa Statstka FSM UNDIP, supartsudargo@yaoo.co.d 2 Staf Jurusa Statstka FSM UNDIP, taro.stat@gmal.com Abstract I ts researc, we study data modelg of Idoesa flato te trasportato, commucato ad facal servces sector usg te kerel ad sple models. Determato of te optmal models based o te smallest of GCV value ad determato of te best model based o te smallest out sampels of Mea Square Error (MSE) value. By modelg te yoy (year o year) flato data Idoesa te trasportato, commucato ad facal servces sector I Jauary 2007 to Jauary 2015, sows tat te kerel model usg Gaussa kerel fucto obtaed optmal model wt a badwdt 0.24 ad te optmal sple model wt order 5 ad 4 pots kots. Based o out sampels data February to August 2015, obtaed out sampels MSE value of te sple model s smaller ta te kerel model. So tat te sple model s better ta te kerel model to aalyze te flato data of trasportato, commucato ad facal servces sector. Keywords: Iflato, Trasportato, Commucato ad Facal Servces Sector, Kerel, Sple, GCV, MSE. 1. Pedaulua Data flas merupaka sala satu data rutu waktu ekoom yag mempuya sfat volatltas tgg, segga jka data dmodelka dega model parametrk ARIMA Box-Jeks serg megalam kedala karea ada asums yag tdak dpeu. Kemuda dkembagka metode oparametrk yag tdak megaruska adaya asums yag ketat sepert alya metode parametrk. Beberapa model oparametrk yag dapat dguaka utuk memodelka data flas atara la model regres kerel [8] da model regres sple [7]. Meurut Buyam da Dala (2011), model flas Idoesa terbak dega Box - Jeks megguaka data flas umum taua adala model AR(2) dega predks flas pada tau 2009 sebesar 10,48% [1].Teryata asl predks sagat jau dega data aktual flas tau 2009 yag besarya aya 2,78%. Supart, dkk (2014) memodelka data flas umum taua (yoy) megguaka data bula Desember 2006 Desember 2013 dega model regres kerel dperole asl predks flas tau 2009 sebesar 2,56%. Predks leb medekat data aktualya [8]. Supart, dkk (2015) tela melakuka aalss data flas umum yoy megguaka metode ARIMA Box-Jeks, kerel da sple. Metode terbakya adala ARIMA Box- Jeks yag mempuya kerja model sagat bagus. Namu model kerel da sple juga layak dguaka sebaga model alteratf karea mempuya MAPE atara 10% - 20% segga mempuya kerja yag bagus. Ketga model megaslka asl predks flas pada tau 2015 ampr sama [9]. Keutuga megguaka metode kerel da sple tdak megaruska dataya mempuya sfat tertetu. Dar pegamata data selama 3 tau (2011, 2012 da 2013), tela terjad keaka flas umum yag sgfka pada tau Keaka dsumbag ole keaka 103
2 Meda Statstka, Vol. 8 No. 2, Desember 2015: yag sgfka pada beberapa sektor/kelompok flas yatu sektor trasportas, komukas da jasa keuaga; sektor baa makaa, sektor makaa jad, muma, rokok da tembakau. Namu keaka yag sagat sgfka terjad pada sektor trasportas, komukas da jasa keuaga. Keaka flas yag sgfka pada tau 2013 sebaga efek dar kebjaka pemerta yag meakka arga Tarf Dasar Lstrk (TDL) secara bertaap sepajag tau 2013 da keaka Baa Bakar Myak (BBM) pada pertegaa tau 2013 [9]. Dalam artkel peuls bertujua melakuka aalss pemodela data flas Idoesa pada Sektor Trasportas, Komukas da Jasa Keuaga megguaka model regres kerel da sple dega optmas modelya megguaka krtera Geeralzed Cross Valdato (GCV) mmum. 2. Tjaua Pustaka 2.1. Pegerta da Idkator Iflas Secara sederaa flas dartka sebaga megkatya arga-arga secara umum da terus meerus. Idkator yag serg dguaka utuk megukur tgkat flas adala Ideks Harga Kosume (IHK) [4]. Iflas yag dukur dega IHK d Idoesa dkelompokka ke dalam 7 kelompok/sektor pegeluara yatu sektor Baa Makaa; Sektor Makaa Jad, Muma, Rokok da Tembakau; Sektor Perumaa, Ar, Lstrk, Gas da Baa Bakar; Sektor Sadag; Sektor Keseata; Sektor Peddka, Rekreas da Olaraga; Sektor Trasportas, Komukas da Jasa Keuaga [6]. Cara pertuga flas berdasarka IHK terbag 3 yatu flas bulaa (mot to mot/mtm) da flas taua (year o year/yoy) da flas tau kaleder (year to date/ytd) [5]. Iflas bulaa (mtm) dtug dar perubaa deks bula tertetu da deks bula sebelumya pada tau yag sama yatu: IHK bula tau t IHK bula ( 1) tau t Iflas (mtm)bula tau t = x 100% (1) IHK bula ( 1) tau t Sedagka flas taua (yoy) dtug dar perubaa deks bula yag sama pada tau tertetu da tau sebelumya yatu: IHK bula tau t IHK bula tau (t 1) Iflas (yoy) bula tau t = x 100% (2) IHK bula ke tau (t 1) Iflas tau kaleder bula ke dtug dar perubaa deks bula tertetu da deks Bula Desember tau sebelumya yatu: IHK bula tau t IHK Bula Desember tau (t 1) Iflas (ytd) bula tau t = x 100% (3) IHK Bula Desember tau (t 1) 2.2. Pemodela Regres oparametrk Jka dberka data pegamata depede {(X,Y )} maka model regres = 1 oparametrk adala Y = g(x ) + ε, = 1, 2,, (4) dega g fugs regres yag tdak dketau da ε kesalaa pegamata radom 2 depede dega mea 0 da vara σ [3]. Pedekata oparametrk dlakuka jka asums betuk g tdak dketau. Utuk megestmas fugs regres g dapat dlakuka dega metode kerel da sple. Regres kerel adala regres terbobot megguaka bobot fugs kerel. Estmator regres kerel model (4) adala -1 K (x X )Y =1 ĝ (x) = dega K (x) = K(x ) -1 K (x X ) =1 (5) 104
3 ) + ) = Pemodela Data (Supart) K (X X j)y j j=1 segga estmas regres d ttk x = X adala ĝ (X = H Y ) = [ ]. j j j= 1 K (X X ) Beberapa fugs kerel dataraya Kerel Seragam (uform), Kerel Segtga, Kerel Epaeckov da Kerel Gauss [3]. Model regres sple keluarga polomal trucated orde m da k ttk kot (λr1, λr2,, λrk) adala y = g(x) + ε dega g(x) = m 1 =0 β x k P m 1 j=1 β j+m 1 (x λ j ) +, m 1 da fugs trucated (x λ j ) + = (x λ j )m 1 ; x λ j 0 0 ; x λ j < 0, utuk a < 1< 2 < < k < b, dmaa a da b merupaka la mmum da maksmum dar x [10]. Betuk matrk dar model regres splde adala Y = X β + ε. Dega T megguaka metode OLS, estmator parameter β dega ttk kot λ adala R β λ (X λ X λ R ) -1 X T λ Y, segga estmator regres sple adala T g Rλ(x) = X λ (X λ X -1 λ R X T T λ Y = H λ Y, dega H λ = X λ (X λ X -1 T λ R X λ (6) Keoptmala estmas regres kerel sagat dtetuka ole pemla badwdt sedagka keoptmala regres sple sagat dtetuka ole pemla ttk kotya. Sala satu metode utuk memperole badwdt da ttk kot optmal dega memmalka la Geeralzed Cross Valdato (GCV) dega MSE GCV = da MSE = ( trace[i H]) Y Y 2 =1 P[11]. Meurut Hardle (1990), pemodela data rutu waktu {Z, = 1, 2,..., } dapat dmodfkas mejad data regres (X,Y ) dega meggat la lag Z -1 sebaga X da la Z sebaga Y. Selajutya masala predks Z +1 dar {Z, =1, 2,..., } dapat dpadag sebaga masala pemulusa regres utuk (X,Y ) = (Z -1,Z ), = 2, 3,..., yag dapat dselesaka dega model regres oparametrk [3]. 2.3 Ukura Kerja Model Meurut Lews (1982) dalam Ce, et al. (2008), suatu model dkataka mempuya kerja yag sagat bagus jka la MAPE kurag dar 10%, mempuya kerja yag bagus jka la MAPE besarya 10% sampa 20%, mempuya kerja yag wajar jka MAPE besarya 20% sampa 50% da mempuya kerja yag tdak akurat jka MAPE besarya 50% atau leb [2], dega rumus m 1 Y ˆ Y MAPE = x100% (7) m Y =1 3. Metodolog Peelta Data yag dguaka dalam peelta adala data bulaa dar flas yoy (year o year) pada sektor trasportas, komukas da jasa keuaga mula bula Jauar 2007 Jauar 2015 sebaga data sampel utuk membagu model da data bula Februar Desember 2015 sebaga data out sampel dguaka utuk evaluas kerja model. Data dambl dar stus resm Bak Idoesa yatu data IHK bulaa pada sektor trasportas, komukas da jasa keuaga [6]. Dar data meta IHK kemuda dola mejad data flas yoy (Persamaa 2) dega meyamaka tau dasar pertuga IHK. Data flas {Z, = 1, 2,, 97} merupaka data rutu waktu, selajutya data tersebut dmodfkas k=1 k 105
4 Meda Statstka, Vol. 8 No. 2, Desember 2015: mejad data {(X,Y ), = 2, 3,... } = {(Z -1,Z ), = 2, 3,... } dega = 97. Jad masala predks {Z } ekvale dega megestmas g(x) = E ( Y X = x) utuk rutu waktu dua dmes {(X,Y ), = 2, 3,..., 97}. Selajutya fugs g destmas dega model regres kerel dega fugs kerel Gauss da regres sple trucated. Pada model regres kerel pemla la badwdt dcobaka semua kemugka postp da setap yag dcobaka dtug GCV-ya. Pada model regres sple dcobaka beberapa orde (yatu orde 2, 3, 4 da 5) da beberapa kombas ttk kot (yatu 1, 2, 3, 4 ttk kot). Setap model sple yag terbetuk dtug la GCV-ya. Pemla model optmal utuk masg-masg metode megguaka krtera GCV mmum. Model optmal yag terbetuk selajutya dguaka utuk mempredks data out sampel da dtug la MSE da MAPE-ya utuk evaluas kerja model. Model terbak berdasarka la MSE out sampel terkecl. 4. Hasl Da Pembaasa Data flas pada Sektor Trasportas, Komukas da Jasa Keuaga pada bula Jauar 2007 Jauar 2015 dgambarka dalam scatter plot Gambar 1. Dar Gambar 1 terlat data memlk volatltas yag tgg yag dtujukka adaya data pegamata yag tba-tba ak da turu secara tajam d beberapa ttk. Kemuda data rutu waktu Gambar 1 dmodfkas mejad data (X,Y ) yag dplotka pada Gambar 2. Iflas (%) Y waktu () Gambar 1. Plot Data flas Gambar 2. Plot Data Modfkas Data modfkas pada Gambar 2 selajutya dola dega program R megguaka model regres kerel dega fugs pembobot kerel Gauss da model regres sple trucated beberapa orde da ttk kot. Beberapa orde da ttk kot yag dcobaka megaslka la optmal yag dsajka pada Tabel 1. Dar Tabel 1, utuk model kerel optmal dperole la GCV mmum sebesar 3,380 dcapa pada badwdt optmal sebesar 0,24 sedagka pada regres sple optmal dperole la GCV mmum sebesar 1,819 dcapa pada orde 5 dega 4 ttk kot (-5,652 ; 0,347; 2,348; 14,348). Segga model optmal yag terbetuk adala sebaga berkut: X 106
5 Pemodela Data (Supart) Utuk model kerel optmal sesua Persamaa (5) adala: x X j K( )Y j j=1 0,24 ĝ (x) = dega K(x) = 1 x X k K( ) k=1 0,24 da model sple optmal sesua Persamaa (6) adala: x 2 2π e 2 (8) 42,961 31,730x 8,355x2 0,850x 3 0,028x 4, utuk x < 5,652 42,961 31,730x 8,355x 2 0,850x 3 0,028x 4 + 0,044(x + 5,652) 4, utuk 5,652 x < 0,348 g (x) = 42,961 31,730x 8,355x 2 0,850x 3 0,028x 4 0,046(x 0,348) 4, utuk 0,348 x < 2,348 42,961 31,730x 8,355x 2 0,850x 3 0,028x 4 + 0,035(x 2,348) 4, utuk 2,348 x < 14,348 42,961 31,730x 8,355x 2 0,850x 3 0,028x 4 0,683(x 14,348) 4, utuk x 14,348 (9) Estmas model kerel (8) da model sple (9) dtujukka pada Gambar 3 da 4. Setela data dkembalka ke betuk rutu waktu semula, estmas model kerel (8) da model sple (9) dtujukka pada Gambar 5. Secara vsual, dar Gambar 3, 4 da 5 terlat estmas kedua model megkut pola data yag ada. Tabel 1. Perbadga Nla GCV Mmum Model Kerel da Sple Metode Kerel optmal GCV m 0,24 3,380 Bayakya kot Orde Kot optmal GCV m 2 16,194 5, ,194 5, ,194 5, ,999 5,246 2 (11,723; 12,293) 4, (5,500; 6,839) 5,046 4 (12,150; 12,293) 4,979 Metode Sple 5 (11,559 ; 11,613) 4,719 2 (5,004 ; 5,500; 7,985) 3, (11,723 ; 12,150; 12,293) 4,443 4 (11,558; 11,613; 11,723) 4,586 5 (-6,090; 11,311; 14,636) 3,585 2 (3,348; 4,348; 6,348; 7,348) 3, (4,348; 5,348; 6,348; 8,348) 4,072 4 (-6,652; 2,348; 4,348; 7,348) 3,345 5 (-5,652; 0,348; 2,348; 14,348) 1,
6 Meda Statstka, Vol. 8 No. 2, Desember 2015: flas ke (%) o : Data aktual : Hasl estmas Iflas ke t (%) o : Data aktual : Hasl estmas flas ke -1 (%) Iflas ke t-1 (%) Gambar 3. Plot Data Modfkas da Estmas Model Kerel Gambar 4. Plot Data Modfkas da Estmas Model Sple Iflas (%) o : Data aktual : Hasl estmas kerel : Hasl estmas sple Waktu Gambar 5. Plot Data Aktual da Estmas Model Kerel da Sple 108
7 Pemodela Data (Supart) Dar kedua model optmal (8) da (9) dperole la predks flas sektor trasportas, komukas da jasa keuaga pada Bula Februar Agustus 2015 yag dsajka dalam Gambar 5, da terlat asl predks yag leb dekat dega data aktual adala model sple. Dar Tabel 2, dlat dar besarya MSE bak sampel maupu out sampel da MAPE out sampel, model sple optmal leb kecl dar model kerel optmal. I meujukka bawa metode sple leb bak utuk memodelka data flas sektor trasportas, komukas da jasa keuaga dar metode kerel. Dlat dar besarya la MAPE, model sple mempuya kerja yag wajar sedagka kerja model kerel tergolog tdak akurat DATA AKTUAL KERNEL SPLINE Gambar 5. Perbadga Data Aktual da Predks Kedua Model pada Bula Februar Agustus 2015 Tabel 2. Perbadga Model Kerel da Model Sple Optmal Metode Kerel Sple Model Kerel Gauss dega = 0,24 Sple orde 5 dega 4 ttk kot (-5,652; 0,348; 2,348; 14,348) GCV sampel 3,380 1,819 MSE sampel 2,100 1,541 MSE out sampel 22,515 5,841 MAPE out sampel 60,682 % 33,526 % Kerja model Tdak akurat Wajar 5. Kesmpula Dar pemodela megguaka model oparametrk kerel da sple, model terbak utuk flas Idoesa pada sektor trasportas, komukas da jasa keuaga adala model sple orde 5 da 4 ttk kot dega kerja model tergolog wajar. DAFTAR PUSTAKA 1. Buyam da Dala, N., Estmas Iflas d Idoesa dega Megguaka Metodolog Box-Jeks, Natoal Jourals, 2011, Vol. 18, No Ce, R.J.C., Blomfeld, P., Cubbage, F.W., Comparg Forecastg Models Tours. Joural of Hosptalty ad Toursm Researc, 2008, Vol. 32, No
8 Meda Statstka, Vol. 8 No. 2, Desember 2015: Hardle, W., Appled Noparametrc Regresso, Cambrdge Uversty Press., New York, ttp:// 5. ttp:// K)_2014.pdf 6. ttp:// 7. Supart, Aalss Data Iflas d Idoesa Megguaka Model Regres Sple. Jural Meda Statstka, 2013, Vol. 6, No Supart, Warsto, B. da Mukd, M.A., Aalss Data Iflas D Idoesa Sebelum da Sesuda Keaka TDL da BBM Tau 2013 Megguaka Model Regres Kerel, Prosdg Koferes Nasoal Matematka ke XVII ITS, Surabaya Ju Supart, Warsto, B. da Mukd, M.A., Aalss Data Iflas D Idoesa Megguaka Model Arma Box-Jeks, Kerel da Sple, Prosdg Semar Nasoal SAINTEKINFO UNS, Surakarta, Wu, H. ad Zag, J. T., Noparametrc Regresso Metods for Logtudal Data Aalyss, Jo Wley ad Sos, New Jersey, Takezawa, K., Itroducto to Noparametrc Regresso, Jo Wley & Sos, Ic., New Jersey,
ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI POLINOMIAL LOKAL
IdoMS Joural o Statstcs Vol., No. 1 (014), Page 65-78 ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI POLINOMIAL LOKAL Supart 1, Bud Warsto, Moc Abdul Mukd 3 1,,3 Staf Jurusa Statstka, FSM,
Lebih terperinciANALISIS DATA INFLASI DI INDONESIA PASCA KENAIKAN TDL DAN BBM TAHUN 2013 MENGGUNAKAN MODEL REGRESI KERNEL. Suparti 1
Aalss Data (Supart) ANALISIS DATA INFLASI DI INDONESIA PASCA KENAIKAN TDL DAN BBM TAHUN 013 MENGGUNAKAN MODEL REGRESI KERNEL Supart 1 1 Staf Pegajar Jurusa Statstka Udp e-mal : supartsudargo@yaoo.co.d
Lebih terperinciESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER
Supart da Sudargo Estmas Regres Deret Fourer ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo 2 ) Jurusa Matematka, FMIPA, Udp 2) Jurusa Ped. Matematka, FPMIPA, IKIP PGRI, Semarag
Lebih terperinciANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI KERNEL
ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI KERNEL Supart 1, Da Saftr 1, Ica Puspta Sar 2 da Alvta Racma Dev 3 1) Staf Jurusa Statstka Udp 2) Alum Maasswa Jurusa Statstka Udp 3) Maasswa
Lebih terperinciPEMULUSAN SEBARAN DATA MENGGUNAKAN PENAKSIR KERNEL NADARAYA-WATSON DAN LINIER LOKAL UNTUK KERNEL NORMAL. Sudarno 1.
PROSIDING SEMINAR NASIONAL STATISTIA UNIVERSITAS DIPONEGORO ISBN: 978-979-97-- PEMULUSAN SEBARAN DATA MENGGUNAAN PENASIR ERNEL NADARAA-WATSON DAN LINIER LOAL UNTU ERNEL NORMAL Sudaro ) Program Stud Statstka
Lebih terperinciANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:
ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X
Lebih terperinciPERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM
PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka
Lebih terperinciBAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai
BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres
Lebih terperinciBAB 2. Tinjauan Teoritis
BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut
Lebih terperinciIntegrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1
Itegras Metode Itegral Rema Metode Itegral Trapezoda Metode Itegral Smpso Itegras Permasalaa Itegras Pertuga tegral adala pertuga dasar yag dguaka dalam kalkulus, dalam bayak keperlua. Itegral secara det
Lebih terperinciBAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.
BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska
Lebih terperinciBAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier
BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres
Lebih terperinciREGRESI LINEAR SEDERHANA
REGRESI LINEAR SEDERHANA MODUL Dra. Sr Pagest, S.U. PENDAHULUAN A alss regres merupaka aalss statstk yag mempelajar ubuga atara dua varabel atau leb. Dalam aalss regres lear dasumska berlakuya betuk ubuga
Lebih terperinci11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN
// REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA
Lebih terperinciJMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb.
JMP : Volume Nomor, Oktober 009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK Agust Trpea Br.Sb. Fakultas Sas da Tekk, Uverstas Jederal Soedrma Purwokerto, Idoesa
Lebih terperinciBAB III UKURAN PEMUSATAN DATA
BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah
Lebih terperinciBab II Teori Pendukung
Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak
Lebih terperinciKARAKTERISTIK INFLASI KOTA-KOTA DI INDONESIA BAGIAN BARAT
Prosdg Semar Nasoal Sas da Peddka Sas I, Fakultas Sas da Matematka, UKSW Salatga, 2 Ju 204, Vol 5, No., ISSN :2087-0922 KARAKTERISTIK INFLASI KOTA-KOTA DI INDONESIA BAGIAN BARAT Ad Setawa Program Stud
Lebih terperinciBAB 5. ANALISIS REGRESI DAN KORELASI
BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh
Lebih terperinciSIFAT-SIFAT LANJUT FUNGSI TERBATAS
Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas
Lebih terperinciALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS
LGORITM MENENTUKN HIMPUNN TERBESR DRI SUTU MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar Program Stud Matematka FMIP UNDIP JlProfSoedarto SH Semarag 575 bstract Ths research dscussed about how to obtaed
Lebih terperinciANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET
Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,
Lebih terperinciPENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD
PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas
Lebih terperinciX, Y, yang diasumsikan mengikuti model :
PERBANDINGAN MODEL REGRESI NONPARAMETRIK DENGAN REGRESI SPLINE DAN KERNEL Lls Laome Jurusa Matematka FMIPA Uverstas Haluoleo Kedar 933 emal : ls@yaoo.com Abstrak Tulsa membaas model regres oarametrk utuk
Lebih terperinci8. MENGANALISIS HASIL EVALUASI
8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara
Lebih terperinciREGRESI NONPARAMETRIK SPLINE UNTUK DATA BERAT BADAN BALITA MENURUT UMUR DI KABUPATEN BOJONEGORO TAHUN 2010
REGRESI NONPARAMETRIK SPLINE UNTUK DATA BERAT BADAN BALITA MENURUT UMUR DI KABUPATEN BOJONEGORO TAUN Mahasswa Yulda Federka 9 5 6 Dose Pembmbg Ir. Mutah Salamah,M.Kes da Jerry Dw T.P.,S.S,M.S ABSTRAK Pertumbuha
Lebih terperinciEstimasi Densitas Mulus dengan Metode Wavelet. (Wavelet Method in Smooth Density Estimation)
Supart da Subaar Estmas Destas Mulus dega Metode Wavelet (Wavelet Method Smooth Desty Estmato) Oleh Supart ) da Subaar ) Let X Abstract =,,, be depedet observato data from a dstrbuto wth a ukow desty fucto
Lebih terperinciPENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan
Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah
Lebih terperinciMODEL SPLINE DENGAN ERROR BERKORELASI. Nalim, I Nyoman Budiantara dan Kartika Fitriasari Jurusan Statistika ITS Kampus ITS Sukolilo Surabaya 60111
MODEL SPLINE DENGAN ERROR BERKORELASI Nalm I Nyoma Budatara da Kartka Ftrasar Jurusa Statstka ITS Kampus ITS Sukollo Surabaya 60 Abstract Sple smoothg s a popular method for estmatg the fucto oparametrc
Lebih terperinciBAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu
BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl
Lebih terperinciX a, TINJAUAN PUSTAKA
PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel
Lebih terperinciPEMILIHAN VARIABEL DAN REDUKSI DIMENSI DALAM REGRESI NONPARAMETRIK BERDIMENSI BESAR
PEMILIHAN VARIABEL DAN REDUKSI DIMENSI DALAM REGRESI NONPARAMETRIK BERDIMENSI BESAR Eva Yat Sregar Dose Program Stud Peddka Matematka STKIP Tapaul Selata Jl. Suta Muammad Arf Kel. BatagAyum Jae Padagsdmpua
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab aka mejelaska megea beberapa ladasa teor utuk meerapka regres oparametrk yatu regres oparametrk Sple kuadratk da Thel.. Dervatf Defs. Spegel (986 :58 ) Msalka y f (x) adalah
Lebih terperinciDi dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu
KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua
Lebih terperinciUji Statistika yangb digunakan dikaitan dengan jenis data
Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas
Lebih terperinciPEMODELAN GENERAL REGRESSION NEURAL NETWORK UNTUK PREDIKSI TINGKAT PENCEMARAN UDARA KOTA SEMARANG
PEMODELAN GENERAL REGREION NEURAL NETWORK UNTUK PREDIKI TINGKAT PENCEMARAN UDARA KOTA EMARANG Bud Warsto 1, Agus Rusgyoo 1 da M. Aff Amrllah 1 Program tud tatstka FMIPA UNDIP Alum Program tud tatstka FMIPA
Lebih terperinciPENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN
PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling
BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl
Lebih terperinciBAB III PERSAMAAN PANAS DIMENSI SATU
BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka
Lebih terperinciSTATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi
STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel
BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka
Lebih terperinciINTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2
INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas
Lebih terperinciTAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP
JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakag Masalah Regres merupaka suatu metode statstka yag dguaka utuk meyeldk pola hubuga atara dua atau lebh varabel.betuk atau pola hubuga varabelvarabel tersebut dapat ddetfkas
Lebih terperinciMean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.
Mea utuk Data Tuggal Des. Jka suatu sampel berukura dega aggota x1, x, x3,, x, maka mea sampel ddesska : 1... N 1 Mea utuk Data Kelompok Des Mea dar data yag dkelompoka adalah : x x 1 1 1 dega : x = ttk
Lebih terperinciFMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani
FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk
Lebih terperinciKERNEL ORDER TINGGI UNTUK ESTIMASI VALUE AT RISK (VaR) MANAJEMEN RESIKO TENAGA KERJA
KERNEL ORDER TINGGI UNTUK ESTIMASI VALUE AT RISK (VaR) MANAJEMEN RESIKO TENAGA KERJA Zulfkar Sstem Ifromas da Tekk Iformatka STMIK Bahrul Ulum Jombag Emal: zulfkarda@gmal.com ABSTRAK Implkas dar maeeme
Lebih terperinciUKURAN GEJALA PUSAT (UGP)
UKURAN GEJALA PUSAT (UGP) Pegerta: Rata-rata (average) alah suatu la yag mewakl suatu kelompok data. Nla dsebut juga ukura gejala pusat karea pada umumya mempuya kecederuga terletak d tegah-tegah da memusat
Lebih terperinci3 Departemen Statistika FMIPA IPB
Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka
Lebih terperincib) Untuk data berfrekuensi fixi Data (Xi)
B. Meghtug ukura pemusata, ukura letak da ukura peyebara data serta peafsraya A. Ukura Pemusata Data Msalka kumpula data berkut meujukka hasl pegukura tgg bada dar orag sswa. 0 cm 30 cm 5 cm 5 cm 35 cm
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa
Lebih terperinciPERBADINGAN BIAS ESTIMATOR KERNEL NADARAYA-WATSON DAN LOCALLY LINEAR PADA REGRESI NONPARAMETRIK
SAINTEBU Jural Sa da Tekolog PERBADINGAN BIAS ESTIMATOR ERNEL NADARAYA-WATSON DAN LOCALLY LINEAR PADA REGRESI NONPARAMETRI BIAS COMPARISON NADARAYA WATSON AND LOCALLY LINEAR ERNEL ESTIMATOR OF NONPARAMETRIC
Lebih terperinciTEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas
TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar
Lebih terperinciBAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel
BAB LANDASAN TEORI.1 Pegerta Regres Regres dalam statstka adalah salah satu metode utuk meetuka tgkat pegaruh suatu varabel terhadap varabel yag la. Varabel yag pertama dsebut dega bermacam-macam stlah:
Lebih terperinciBAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah
BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,
Lebih terperinciBAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten
BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar
Lebih terperinciBAB IV HASIL PENELITIAN. Hasil penelitian ini berdasarkan data yang diperoleh dari kegiatan penelitian
BAB IV HASIL PENELITIAN Hasl peelta berdasarka data yag dperole dar kegata peelta yag tela dlaksaaka ole peelt d MTs Salafya II Radublatug Blora pada kelas VIII A tau ajara 1 11. Data asl peelta tersebut
Lebih terperinciS2 MP Oleh ; N. Setyaningsih
S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal
Lebih terperinciTUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER
TUGAS ATA KULIAH TEORI RING LANJUT ODUL NOETHER Da Aresta Yuwagsh (/364/PPA/03489) Sebelumya, telah dketahu bahwa sebaga rg dega eleme satua memeuh sfat rata ak utuk deal-deal d. Apabla dpadag sebaga modul,
Lebih terperinci*Corresponding Author:
Prosdg Semar Sas da Tekolog FMIPA Umul Vol. No. Jul 0, Samarda, Idoesa ISSN : - 0 STRUCTURAL EQUATION MODELLING DENGAN PENDEKATAN PARTIAL LEAST SQUARE (Stud Kasus: Pegaruh Locus of Cotrol, Self Effcacy,
Lebih terperinciKALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.
KALKULUS LANJUT Pertemua ke-4 Rey Ra Marlaa, S.S.,M.Stat. Plot Mater Notas Jumlah & Sgma Itegral Tetu Jumlah Rema Pedahulua Luas Notas Jumlah & Sgma Purcell, et all. (page 226,2003): Sebuah fugs yag daerah
Lebih terperinciBAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.
BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah
Lebih terperinciBAB III REVIEW SIFAT- SIFAT STATISTIK PENDUGAAN TIPE KERNEL BAGI FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN PERIODE GANDA
9 BAB III REVIEW SIFAT- SIFAT STATISTI PENDUGAAN TIPE ERNE BAGI FUNGSI INTENSITAS PROSES POISSON PERIODI DENGAN PERIODE GANDA 3. Perumua Peduga Malka adala proe Poo ag damat pada terval [0] dega fug teta
Lebih terperinciBOBOT OPTIMAL PADA REGRESI SEMIPARAMETRIK SPLINE
BOBOT OPTIMAL PADA REGRESI SEMIPARAMETRIK SPLINE Jerry Dw Trjoyo Puromo Jurusa Statstka Isttut Tekolog Sepuluh Nopember Surabaya Emal: jerrypuromo@yahoo.com ABSTRAK Regres semparametrk sple adalah metode
Lebih terperinciTINJAUAN PUSTAKA Evaluasi Pengajaran
TINJAUAN PUSTAKA Evaluas Pegajara Evaluas adalah suatu proses merecaaka, memperoleh da meyedaka formas yag sagat dperluka utuk membuat alteratf- alteratf keputusa. Dalam hubuga dega kegata pegajara evaluas
Lebih terperinciTAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL
TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,
Lebih terperinciPertemuan VII IV. Titik Berat dan Momen Inersia
Baa jar Mekaka Baa Mulat, ST., MT Pertemua V V. Ttk Berat da Mome ersa. Ttk Berat Peampag Mome pertama suatu luasa eleme teradap suatu sumbu d dalam bdag luasa dberka dega produk luasa eleme da jarak tegak
Lebih terperinciBAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP
BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh
Lebih terperinciABSTRAK. Ika Dewi Ariyanti 1 dan Sutikno 2
Pemodela Aomal Luas Pae Pad da Curah Huja Terbobot (Weghted Rafall Idex) dega Pedekata Robust Bootstrap LTS (Stud Kasus: Pemodela Luas Pae d Kabupate Subag) Ika Dew Aryat da Sutko Mahasswa S Statstka ITS,
Lebih terperinciTAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD
TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut
Lebih terperinciBAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam
BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma
Lebih terperinciBAB IX PENGGUNAAN STATISTIK DALAM SIMULASI
BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug
Lebih terperinciUKURAN GEJALA PUSAT DAN UKURAN LETAK
UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu
Lebih terperinciI adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu
METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut
Lebih terperinciPENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE VALIDASI-SILANG (STUDI KASUS DI KOTA SEMARANG)
Prosdg SPMIPA pp 185-191 006 ISBN : 979704470 PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE VALIDASI-SILANG (STUDI KASUS DI KOTA SEMARANG) Taro Program Stud Statstka FMIPA UNDIP Semarag
Lebih terperinciBAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode
BAB II ANDASAN TEORI. Regres Noparametrk Metode statstka oparametrk merupaka metode statstka ag dapat dguaka dega megabaka asums-asums ag meladas pegguaa metode statstk parametrk. Terutama ag berkata dega
Lebih terperinciLANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)
LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau
Lebih terperinciPENDEKATAN MODEL GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH RUMAH TANGGA MISKIN DI PULAU BURU
Jural Barekeg Vol. 8 No. 2 Hal. 53 57 (2014) PENDEKATAN MODEL GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH RUMAH TANGGA MISKIN DI PULAU BURU Geographcally
Lebih terperinciPemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif
Pemodela Jumlah Kemata Ibu d Jawa mur dega Pedekata Geeralzed Posso Regresso (GPR) da Regres Bomal Negatf Retdasyah Rsky Agga Permaa, Mutah Salamah Jurusa Statstka, Fakultas MIPA, Isttut ekolog Sepuluh
Lebih terperinciBAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,
BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga
Lebih terperinciKOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI
KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI Defl Ardh 1, Frdaus, Haposa Srat defl_math@ahoo.com
Lebih terperinciBAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.
BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah
Lebih terperinciANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL
Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA, Fakultas MIPA, Uverstas Neger Yogyakarta, 4 Me ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Ksmat Jurusa Peddka
Lebih terperinciBAB 6 PRINSIP INKLUSI DAN EKSKLUSI
BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu
Lebih terperinciPENAKSIR REGRESI CUM RASIO UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN KOEFISIEN KURTOSIS DAN KOEFISIEN SKEWNESS
PENAKIR REGREI CUM RAIO UNTUK RATA-RATA POPULAI DENGAN MENGGUNAKAN KOEFIIEN KURTOI DAN KOEFIIEN KEWNE usta Wula ar *, Arsma Ada, Haposa rat Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka
Lebih terperinciPENDEKATAN REGRESI KONTINUM DENGAN PRA-PEMROSESAN ANALISIS KOMPONEN UTAMA UNTUK PEMODELAN STATISTICAL DOWNSCALING
Semar Nasoal Statstka IX Isttut ekolog Sepulu Nopember, 7 November 009 PENDEKAAN REGRESI KONINUM DENGAN PRA-PEMROSESAN ANALISIS KOMPONEN UAMA UNUK PEMODELAN SAISICAL DOWNSCALING (SUDI KASUS : SASIUN INDRAMAYU,
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN MEDIAN
PENAKI AIO UNTUK ATA-ATA POPULAI PADA AMPLING ACAK EDEHANA MENGGUNAKAN KOEFIIEN VAIAI DAN MEDIAN sk ahmada *, Arsma Ada, Haposa rat Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da
Lebih terperinciBAB 1 STATISTIKA RINGKASAN MATERI
BAB STATISTIKA A RINGKASAN MATERI. Pegerta Data adalah kumpula keteraga-keteraga atau catata-catata megea suatu kejada, dapat berupa blaga, smbol, sat atau kategor. Masg-masg keteraga dar data dsebut datum.
Lebih terperinciMATEMATIKA INTEGRAL RIEMANN
MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk
Lebih terperinci4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data
//203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura
Lebih terperinciIII BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan
III BAHAN/OBJEK DAN METODE PENELITIAN 3.1. Baha da Alat Peelta 3.1.1. Baha Peelta Objek yag dguaka dalam peelta adalah 50 ekor sap Pasuda jata da beta dewasa dega umur -3 tahu da tdak butg utuk meghdar
Lebih terperinciREGRESI NONPARAMETRIK KERNEL ADJUSTED. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan
JMP : Volume 7 Nomor, Ju 05, hal. - 0 REGRESI NONPARAMETRIK KERNEL ADJUSTED Novta Eka Chadra Uverstas Islam Darul Ulum Lamoga ovtaekachadra@gmal.com Sr Haryatm da Zulaela Jurusa Matematka FMIPA UGM ABSTRACT.
Lebih terperinciRegresi Linier Sederhana Definisi Pengaruh
Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh
Lebih terperinciESTIMASI UKURAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM PORTOFOLIO PADA SINGLE INDEX MODEL
Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 0, No. (03), hal. 57-6 ESTIMASI UKUAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM POTOFOLIO PADA SINGLE INDEX MODEL Eka Kurawat, Helm, Neva Satyahadew INTISAI
Lebih terperinci