KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
|
|
- Sudomo Atmadja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 KAJIA METODE BOOTSTRAP DALAM MEMBAGU SELAG KEPERCAYAA DEGA MODEL ARMA (p,q) Oleh : Rata Evyka E.S.A Dose Pembimbig : Dra. uri Wahyuigsih, M.Kes Dra. Laksmi Prita W, M.Si Jurusa Matematika Fakultas Matematika da Ilmu Pegetahua Alam Istitut Tekologi Sepuluh opember Surabaya 0 Abstrak Data yag berukura kecil tidak dapat di ramalka secara lagsug tetapi hal ii dapat disiasati dega megguaka tekik resamplig, salah satu metode yag bisa diguaka dalam tekik resamplig adalah metode resamplig Bootstrap. Metode bootstrap ii merupaka suatu metode resamplig utuk megestimasi probabilitas suatu statistik dega medapatka sampel baru x = (x, x,, x 3 ). Metode ii bagus sekali utuk ukura data sampel yag relatif kecil. Dari hasil resamplig tersebut dapat diaalisa selag kepercayaa da model time series yag sesuai utuk diguaka dalam metode Bootstrap, serta diguaka utuk medapatka peramala data utuk beberapa periode ke depa. Studi kasus dalam tugas akhir ii adalah meramalka jumlah pejuala baju koko Dais Collectio pada periode yag aka datag. Hasil aalisis meujukka bahwa selag kepercayaa utuk adalah x i x j= i,j ± zα ARMA (0,0). dega model terbaik utuk peramala pejuala Dais Collectio adalah Kata kuci: Selag Kepercayaa, Estimasi, Resamplig Bootstrap, ARMA(p,q). Pedahulua Agka pejuala suatu produk memegag peraa petig dalam suatu proses produksi. Agka pejuala da produksi suatu produk memiliki keterkaita satu sama lai. Agka pejuala suatu produk dapat memberika gambara bagi produse utuk megetahui da memperkiraka seberapa besar produk tersebut diproduksi utuk beberapa periode yag aka datag. Aka tetapi keterbatasa data (<30) merupaka masalah yag serig dihadapi sehigga aka mempersulit peramala utuk periode yag aka datag. Maka perlu dilakuka lagkah-lagkah utuk megatisipasi masalah tersebut. Salah satuya adalah dega cara resamplig data yg sedikit tersebut agar mudah utuk utuk diramalka. Salah satu metode umum dalam resamplig data adalah dega megguaka metode Bootstrap. Metode Bootstrap diciptaka oleh Bradley Efro pada tahu 979. Metode Bootstrap ii merupaka suatu metode resamplig utuk megestimasi probabilitas suatu statistik dega medapatka sampel baru x = (x, x,, x 3 ). Metode ii bagus utuk ukura data sampel yag relatif kecil (<30). Utuk memperkiraka suatu ilai pada periode yag aka datag diperluka suatu ilmu yag berama forecastig (peramala). Forecastig merupaka suatu proses aalisis utuk meramalka apa yag aka terjadi pada masa medatag berdasarka situasi da kodisi yag terjadi sekarag da masa lalu. Perspektif pada peramala sama beragamya dega padaga setiap kelompok metode ilmiah yag
2 diaut oleh pegambil keputusa. Utuk data yag belum stasioer perlu dilakuka trasformasi terlebih dahulu, trasformasi yag biasa dipakai adalah trasformasi Box-Cox. Dega data yag telah stasioer bisa didapatka estimasi parameter da selag kepercayaa utuk parameter ARMA(p,q). Dalam tugas akhir ii diguaka metode resamplig Bootstrap utuk memperoleh selag kepercayaa utuk parameter model ARMA(p,q) dega studi kasus memprediksi jumlah pejuala baju koko dari Dais Collectio utuk periode yag aka datag.. Metode Resamplig Bootstrap Metode bootstrap adalah prosedur pegambila sampel baru secara berulag sebayak sampel baru dari data asal berukura, dimaa utuk sebuah sampel baru dilakuka pegambila titik sampel dari data asal dega cara satu persatu sampai kali dega pegembalia. Misalka terdapat data asal berukura, yaitu X = (x, x,, x ) maka dega metode bootstrap aka diperoleh sampelsampel baru berukura sebagai berikut (Efro, 993): Sampel ke-, X = (x, x, x 3,, x ) Sampel ke-, X = (x, x ) Sampel ke-, X = (x, x 3,, x, x, x 3,, x ) Jika di berika X = (x, x,, x ) yag ditetapka sebagai estimator dari sampel X () ( ) = (x, x, x 3,, x ), dega parameterya adalah θ maka didapat estimasi mea utuk bootstrap adalah: θ i θ = i= Jika diasumsika estimator θ adalah distribusi ormal dega mea θ da varia ς maka sampel varia utuk bootstrap adalah: S = (θ i θ) i= Sedagka taksira stadar error bootstrap adalah: Se = ( ) i= (θ i θ ) Selag kepercayaa mea bootstrap 00 α % dega α = 0,05 utuk mea adalah: θ ± z α Se = θ ± z(α ) i= (θ i θ ) Utuk estimasi parameter dega megguaka MLE meliputi dua tahap, yaitu megkotruksi fugsi Likelihood da memperoleh fugsi Likelihood tersebut. Misalka x adalah variabel radom dega fugsi probabilitas f(x, θ) merupaka himpua parameter yag tidak diketahui da utuk setiap x i salig idepede maka pegkotruksia fugsi Likelihood dapat diyataka dega: L θ, X = f x, θ f x, θ f x 3, θ f x, θ L θ, X = i= f( x i, θ) (.) Probablitas bahwa ilai variabel acak x berada dalam batas x da x adalah: P x < x < x = F x Fx ) = x f x dx x Probabilitas selag kepercayaa dega selag kepercayaa sebesar α 00% utuk p adalah: P(p < p < p = α (.) Korelasi atara pegamata pada waktu ke-t (Z t ) dega pegamata pada waktu ke-t+k (Z t+k ) yag dipisahka oleh lag k, sehigga persamaa ACF dapat dirumuska sebagai berikut: Cov(Z t, Z t+k ) ρ k =, k =,, Var Z t Var(Z t+k ) Utuk megukur keerata hubuga Z t da Z t+k setelah depedesi liear dalam varia Z t+k,., Z t+k dihilagka [Wei, 990] disebut Partial Autocorrelatio Fuctio (PACF) dapat dihitug dega megguaka persamaa sebagai berikut: k+,k+ = ρ k k+ j= kj ρ k +j k j= kj ρ j k+,j = kj k+,k+ k,k+ j k =,, ; j =,,, k dega : : fugsi autokorelasi parsial 3. Model Time Series Betuk-betuk umum model time series adalah sebagai berikut:
3 . Autoregressive (AR) Model utuk Autoregressive (AR) adalah: Z t = Z t + Z t + + p Z t p + ɑ t (3.) dega : Z t :besarya pegamata (kejadia) pada waktu ke-t ɑ t : ilai kesalaha (error) pada waktu ke-t,, p : parameter auturegresive. Movig Average (MA) Model utuk Movig Average (MA) adalah: Z t = μ + ɑ t θ ɑ t θ ɑ t θ q (3.) dega: μ : ilai kosta θ,, θ q : parameter-parameter Movig Average ɑ t : ilai kesalaha pada saat t q 3. Autoregressive Movig Average (ARMA) Model Autoregressive Movig Average merupaka model campura dari model autoregressive da movig average. Betuk umum model ARMA (p,q) meurut Wei (994) adalah: Z t = μ + φ Z t + + φ p Z t p + ɑ t θ ɑ t θ q ɑ t q (3.3) 3. Estimasi da Uji Sigifikasi Parameter Model ARMA yag baik adalah model yag meujukka bahwa peaksira parameterya sigifika. Secara umum, misalka θ adalah suatu parameter pada model ARMA da θ adalah ilai taksira dari parameter tersebut, serta SE(θ) adalah stadart error dari θ, maka uji kesigifikaa parameterya dapat dilakuka dega hipotesa sebagau berikut : Hipotesa : H o θ = 0 (paremeter tidak sigifika) H θ 0 (parameter sigifika) Statistik uji : θ t = SE(θ) Daerah kritis : H 0 ditolak jika t > t α, p q Atau H 0 ditolak jika P-value < α 3. Pemeriksaa Diagostik Model Pemeriksaa diagostik pada residual meliputi uji asumsi white oise (idepede da idetik) da berdistribusi ormal.. Uji White oise Pegujia yag diguaka utuk megetahui apakah residual bersifat white oise diguaka statistik uji Ljug-Box. Hipotesa H 0 : ρ = ρ = = ρ k = 0 (residual bersifat white-oise) H : miimal ada ρ k 0 (residual tidak bersifat white-oise) Statistik uji: Q = + K k= ρ k k dega: K : lag maksimum yag diuji : bayak pegamata : ACF residual pada lag ke-k ρ k Daerah kritis H 0 ditolak jika Q > χ α,k p q atau P χ > χ itug < α 0,05 di maa K adalah lag maksimum yag diuji, p adalah jumlah parameter AR, da q adalah jumlah parameter MA.. Uji ormalitas Utuk megetahui residual berdistribsi ormal dilakuka pegujia dega megguaka statistik uji Kolmogorov Smirov yaitu: Hipotesa H 0 : F x = F 0 x (Residual berdistribusi ormal) H : F x F 0 x (Residual tidak berdistribusi ormal) Statistik uji D = sup x S x F 0 x dega: S x : fugsi peluag komulatif yag dihitug dari data sampel F 0 x : fugsi peluag komulatif distribusi yag dihipotesaka F x : fugsi distribusi yag belum diketahui sup : ilai supremum utuk semua x Daerah kritis H 0 ditolak jika D D α, atau P D > D itug < α 0,05 dega α = 5% 3
4 3.3 Kriteria Pemiliha Model Terbaik Utuk meetuka model terbaik dari beberapa model yag memeuhi syarat tersebut dapat diguaka beberapa kriteria atara lai kriteria I-sampel (AIC da SBC) da Outsampel (MSE da MAPE ).. AIC (Akaike s Iformatio Criterio) AIC (Akaike s Iformatio Criterio) adalah kriteria pemiliha model dega mempertimbagka jumlah parameter dalam model. Kriteria AIC dirumuska sebagai berikut (Wei, 990): AIC = l ς a + M dega: : bayakya residual ς a : estimasi dari varia residual (ς a ) M : jumlah parameter dalam model. SBC (Schwartz,s Bayesia Criterio) SBC (Schwartz s Bayesia Criterio) adalah kriteria pemiliha model dega mempertimbagka jumlah parameter dalam model yag diguaka utuk sampel yag kecil. ilai-ilai SBC ditetuka dega cara: SBC M = l ς a + M l 3. MSE (Mea Square Error) Kriteria MSE dirumuska sebagai berikut: t= Z t Z t MSE = dega adalah bayakya residual. 4. MAPE (Mea Absolute Percetage Error) Kriteria MAPE dirumuska sebagai berikut: t= Z t Z t Z t MAPE = 00% dega meyataka bayakya residual. 4. Metodelogi Peelitia Metode yag diguaka pada tugas akhir dalam meyelesaika permasalaha adalah:. Studi Literatur. Pegumpula Data 3. Estimasi Parameter dari metode Bootstrap. 4. Membagu Selag Kepercayaa 5. Peramala 6. Pearika Kesimpula da Peulisa Lapora Tugas Akhir. 5. Hasil Estimasi yag dilakuka megguaka dua metode yaitu Maximum Likelihood Estimatio da Ubiassed Estimator.. Maximum Likelihood Estimatio Estimasi parameter megguaka Maximum Likelihood Estimatio (MLE) meliputi dua tahap yaitu megkotruksi fugsi likelihood L φ, Z, da memperoleh ilai estimator φ yag memaksimumka fugsi likelihood tersebut. Mea dari sampel asli adalah: x = i= x i (5.) Berdasarka (.) pegkotruksia fugsi likelihood dapat diyataka dega: L θ, X = f x, θ f x, θ f x 3, θ f x, θ L θ, X = i= f( x i, θ) (5.) dega x i salig idepede da f θ, x adalah fugsi probabilitas. Karea data pegamata pada resamplig Bootstrap salig idepedet utuk setiap hasil resamplig, maka pegkotruksia fugsi likelihood diyataka dega: L μ, ς = e x i μ (ς ) π ς Diasumsika resamplig berdistribusi ormal x i ~ μ, ς maka rata-rata tiap resamplig x i juga berdistribusi ormal x i ~(μ, ς ) Sehigga pdf dari x i adalah f x i ; μ, ς = π ς e x i μ (ς ) da pdf dari Likelihood adalah: L μ, ς = π ς e x i μ (ς ) l L μ, v = l π + l ς x ς i μ (5.3) Kemudia, persamaa (5.3) dituruka terhadap μ sehigga diperoleh persamaa berikut: l L μ, ς μ = μ x i j = x i = ς x i μ + μ j= = 0 = 0 4
5 μ = x ij = i= x ij Pegujia kedua adalah utuk varia: l L μ, v = l π + l ς x ς i μ (5.4) persamaa (5.4) dituruka terhadap ς sehigga diperoleh persamaa berikut: l(μ, ς ) = v ς + (ς ) x i μ j= ς = (ς ) x i μ j= ς = x i μ j= = 0 ς x i μ = ς = x i μ j= (5.5). Ubiassed Estimator Pegujia dega dega megguaka ubiassed estimator aka didapatka bukti seberapa besar kesalaha atau error dari estimator tersebut. Pertama aka dilakuka utuk meguji apakah terdapat error pada saat E = μ.. Dega rumus dasar ekspektasi sebagai berikut: Pegujia Ubiassed Estimatorya adalah: μ = x ij = E = E E = E x ij i= i= i= E = E x + x + + x + x + + x Karea setiap data dalam resamplig Bootstrap bersifat idepede maka: E = E x i E = E x i E = E(x ij ) E = μ E = μ x ij x ij + x i + + x i + x i + + x i Pegujia kedua dilakuka utuk meguji apakah terdapat error pada saat E ς = ς,maka dega megguaka persamaa (5.5) maka pegujia Ubiassed Estimatorya adalah: ς = E ς = E E ς = E E ς = E E ς = E x i x i,j x i x i,j x i x i,j x i x i x i + x i + ( ) + ( ) E ς = E x i x i,j + E ς = E x i E ς = E(x i ) E( ) Karea ς = E(x i ) E(x i ) maka: E ς = E ς = E ς = ς + E(x i ) ς E( ) ς + μ ς μ ς ς = ς ς = ς (4.6) Sehigga ς adalah estimator bias dari ς, utuk mejadika tak biasa maka megguaka persamaa (5.6) aka dilakuka lagkah-lagkah sebagai berikut: E ς = ς ς = ς = E ς E ς ς = E ς = E j= j= x i μ x i μ 5
6 StDev Trasformasi StDev C Jadi dapat disimpulka bahwa x i μ adalah estimator ubiassed utuk ς da S. x i μ biasaya diotasika dega 5. Selag Kepercayaa Dalam metode Bootstrap, da s merupaka rata-rata da simpaga dari populasi dega ς yag tidak diketahui, maka selag kepercayaa α 00% utuk μ adalah sebagai berikut: = ς = S = i= x ij j= x i Z = μ ς Sehigga selag kepercayaaya adalah: P zα < Z < zα = α P zα < μ < zα ς = α P zα < P zα P zα j= x i μ x i = α < zα = α < x i μ < zα x i j= < + zα = α < μ x i j= Sehigga selag kepercayaa utuk μ adalah: x i j= ± zα 5. Peramala data Peetua suatu data stasioer atau tidak dalam varia, perlu dilakuka dega plot time series da box-cox. Utuk data pejuala Dais Collectio. betuk plot time series da box-cox dapat dilihat pada Gambar da Gambar Time Series Plot of Resamplig Idex Gambar Plot Time Series -5,0 -,5 0,0 Lambda Gambar Plot Box-Cox Dari plot box-cox pada Gambar diperoleh rouded value λ =, maka data pejuala Dais Collectio ii belum stasioer dalam varia, sehigga diperluka trasformasi dega z = z, sehigga plot time series da plot box-cox dapat dilihat pada Gambar 3 da Gambar 4: Lower CL Gambar 3 Plot Trasformasi Time Series Box-Cox Plot of Resamplig -5, ,5 60 Gambar 4 Plot Trasformasi Box-cox Berdasarka Gambar 4 terlihat bahwa rouded value λ =, sehigga data pejuala Dais Collectio telah stasioer dalam varia. Lagkah berikutya yag harus dilakuka 90 Upper CL 5,0 75 Idex 05 Limit Time Series Plot of Trasformasi Box-Cox Plot of Trasformasi -,5 Lower CL 0,0 Lambda Upper CL,5 90 5, Lambda 50 (usig 95,0% cofidece) 05 Limit Estimate,8 Lower CL 0,85 Upper CL 3,90 Rouded Value 0,00 35 Lambda 50 (usig 95,0% cofidece) Estimate,4 Lower CL 0,3 Upper CL,93 Rouded Value,00 6
7 Partial Autocorrelatio Autocorrelatio adalah pegidetifikasi plot ACF da PACF utuk meduga atau megestimasi model awal peramala data pejuala Dais Collectio. Plot ACF da plot PACF ditujukka pada Gambar 5 da Gambar 6.,0 0,8 0,6 0,4 0, 0,0-0, -0,4-0,6-0,8 Autocorrelatio Fuctio for Trasformasi (with 5% sigificace limits for the autocorrelatios) -, Lag Gambar 5 Plot ACF Pegujia sigifika parameter dari model dalam Tabel 4. dega megguaka uji t- studet dega α = 5% Uji Sigifikasi Parameter φ Hipotesa: H 0 φ = 0 (parameter tidak sigifika) H 0 φ 0 (parameter sigifika) Statistik Uji: t itug = φ sd(φ ) = =.63 t tabel = t α, p q = t 0.05,09 =,98 Karea t itug > t tabel atau P value =<.000 < 0,05 maka H 0 ditolak artiya parameter φ sigifika. 0, Partial Autocorrelatio Fuctio for Trasformasi (with 5% sigificace limits for the partial autocorrelatios) Uji Sigifikasi Parameter μ Hipotesa: H 0 μ = 0 (parameter tidak sigifika) H 0 μ 0 (parameter sigifika) Gambar 6 Plot PACF Dari hasil output miitab yag ditujukka pada Gambar 4.5 da Gambar 4.6, maka plot ACF (Gambar 4.5) dapat diketahui bahwa tidak ada lag yag keluar dari batas sedagka plot PACF (Gambar 4.6) dapat diketahui ada dua lag yag keluar dari batas yaitu lag 0 da 44 berarti ada dua parameter yag sigifika. 5.. Estimasi da Uji Sigifikasi Setelah melakuka pemeriksaa terhadap plot ACF da PACF lagkah selajutya adalah megidetifikasika kesigifikaa model dega megguaka software SAS. Maka utuk semetara model yag diduga adalah ARMA(44,0). Tabel Estimasi Parameter Data Pejuala Dais Collectio Model ARMA(44,0) Param eter 0,0-0, Estimasi Lag Stadart Error T hitu g P-value φ μ < Statistik Uji: t itug = μ sd(μ ) = = t tabel = t α, p q = t 0.05,09 =,98 Karea t itug > t tabel atau P value =<.000 < 0,05 maka H 0 ditolak artiya parameter μ sigifika. 5.. Diagoctic Checkig Ada dua asumsi yag harus dipeuhi dalam meetuka kecukupa model, yaitu residual bersifat white oise da berdistribusi ormal. Pegujia asumsi residual white oise dapat dilakuka dega megguaka uji Ljug-Box dega α = 5% sebagai berikut: Hipotesa: H 0 ρ = = ρ k = 0 H : miimal ada satu ρ j 0, dega j =,, K Statistik Uji Ljug-Box: ρ k Q = ( + ) k, k= Utuk K = 6 maka: K Q = k= ρ k > k, > k 50 k 7
8 Percet = 800 ( 0,53) 50 + (0,46) 50 + ( 0,6) (0,058 ) ( 0,07) (0,036) 50 6 = 0, χ α K p q = χ 0.05,4 =,07 Dega cara yag sama seperti perhituga Q di atas maka utuk K = 6,, 8, 4, 30 hasil Q yag diperoleh dapat dilihat pada Tabel. Karea utuk setiap ilai K ya meghasilka ilai Q <χ 0.05,4 atau P-value >0,05 maka H 0 diterima artiya residual white oise. Tabel Uji Residual White oise ARMA(44,0) Sedagka pegujia asumsi distribusi ormal dapat dilakuka dega megguaka uji Kolmogorov-Smirov dega α = 5%. Pegujia ii dapat dilakuka melalui hipotesa sebagai berikut: Hipotesa: H 0 F α t = F 0 (α t ) (residual berdistribusi ormal) Lag (K) Q DF χ α K p q P- value 6 0, 5,07 0,0696 9,58 9,68 0, ,78 7 7,59 0, ,6 3 35,7 0, ,57 9 4,56 0,3 H F α t F 0 (α t ) (residual tidak berdistribusi ormal) Statistik Uji: D = sup S α α t t F 0 xα t =0,0769 D α, = D 0.05,50 =0,0734 Karea D > D 0.05,50 maka H 0 ditolak artiya model tidak berdistribusi ormal. Hal ii sesuai dega hasil yag ada pada Gambar 7 yaitu P- value < 0,05 yag berarti tidak berdistribusi ormal. Gambar 7 Plot Keormala Residual ARMA (44,0) 5..3 Overfittig Selajutya dilakuka overfittig utuk melihat kemugkia model-model yag lai, sehigga didapat model yag sigifika pada Tabel 3. Sedagka model yag memeuhi uji residual white oise da uji keormala residual dapat dilihat pada Tabel 4 da Tabel 5. Tabel 3 Estimasi da Uji Sigifikasi Model ARMA Estimasi Stadart Error t hitug Par ame ter (0,0) φ θ μ ([0,44 ],0) 99, φ φ θ μ (0,44) θ μ 0, Probability Plot of (44,0) ormal RESIDUAL 0,7963 0, ,0 0,4670-0,9486 0, ,7 0, , ,795 0, ,5 0,709 0, , ,6 0, ,6 3,65 5,3 90,9,3-3,05 3, 5,88 3,7 78,4 Tabel 4.4 Uji Residual White oise Model ARMA Lag Q χ α K p q P- value (0,0) 6 7,94 9,49 0,0936 3,96 9,68 0, ,08 7,59 0, ,9 35,7 0, , , P-value 0,0004 <.000 <.000 0,0347 0,007 0,006 <.000 0,003 <.000 keputusa White oise Tabel 4.5 Uji Keormala Residual Model P-value Keputusa Kesimpula ARMA (0,0) >0.500 H 0 diterima Berdistribusi ormal Mea 038 StDev KS 0,077 P-Value 0,037 Berdasarka Tabel 3, Tabel 4 da Tabel 5 model ARMA(0,0) memeuhi kecukupa model maka dapat disimpulka bahwa model ARMA(0,0) adalah model yag terbaik. 8
9 Model yag diperoleh selajutya aka diguaka meramala data utuk bula yag aka datag mulai bula opember 00- Oktober 0, hasil peramalaya disajika dalam Tabel 6. Tabel 6 Hasil Peramala Perio Data L95 U95 de Peramala 5 6,434 74, ,8 5 33,9 85, , ,45 780,053 73, ,63 776,786 78, ,9 95,08 80, ,96 740, , ,09 843,48 77, ,563 8,849 75, ,039 79, , , , , , , , ,8 809, ,03 Dari Tabel 6 dapat diketahui bahwa ilaiilai dari data hasil ramala tepat berada diatara ilai batas bawah utuk α = 0,05 (L95) da batas atas utuk α = 0,05 (U95). 6. Peutup Hasil yag diperoleh dari pembahasa di atas adalah:. Metode resamplig Bootstrap dilakuka dega pegestimasia dega dua metode yaitu Maximum Likelihood Estimatio (MLE) da Ubiassed Estimatio meghasilka : a. Maximum Likelihood Estimatio Utuk mea: μ = x ij Utuk varia: x ς i μ j= = b. Ubiassed Estimatior Utuk mea tidak terdapat error pada saat E = μ Utuk varia terdapat eror pada saat E ς = ς sebesar x i μ dari hasil pegstimasia secara MLE da Ubiassed estimatio didapatka selag kepercayaa α 00% dega da s yag merupaka rataa da simpaga dari suatu populasi dega ς yag tidak diketahui adalah: x i j= ± zα. Rata-rata pejuala baju koko Dais Collectio utuk bula ke depa adalah 39. Sara yag dapat diberika pada peelitia selajutya adalah megguaka parameter lai seperti ARIMA atau Regresi, sehigga hasilya bisa dibadigka utuk megetahui keakurata hasilya. Daftar Pustaka [] Efro Bradley, 994. The Jackkife, The Bootstrap ad The Other Resamplig Plas, Departmet of Statistics Staford Uiversity. [] Makridakis, W. M. G Metode da Aplikasi Peramala. Edisi kedua. Bia Rupa Aksara. Jakarta. [3] Salamah, M., Suhartoo., da Wuladari S Aalisis Time Series. Surabaya: Jurusa Statistik ITS. [4] Wei, W.W.S Time Series Aalysis : Uivariate ad Multivariate Methods. Uited State of America : Addiso-Wesley Publishig Compay. 5. 9
KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciPENERAPAN PETA KENDALI STANDAR DEVIASI PADA PROSES ARIMA Nadila 1, Erna Tri Herdiani 2, Nasrah Sirajang 3.
PENERAPAN PETA KENDALI STANDAR DEVIASI PADA PROSES ARIMA Nadila 1, Era Tri Herdiai, Nasrah Sirajag 3 1 Mahasiswa Program Studi Statistika FMIPA Uiversitas Hasauddi,3 Dose Program Studi Statistika FMIPA
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena
7 BAB III METODE PENELITIAN A. Jeis Peelitia Peelitia ii merupaka jeis peelitia deskriptif-kuatitatif, karea melalui peelitia ii dapat dideskripsika fakta-fakta yag berupa kemampua siswa kelas VIII SMP
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciDISTRIBUSI SAMPLING. Oleh : Dewi Rachmatin
DISTRIBUSI SAMPLING Oleh : Dewi Rachmati Distribusi Rata-rata Misalka sebuah populasi berukura higga N dega parameter rata-rata µ da simpaga baku. Dari populasi ii diambil sampel acak berukura, jika tapa
Lebih terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciKAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q)
UJIAN TUGAS AKHIR KAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q) Disusun oleh : Novan Eko Sudarsono NRP 1206.100.052 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciDistribusi Sampel, Likelihood dan Penaksir
BAB 1 Distribusi Sampel, Likelihood da Peaksir 1.1 Sampel Acak Misalka X 1, X 2,..., X sampel acak berukura (radom sample of size ). Fugsi peluag -variat ya adalah f X1,X 2,,X (x 1, x 2,..., x ) = f Xi
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciStatistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:
Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tujua Peelitia Peelitia ii bertujua utuk megetahui apakah terdapat perbedaa hasil belajar atara pegguaa model pembelajara Jigsaw dega pegguaa model pembelajara Picture ad Picture
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciMETODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa
19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh
Lebih terperinciUji apakah ada perbedaan signifikan antara mean masing-masing laboratorium. Gunakan α=0.05.
MA 8 STATISTIKA DASAR SEMESTER I /3 KK STATISTIKA, FMIPA ITB UJIAN AKHIR SEMESTER (UAS) Sei, Desember, 9.3.3 WIB ( MENIT) Kelas. Pegajar: Utriwei Mukhaiyar, Kelas. Pegajar: Sumato Wiotoharjo Jawablah pertayaa
Lebih terperinciSTATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA
STATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA OUTLINE LANJUTAN Peetua garis duga regresi dega Metode OLS kostata a da koefisie b Aalisis Varias komposisi variasi sekitar garis r da r Stadard
Lebih terperinciPerbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling
Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,
Lebih terperinciPENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES
Jural Matematika UNAND Vol. 3 No. 4 Hal. 52 59 ISSN : 233 29 c Jurusa Matematika FMIPA UNAND PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN
Lebih terperinciLAPORAN RESMI MODUL VII TIME SERIES FORECASTING
LAPORAN RESMI MODUL VII TIME SERIES FORECASTING I. Pedahulua A. Latar Belakag (Mi. 4 Paragraf) B. Rumusa Masalah C. Tujua Praktikum (Mi. 3) D. Mafaat Praktikum (Mi. 3) E. Batasa Masalah II. Tijaua Pustaka
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinciBAB IV. METODE PENELITlAN. Rancangan atau desain dalam penelitian ini adalah analisis komparasi, dua
BAB IV METODE PENELITlAN 4.1 Racaga Peelitia Racaga atau desai dalam peelitia ii adalah aalisis komparasi, dua mea depede (paired sample) yaitu utuk meguji perbedaa mea atara 2 kelompok data. 4.2 Populasi
Lebih terperinciPendugaan Parameter. Debrina Puspita Andriani /
Pedugaa Parameter 7 Debria Puspita Adriai E-mail : debria.ub@gmail.com / debria@ub.ac.id Outlie Pedahulua Pedugaa Titik Pedugaa Iterval Pedugaa Parameter: Kasus Sampel Rataa Populasi Pedugaa Parameter:
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciStatistika Inferensial
Cofidece Iterval Ara Fariza Statistika Iferesial Populasi Sampel Simpulka (estimasi) tetag parameter Medapatka statistik Estimasi: estimasi titik, estimasi iterval, uji hipotesa 2 1 Proses Estimasi Populasi
Lebih terperinciBAB 4. METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN
BAB 4 METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN Estimasi reliabilitas membutuhka pegetahua distribusi waktu kerusaka yag medasari dari kompoe atau sistem yag dimodelka Utuk memprediksi
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Disai Peelitia Tujua Jeis Peelitia Uit Aalisis Time Horiso T-1 Assosiatif survey Orgaisasi Logitudial T-2 Assosiatif survey Orgaisasi Logitudial T-3 Assosiatif survey Orgaisasi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Peelitia Peelitia ii megguaka metode peelitia Korelasioal. Peelitia korelasioaal yaitu suatu metode yag meggambarka secara sistematis da obyektif tetag hubuga atara
Lebih terperinciESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika
Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu
Lebih terperinciPERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)
PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) Oleh : Nofinda Lestari 1208 100 039 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciStatistika Inferensia: Pendugaan Parameter. Dr. Kusman Sadik, M.Si Dept. Statistika IPB, 2015
Statistika Iferesia: Pedugaa Parameter Dr. Kusma Sadik, M.Si Dept. Statistika IPB, 05 Populasi : Parameter Sampel : Statistik Statistik merupaka PENDUGA bagi parameter populasi Pegetahua megeai distribusi
Lebih terperinciESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL. Nurul Muthiah, Raupong, Anisa Program Studi Statistika, FMIPA, Universitas Hasanuddin ABSTRAK
ESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL Nurul Muthiah, Raupog, Aisa Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK Regresi spasial merupaka pegembaga dari regresi liier klasik.
Lebih terperinciChapter 7 Student Lecture Notes 7-1
Chapter 7 Studet Lecture Notes 7-1 DASAR-DASAR UJI Hipotesis: Hipo (di bawah) da Tesis (peryataa yag telah diuji) Hipotesis Statistik:suatu proposisi atau aggapa megeai parameter populasi yag dapat diuji
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperinciOPTIMASI PERENCANAAN PRODUKSI UNTUK PRODUK PESANAN PADA PERUSAHAAN PESTISIDA MENGGUNAKAN METODE GOAL PROGRAMMING
OPIMASI PERENCANAAN PRODUKSI UNUK PRODUK PESANAN PADA PERUSAHAAN PESISIDA MENGGUNAKAN MEODE GOAL PROGRAMMING Nama : Rossy Susati NRP : 07 00 007 Jurusa : Matematika FMIPA-IS Dose Pembimbig : Drs. Suharmadi
Lebih terperincix = μ...? 2 2 s = σ...? x x s = σ...?
Pedugaa Parameter x 2 sx s = μ...? 2 = σ x...? = σ...? Peduga Parameter Peduga titik yaitu parameter populasi p diduga dega suatu besara statistik, misal: rata-rata, proporsi, ragam, dll Peduga Selag (Iterval)
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI MIA SMA Negeri 5
III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas I MIA SMA Negeri 5 Badar Lampug Tahu Pelajara 04-05 yag berjumlah 48 siswa. Siswa tersebut
Lebih terperinciMINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA
MINGGU KE-12 TEOREMA LIMIT PUSAT DAN TERAPANNYA TEOREMA LIMIT PUSAT DAN TERAPANNYA Telah dikeal bahwa X 1, X 2...X sampel radom dari distribusi ormal dega mea µ da variasi σ 2, maka x µ σ/ atau xi µ σ
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciBAB IV DESKRIPSI DAN ANALISIS DATA. penelliti dilakukan ada dua jenis. Tes kemampuan verbal disusun untuk
44 BAB IV DESKRIPSI DAN ANALISIS DATA A. Deskripsi Hasil Peelitia Data yag diperoleh dari siswa kelas VIII SMP Zaiuddi Waru adalah skor tes kemampua verbal (X 1 ), skor tes kemampua umerik (X ), da skor
Lebih terperinciYang biasa dinamakan test komposit lawan komposit. c. Hipotesis mengandung pengertian minimum. Perumusan H 0 dan H 1 berbentuk :
PARAMETER PENGJIAN HIPOTESIS MODL PARAMETER PENGJIAN HIPOTESIS. Pedahulua Kalau yag sedag ditest atau diuji itu parameter θ dalam hal ii pegguaaya ati bias rata-rata µ prprsi p, simpaga baku σ da lai-lai,
Lebih terperinciPengantar Statistika Matematika II
Pegatar Statistika Matematika II Metode Evaluasi Atia Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Uiversitas Islam Idoesia April 11, 2017 atiaahdika.com Pegguaa metode estimasi yag berbeda dapat meghasilka
Lebih terperinciSEBARAN t dan SEBARAN F
SEBARAN t da SEBARAN F 1 Tabel uji t disebut juga tabel t studet. Sebara t pertama kali diperkealka oleh W.S. Gosset pada tahu 1908. Saat itu, Gosset bekerja pada perusahaa bir Irladia yag melarag peerbita
Lebih terperinciPENAKSIRAN. Penaksiran Titik. Selang Kepercayaan untuk VARIANSI. MA2181 ANALISIS DATA Utriweni Mukhaiyar 17 Oktober 2011
PENAKSIRAN Peaksira Titik Peaksira Selag Selag Kepercayaa utuk RATAAN Selag Kepercayaa utuk VARIANSI MA8 ANALISIS DATA Utriwei Mukhaiyar 7 Oktober 0 Metode Peaksira Peaksira Titik Peaksira Selag Nilai
Lebih terperinciPertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd
Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag
Lebih terperinciPedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai
PENGUJIAN HIPOTESIS Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai ilai-ilai parameter populasi,
Lebih terperinciMakalah ANALISIS REGRESI DAN REGRESI GANDA
1 Makalah ANALISIS REGRESI DAN REGRESI GANDA Disusu oleh : 1. Rudii mulya ( 41610010035 ). Falle jatu awar try ( 41610010036 ) 3. Novia ( 41610010034 ) Tekik Idustri Uiversitas Mercu Buaa Jakarta 010 Rudii
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciIV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data
IV METODE PENELITIAN 4.1 Lokasi da waktu Peelitia ii dilakuka di PD Pacet Segar milik Alm Bapak H. Mastur Fuad yag beralamat di Jala Raya Ciherag o 48 Kecamata Cipaas, Kabupate Ciajur, Propisi Jawa Barat.
Lebih terperinciA. Pengertian Hipotesis
PENGUJIAN HIPOTESIS A. Pegertia Hipotesis Hipotesis statistik adalah suatu peryataa atau dugaa megeai satu atau lebih populasi Ada macam hipotesis:. Hipotesis ol (H 0 ), adalah suatu hipotesis dega harapa
Lebih terperinciBAB III METODE PENELITIAN
36 BAB III METODE PENELITIAN A. Racaga Peelitia 1. Pedekata Peelitia Peelitia ii megguaka pedekata kuatitatif karea data yag diguaka dalam peelitia ii berupa data agka sebagai alat meetuka suatu keteraga.
Lebih terperinciBAB III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN A. Metode Peelitia Metode peelitia adalah suatu cara ilmiah utuk medapatka data dega tujua tertetu. Peelitia yag megagkat judul Efektivitas Tekik Permaia Pioy Heyo dalam
Lebih terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Objek Peelitia Peelitia dilakuka di bagia spiig khususya bagia widig Pabrik Cambrics Primissima (disigkat PT.Primissima) di Jala Raya Magelag Km.15 Slema, Yogyakarta. Peelitia
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciBAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
Lebih terperinciBAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28
5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciTEORI PENAKSIRAN. Bab 8. A. Pendahuluan. Kompetensi Mampu menjelaskan dan menganalisis teori penaksiran
Bab 8 TEORI PENAKSIRAN Kompetesi Mampu mejelaska da megaalisis teori peaksira Idikator 1. Mejelaska da megaalisis data dega megguaka peaksira titik 2. Mejelaska da megaalisis data dega megguaka peaksira
Lebih terperinciPenyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered.
2. Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a) Hitug Sum of Square for Regressio (X) b) Hitug Sum of Square for Residual c) Hitug Meas Sum of Square for Regressio (X) d) Hitug
Lebih terperinciPENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI
PENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI Nadya Zulfa Negsih, Bustami Mahasiswa Program Studi S Matematika Dose Jurusa Matematika
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Metode Kuadrat Terkecil Aalisis regresi merupaka aalisis utuk medapatka hubuga da model matematis atara variabel depede (Y) da satu atau lebih variabel idepede (X). Hubuga atara
Lebih terperinciPERAMALAN KURSIDRTERHADAP USDMENGGUNAKAN DOUBLE MOVING AVERAGES DAN DOUBLEEXPONENTIAL SMOOTHING.
PERAMALAN KURSIDRERHADAP USDMENGGUNAKAN DOUBLE MOVING AVERAGES DAN DOUBLEEXPONENIAL SMOOHING. Padrul Jaa 1), Rokhimi 2), Ismi Ratri Prihatiigsih 3) 1,2,3 PedidikaMatematika, Uiversitas PGRI Yogyakarta
Lebih terperinciBAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy
BAB III PEMBAHASAN Pada BAB III ii aka dibahas megeai betuk program liear fuzzy dega koefisie tekis kedala berbetuk bilaga fuzzy da pembahasa peyelesaia masalah optimasi studi kasus pada UD FIRDAUS Magelag
Lebih terperinciPENDAHULUAN. Statistika penyajian DATA untuk memperoleh INFORMASI penafsiran DATA. Data (bentuk tunggal : Datum ) : ukuran suatu nilai
1. Pegertia Statistika PENDAHULUAN Statistika berhubuga dega peyajia da peafsira kejadia yag bersifat peluag dalam suatu peyelidika terecaa atau peelitia ilmiah. Statistika peyajia DATA utuk memperoleh
Lebih terperinciLANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang
2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua
Lebih terperinciBAB III METODOLOGI PENELITIAN
3 BAB III METODOLOGI PENELITIAN A. Metode Peelitia Metode yag diguaka dalam peelitia ii adalah metode kuatitatif dega eksperime semu (quasi eksperimet desig). Peelitia ii melibatka dua kelas, yaitu satu
Lebih terperinciProgram Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi
Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan.
9 III. METODOLOGI PENELITIAN A. Populasi Da Sampel Peelitia ii dilaksaaka di MTs Muhammadiyah Natar Lampug Selata. Populasiya adalah seluruh siswa kelas VIII semester geap MTs Muhammadiyah Natar Tahu Pelajara
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Maajeme risiko merupaka salah satu eleme petig dalam mejalaka bisis perusahaa karea semaki berkembagya duia perusahaa serta meigkatya kompleksitas aktivitas perusahaa
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 86-88 Latiha 2 Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b.
Lebih terperinciBAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.
BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder
Lebih terperinciPEMBANDINGAN BEBERAPA PENDUGA TINGKAT KESALAHAN KLASIFIKASI PADA ANALISIS DISKRIMINAN KUADRATIK
PEMBANDINGAN BEBERAPA PENDUGA TINGKAT KESALAHAN KLASIFIKASI PADA ANALISIS DISKRIMINAN KUADRATIK (COMPARISON OF SEVERAL CLASSIFICATION ERROR RATE ESTIMATORS ON QUADRATIC DISCRIMINANT ANALYSIS) Khoiri Nisa
Lebih terperinciBAB II METODOLOGI PENELITIAN. kualitatif. Kerangka acuan dalam penelitian ini adalah metode penelitian
BAB II METODOLOGI PEELITIA 2.1. Betuk Peelitia Betuk peelitia dapat megacu pada peelitia kuatitatif atau kualitatif. Keragka acua dalam peelitia ii adalah metode peelitia kuatitatif yag aka megguaka baik
Lebih terperinciPenaksiran Titik Penaksiran Selang. Selang Kepercayaan untuk VARIANSI MA2081 STATISTIKA DASAR
PENAKSIRAN Peaksira Titik Peaksira Selag Selag Kepercayaa utuk RATAAN Selag Kepercayaa utuk VARIANSI MA08 STATISTIKA DASAR MA08 STATISTIKA DASAR Utriwei Mukhaiyar 5 Oktober 0 Metode Peaksira Peaksira Titik
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA
PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA KOEFISIE VARIASI DA KOEFISIE KURTOSIS PADA SAMPLIG GADA Heru Agriato *, Arisma Ada, Firdaus Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas
Lebih terperinciANALISIS REGRESI TERPOTONG (TRUNCATED) ATAS BAWAH DAN PENERAPANNYA SKRIPSI
ANALISIS REGRESI TERPOTONG (TRUNCATED) ATAS BAWAH DAN PENERAPANNYA SKRIPSI Diajuka kepada Fakultas Matematika da Ilmu Pegetahua Alam Uiversitas Negeri Yogyakarta utuk memeuhi sebagia persyarata gua memperoleh
Lebih terperinciPemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input
Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input Oleh : Defi Rachmawati 1311 105 007 Dosen Pembimbing :
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 1 Seputih Agung. Populasi dalam
19 III. METODE PENELITIAN A. Populasi da Sampel Peelitia ii dilaksaaka di SMP Negeri 1 Seputih Agug. Populasi dalam peelitia ii adalah seluruh siswa kelas VII SMP Negeri 1 Seputih Agug sebayak 248 siswa
Lebih terperinciSTATISTIK PERTEMUAN VIII
STATISTIK PERTEMUAN VIII Pegertia Estimasi Merupaka bagia dari statistik iferesi Estimasi = pedugaa, atau meaksir harga parameter populasi dega harga-harga statistik sampelya. Misal : suatu populasi yag
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinciPENAKSIRAN M A S T A T I S T I K A D A S A R 1 7 M A R E T 2014 U T R I W E N I M U K H A I Y A R
PENAKSIRAN P E N A K S I R A N T I T I K P E N A K S I R A N S E L A N G S E L A N G K E P E R C A Y A A N U N T U K R A T A A N S E L A N G K E P E R C A Y A A N U N T U K V A R I A N S I M A 0 8 S T
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sebagai hasil penelitian dalam pembuatan modul Rancang Bangun
47 BAB IV HASIL DAN PEMBAHASAN Sebagai hasil peelitia dalam pembuata modul Racag Bagu Terapi Ifra Merah Berbasis ATMega8 dilakuka 30 kali pegukura da perbadiga yaitu pegukura timer/pewaktu da di badigka
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciJENIS PENDUGAAN STATISTIK
ENDUGAAN STATISTIK ENDAHULUAN Kosep pedugaa statistik diperluka utuk membuat dugaa dari gambara populasi. ada pedugaa statistik dibutuhka pegambila sampel utuk diaalisis (statistik sampel) yag ati diguaka
Lebih terperinciPENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA
PENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA V. M. Vidya *, Bustami, R. Efedi Mahasiswa Program S Matematika Dose Jurusa Matematika
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakag Permasalaha Matematika merupaka Quee ad servat of sciece (ratu da pelaya ilmu pegetahua). Matematika dikataka sebagai ratu karea pada perkembagaya tidak tergatug pada
Lebih terperinci