BAB III PEMBAHASAN. bagaimana respon sebuah peubah Y terhadap perubahan yang terjadi pada peubah
|
|
- Erlin Harjanti Pranata
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB III PEMBAHASAN A. Estimasi Noparametrik Tujua dasar dalam sebua aalisa regresi adala utuk mempelajari bagaimaa respo sebua peuba Y teradap perubaa yag terjadi pada peuba lai yaitu X. Hubuga atara X da Y dapat ditulis sebagai berikut: Y i = m(x i ) + ε i ; i =,2,3,, (3.) Dimaa m(x i ) adala fugsi matematik yag disebut sebagai fugsi regresi da ε i adala sisaa yag diasumsika idepede dega mea ol. Pada aplikasi, terdapat sekumpula data {(X,Y ),..,(X i, Y i )} yag berisi iformasi tetag fugsi m(x i ). Dari data-data ii diduga ataupu diestimasi fugsi m(x i ) tersebut. Dalam beberapa peelitia, serig dijumpai permasalaa pada ubuga fugsioal atara 2 variabel Y da X di maa betuk betuk ubuga secara parametrik tidak dapat diguaka yag diakibatka dari sedikitya pegetaua yag diperole tetag fugsi m(x i ) ii, maka estimasi teradap fugsi m(x i ) ii dapat didekati secara oparametrik. Agar pedekata oparametrik ii megasilka estimasi teradap fugsi m(x i ) yag masuk akal, maka al yag arus diperatika adala asumsi bawa m(x i )memiliki derajat kemulusa. Biasaya kotiuitas dari m(x i ) merupaka syarat yag cukup utuk mejami sebua estimator aka koverge pada m(x i ) yag sesugguya bila jumla data bertamba tapa batas. Estimasi oparametrik secara umum tidakla efektif diguaka utuk ukura sampel yag kecil (Suyoo, 997:3). Dalam aplikasi-aplikasi yag lai, dapat diguaka 40
2 kemajua fasilitas-fasilitas perituga da metode-metode perituga utuk megembagka ubuga fugsioal atara Y da X. Hal iila yag mugki mejadi pertimbaga utuk megguaka metode da tekik oparametrik. Kelebia statistika oparametrik dibadig dega statistika parametrik adala :. Asumsi yag diguaka miimum seigga meguragi kesalaa pegguaa 2. Perituga dapat dilakuka dega cepat da muda 3. Kosep da metode oparametrik muda dipaami 4. Dapat diterapka pada skala kualitatif (omial da ordial). Estimator-estimator oparametrik yag bayak diguaka adala estimatorestimator smootig, dimaa error dari observasi direduksi dari rata-rata data dega bermacam cara. B. Estimator Desitas Kerel Estimator desitas kerel merupaka pegembaga dari estimator istogram. Estimator desitas kerel adala suatu metode pedekata teradap fugsi desitas yag belum diketaui dega megguaka fugsi kerel. Estimator diperkealka ole Roseblatt (956), Parze (962) seigga disebut estimator desitas kerel Roseblatt-Parze (Hardle, 994). Pegalusa dega pedekata kerel selajutya dikeal sebagai pegalusa kerel (kerel smooter) sagat tergatug pada fugsi kerel da badwidt. Defiisi (Hardle, 994:32) Didefiisika X adala variabel radom dega distribusi kotiu F(x) da desitas f (x) = d F(x). Estimator desitas kerel utuk fugsi f (x) adala dx 4
3 f (x) = K (X i x) K (X i x ) f (x) = (3.2) dega x adala sebua agka spesifik yag ilaiya tetap. Persamaa (3.2) dapat disederaaka dega K (u) = (u ), dega memisalka u = X i x seigga dapat ditulis f (x) = K (X i x) (3.3) dega K adala sebua fugsi yag merupaka fugsi kotiu, berarga real, terbatas da memeui K(x)dx =, fugsi ii diamaka fugsi kerel, da adala bilaga positif yag disebut dega badwidt. Jika K(u) adala fugsi desitas kerel, maka K (u) juga. Estimator kerel memeui asumsi-asumsi sebagai berikut: (Silverma, 986) (i) (ii) K (x) 0, utuk semua x K(x) bersifat simetris K( x) = K(x), utuk semua x (iii) K(x)dx = (iv) xk(x)dx = 0 (v) x 2 K(x)dx = μ 2 (K) 0, dega μ 2 (K) mome kedua tertetu (vi) [K(x)] 2 dx = K 2 (x) dx = K 2 2 = R(K) Jika fugsi kerel merupaka fugsi desitas, maka estimator fugsi dega megguaka fugsi kerel juga merupaka suatu fugsi desitas probabilitas. Aka dibuktika fugsi desitas kerel memag memeui f (x)dx =. Bukti 42
4 f (x)dx = K (X i x)dx f (x)dx = K (X i x ) dx dega subtitusi : u = X i x da dx = du maka diperole f (x)dx = K( u)du f (x)dx = K(u)du f (x)dx = f (x)dx = f (x)dx = Jadi, f (x) merupaka suatu fugsi desitas. Aka diguaka kembali subtitusi u = X i x, maka mea desitas yag di estimasi adala xf (x)dx = x K (X i x ) dx 43
5 xf (x)dx = (X i + u)k(u)du xf (x)dx = X i K(u)du + uk(u)du xf (x)dx = X i merupaka mea sampel dari X i. Mome kedua dari x dega pdf merupaka desitas yag diestimasi, yaitu x 2 f (x)dx = x2 K (X i x ) dx x 2 f (x)dx = (X i + u) 2 K(u)du x 2 f (x)dx = X i 2 K(u)du + 2 X i uk(u)du + 2 u 2 K(u)du x 2 f (x)dx = X i μ 2 (K) dega μ 2 (K) = u 2 K(u)du adala mome kedua dari u. Selajutya, dapat dicari variasi dari desitas f (x) sebagai berikut 44
6 2 2 x 2 f (x)dx ( x 2 f (x)dx) = X i μ 2 (K) ( X i) 2 x 2 f (x)dx ( x 2 f (x)dx) = σ μ 2 (K) dega σ adala variasi sampel. Dega demikia, estimasi desitas meaikka variasi sampel sebesar 2 μ 2 (K). Meurut Sukarsa da Sriadi (202:20) meyataka bawa fugsi kerel ada bermacam-macam, cotoya kerel Gaussia, kerel Uiform, kerel Biweigt. Tabel 3. meyajika bermacam-macam fugsi kerel da betukya, sebagai berikut: Tabel 3. Macam-macam Fugsi Kerel Tipe Kerel Uiform Triagular Biweigt (Quadratik) Triweigt Gaussia Epaecikov Fugsi Kerel K(u) = 2 I (,)(u) K(u) = ( u )I (,) (u) K(u) = 5 6 ( u2 )I (,) (u) K(u) = ( u2 ) 3 I (,) (u) K(u) = 2π e u2 2 I (,) (u) K(u) = 3 4 ( u2 )I (,) (u) dega I adala Idikator. 45
7 C. Estimasi Bias Estimator desitas kerel f (x) merupaka estimator tak bias asimtotik dari suatu fugsi kepadata f(x). Meurut Haeruddi (997:27) adaika f (x) adala estimator desitas kerel dari suatu fugsi kepadata f(x) pada titik x R da adaika X i berdistribusi idetik dega fugsi kepadata f(x), maka E[f (x)] = E [ K (X i x ) ] E[f (x)] = E [K (X i x )] E[f (x)] = E [K (X i x )] E[f (x)] = x K (y ) f(y)dy misalka s = y x, maka dy = ds. Seigga, E[f (x)] = K(s)f(x + s)ds E[f (x)] = K(s)f(x + s) ds itegral tersebut tidak dapat diselesaika kecuali megguaka pedekata ekspasi taylor dari f(x + s) dega s = 0, ketika 0. Utuk setiap kerel order ke v, maka dapat megguaka atura sebagai berikut 46
8 f(x + s) = f(x) + f (x)s + 2 f (x) 2 s 2 + 3! f (x) 3 s v! fv (x) v s v + o( v ) o( v ) adala sisa dari order yag lebi reda dari v saat 0. Maka, ekspasi taylor order dua utuk f(x + s) sebagai berikut: f(x + s) = f(x) + f (x)s + 2 f (x) 2 s 2 + o( 2 ) Selajutya, dega atura K(s)ds = da s j K(s)ds = μ j (K), maka E[f (x)] = K(s) [f(x) + f (x)s + 2 f (x) 2 s 2 + o( 2 )] ds E[f (x)] = f(x) K(s)ds + f (x) s K(s)ds + 2 f (x) 2 s 2 K(s)ds + o( 2 ) K(s)ds E[f (x)] = f(x)() + f (x)(0) + 2 f (x)2 s 2 K(s)ds + o( 2 ) () E[f (x)] = f(x) + 2 f (x) 2 μ 2 (K) + o( 2 ) (3.4) Aka diitug bias, itegrated squared bias, da variasi dari f (x) sebagai berikut (i) Bias dari f (x) Bias f (x) = E(f (x)) f(x) Bias f (x) = f(x) + 2 f (x) 2 μ 2 (K) + o( 2 ) f(x) 47
9 Bias f (x) = 2 f (x) 2 μ 2 (K) + o( 2 ) (3.5) (ii) Itegrated Squared Bias dari f (x) Bias (f (x)) 2 dx = 4 4 μ 2 (K)2 (f (x)) 2 dx + (o ( 2 )) 2 Bias (f (x)) 2 dx = 4 4 μ 2 (K)2 R (f ) + o( 4 ) (3.6) (iii) Variasi dari f (x) Selajutya aka diitug variasi dari f (x). Aka diguaka pedekata Taylor order satu. Faktaya lebi kecil dari () jika 0 da. Var(f (x)) = 2 Var ( K (X i x) ) Var(f (x)) = 2 Var(K (X i x)) Var(f (x)) = Var(K (X i x)) Var(f (x)) = {E[K 2 (X i x)] (E[K (X i x)]) 2 } Var(f (x)) = { 2 y x K2 ( ) f(y)dy (f(x) + o())2 } Substitusi s = y x da dy = ds, maka Var(f (x)) = 2 K2 (s)f(x + s)ds (f(x) + o())2 Var(f (x)) = K2 (s)ds f(x + s) (f(x) + o())2 48
10 Var(f (x)) = R(K)f(x) + o() (f(x) + o())2 Var(f (x)) = f(x)r(k) + o ( ) Var(f (x)) = (() )f(x)r(k) + o(() ), (3.7) dega R(K) = K 2 (s)ds D. Mea Square Error da Mea Itegrated Square Error Meurut Suyoo (997:4) megugkapka bawa suatu estimasi desitas kerel yag dibuat tergatug dari beda atara desitas yag sebearya f dega asil estimasi f. Cara pegukura beda atara desitas sebearya f dega asil estimasi f adala dega square error (SE) di suatu titik SE x (f ) = {f (x) f(x)} 2 (3.8) Seigga mea square error (MSE) dapat dirumuska MSE x (f ) = E [{f (x) f(x)} 2 ] MSE x (f ) = E{f (x) E[f (x)] + E[f (x)] f(x)} 2 MSE x (f ) = E [(f (x) E[f (x)]) 2 ] + E [{E[f (x)] f(x)} 2 ] + 2E{(f (x) E[f (x)])(f (x) f(x))} MSE x (f ) = E [(f (x) E[f (x)]) 2 ] + [{E[f (x)] f (x)} 2 ] MSE x (f ) = var f (x) + (bias f (x)) 2 (3.9) 49
11 Maka, berdasarka persamaa (3.9) dapat dicari ilai MSE dari f (x) sebagai berikut: MSE (f (x)) = varf (x) + [bias 2 f (x)] 2 MSE (f (x)) = f(x)r(k) + o(() ) + [ 2 2 f (x) 2 ì 2 (K) + o( 2 )] MSE (f (x)) = 4 f(x)r(k) + 4 (f (x)ì 2 (K)) 2 + o(() ) + o( 4 ) (3.0) utuk 0, sedagka pegukura keselurua beda atara desitas yag sebearya f dega asil estimasi f disebut MISE yaitu mea itegrated square error (Haeruddi,997:7). MISE(f ) = MSE x (f )dx MISE(f ) = E{f (x) f(x)} 2 dx MISE(f ) = E [(f (x) E[f (x)]) 2 ] dx + E [{E[f (x)] f(x)} 2 ] dx MISE(f ) = varf (x) dx + (bias f (x)) 2 dx (3.) Maka, MISE[f (x)] = MSE[f (x)]dx 50
12 MISE[f (x)] = { f(x)r(k) (f (x)μ 2 (K)) 2 + o(() ) + o( 4 )} dx MISE[f (x)] = f(x)r(k)dx + + o( 4 ) 4 4 (f (x)μ 2 (K)) 2 dx + o(() ) MISE[f (x)] = R(K) f(x)dx + o( 4 ) μ 2(K) 2 (f (x)) 2 dx + o(() ) MISE[f (x)] = 4 R(K) + 4 μ 2(K) 2 (f (x)) 2 dx + o(() ) + o( 4 ) MISE[f (x)] = 4 R(K) + μ 4 2(K) 2 R(f ) + o(() ) + o( 4 ) (3.2) utuk 0, E. Regresi Kerel Sala satu tekik smootig utuk megestimasi fugsi pegalus m pada persamaa (3.) adala regresi kerel. Dalam jural Sukarsa da Sriadi (202:2), Regresi kerel merupaka metode utuk memperkiraka ekspektasi bersyarat dari variabel acak dega megguaka fugsi kerel. Metode alteratif dalam pedekata regresi oparametrik ii megguaka pemulus kerel, yag megguaka rata-rata terbobot dari data. Tujua aalisis regresi adala 5
13 meemuka ubuga atara sepasag variabel acak X da Y, utuk medapatka da megguaka bobot yag sesuai. Meurut Hardle (994:26), dalam setiap regresi oparametrik, arapa bersyarat dari variabel Y relatif teradap variabel X dapat ditulis E(Y X) = m (x) atau E(Y X = x) = y f(x,y)dy f(x). Dimaa m adala fugsi yag tidak diketaui utuk medapatka da megguaka bobot kerel yag sesuai. Dalam regresi kerel terdapat berbagai estimator yag dapat diguaka utuk meduga betuk m, diataraya adala estimator Nadaraya-Watso, estimator Poliomial Lokal, estimator Pristly-Cao da estimator Gasser-Muller. Dalam bab ii aka dibaas megeai estimator Nadaraya-Watso. F. Estimator Nadaraya-Watso Nadaraya da Watso pada tau 964 medefiisika estimator regresi kerel seigga disebut estimator Nadaraya-Watso (Wad da Joes, 995:30). Nilai dari fugsi m(x) sesuai dega ilai prediktor yag ekuivale dega ekspektasi dari variabel target dibawa kodisi ilai dari prediktor tetap yaitu x, maka m (x) = E(Y X = x) m (x) = yf(y x)dy m (x) = yf(x, y)dy f(x) (3.3) 52
14 Selajutya, Oryza (203:22) meyataka bawa aka diguaka estimator desitas kerel sebagai metode yag sederaa utuk megestimasi f(x, y) da f(x). Estimasi dari f(x, y) da f(x) diotasika sebagai f (x, y) da f (x). f (x, y) = K x x ( X i x ) K y y ( Y i y ) x y (3.4) f x (x) = K x ( X i x ) x x (3.5) dimaa K x ( X i x x ) da K y ( Y i y ) merupaka fugsi kerel, x da y merupaka y kosta yag berilai positif disebut dega badwidt. Tela disebutka bawa fugsi kerel memeui K x (u)du = K y (u)du = (3.6) uk x (u)du = uk y (u)du = 0 (3.7) u 2 K x (u)du < (3.8) u 2 K y (u)du < (3.9) dari persamaa (3.6) da persamaa (3.7) diperole mejadi persamaa di bawa ii: x K x ( X i x ) dx = x y K y ( Y i y ) dy = y (3.20) 53
15 ( x ) 2 xk x ( x ) dx = x ( y ) 2 yk y ( y ) dy = 0 y (3.2) utuk mecari perituga yag sederaa yaitu m (X) dapat megguaka subtitusi dari persamaa (3.4) da persamaa (3.5) ke dalam persamaa (3.3) sebagai berikut: m (x) = yf (x, y)dy f (x) m (x) = y K x x ( X i x ) K y y ( Y i y ) dy x y K x ( X i x ) x x m (x) = K x ( X i x ) yk y ( Y i y ) dy x y K x ( X i x x ) y (3.22) Selajutya, jika dimisalka Z = Y i y, maka dy = y dz y y y yk y ( Y i y ) dy = y y y (Y i + y Z)K y (Z)dZ yk y ( Y i y ) dy = Y i K y (Z)dZ + ZK y (Z) y dz y y yk y ( Y i y ) dy = Y i () + y (0) y 54
16 y yk y ( Y i y ) dy = Y i (3.23) y Substitusi dari persamaa (3.23) ke dalam persamaa (3.22), da peyederaaa dari K x (. ) mejadi K(. ) da dari x mejadi megasilka: m (x) = K x ( X i x ) Y i K x ( X i x ) m (x) = K ( X i x ) Y i K ( X i x ) (3.24) dega mesubtitusika persamaa (3.24) teradap model regresi pada persamaa (3.), maka estimator Nadaraya-Watso dari model regresi (3.) adala m (x) = K ( X i x ) Y i K ( X i x ) + ε i, i =,2,3,..., (3.25) dega, K : fugsi kerel : ilai badwidt tertetu X i : ilai amata variabel prediktor ke-i Y i : ilai amata variabel respo ke-i x : ilai radom varibael X atau dapat dega ilai tertetu dari variabel X 55
17 m (x) : estimator Nadaraya-Watso dari x G. Estimator Nadaraya-Watso dega Tipe Kerel Gaussia Pada persamaa (3.25) diketaui bawa estimator Nadaraya-Watso membutuka fugsi kerel, K(x). Pada pembaasa ii aya diguaka satu jeis fugsi bobot kerel, yaitu Kerel Gaussia. Alasa pemilia kerel Gaussia, karea fugsi bobot kerel tersebut terdefiisi atau memiliki ilai pada semua bilaga riil. Jika megguaka estimator Nadaraya-Watso da Tipe kerel Gaussia, maka model peduga m (X i ) aka berbetuk sebagai berikut : m (x) = K ( X i x ) Y i K ( X i x ) dega, K(x) = 2π exp ( 2 ( x2 )) = 2π exp ( 2 x2 ) maka m (x) = 2π exp ( 2 (X i x 2) ) Y i 2π exp ( 2 2 (X i x ) ) (3.26) H. Pemilia Badwidt Meurut Silverma (986), tigkat kemulusa f ditetuka ole fugsi kerel K da badwidt, tetapi pegaru fugsi kerel kurag sigifika dibadig pegaru badwidt. Badwidt pada estimator kerel berfugsi utuk meyeimbagka atara bias da variasi dari fugsi tersebut. Nilai yag kecil aka memberika grafik yag kurag mulus amu memiliki bias yag kecil. Sebalikya jika badwidt yag terlalu besar meyebabka fugsi yag diestimasi terlalu mulus, seigga ubuga variasiya reda da memiliki potesi bias 56
18 yag besar. Tujua estimasi kerel adala memperole kurva yag mulus amu memiliki ilai MSE yag tidak terlalu besar, maka perlu dipili ilai optimal utuk medapatka grafik optimal. Pemilia badwidt merupaka masala utama dari estimator desitas kerel. Pemilia badwidt yag optimum dilakuka dega cara memperkecil tigkat kesalaa. Semaki kecil tigkat kesalaa maka semaki baik estimasiya. Utuk megetaui ukura tigkat kesalaa suatu estimator dapat diliat dari MSE (Mea Square Error) atau MISE (Mea Itegrated Square Error).. Badwidt Rule of Tumb Meurut Wad (995), formula-formula utuk badwidt yag optimal yaitu dega memiimalka Asymptotic Itegrated Mea Square Error (AMISE) teradap. AMISE adala persamaa yag diasilka dega megilagka order tertiggi dari pedekata formula Mea Itegrated Square Error (MISE) pada persamaaa (3.2). Maka, ilai AMISE adala sebagai berikut: AMISE (f (x)) 4 R(K) + 4 μ 2(K) 2 R(f ) (3.27) Utuk megasilka ilai badwidt optimal, maka 0 = AMISE 0 = ( 4 R(K) + 4 μ 2(K) 2 R(f )) 0 = 2 R(K) + 3 μ 2 (K) 2 R(f ) 57
19 2 R(K) = 3 μ 2 (K) 2 R(f ) R(K) = 2 3 μ 2 (K) 2 R(f ) R(K) = 5 μ 2 (K) 2 R(f ) 5 R(K) = μ 2 (K) 2 R(f ) R(K) = ( μ 2 (K) 2 R(f ) ) seigga, 5 opt = R(K) 5 5 μ 2 (K) 2 5 R(f " ) 5 (3.28) persamaa diatas tidak dapat lagsug diguaka karea terdapat parameter yag tidak diketaui yaitu R(f ). Nilai R(f ) dapat dipermuda dega megguaka pedekata kelompok distribusi stadar. Sebagai coto adala distribusi ormal dega variasi σ 2, jika P merupaka desitas ormal stadar, maka P(x) = e x2 2σ 2 2πσ Seigga, f (x) 2 dx = P (x) 2 dx f (x) 2 dx = 3 8 π 2σ 5 (3.29) f (x) 2 dx 0.22σ 5 58
20 Jika megguaka kerel Gaussia, maka badwidt optimal dapat diperole dega mesubtitusika persamaa (3.29) ke dalam persamaa (3.28), seigga dapat diperole opt = () 2 5(2 π) 5 (0.22) 5 σ 5 =.06σ 5 pada persamaa (3.28) terdapat μ 2 K da K(x) 2 dx yag dapat disubtitusika dega ilai yag teragkum pada tabel (3.2) Tabel 3.2 Nilai (K(u)) 2 du da u 2 K(u)du fugsi kerel Tipe Kerel K(u) (K(u)) 2 du u 2 K(u)du Uiform K(u) = 2 I (,)(u) Triagular K(u) = ( u )I (,) (u) 2 3 Biweigt (Quadratik) Triweigt Gaussia Epaecikov K(u) = 5 6 ( u2 )I (,) (u) K(u) = ( u2 ) 3 I (,) (u) K(u) = 2π e u2 2 I ( ~,~) (u) K(u) = 3 4 ( u2 )I (,) (u) ð Sumber : Multivariat Desity Estimatio: Teory, Practice, ad Visualizatio (Scott,987) 2. Ubiased Cross Validatio (UCV) Meurut Guidoum (205:3), metode ii pertama kali diperkealka ole Rudemo (982), kemudia dikembagka ole Scott (987). Metode Ubiased Cross Validatio (UCV) merupaka metode pemilia badwidt yag
21 bertujua utuk megestimasi dega cara memiimalka Itegrated Square Error (ISE), dega fugsi berikut: (r) 2 UCV(, r) = (f ĥ (x)) 2 ( ) r (2r) f ĥ,i (Xi ) (3.30) dega, (r) 2 R(K (r) ) (f (x)) = 2r+ + r ( ) ( ) 2r+ K(r) K (r) ( X j X i j= j ) (2r) (Xi ) f,i = ( ) 2r+ K(2r) ( X j X i ) j i Badwidt yag memiimalka fugsi ii adala: ucv = argmiucv(, r) UCV(, r) = R(K(r) ) 2r+ + ( ) r 3. Biased Cross Validatio (BCV) ( ) 2r+ (K(r) K (r) 2K (2r) ) ( X j X i j= ) (3.3) j Meurut Guidoum (205:), metode ii dikembagka ole Scott, George, Joes da Kappema. Metode ii baik diguaka ketika jumla sampel besar. Metode ii ampir sama dega metode Rule of Tumb, didasarka pada formula yag memiimalka Asymptotic Mea Itegrated Square Error (AMISE). Pada persamaa AMISE, fugsi objektif BCV diperole dega 60
22 meggati R(f (r+2) ) yag tidak diketaui ilaiya dega estimator sebagai berikut: ( )r+2 R (f (r+2) ) = ( ) 2r+5 K(r+2) K (r+2) ( X j X i j= ) (3.32) j Maka didapatka persamaa sebagai berikut, BCV(, r) = R(K(r) ) + μ 2(K) 2 4 ( ) r+2 ( ) 2r+ K(r+2) K (r+2) ( X j X i ) j= (3.33) j 4. Complete Cross Validatio (CCV) Meurut Guidoum (205:3), metode ii dikembagka ole Joes da Kappema. Metode ii didasarka pada estimasi turua Itegrated Square Desity Derivative. Berikut metode CCV yag memiimalka : CCV(, r) = R(f (r) ĥ ) θ r() + μ 2 2(K) 2 θ r+() + (μ 24 2(K) 2 δ(k)) 4 θ r+2 () (3.34) dega, adala ilai badwidt r adala order derivative μ 2 (K) = x 2 K(x)dx R(K (r) ) = K r (x) 2 dx δ(k) = x 4 K(x)dx (r) R(K (r) ) R(f ĥ ) = 2r+ + ( ) r ( ) 2r+ K(r) K (r) ( X j X i ) j= j 6
23 ( ) r θ r() = ( ) 2r+ K(2r) ( X j X i ) j= j I. Deskripsi Data Dalam studi kasus ii, data bersumber dari ttp://fiace.yaoo.com. Data istoris diambil dari data arga saam Jakarta Islamic Idex. Data yag diperluka dalam permodela ii adala data arga saam Jakarta Islamic Idex. Data yag diguaka data istoris aria dalam retag waktu jauari 206 sampai dega 30 april 206 dega jumla data 82. Selama retag waktu tersebut, bawa arga saam JII berada pada kisara 58,78 683,2. Nilai JII tereda tersebut terjadi pada taggal 2 jauari 206 da ilai JII tertiggi pada taggal 22 april 206. Data terdiri dalam dua variabel yaitu variabel Jakarta Islamic Idex da variabel waktu (dalam aria). J. Uji Liearitas da Uji Normalitas Dega megguaka data tersebut da megguaka software SPSS versi 20 yag dapat diliat pada lampira 3 bagia da 2, terlebi daulu aka dilakuka aalisis data awal. Aalisis regresi arus memeui asumsi liearitas da ormalitas. Uji liearitas dilakuka dega membuat plot data, plot data tersebut diguaka utuk meliat apaka ada ubuga liear atara variabel X da Y, selai itu dapat diguaka utuk meduga betuk fugsi data yag medekati da meliat bagaimaa perubaa pola perilaku kurva. Bayak djumpai betuk fugsi yag dapat meggambarka ubuga atara peuba seigga dalam megaalisis suatu asil peelitia arusla ditetuka terlebi daulu betuk kurva yag sesuai utuk 62
24 merepresetasika data. Gambar (3.) berikut meujukka pola ubuga atara arga saam JII da waktu (dalam aria): Hargasaam.JII Waktu.Haria. Gambar 3. Plot Harga Saam Jakarta Islamic Ideks (JII) Plot tersebut meujukka bawa variabel waktu da variabel arga saam JII tidak berubuga secara liear. Dari plot dapat diketaui bawa pada waktu aria pertama, arga saam JII aik secara sigifika seirig dega waktu demi waktu dega keaika ilai arga saam. Dari output diperole ilai p-value sebesar 0,000 maka H 0 ditolak. Jadi, dapat disimpulka bawa tidak terdapat ubuga liear atara waktu (aria) da arga saam JII. Selajutya perlu dilakuka uji iferesi ormalitas agar diperole asil yag pasti apaka asumsi keormala terpeui atau tidak. Aka dilakuka uji ipotesis asumsi ormalitas teradap data variabel respo (arga saam JII). Jumla sampel yag diaalisis sebayak 82 arga saam JII, maka uji ormalitas dilakuka dega megguaka uji Kolmogorov-Smirov. Dari statistik uji p-value, diperole ilai p-value adala 0,00. Nilai ii lebi kecil dibadigka dega ilai 63
25 alpa sebesar 0,05. Ole karea itu H 0 ditolak, jadi dapat disimpulka bawa data arga saam JII tidak berdistribusi ormal. K. Deskripsi Regresi Kerel Setela diketaui bawa variabel respo tidak memeui asumsi liearitas, da tidak berdistribusi ormal, maka dapat diguaka solusi alteratif yaitu regresi oparametrik dega fugsi peduga kerel. Dalam kasus ii, fugsi kerel yag diguaka adala kerel Gaussia. Estimator yag diguaka adala estimator Nadaraya-Watso. Order derivatif yag diguaka adala order ol. L. Pemilia Badwidt Pada Data Harga Saam Jakarta Islamic Ideks Dalam suatu Regresi Kerel, al yag palig petig terletak pada besarya ilai parameter badwidt-ya. Ole sebab itu, dalam pembaasa berikut ii aka diitug ilai parameter badwidt utuk masig-masig metode. Metode yag diguaka dalam meetuka besaya ilai parameter badwidt pada kasus ii adala badwidt Rule of Tumb, Ubiased (Least Square) Cross Validatio, Biased Cross Validatio da Complete Cross Validatio. Fugsi kerel yag diguaka utuk mecari badwidt adala fugsi kerel Gaussia. Badwidt utuk Data Harga Saam Jakarta Islamic Ideks sebagai berikut: Dega megguaka batua software R da utuk asil output pada lampira 3 bagia 3, diasilka ilai parameter badwidt utuk data arga saam JII dega metode badwidt Rule of Tumb sebesar 22,506, metode Ubiased (Least Square) Cross Validatio sebesar,79575, metode Biased Cross Validatio sebesar 5,23938, sedagka utuk perituga metode Complete Cross Validatio diasilka badwidt sebesar 4, Nilai-ilai parameter 64
26 smootig yag tela diasilka, maka dapat diragkum dalam sebua tabel berikut ii : Tabel 3.3 Nilai parameter Badwidt utuk Data Harga Saam JII Metode Badwidt Badwidt Rule of Tumb 22,506 Ubiassed Cross Validatio,79575 Biassed Cross Validatio 5,23938 Complete Cross Validatio 4,77098 Besarya ilai parameter badwidt tersebut, selajutya diguaka pada metode kerel yag aka diguaka dega cara mesubtitusika ilai badwidt tersebut pada estimator Nadaraya-Watso. Selajutya aka dicari model estimasi arga saam Jakarta Islamic Ideks megguaka estimator Nadaraya Watso dega tipe Kerel Gaussia da parameter badwidt yag tela diasilka pada tabel 3.3. M. Estimator Nadaraya-Watso Dalam pembaasa ii, aka dilakuka perituga ilai estimasi arga saam JII megguaka software R Setela dilakuka ruig program, maka diasilka ilai estimasi yag tercatum pada lampira 3 bagia 5. Berikut perbadiga kurva atar metode pemilia badwidt (metode Rule of Tumb, metode Ubiased (Least Square) Cross Validatio, metode Biased Cross Validatio da metode Complete Cross Validatio) dega megguaka estimator Nadaraya-Watso utuk data arga saam Jakarta Islamic Ideks : 65
27 HargaSaam Time(Waktu) Gambar 3.2 Kurva Hasil Estimasi Harga Saam Jakarta Islamic Ideks (JII) Keteraga: Rule of Tumb = Berwara Biru Ubiassed Cross Validatio = Berwara Mera Biassed Cross Validatio Complete Cross Validatio = Berwara Hijau = Berwara Kuig Dari gambar 3.2 dapat diliat bawa kurva estimator Nadaraya-Watso dega metode pemilia badwidt yaitu badwidt Rule of Tumb megasilka kurva yag cukup mulus. Berbeda dega metode-metode yag lai, yaitu metode Ubiased (Least Square) Cross Validatio, Biased Cross Validatio maupu Complete Cross Validatio meujukka bawa kurva regresi tidak cukup mulus. Aka tetapi, dega badwidt Complete Cross Validatio yag palig medekati asil estimasi dega titik data actual. 66
28 N. Perbadiga MSE Pada pembaasa ii, aka dibaas perbadiga metode yag diguaka teradap data arga saam Jakarta Islamic Ideks. Dega perbadiga ii, maka aka diketaui metode pemilia badwidt yag lebi akurat dalam megestimasi data arga saam Jakarta Islamic Ideks. Dega perbadiga ii, aka diliat plot grafik metode (gambar 3.2) teradap data arga saam JII yag ada da megguaka tigkat besarya error. Dikareaka megguaka plot grafik aka cukup meyulitka disaat terdapat plot yag berimpit, maka diguaka cara meliat besarya error yag diasilka dari estimator tersebut. Metode yag megasilka besarya error yag palig kecil meadaka bawa metode tersebut adala metode yag lebi baik utuk megestimasi data arga saam Jakarta Islamic Ideks. Dega estimator Nadaraya-Watso da berbagai metode pemilia badwidt, maka diasilka ilai MSE sebagai berikut : Tabel 3.4 Nilai MSE Metode Jakarta Islamic Ideks Rule of Tumb 95,36849 Ubiassed Cross Validatio 57,42625 Biassed Cross Validatio 7,5225 Complete Cross Validatio 9,36044 Dari tabel 3.4 dapat diliat bawa pemilia badwidt dega metode Rule of Tumb memiliki ilai MSE yag palig kecil utuk data arga saam JII. Nilai 67
29 MSE data estimasi arga saam JII yaitu sebesar 9, Ole karea itu dapat dikataka bawa metode pemilia badwidt Complete Cross validatio merupaka metode pemilia badwidt yag palig tepat diguaka utuk megestimasi arga saam Jakarta Islamic Ideks. O. Hasil Estimasi Harga Saam Jakarta Islamic Ideks Berikut asil estimasi arga saam Jakarta Islamic Ideks (JII) megguaka metode pemilia badwidt Complete Cross Validatio : Tabel 3.5 Hasil estimasi arga saam JII Waktu (dalam Harga Saam aria) JII 598, , , , , , , , , , , , , , , , , , , , , , ,
30 24 623, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,479 69
31 65 659, , , , , , , , , , , , , , , , , ,2938 Dari tabel 3.5 dapat diliat bawa arga saam Jakarta Islamic Ideks dega waktu ke 36 ari yaitu 626,6908. Harga saam JII aka terus megalami keaika sesuai dega rutu waktu pada arga saam. Higga waktu ke 82 ari, arga saam berada pada kisara 658,2938. Dega asil estimasi JII megguaka badwidt Complete Cross Validatio. Harga saam JII pada setiap waktuya yag berbeda dari asil estimasi badwidt ubiased cross validatio, biased cross validatio, Rule of Tumb. 70
ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan
JMP : Vol. 8 No., Des. 016, al. 33-40 ISSN 085-1456 ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI Novita Eka Cadra Uiversitas Islam Darul Ulum Lamoga ovitaekacadra@gmail.com Masriai Mayuddi Uiversitas
Lebih terperinciBAB I PENDAHULUAN. X Y X Y X Y sampel
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Aalisis regresi merupaka metode aalisis data yag meggambarka hubuga atara variabel respo dega satu atau beberapa variabel prediktor. Aalisis regresi tersebut
Lebih terperinciREGRESI KERNEL DENGAN METODE NADARAYA WATSON. Oleh : Esty
REGRESI KERNEL DENGAN METODE NADARAYA WATSON REGRESI KERNEL DENGAN METODE NADARAYA WATSON Ole : SKRIPSI Diajuka Kepada Fakultas Matematika da Ilmu Pegetaua Alam Uiversitas Negeri Yogyakarta Utuk Memeui
Lebih terperinciBAB II TINJAUAN PUSTAKA. dengan asumsi bahwa telah diketahui bentuk fungsi regresinya. atau dalam bentuk matriks dapat ditulis dengan:
BAB II TINJAUAN PUSTAKA 2.1 Regresi Parametrik Regresi parametrik merupaka metode statistika yag diguaka utuk megetahui pola hubuga atara variabel prediktor dega variabel respo, dega asumsi bahwa telah
Lebih terperinciBAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA
BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA 3. Perumusa Peduga Misalka N adala proses Poisso o omoge pada iterval [, dega fugsi itesitas yag tidak diketaui. Fugsi ii diasumsika teritegralka
Lebih terperinciPEMILIHAN BANDWIDTH PADA ESTIMATOR NADARAYA-WATSON DENGAN TIPE KERNEL GAUSSIAN PADA DATA TIME SERIES
HALAMAN JUDU L PEMILIHAN BANDWIDTH PADA ESTIMATOR NADARAYA-WATSON DENGAN TIPE KERNEL GAUSSIAN PADA DATA TIME SERIES (Studi Kasus: Peutupa Ideks Harga Saham Haria Jakarta Islamic Idex (JII) Periode 1 Jauari
Lebih terperinciBAB V PENUTUP. Berdasarkan pembahasan pada bab-bab sebelumnnya baik secara matematis maupun dalam studi kasus, diperoleh kesimpulan sebagai berikut:
BAB V PENUTUP 5. Kesimpula Berdasarka pembaasa pada bab-bab sebelumya baik secara matematis maupu dalam studi kasus, diperole kesimpula sebagai berikut:. Dari asil studi kasus pada 74 sugai di Idoesia
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 terperinciOleh : Bambang Supraptono, M.Si. Referensi : Kalkulus Edisi 9 Jilid 1 (Varberg, Purcell, Rigdom) Hal
BAB. Limit Fugsi Ole : Bambag Supraptoo, M.Si. Referesi : Kalkulus Edisi 9 Jilid (Varberg, Purcell, Rigdom) Hal 56 - Defiisi: Pegertia presisi tetag it Megataka bawa f ( ) L berarti bawa utuk tiap yag
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 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 terperinciPERBANDINGAN MODEL REGRESI KERNEL DENGAN MODEL REGRESI POLYNOMIAL DALAM DATA FINANSIAL
IdoMS Joural o Statistics Vol., No. (014), Page 47-6 PERBANDINGAN MODEL REGRESI KERNEL DENGAN MODEL REGRESI POLYNOMIAL DALAM DATA FINANSIAL Nur Ei 1 1 Jurusa Matematika Program Studi Statistika, Fakultas
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 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 terperincih h h n 2! 3! n! h h h 2! 3! n!
Dieresiasi Numerik Sala satu perituga kalkulus yag serig diguaka adala turua/ dieresial. Coto pegguaa dieresial adala utuk meetuka ilai optimum (maksimum atau miimum) suatu ugsi y x mesyaratka ilai turua
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 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 terperinciB A B 7 DIFERENSIASI DAN INTEGRASI NUMERIK
8 B A B 7 DIFERENSIASI DAN INTEGRASI NUMERIK A. D I F E R E N S I A S I N U M E R I K Misal diberika set data Diketaui set data (, ), (, ), (, ),., (, ) ag memeui relasi = f() Aka ditetuka d/d dalam iterval,
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih 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 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 terperinciMETODE ADAMS-BASHFORTH-MOULTON DALAM PENYELESAIAN PERSAMAAN DIFERENSIAL NON LINEAR
Buleti Ilmia Mat. Stat. da Terapaa (Bimaster) Volume 0, No. (0), al 07 6. METODE ADAMS-BASHFORTH-MOULTON DALAM PENYELESAIAN PERSAMAAN DIFERENSIAL NON LINEAR Apriadi, Bau Priadoo, Evi Noviai INTISARI Metode
Lebih terperinciRange atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu
BAB 4 UKURAN PENYEBARAN DATA Pada Bab sebelumya kita telah mempelajari beberapa ukura pemusata data, yaitu ukura yag memberika iformasi tetag bagaimaa data-data ii megumpul atau memusat Pada bagia Bab
Lebih terperinciIII PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah
III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka
Lebih 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 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 terperinciREGRESI NONPARAMETRIK MENGGUNAKAN METODE ROBUST DAN CROSS-VALIDATION (STUDI KASUS MAHASISWA STIA MUHAMMADIYAH SELONG)
Jural UJMC, Volume 3, Nomor, Hal. 9-6 pissn : 460-3333 eissn : 579-907X REGRESI NONPARAMETRIK MENGGUNAKAN METODE ROBUST DAN CROSS-VALIDATION (STUDI KASUS MAHASISWA STIA MUHAMMADIYAH SELONG) Rata Yuiarti,
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih 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 terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
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 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 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 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 terperinciBAB IV SEBARAN ASIMTOTIK PENDUGA DENGAN MENGGUNAKAN KERNEL SERAGAM. ) menyatakan banyaknya kejadian pada interval [ 0, n ] dan h
BAB IV SEBARAN ASIMTOTIK PENDUGA DENGAN MENGGUNAKAN KERNEL SERAGAM 4.1 Peduga dega Kerel Seragam Pada bab ii diguaka peduga dega kerel eragam. Hal ii karea aya belum berail memperole ebara aimtotik dari
Lebih terperinciI. PENDAHULUAN II. LANDASAN TEORI
I PENDAHULUAN 1 Latar belakag Model pertumbuha Solow-Swa (the Solow-Swa growth model) atau disebut juga model eoklasik (the eo-classical model) pertama kali dikembagka pada tahu 195 oleh Robert Solow da
Lebih terperinciII. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang
II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciBAB III PENGGUNAAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA GENERAL LINEAR MIXED MODEL
BAB III PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP PADA GENERAL LINEAR MIXED MODEL Pada Bab III ii aka dibahas megeai taksira parameter pada Geeral Liear Mixed Model berdasarka asumsi
Lebih terperinciBAB III METODOLOGI PENELITIAN. Jenis data yang digunakan berupa data sekunder yang menggunakan Tabel
49 BAB III METODOLOGI PENELITIAN 3.1 Jeis da Sumber Data Jeis data yag diguaka berupa data sekuder yag megguaka Tabel Iput Output Idoesia Tau 2005 dega klasifikasi 9 sektor. Data tersebut berasal dari
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 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 terperinciDefinisi Integral Tentu
Defiisi Itegral Tetu Bila kita megedarai kedaraa bermotor (sepeda motor atau mobil) selama 4 jam dega kecepata 50 km / jam, berapa jarak yag ditempuh? Tetu saja jawabya sagat mudah yaitu 50 x 4 = 200 km.
Lebih terperinciBARISAN DAN DERET. Nurdinintya Athari (NDT)
BARISAN DAN DERET Nurdiitya Athari (NDT) BARISAN Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) = a Fugsi tersebut dikeal sebagai barisa bilaga
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinciProgram Perkuliahan Dasar Umum Sekolah Tinggi Teknologi Telkom. Barisan dan Deret
Program Perkuliaha Dasar Umum Sekolah Tiggi Tekologi Telkom Barisa da Deret Barisa Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) a Fugsi tersebut
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih 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 terperinciBAB I KONSEP DASAR PERSAMAAN DIFERENSIAL
BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah
Lebih 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 terperinciPENDUGA RATAAN GEOMETRIK PADA SAMPEL HIMPUNAN TERURUT UNTUK DISTRIBUSI NORMAL
JURNAL GANTANG Vol. III No., Maret 208 p-issn. 2503-067, e-issn. 2548-5547 Tersedia Olie di: ttp://ojs.umra.ac.id/idex.pp/gatag/idex PENDUGA RATAAN GEOMETRIK PADA SAMPEL HIMPUNAN TERURUT UNTUK DISTRIBUSI
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 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 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 terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih 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 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 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 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 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 III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Lokasi da objek peelitia Lokasi peelitia dalam skripsi ii adalah area Kecamata Pademaga, alasa dalam pemiliha lokasi ii karea peulis bertempat tiggal di lokasi tersebut sehigga
Lebih terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih 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 terperinci2 BARISAN BILANGAN REAL
2 BARISAN BILANGAN REAL Di sekolah meegah barisa diperkealka sebagai kumpula bilaga yag disusu meurut "pola" tertetu, misalya barisa aritmatika da barisa geometri. Biasaya barisa da deret merupaka satu
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Subjek Peelitia Peelitia ii dilaksaaka di kawasa huta magrove, yag berada pada muara sugai Opak di Dusu Baros, Kecamata Kretek, Kabupate Batul. Populasi dalam peelitia ii adalah
Lebih terperinciPENYELESAIAN INTEGRASI NUMERIK DENGAN MATLAB. Ratna Widyati Jurusan Matematika, FMIPA Universitas Negeri Jakarta
Kode Makala M-6 PENYELESAIAN INTEGRASI NUMERIK DENGAN MATLAB Rata Widyati Jurusa Matematika, FMIPA Uiversitas Negeri Jakarta ABSTRAK Metode umerik dapat diguaka utuk megampiri itegrasi yag dapat meyelesaika
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 terperinciTri Handhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Universitas Gunadarma Abstrak
PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP) PADA GENERAL LINEAR MIXED MODEL ri Hadhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Uiversitas Guadarma trihadika@staff.guadarma.ac.id
Lebih terperinciBAB 3 METODE PENELITIAN
Sedagka itegrasi ruas kaa utuk ersamaa (3b) diperoleh ds / = S... (36) Dega demikia pesamaa yag harus dipecahka adalah l 1 1 u u = S (37) Dari ersamaa (37) diperoleh persamaa utuk u u S = exp S 1exp S...
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 terperinciBAB II TINJAUAN PUSTAKA
3 BAB II TINJAUAN PUSTAKA.1 Ruag Cotoh, Kejadia da Peluag Defiisi.1 (Ruag cotoh da kejadia) Suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak bisa diprediksi secara tepat tetapi
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 I PENDAHULUAN. Integral adalah salah satu konsep penting dalam Matematika yang
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Itegral adalah salah satu kosep petig dalam Matematika yag dikemukaka pertama kali oleh Isac Newto da Gottfried Wilhelm Leibiz pada akhir abad ke-17. Selajutya
Lebih terperinciSecara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real:
BARISAN TAK HINGGA Secara umum, suatu barisa dapat diyataka sebagai susua terurut dari bilaga-bilaga real: u 1, u 2, u 3, Barisa tak higga merupaka suatu fugsi dega domai berupa himpua bilaga bulat positif
Lebih terperinciTURUNAN FUNGSI. Definisi. 3.1 Pengertian Turunan Fungsi. Turunan fungsi f adalah fungsi f yang nilainya di c adalah. asalkan limit ini ada.
3 TURUNAN FUNGSI 3. Pegertia Turua Fugsi Defiisi Turua fugsi f adala fugsi f yag ilaiya di c adala f c f c f c 0 asalka it ii ada. Coto Jika f 3 + +4, maka turua f di adala f f f 0 3 4 3.. 4 0 34 4 4 4
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperinciPENYELESAIAN PERSAMAAN DIFERENSIAL DENGAN METODE ADAMS BASHFORTH MENGGUNAKAN MATLAB
Jural Ilmia Tekologi da Iformasi ASIA Vol. 3 No. April 009 PENYELESAIAN PERSAMAAN DIFERENSIAL DENGAN METODE ADAMS BASHFORTH MENGGUNAKAN MATLAB Rati Ayuigemi, S. ST Pratyaksa Kepakisa ABSTRAKSI Bayak metode
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 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 terperinciBAB II TEORI DASAR. Definisi Grup G disebut grup komutatif atau grup abel jika berlaku hukum
BAB II TEORI DASAR 2.1 Aljabar Liier Defiisi 2. 1. 1 Grup Himpua tak kosog G disebut grup (G, ) jika pada G terdefiisi operasi, sedemikia rupa sehigga berlaku : a. Jika a, b eleme dari G, maka a b eleme
Lebih terperinciPerbandingan Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, dan Estimasi Method Of Moment
PRISMA 1 (2018) https://joural.ues.ac.id/sju/idex.php/prisma/ Perbadiga Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, da Estimasi Method Of Momet Muhammad Bohari Rahma, Edy Widodo
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini akan dijelaskan mengenai analisis regresi robust estimasi-s
BAB III PEMBAHASAN Pada bab ii aka dijelaska megeai aalisis regresi robust estimasi-s dega pembobot Welsch da Tukey bisquare. Kemudia aka ditujukka model regresi megguaka regresi robust estimasi-s dega
Lebih terperinciMata Kuliah: Statistik Inferensial
PENGUJIAN HIPOTESIS SAMPEL KECIL Prof. Dr. H. Almasdi Syahza, SE., MP Email: asyahza@yahoo.co.id DEFINISI Pegertia Sampel Kecil Sampel kecil yag jumlah sampel kurag dari 30, maka ilai stadar deviasi (s)
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 terperinciDeret Fourier. Modul 1 PENDAHULUAN
Modul Deret Fourier Prof. Dr. Bambag Soedijoo P PENDAHULUAN ada modul ii dibahas masalah ekspasi deret Fourier Sius osius utuk suatu fugsi periodik ataupu yag diaggap periodik, da dibahas pula trasformasi
Lebih terperinciB a b 1 I s y a r a t
34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat
Lebih 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Model Pertumbuha Betuk ugsi pertumbuha satu jeis spesies pada umumya megguaka otasi ugsi aalitik yag diyataka dalam satu persamaa. Secara umum ugsi pertumbuha meyataka hubuga
Lebih 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 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 terperinciBAB 1 PENDAHULUAN. dimana f(x) adalah fungsi tujuan dan h(x) adalah fungsi pembatas.
BAB 1 PENDAHUUAN 1.1 atar Belakag Pada dasarya masalah optimisasi adalah suatu masalah utuk membuat ilai fugsi tujua mejadi maksimum atau miimum dega memperhatika pembatas pembatas yag ada. Dalam aplikasi
Lebih 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 terperinciANALISIS REGRESI DAN KORELASI SEDERHANA
LATAR BELAKANG DAN KORELASI SEDERHANA Aalisis regresi da korelasi megkaji da megukur keterkaita seara statistik atara dua atau lebih variabel. Keterkaita atara dua variabel regresi da korelasi sederhaa.
Lebih terperinciKEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA. Fitriani Agustina, Math, UPI
KEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA Fitriai Agustia, Math, UPI 1 Fiacial Derivative Opsi Mafaat Opsi Opsi Eropa Peetua Harga Opsi Kekovergea Model Biomial Fitriai Agustia, Math,
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 terperinciUniversitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas
Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga REGRESI DAN KORELASI Statistika da Probabilitas Kurva Regresi Mecari garis/kurva yag mewakili seragkaia titik data Ada dua cara utuk
Lebih terperinci