PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE
|
|
- Yuliana Lie
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE ESTIMATION OF PARAMETER REGRESION MODEL USING BOOTSTRAP AND JACKKNIFE Hed (Staf Pegajar UP MKU Poltekk Neger Badug) ABSTRAK Peelta meerapka metode resamplg pada pasaga data pegamata utuk medapatka estmas parameter model regres dega metode resamplg bootstrap da jackkfe. Metode bootstrap ddasarka tekk pegambla sampel dega pegembala, sedagka Jackkfe ddasarka peghapusa satu sampel pada setap pegambla sampel dega pegembala. Berdasarka data smulas, dtetuka bas estmas parameter da pajag terval dega tgkat kepercayaa 95% serta stadard error. Selajutya, dbadgka relabltas yag dterapka pada kedua metode tersebut. Berdasarka bas, pajag terval, da stadard error estmas parameter model regres, metode resamplg bootstrap lebh kecl darpada metode resamplg jackkfe. Kata Kuc: resamplg bootstrap da jackkfe, bas, stadard error, da pajag terval. ABSTRACT Ths research estmates parameters regreso model par observato data usg bootsrtap ad jackkfe resamplg methods. Bootstrap approach was based o the resamplg observato ad Jackkfe was based o the delete oe resamplg observato. Based o the smulato data, parameters estmato bas, the legth of terval wth 95% trust level, ad stadard error were determed. The, the relablty appled to the two methods was compared. Based o the bas, terval legth, ad stadard error of the parameters regreso model estmato, t was obtaed that resamplg method usg bootstrap was less tha usg jackkfe. Keywords: bootstrap ad jackkfe resamplg methods, bas, stadard errors, terval legth.
2 Sgma-Mu Vol.4 No. September 0 PENDAHULUAN Model persamaa regres lear Y = X β + ε () dega ε dasumska berdstrbus ormal dega rata-rata 0 da varas,, ˆ sebaga peaksr tak bas dar β dperoleh dega megguaka ordary least square. Dalam mplemetasya, kta serg dhadapka pada permasalaha dega haya medapatka jumlah sampel yag kecl dalam suatu pemodela. Hal dapat berakbat pada parameter yag dperoleh bas, uderestmate, atau overestmate. Masalah la yag serg mucul yatu dstrbus samplg tdak selalu memeuh dstrbus ormal. Basaya dperluka peurua formulas aalts yag sult dlakuka sehgga dapat meyebabka akuras estmatorya tdak vald. Metode resamplg dapat dguaka utuk megatas permasalaha tersebut. Dalam metode resamplg, sampel daggap sebaga populas. Metode resamplg Bootstrap da Jackfe adalah tekk resamplg parametrk da oparametrk yag bertujua utuk megestmas stadard error da cofdece terval dar parameter populas sepert rata-rata, meda, propors, odds raso, koefse korelas, atau perhtuga koefse regres tapa asums-asums dstrbus (Efro, 98). Berdasarka uraa tersebut, detfkas masalah pada peelta adalah bagamaa meetuka estmas parameter model regres dega tdak dpeuhya asums dstrbus ormal pada resdual da bagamaa resamplg yag terbak pada pasaga data pegamata. Peelta bertujua meetuka estmas parameter model regres dega meerapka resamplg bootstrap da jackkfe pada pasaga data pegamata da membadgka metode resamplg bootstrap da jackkfe dega megguaka data smulas. TINJAUAN PUSTAKA. Aalss Regres Bergada dega Predktor Radom Dberka varabel radom dalam betuk vector Z = (Z,..., Z r) t, da output varabel acak Y dega (r+) varabel tersebut berdstrbus gabuga P(Z, Y ) dega mea E(Z) = μ Z da E(Y) = μ Y Jka predks Y dyataka sebaga fugs dar Z yak f(z), peympaga dberka oleh L(Y,f(Z)) da ekspektasya dsebut sebaga fugs rsko R(f) R(f) = E(L(Y,f(Z)) = E((Y- f(z)) ) R(f) = E X (E Y X (Y- f(z)) Z) () Selajutya dega meerapka dettas Y f(z) = Y - µ(z) + µ(z) f(z) (3) Dperoleh E Y Z {(Y f(z)) Z = z}= E Y Z {(Y μ(z)) Z = z}+(μ(z) f(z)) (4) da persamaa 4 mmum jka f(z) = μ(z) = E Y z {Y Z = z}, dega f * adalah fugs dar z sedemka sehga R(f) mmum, fugs rsko utuk f = f *, R(f * ) dsebut rsko bayes.
3 Prosedur Estmas Parameter Model Regres 3 Megguaka Resamplg Bootstrap da Jackkfe R(f * ) = m R(f) = E{(Y μ(z)) } (5) Dega demka, predks terbak Y d Z = z, megguaka mea kuadrat error yag dberka oleh μ(z). Jka persamaa, dasumska ε tdak berkorelas dega Z,...,Z r maka fugs regres dega Z ler dberka oleh μ(x) = X t β (6) dega β = (β 0,..., β r ) t adalah vector koefse regres ukura (r + ),da X = (, Z t ) t adalah vector ukura (r+). Selajutya, dplh β 0, β,... β r yag memmumka rsko Bayes. Dega memperhatka persamaa berkut S(β) = E{(Y-X t β) } (7) la mmum s(β) dapat terjad, jka la β= β *, dega β * = [E(XX t )] - E(XY) (8) sehgga dega metode Least square, estmas β yak ˆ = (9). Prosedur Estmas Parameter Model Regres dega Resamplg Bootstrap Jka regresor radom, metode bootstrap yag dperguaka yak melakuka resamplg pada pasaga data pegamata (observas) dega probabltas yag terambl sebesar / utuk setap observas. Resamplg dlakuka sebayak B kal dega jumlah B dsyaratka cukup besar= hgga dperoleh estmas parameter yag koverge atau bahka sampa sejumlah sampel. Dega jumlah B yag cukup besar, dharapka estmas parameter regres yag dhaslka aka lebh kuat (robust). Dega ketetua bahwa Vektor w Y, X ' j dega Y y, y,..., y ' da X j x j x j x j,,..., '. Dalam metode, vektor w, w,..., w sebaga observas. Berdasarka resamplg observas, lagkah-lagkah bootstrap dyataka sebaga berkut.. Dambl sampel bootstrap berukura b b b w, w,..., w dega b b b w Y, X ', j dega b b b b Y y, y,..., y ', da b b b b X x, x,..., x ' j j j j. Estmas parameter βdega OLS dar sampel bootstrap ˆ ' ' X X X Y b b b b b 3. Dulag lagkah da sebayak r=,,,b dega B adalah bayakya pegulaga 4. Dar lagkah 3 dperoleh estmas ˆ b ˆ b ˆ bb,,...,. Meurut Fox (997), estmas bootstrap utuk koefse regres adalah rata-rata dar la ˆ b, ˆ b,..., ˆ bb dega B b b b ˆ ˆ r / B ˆ b r
4 4 Sgma-Mu Vol.4 No. September 0 Persamaa regres bootstrap ˆ ˆ b Y X dega ˆ b adalah peaksr tak bas dar β (Shao,995) 3. Bas, Varas, Iterval cofdece, da Persetle bootstrap Peaksr bas utuk regres bootstrap ˆb bas ˆ ˆ b Peaksr varas regres bootstrap Selag kepercayaa regres bootstrap : Jka 30, da tgkat kepercayaa α Z %, dguaka la dstrbus dalam megestmas cofdece terval (Dccco ad Tbshra, 987). Iterval persetl bootstrap dapat dbagu dar quatle dstrbus samplg bootstrap ˆ b. Iterval persetl B / % adalah ˆbr ˆ ˆ r ' B ˆ b ˆ br var ˆ b ˆ br ˆ b / r ˆ t ˆ ˆ ˆ p, / * Se tp, / * Se b b b b lower b / % da r upper dega b adalah peaksr koefse regres bootstrap dar persamaa sebelumya dega batas bawah /B da batas atas / B. 4. Prosedur Estmas Parameter Model Regres dega Resamplg Jackkfe Resamplg Jackfe pada pasaga data pegamata (observas), ddasarka peghapusa satu sampel atau sekelompok sampel dar sampel awal yag daggap sebaga populas. Pada satu tahap da pada tahap selajutya, sampel yag telah dhapus tersebut dkembalka da dlakuka peghapusa satu atau sekelompok sampel da seterusya sampa semua sampel dar populas medapat kesempata utuk dhapus. Lagkah-lagkah metode resamplg Jackfe hapus-satu sebaga berkut.. Dambl sampel berukura dar populas secara acak da ber ama dega vektor w Y X j Y y, y,..., y ' da X x, x,..., x ' j j j j, ' utuk dega j=,,...,k da =,,...,. Dhapus bars pertama dar vector w Y, X ' da merupaka j vector dega ukura sampel (-) sehgga vector y mejad j j j j Y y, y,..., y ' da 3 j j j j X x, x,..., x ' j j j3 j sebaga sampel dega jackkfe, hapus satu regres ˆ j w j dar da taksr koefse w j. Selajautya, hapus bars kedua dar vector w Y, X ' da kemuda ber j label ukura sampel - dega hmpua observas j j j j Y y, y,..., y ' da 3 j j j j X x, x,..., x ' j j j3 j sebaga j w da taksr koefse regres ˆ j. Hapus satu per satu sampel dar observas da taksr
5 Prosedur Estmas Parameter Model Regres 5 Megguaka Resamplg Bootstrap da Jackkfe ˆ j koefse regres dega la ˆ j adalah koefse regres Jackkfe. Setelah peghapusa pegamata ke- dar w, dperoleh la taksr koefse regres Jackkfe ˆ ˆ ˆ j, j,..., j 3. Dhtug koefse regres Jackfe yag merupaka rata-rata dar ˆ ˆ ˆ j j j,,..., ˆ ˆ / ˆ j j j sehgga model persamaa regres utuk regres Jackfe hapus satu sebaga berkut ˆ ˆ j Y X 5. Bas, Varas, Iterval cofdece, da persetle jackkfe Peaksr bas utuk regres jackkfe var ˆ ˆ j ˆ bas ˆ j ˆ j ˆ j ˆ j ˆ j ˆ j ' Peaksr varas regres jackkfe Cofdece terval regres jackkfe ˆ t ˆ ˆ ˆ p, / * Se tp, / * Se Iterval persetl jackkfe dapat dsusu dar quatle dstrbus samplg jackkfe ˆ j. Iterval persetl / % da / % adalah dega ˆ ˆ j ˆ j lower j upper adalah peaksr koefse regres jackkfe dega batas bawah / da batas atas /. HASIL DAN PEMBAHASAN Hasl smulas yag dbagktka oleh persamaa Y 0,X 0, 5X j j j j dega =,, 3,..., 00, da berdstrbus ormal dega rata-rata 0 da varas dsajka pada Tabel. Tabel Data Hasl Smulas No X X Y No X X Y No X X Y 0,4 3, 0, ,9 8,83 73,9,9 4,0 3,3 3,, ,6 8, ,67 4,09 3 7,9 4,3, ,6, ,9 3,89 7,5 4 5,9 4,5 3, ,5 8, ,95 4,75 5 9,7 5, 0, ,6 5, ,67 4,8 6, 5 4,9 4 5,7 4, ,6 8,60 7 3,5 3 4,7 43 5,7, ,78 5, , ,8 3,8 80 6,89 6, , ,7 4, ,98 4, , ,6 5, ,5 6,48
6 6 Sgma-Mu Vol.4 No. September 0,6 7 6, ,9 9, ,8 8,5 8, , ,7 9, ,9 6, ,8 49 9,8 5,7 6, ,8 8, 4 4 4,5, ,8, ,89 4, ,34 4,54 5 6,9 4,7 87 0,6,95, ,6 4,83 5,9 6,96 4, ,9 4,87 3, , 7, ,34 5, 89 8,9 6,48 7, ,9 8, ,99 8, ,5 3,78 7,04 9 7,4 5,3 55 8,5 6, ,7 8,98 0, ,3 6, ,3 6,97 9 8,9 8,3 5,34 6,33 6, ,3 7,4 93 0,5 8, 4, , 6, ,8 7,3 94 9,5 7,5,5 3 4,77 4, , 6, ,5 5,4,0 4 7,9 6, ,5 5,0 96,5 5,76 4, , 0, , 6,5 97 7,5 4,67 6,9 6,7 6, , 8,7 98 8,6 6,78 6,56 7 6,7 5, , 5, ,8 7,88 9,84 8,3 8,7 64 9,05 7, ,5 6,99 7,59 9 7,9 4, ,3 3, ,4 6,7 6, ,9 3,6 3,4, 6, ,3 8, ,0 68 5,8 8,5 5,3 33 0,9 5,4 4, ,9 9,07 5,8 34 9,8 9,5 6, ,8 0,5 7, ,9 9,44 4, ,34 6, ,5,7 3,58 7 9,8,8 5,88 Prosedur resamplg bootstrap, pada pasaga data pegamata (Tabel ). Sebayak B = 000 kal dega pegembala utuk medapatka sampel bootstrap yag masg-masg berukura N=00. Selajutya lagkah megestmas parameter model regres berdasarka sampel bootstrap dyataka dalam betuk flowchart pada Gambar. Berdasarka prosedur resamplg Jackkfe, pada pasaga data pegamata sebayak N = 00 kal dega pegembala, ddapat sampel Jackkfe yag masg-masg berukura N=99. Selajutya, lagkah megestmas parameter model regres berdasarka sampel jackkfe dtujukka dalam flowchart pada Gambar.
7 Prosedur Estmas Parameter Model Regres 7 Megguaka Resamplg Bootstrap da Jackkfe MULAI MULAI N =00, S = 3, B = 000, β(b), X(N,4), Y(N), Data(N,3), RadomNumber(N) N =00, S = 3, βj(n), X(N,4), Y(N) Xj(N,4), Yj(N), Data(N,S), RadomNumber(N) jf =,N bst =,B =,N k RadomNumber() =,N 3 j =,S k RadomNumber() 3 3 j =,S- 3 4 jk =,N- Tdak jf=jk Ya 5 j =,S 6 j =,S β(bst) X'X X' Y 5 β(bst) 6 4 βj(jf) Xj' Xj Xj' Yj Selesa Gambar Flowchart Estmas Koefse Regres Dega Resamplg Bootstrap βj(n) Selesa Gambar FlowchartEstmas Koefse Regres dega Resamplg Jackkfe
8 8 Sgma-Mu Vol.4 No. September 0 Berdasarka smulas yag telah dlakuka, dperoleh la-la estmas parameter, bas, selag kepercayaa, da stadard error metode resamplg bootstrap da jackkfe yag dtujukka pada Tabel da Tabel 3. Berdasarka tabel tersebut, dperoleh data bahwa bas estmas parameter regres metode resamplg bootstrap lebh kecl dbadgka dega megguaka metode jackkfe. Begtu juga utuk selag kepercayaa, dega megguaka metode bootstrap selag kepercayaa mejad lebh pedek. Tabel. Estmas Parameter Model Regres dega Resamplg Bootstrap 95% Selag Kepercayaa Persetl Varabel Rata-rata Bas Bawah Atas 5% 95% SE β 0 -,6603 -,663-0, ,6696 -, ,855 -, ,0 β 0,9855 0,9864 0,000 0,9843 0,9886 0,9339 0,0476 0, β 0,5089 0,5084-0, ,508 0,5035 0,4857 0,5 0,00648 Tabel 3. Estmas Parameter Model Regres dega Resamplg Jackkfe 95% Selag Kepercayaa Persetl Varabel Rata-rata Bas Bawah Atas 5% 95% SE β 0 -,6603 -,6639-0, ,686 -, ,849 -,4834 0,549 β 0,9855 0,9876 0,000 0,980 0,9949 0,93 0,0539 0, β 0,5089 0,5095-0, ,5009 0, , ,5038 0,008 SIMPULAN DAN SARAN SIMPULAN Resamplg Bootstrap, pada model regres bergada yag regresorya radom, dterapka melalu resamplg pada pasaga data pegamata. Dar N pasaga data pegamata, dambl sampel berukura secara acak dega pegembala. Selajutya, dlakuka pegulaga sebayak B kal yag dlajutka dega estmas parameter regres sebayak B kal sehgga ddapat estmas parameter regres masg-masg bayakya B. Dega demka, dapat dhtug bas, stadar error, da pajag terval dar estmas parameter regres. Metode Resamplg Jackkfe ddasarka peghapusa satu sampel setap kal melakuka pegambla sampel da sampel yag dhapus tersebut dkembalka. Dar sampel, dplh - sampel da dlakuka pegulaga sebayak kal sehgga dperoleh estmas parameter regres masg-masg bayakya. Peghapusa sampel dar suatu hmpua data, yag aka daalss, dlakuka dega fx secara bergata;
9 Prosedur Estmas Parameter Model Regres 9 Megguaka Resamplg Bootstrap da Jackkfe tdak dajurka utuk ukura sampel yag kecl. Berdasarka la bas estmas parameter regres, stadard error, da pajag terval, kasus meujukka bahwa metode resamplg bootstrap lebh kecl dbadgka dega resamplg jackkfe. I berart metode bootstrap lebh bak darpada metode jackkfe. SARAN Hogg.Mckea Crag Itroducto to Mathematcal Statstcs, Ed ke 6. New Jersey. Suat Sahler ad Dervs Topuz Bootstrap ad Jackkfe Resamplg Algorthms for Estmato of Regresso Parameters, Joural of Appled Quattatve Method.Vol,No Shao, J., Tu, D.995. The Jackkfe ad Bootstrap. New York: Sprger. Tdak ada stadar yag jelas tetag berapa kal sebakya dlakuka pegulaga (berapa B yag deal). Jumlah maksmum pegulaga B yag mugk dlakuka adalah hgga mecapa kal dar sampel ukura. Oleh karea tu, perlu dlakuka peelta lebh lajut. DAFTAR PUSTAKA Ala J. Izema 008. Moder Multvarate Statstcal Techques. Sprger, pp 09-,New York DCcco, T., Tbshra, R.977. Bootstrap Cofıdece Itervals ad Bootstrap Approxmatos, J. Amer. Statst. Assoc., 8, pp. 6-69, 987 DamodarN.Gujarat Basc Ecoometrcs. The McGraw- Hll Compaes. Efro, B da Robert, T A Itroducto to The Bootstrap. New York: Chapma & Hall, Ic.
BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai
BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres
Lebih terperinciBAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier
BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres
Lebih terperinciBAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu
BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl
Lebih terperinci11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN
// REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA
Lebih terperinciPENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN
PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu
Lebih terperinciBAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.
BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska
Lebih terperinciINTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2
INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,
Lebih terperinciBAB 2. Tinjauan Teoritis
BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut
Lebih terperinciANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:
ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X
Lebih terperinciKOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI
KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI Defl Ardh 1, Frdaus, Haposa Srat defl_math@ahoo.com
Lebih terperinciPERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM
PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka
Lebih terperinciTAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL
TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR
Lebih terperinciBAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten
BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar
Lebih terperinciUji Statistika yangb digunakan dikaitan dengan jenis data
Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas
Lebih terperinciBAB 5. ANALISIS REGRESI DAN KORELASI
BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh
Lebih terperinciTAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD
TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR
Lebih terperinciANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS
ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud
Lebih terperinciBAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam
BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling
BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut
Lebih terperinciTUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER
TUGAS ATA KULIAH TEORI RING LANJUT ODUL NOETHER Da Aresta Yuwagsh (/364/PPA/03489) Sebelumya, telah dketahu bahwa sebaga rg dega eleme satua memeuh sfat rata ak utuk deal-deal d. Apabla dpadag sebaga modul,
Lebih terperinciPENAKSIR RASIO REGRESI LINEAR YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN
PENAKIR RAIO REGREI LINEAR ANG EFIIEN UNTUK RATA-RATA POPULAI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Ed Jamlu 1* Harso Haposa rat 1 Mahasswa Program tud 1 Matematka Dose Jurusa Matematka Fakultas Matematka
Lebih terperinciPENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD
PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas
Lebih terperinciI adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu
METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut
Lebih terperinciBAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP
BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh
Lebih terperinciANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL
Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA, Fakultas MIPA, Uverstas Neger Yogyakarta, 4 Me ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Ksmat Jurusa Peddka
Lebih terperinciS2 MP Oleh ; N. Setyaningsih
S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal
Lebih terperinciBAB III PERSAMAAN PANAS DIMENSI SATU
BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka
Lebih terperinciBab II Teori Pendukung
Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak
Lebih terperinciPenarikan Contoh Acak Sederhana (Simple Random Sampling)
Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu
Lebih terperinciIII. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri
III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,
Lebih terperinciSIFAT-SIFAT LANJUT FUNGSI TERBATAS
Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakag Masalah Regres merupaka suatu metode statstka yag dguaka utuk meyeldk pola hubuga atara dua atau lebh varabel.betuk atau pola hubuga varabelvarabel tersebut dapat ddetfkas
Lebih terperinciMean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.
Mea utuk Data Tuggal Des. Jka suatu sampel berukura dega aggota x1, x, x3,, x, maka mea sampel ddesska : 1... N 1 Mea utuk Data Kelompok Des Mea dar data yag dkelompoka adalah : x x 1 1 1 dega : x = ttk
Lebih terperinciSUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS
C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah
Lebih terperinciUKURAN GEJALA PUSAT DAN UKURAN LETAK
UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu
Lebih terperinciSTATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis
STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma
Lebih terperinciTAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP
JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk
Lebih terperinciREGRESI LINEAR SEDERHANA
REGRESI LINEAR SEDERHANA MODUL Dra. Sr Pagest, S.U. PENDAHULUAN A alss regres merupaka aalss statstk yag mempelajar ubuga atara dua varabel atau leb. Dalam aalss regres lear dasumska berlakuya betuk ubuga
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN MEDIAN
PENAKI AIO UNTUK ATA-ATA POPULAI PADA AMPLING ACAK EDEHANA MENGGUNAKAN KOEFIIEN VAIAI DAN MEDIAN sk ahmada *, Arsma Ada, Haposa rat Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da
Lebih terperinciBAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel
BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka
Lebih terperinciDi dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu
KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua
Lebih terperinciIII BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan
III BAHAN/OBJEK DAN METODE PENELITIAN 3.1. Baha da Alat Peelta 3.1.1. Baha Peelta Objek yag dguaka dalam peelta adalah 50 ekor sap Pasuda jata da beta dewasa dega umur -3 tahu da tdak butg utuk meghdar
Lebih terperinciPENAKSIR REGRESI CUM RASIO UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN KOEFISIEN KURTOSIS DAN KOEFISIEN SKEWNESS
PENAKIR REGREI CUM RAIO UNTUK RATA-RATA POPULAI DENGAN MENGGUNAKAN KOEFIIEN KURTOI DAN KOEFIIEN KEWNE usta Wula ar *, Arsma Ada, Haposa rat Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka
Lebih terperinciREGRESI NONPARAMETRIK KERNEL ADJUSTED. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan
JMP : Volume 7 Nomor, Ju 05, hal. - 0 REGRESI NONPARAMETRIK KERNEL ADJUSTED Novta Eka Chadra Uverstas Islam Darul Ulum Lamoga ovtaekachadra@gmal.com Sr Haryatm da Zulaela Jurusa Matematka FMIPA UGM ABSTRACT.
Lebih terperinciESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER
Supart da Sudargo Estmas Regres Deret Fourer ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo 2 ) Jurusa Matematka, FMIPA, Udp 2) Jurusa Ped. Matematka, FPMIPA, IKIP PGRI, Semarag
Lebih terperinciALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS
LGORITM MENENTUKN HIMPUNN TERBESR DRI SUTU MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar Program Stud Matematka FMIP UNDIP JlProfSoedarto SH Semarag 575 bstract Ths research dscussed about how to obtaed
Lebih terperinciPENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE VALIDASI-SILANG (STUDI KASUS DI KOTA SEMARANG)
Prosdg SPMIPA pp 185-191 006 ISBN : 979704470 PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE VALIDASI-SILANG (STUDI KASUS DI KOTA SEMARANG) Taro Program Stud Statstka FMIPA UNDIP Semarag
Lebih terperinciRegresi Linier Sederhana Definisi Pengaruh
Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh
Lebih terperinciBAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah
BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,
Lebih terperinciBAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu
BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka
Lebih terperinci; θ ) dengan parameter θ,
Vol. 4. No. 3, 5-59, Desember 00, ISSN : 40-858 APLIKASI METODE BESARAN PIVOTAL DALAM PENENTUAN SELANG KEYAKINAN TAKSIRAN PARAMETER POPULASI. Agus Rusgyoo Jurusa Matematka FMIPA UNDIP Abstraks Dberka populas
Lebih terperinci2.2.3 Ukuran Dispersi
3 Ukura Dspers Yag aka dbahas ds adalah smpaga baku da varas karea dua ukura dspers yag palg serg dguaka Hubuga atara smpaga baku dega varas adalah Varas = Kuadrat dar Smpaga baku otas yag umum dguaka
Lebih terperinciUKURAN GEJALA PUSAT (UGP)
UKURAN GEJALA PUSAT (UGP) Pegerta: Rata-rata (average) alah suatu la yag mewakl suatu kelompok data. Nla dsebut juga ukura gejala pusat karea pada umumya mempuya kecederuga terletak d tegah-tegah da memusat
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 15 di kota Gorontalo
BAB III METODOLOGI PENELITIAN 3. Tempat Da Waktu Peelta 3.. Tempat peelta Peelta dlaksaaka d SMP Neger 5 d kota Gorotalo 3.. Waktu peelta Peelta dlaksaaka sejak bula oktober hgga bula desember, yag melput
Lebih terperinci* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES
* PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka
Lebih terperinciMINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI
MINGGU KE-0 HUBUNGAN ANTAR KONVERGENSI Hubuga atar koverges Hrark atar koverges dyataka dalam teorema berkut. Teorema Msalka X da X, X, X 3,... adalah varabel radom yag ddefska pada ruag probabltas yag
Lebih terperinciPENAKSIR DUAL RATIO-CUM-PRODUCT UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA
ENAKSI DUAL ATIO-UM-ODUT UNTUK ATA-ATA OULASI ADA SAMLING AAK SEDEHANA hrsta ajata, Frdaus, Haposa Srat Mahasswa rogram Stud S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu egetahua Alam Uverstas
Lebih terperinciUkuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si.
Ukura Pemusata Data Arum Had P., M.Sc Ayudyah K., M.S. Notas utuk Populas da Sampel Notas: Mea (rata-rata) Sample x Populas μ Varas s 2 σ 2 Smpaga baku s σ Ukura Pemusata Data 1. Mea (rata-rata) 2. Meda
Lebih terperinciBAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,
BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga
Lebih terperinciBAB III METODOLOGI PENELITIAN. Propinsi Gorontalo tahun pelajaran 2012/2013.
BAB III METODOLOGI PENELITIAN 3.. Tempat da Waktu Peelta Peelta dlaksaaka d SMP Neger 3 Gorotalo kota Gorotalo Props Gorotalo tahu pelajara 0/03. D SMP Neger 3 Gorotalo memlk 6 romboga belajar yag terdr
Lebih terperinciBAB 6 PRINSIP INKLUSI DAN EKSKLUSI
BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu
Lebih terperinciJurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)
Jural Matematka Mur da Terapa Vol. 4 No. esember : 4 - ANALISIS REGRESI LINEAR BERGANA ENGAN SATU VARIABEL BONEKA (UMMY VARIABLE Tat Krsawardha Nur Salam da ew Aggra Program Stud Matematka Uverstas Lambug
Lebih terperinciProsiding SNaPP2011 Sains, Teknologi, dan Kesehatan. 1 Joko Riyono. (Kampus A Jl.Kiyai Tapa No.1,Jakarta11440)
Prosdg NaPP as, Tekolog, da Kesehata IN:89-58 MODIFIKAI TATITIK UJI-t PADA TET INFERENIA MEAN MEREDUKI PENGARUH KEAIMETRIKAN POPULAI MENGGUNAKAN EKPANI CORNIH-FIHER Joko Ryoo taf.pegajar Fakultas Tekolog
Lebih terperinciPERTEMUAN 14-MPC 2 PRAKTIK. Oleh: Adhi Kurniawan SEKOLAH TINGGI ILMU STATISTIK
PERTEMUAN 4-MPC PRAKTIK Oleh: Adh Kurawa SEKOLAH TINGGI ILMU STATISTIK Double Samplg Utuk Peduga Beda, Rato, Regres Msalka, pada kods tertetu, kta g megguaka dfferece estmator, rato estmator, atau regresso
Lebih terperincib) Untuk data berfrekuensi fixi Data (Xi)
B. Meghtug ukura pemusata, ukura letak da ukura peyebara data serta peafsraya A. Ukura Pemusata Data Msalka kumpula data berkut meujukka hasl pegukura tgg bada dar orag sswa. 0 cm 30 cm 5 cm 5 cm 35 cm
Lebih terperinciJawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2
M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe
Lebih terperinciIII. METODOLOGI PENELITIAN. Menurut Arikunto (1991 : 3) penelitian eksperimendalah suatu penelitian yang
37 III. METODOLOGI PENELITIAN A. Metode Peelta Metode peelta merupaka suatu cara tertetu yag dguaka utuk meelt suatu permasalaha sehgga medapatka hasl atau tujua yag dgka. Meurut Arkuto (1991 : 3) peelta
Lebih terperinciLANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)
LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau
Lebih terperinciKALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.
KALKULUS LANJUT Pertemua ke-4 Rey Ra Marlaa, S.S.,M.Stat. Plot Mater Notas Jumlah & Sgma Itegral Tetu Jumlah Rema Pedahulua Luas Notas Jumlah & Sgma Purcell, et all. (page 226,2003): Sebuah fugs yag daerah
Lebih terperinciBAB II LANDASAN TEORI. teori dan definisi mengenai variabel random, regresi linier, metode kuadrat
BAB II LANDASAN TEORI Sebaga pedukug dalam pembahasa selajutya, dperluka beberapa teor da defs megea varabel radom, regres ler, metode kuadrat terkecl, peguja asums aalss regres, outler, da regres robust.
Lebih terperinciSTATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran
Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..
Lebih terperinciREGRESI LINIER SEDERHANA
MODUL REGRESI LINIER SEDERHANA Dsusu oleh : I MADE YULIARA Jurusa Fska Fakultas Matematka Da Ilmu Pegetahua Alam Uverstas Udayaa Tahu 016 Kata Pegatar Puj syukur saya ucapka ke hadapa Tuha Yag Maha Kuasa
Lebih terperinci4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data
//203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura
Lebih terperinciBAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel
BAB LANDASAN TEORI.1 Pegerta Regres Regres dalam statstka adalah salah satu metode utuk meetuka tgkat pegaruh suatu varabel terhadap varabel yag la. Varabel yag pertama dsebut dega bermacam-macam stlah:
Lebih terperinci8. MENGANALISIS HASIL EVALUASI
8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara
Lebih terperinciABSTRAK. Ika Dewi Ariyanti 1 dan Sutikno 2
Pemodela Aomal Luas Pae Pad da Curah Huja Terbobot (Weghted Rafall Idex) dega Pedekata Robust Bootstrap LTS (Stud Kasus: Pemodela Luas Pae d Kabupate Subag) Ika Dew Aryat da Sutko Mahasswa S Statstka ITS,
Lebih terperinciPENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan
Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah
Lebih terperinciRegresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )
Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar
Lebih terperinci9/22/2009. Materi 2. Outline. Graphical Techniques. Penyajian Data. Numerical Techniques
Mater Outle Graphcal Techques Peyaja Data Numercal Techques Tekk Grafk (Graphcal Techques) Secara vsual, grafs merupaka gambar-gambar yag meujukka data berupa agka yag basaya dbuat berdasarka tabel yag
Lebih terperinciBAB III UKURAN PEMUSATAN DATA
BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah
Lebih terperinciAnalisis Regresi Robust Menggunakan Kuadrat Terkecil Terpangkas untuk Pendugaan Parameter
Vol. 6, No., 9-6, Jauar Aalss Regres Robust Megguaka Kuadrat Terkecl Terpagkas utuk Pedugaa Parameter Asa, Raupog, Sarmat Zaudd Abstrak Prosedur regres robust dtujuka utuk megakomodas adaya keaeha data,
Lebih terperinciII. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi
3 II. TINJAUAN PUSTAKA. Aalss Regres Aalss regres merupaka salah satu metode statstka ag dguaka utuk mempelajar da megukur huuga statstk ag terjad atara dua atau leh varael. Dalam regres sederhaa dkaj
Lebih terperinciPENENTUAN MODEL KURVA PERTUMBUHAN PADA TULANG RAMUS
Prosdg SPMIPA. pp. 6-69. 6 ISBN : 979.74.47. PENENUAN MODEL KURVA PERUMBUHAN PADA ULANG RAMUS Sudaro Jurusa Matematka FMIPA UNDIP Jl. Prof. Soedarto, Kampus UNDIP embalag, Semarag Abstrak: Model kurva
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.
Lebih terperinciBAB IX PENGGUNAAN STATISTIK DALAM SIMULASI
BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug
Lebih terperinciANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET
Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,
Lebih terperinciTEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas
TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar
Lebih terperinciFMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani
FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk
Lebih terperinciIMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB
Semar Nasoal Tekolog 007 (SNT 007) ISSN : 978 9777 IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Krsawat STMIK AMIKOM Yogyakarta e-mal : krsa@amkom.ac.d
Lebih terperinciKONSISTENSI KOEFISIEN DETERMINASI SEBAGAI UKURAN KESESUAIAN MODEL PADA REGRESI ROBUST
KONSISTENSI KOEFISIEN DETERINASI SEBAGAI UKURAN KESESUAIAN ODEL PADA REGRESI ROBUST Harm Sugart (harm@ut.ac.d) Ad egawar Jurusa Statstka FIPA Uverstas Terbuka ABSTRACT I statstcs, the coeffcet of determato
Lebih terperinciPenarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB
Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom
Lebih terperinciPemodelan Regresi Linier Menggunakan Metode Theil (Studi Kasus: Kompensasi Pegawai di Badan Kepegawaian Daerah Kota Samarinda)
Jural EKSPONENSIAL Volume 4, Nomor 1, Me 2013 ISSN 2085-7829 Pemodela Regres Ler Megguaka Metode Thel (Stud Kasus: Kompesas Pegawa d Bada Kepegawaa Daerah Kota Samarda) Lear Regresso Modelg Wth Thel Method
Lebih terperinciANALISIS REGRESI SEMIPARAMETRIK PADA KASUS HILANGNYA RESPON
ANALISIS REGRESI SEMIPARAMERIK PADA KASUS HILANGNA RESPON Irma ahya ), I Nyoma Budatara ), da Kartka Ftrasar ) ) Jurusa Matematka FMIPA, Uverstas Haluoleo Kedar ) Jurusa Statstka FMIPA, IS Sukollo Surabaya
Lebih terperinciBAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.
BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah
Lebih terperinciMENAKSIR PROPORSI CALON PEMIMPIN DARI KELOMPOK MINORITAS. Anneke Iswani A **
MENAKSIR PROPORSI CALON PEMIMPIN DARI KELOMPOK MINORITAS Aeke Iswa A ** Abstrak Apaba berhadapa dega data has meghtug yag berupa frekues, kemuda dtetuka varabe bebas da tak bebas yag berupa propors, maka
Lebih terperinciESTIMASI UKURAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM PORTOFOLIO PADA SINGLE INDEX MODEL
Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 0, No. (03), hal. 57-6 ESTIMASI UKUAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM POTOFOLIO PADA SINGLE INDEX MODEL Eka Kurawat, Helm, Neva Satyahadew INTISAI
Lebih terperinciPENAKSIR RATIO-CUM-PRODUCT YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS
PEASIR RATIO-UM-PRODUT AG EFISIE UTU RATA-RATA POPULASI PADA SAMPLIG AA SEDERHAA MEGGUAA OEFISIE VARIASI DA OEFISIE URTOSIS Lza armata *, Arsma Ada, Frdaus Mahasswa Program S Matematka Dose Jurusa Matematka
Lebih terperinci