Perbandingan Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, dan Estimasi Method Of Moment
|
|
- Sucianty Lie
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PRISMA 1 (2018) Perbadiga Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, da Estimasi Method Of Momet Muhammad Bohari Rahma, Edy Widodo Fakultas MIPA, Uiversitas Islam Idoesia, Yogyakarta @studets.uii.ac.id Abstrak Aalisis regresi adalah metode aalisis yag diguaka utuk mecari betuk hubuga atar variabel melalui sebuah persamaa. Salah satu tujua aalisis regresi adalah megestimasi koefisie regresi dalam model regresi. Metode yag umum diguaka dalam megestimasi koefisie regresi adalah Metode Kuadrat Terkecil (MKT). Pegguaa metode ii harus memeuhi asumsi-asumsi yag ada. Asumsi yag serig tidak terpeuhi adalah asumsi ormalitas. Terdapatya pecila (outlier) mejadi salah satu peyebab tidak terpeuhiya asumsi ii sehigga diperluka metode lai utuk meagai outlier, metode tersebut adalah metode regresi robust. Metode estimasi parameter regresi robust atara lai Least Trimmed Square (LTS), Scale (S), da Method Of Momet (MM). Ketiga metode estimasi tersebut merupaka peduga dega high breakdow poit. Peelitia ii bertujua utuk membadigka maakah dari ketiga metode estimasi tersebut yag lebih baik dalam melakuka estimasi koefisie regresi ditijau dari ilai residual stadard error da adjusted r-square. Semaki kecil ilai residual stadard error da semaki besar adjusted r-square maka semaki baik metode estimasi tersebut. Data yag diguaka pada peelitia ii merupaka simulasi data dari Bada Pusat Statistik (BPS) Idoesia tetag produksi jagug di Idoesia tahu 2015, dimaa variabel-variabel idepedeya meliputi luas laha (X1) da produktivitas jagug (X2). Hasil peelitia ii meujukka bahwa regresi robust estimasi S memiliki ilai residual stadard error yag lebih kecil da adjusted r-square yag lebih besar dibadigka metode estimasi LTS maupu estimasi MM sehigga metode estimasi S lebih baik dalam megestimasi parameter regresi dibadigka metode estimasi LTS maupu estimasi MM. Kata Kuci: Estimasi LTS, Estimasi S, Estimasi M, Outlier, Regresi Robust. PENDAHULUAN Salah satu tujua aalisis regresi adalah megestimasi koefisie regresi dalam model regresi. Metode yag umum diguaka dalam megestimasi koefisie regresi adalah Metode Kuadrat Terkecil (MKT). Pegguaa MKT harus memeuhi beberapa asumsi klasik. Pada keyataaya, tidak jarag ditemuka hal-hal yag meyebabka tidak terpeuhiya asumsi tersebut sehigga pegguaa MKT aka memberika kesimpula yag bersifat kurag baik. Asumsi yag serig tidak terpeuhi adalah asumsi ormalitas. Terdapatya pecila (outlier) mejadi salah satu peyebab tidak terpeuhiya asumsi ii sehigga diperluka metode lai utuk meagai outlier, metode tersebut adalah metode regresi robust. Metode ii dapat megatasi outlier dega mecocokka model regresi terhadap sebagia besar data tapa meghapus data outlier (Rousseeuw da Leroy, 1987). Terdapat beberapa metode estimasi pada regresi robust diataraya Least Trimmed Square (LTS), Scale (S), da Method Of Momet (MM). Ketiga metode estimasi tersebut memiliki ilai breakdow poit yag tiggi 426
2 dibadigka dega metode estimasi laiya. Nilai breakdow poit ketiga metode estimasi tersebut adalah 50%. Oleh karea itu, berdasarka kesamaa ilai breakdow poit dari ketiga estimasi tersebut, maka pada peelitia ii aka dilakuka perbadiga utuk mecari metode estimasi maa yag lebih baik diguaka dalam megestimasi data yag megadug outlier. Dalam meetuka metode terbaik, peulis megguaka ilai Residual Stadard Error (RSE) da Adjusted R-square (R 2). Semaki kecil ilai RSE da semaki besar ilai R 2 maka semaki baik metode estimasi tersebut. Perbadiga metode estimasi pada regresi robust perah dilakuka oleh beberapa peeliti. Dewayati (2016) membadigka estimasi LTS, estimasi M, da estimasi MM, diperoleh metode estimasi yag palig baik pada data yag megadug outlier yaitu estimasi LTS. Selai itu, Pratitis (2016) membadigka estimasi M, estimasi S, da estimasi MM, diperoleh metode uruta estimasi palig efektif utuk memprediksi produksi kedelai di Idoesia adalah metode estimasi S, estimasi MM, da estimasi M. METODE Dalam peelitia ii megambil simulasi pada suatu kasus dega megguaka data dari Bada Pusat Statistik (BPS) Idoesia tetag produksi jagug di Idoesia tahu 2015, dimaa variabel-variabel idepedeya meliputi luas laha (X 1 ) da produktivitas jagug (X 2 ). Proses aalisis pada peelitia ii diuraika dega diagram alur sebagai berikut: Mulai Iput Data MKT Uji Asumsi Klasik Regresi Robust Estimasi LTS, Estimasi S, da Estimasi MM Ya Outlier? Selesai Kesimpula da Sara Pemiliha Metode Estimasi Terbaik Tidak Gambar 1. Alur Peelitia HASIL DAN PEMBAHASAN Regresi robust merupaka suatu metode yag diguaka ketika distribusi dari sisaa tidak ormal da/atau adaya beberapa outlier yag mempegaruhi model (Rya, 1997). Metode ii merupaka alat petig utuk megaalisis data yag dipegaruhi oleh outlier sehigga dapat meghasilka model yag robust atau resistace terhadap outlier. Meurut Che (2002) pada regresi robust, bayak metode estimasi yag dapat diguaka, yaki (1) estimasi M (Maximum Likelihood type), (2) estimasi LMS (Least Media Squares), (3) estimasi LTS (Least Trimmed Squares), (4) estimasi MM (Method of Momet) da (5) estimasi S (Scale). Dari kelima metode tersebut, pada pembahasa berikut haya aka dijabarka metode regresi robust dega estimasi LTS, estimasi S, da estimasi MM. a. Estimasi LTS (Least Trimmed Squares) PRISMA 1,
3 Metode LTS merupaka suatu metode pedugaa parameter pada regresi robust utuk memiimumka jumlah kuadrat h residual (fugsi objektif). Persamaa metode ii sebagai berikut (Che, 2002): β LTS = arg mi e i 2 dega h = [ ] + 2 [k+2], e 2 i = (Y i X i β 0), dimaa: 2 2 e i : kuadrat residual, e i diurutka dari terkecil ke terbesar (e 2 1 < e 2 2,, < e 2 ) : bayakya observasi k : parameter Jumlah h meujukka sejumlah subset data dega kuadrat fugsi objektif terkecil. Prosedur estimasi dega megguaka estimasi LTS adalah sebagai berikut: 1. megestimasi koefisie regresi megguaka MKT, 2. meetuka residual e 2 i = (Y i X i β 0) 2 yag bersesuaia dega (β 0), kemudia 2 meghitug jumlah h 0 = ( + k + 2)/2 pegamata dega ilai e i terkecil, h 2 3. meghitug i e i, 4. megestimasi parameter β baru dari β 0 observasi, 5. ditetuka kuadrat residual e 2 i = (Y i X i β 0) 2 yag bersesuaia dega (β baru ) kemudia meghitug sejumlah β baru observasi dega e 2 i terkecil, h 6. meghitug baru 2 i e i, 7. melakuka C-steps yaitu tahap 4 sampai 6 utuk medapatka fugsi objektif yag kecil da koverge. b. Estimasi S (Scale) Estimasi S aka memiimumka jumlah kuadrat error pada persamaa umum regresi liier. Estimasi S didefiisika sebagai berikut: β s = arg mi σ s[e 1 (β), e 2 (β),, e (β)] β dega meetuka ilai estimator skala robust (σ s) yag miimum da memeuhi: dega: mi ρ ( Y i j=0 X i,j β j ) σ i=0 σ = (e i 2 ) ( e i ( 1) k h i i=0 ) 2 Estimator β pada metode regresi robust estimasi S diperoleh dega cara melakuka iterasi higga diperoleh hasil yag koverge. Proses ii dikeal sebagai MKT terboboti secara iterasi yag selajutya disebut sebagai Iteratively Reweighted Least Square (IRLS) (Fox & Weisberg, 2010). Prosedur estimasi dega megguaka estimasi S adalah sebagai berikut: 1. megestimasi koefisie regresi megguaka MKT, 2. meghitug ilai residual e i = Y i Y i, 3. meghitug ilai estimasi skala robust σ s, PRISMA 1,
4 media e i media (e i ), iterasi = 1 0,6745 σ s = 1 0,199 w 2 ie i, iterasi > 1 { 4. meghitug ilai u i = e i, σ s 5. meghitug ilai fugsi pembobot w i, u i (1 u i 2 2 c 2), u u i < c, iterasi = 1 w i = i { 0, u i c ρ(u i ) 2 { u, iterasi > 1 i 6. megestimasi ilai β s megguaka metode IRLS, 7. melakuka lagkah 2 sampai 6 sehigga diperoleh ilai β s yag koverge. c. Estimasi MM (Method of Momet) Metode estimasi MM yaitu sigkata dari method of momet merupaka salah satu metode regresi robust yag diperkealka oleh Yohai (1987) yag meggabugka suatu high breakdow poit (50%) dega efisiesi tiggi (95%). Estimasi MM didefiisika sebagai berikut: ρ ( Y i k j=0 X i β j ) β mm = arg mi ρ ( e i ) = arg mi β σ s β Alur dari estimasi MM dapat diuraika sebagai berikut: σ s 1. megestimasi koefisie regresi dega MKT, 2. megestimasi koefisie regresi robust dega high breakdow poit, sehigga diperoleh residual e i, 3. ilai e i pada lagkah kedua diguaka utuk meghitug ilai σ s, da dihitug pula bobot awal w i, 4. ilai e i da σ s dari lagkah ketiga diguaka dalam iterasi awal dega metode WLS (Weighted Least Square) utuk meghitug koefisie regresi, w i ( e i ) x i = 0 σ s dega w i megguaka pembobot Huber atau Tukey Bisquare, 5. meghitug bobot baru w i megguaka residual dari iterasi awal WLS (lagkah 4), 6. megulag lagkah 3, 4, 5 (reiterasi dega skala residual tetap kosta) sampai (m) e i (m+1) koverge, yaitu selisih ilai β dega β j (m) medekati 0, dega m adalah bayakya iterasi. d. Studi Kasus Dalam peelitia ii, megambil simulasi pada suatu kasus dega megguaka data dari BPS (Bada Pusat Statistik) yaitu data produksi jagug di Idoesia tahu Data tersebut terdiri atas 3 variabel yaki produksi jagug sebagai variabel depede (Y), PRISMA 1,
5 luas pae sebagai variabel idepede pertama (X 1 ), produktivitas sebagai variabel idepede kedua (X 2 ). Hasil estimasi parameter megguaka MKT sebagai berikut: Tabel 1. Hasil Estimasi Parameter Metode MKT Parameter Nilai Estimasi Stadard Error Itersep , ,00 X 1 (Luas pae) 5,02 0,12 X 2 (Produktivitas) 672, ,00 Dari tabel 1 didapat model awal megguaka MKT sebagai berikut: Ŷ = ,00 + 5,02X ,00 X 2 dega: Y produksi jagug (to) X 1 : luas pae (hektar) X 2 : produktivitas (kuital/hektar ilai RSE da R 2 utuk MKT sebagai berikut: Tabel 2. Nilai RSE da R 2 utuk MKT RSE ,00 R 2 0,98 Berdasarka tabel 2 diperoleh ilai RSE sebesar ,00 artiya kesalaha dalam memprediksi Y sebesar ,00 da ilai R 2 sebesar 0,98 artiya 98% variasi Y dapat dijelaska oleh X 1 da X 2, sedagka sisaya dijelaska oleh variabel lai. e. Uji Asumsi Klasik Uji asumsi klasik dilakuka utuk melihat apakah model regresi yag diperoleh memeuhi asumsi klasik sehigga dapat dikataka bahwa model yag dihasilka bersifat BLUE (Best Liear Ubiased Estimator). 1. Uji Normalitas Utuk meguji apakah dalam model regresi variabel peggaggu atau residual memiliki distribusi ormal atau tidak maka diguaka uji Kolmogorov Smirov Test. Hipotesis ol (H0) adalah residual data berdistribusi ormal. Keputusa utuk meolak H0 jika p-value kurag dari tigkat sigifikasi (α) 5%. Berdasarka hasil pegujia didapat ilai p-value = 0,013 lebih kecil dari α = 0,05 sehigga meolak H0. Oleh karea itu dapat disimpulka bahwa residual tidak berdistribusi ormal. 2. Uji Heteroskedastisitas Utuk medeteksi adaya heteroskedastisitas dalam peelitia maka salah satuya adalah megguaka cara dalam prosedur statistik yaki dega uji Glejser. H0 uji ii adalah tidak terjadi masalah heteroskedastisitas. Kriteria keputusa uji ii adalah jika p- value utuk masig-masig variabel idepede pada persamaa regresi terhadap absolute residualya lebih besar dari α maka gagal tolak H0. Berdasarka hasil pegujia, didapatka ilai p-value variabel X 1 = 0,38 da X 2 = 0,33 yag keduaya lebih besar dari α sehigga gagal tolak H0. Hal ii megidikasika bahwa model tidak megadug heteroskedastisitas. PRISMA 1,
6 3. Uji Autokorelasi Pegujia ii megguaka uji Durbi Watso. H0 uji ii adalah tidak terjadi autokorelasi, dega keputusa H0 gagal ditolak jika d U < d < 4-d U. Berdasarka hasil pegujia didapatka ilai Durbi Watso sebesar 1,97. Oleh karea d U = 1,58 < d =1,97 < 4-d U =2,42 maka gagal meolak H0 sehigga dapat disimpulka bahwa tidak terjadi autokorelasi. 4. Uji Multikoliearitas Uji ii dilakuka pegguaka ilai VIF (Variace Iflatio Factor). H 0 uji ii adalah tidak ada multikoliearitas. Jika ilai VIF < 10 maka H 0 gagal tolak yag artiya tidak ada multikoliearitas. Berdasarka hasil pegujia, didapatka ilai VIF kedua variabel idepede sebesar 1,09. Oleh karea ilai VIF = 1,09 < 10 maka H 0 gagal tolak sehigga disimpulka bahwa tidak ada multikoliearitas. f. Pedeteksia Outlier Outlier aka dideteksi berdasarka ukura outlier, yaki DFBETAS, DFFITS, Cook s Distace, Leverage Value, da R-Studet utuk setiap observasi. Pada kasus ii, karea = 33 da p = 3, dimaa p merupaka bayakya parameter regresi termasuk itersep. Jadi, observasi dikataka sebagai outlier jika ilai DFBETAS j,i > 2 = 0,35, DFFITS i > 2 p = 0,60, Cook s Distace (D i) > 4 = 0,12, Leverage Value (h ii) > 2k = 0,18, da R-Studet (t i) > t 0,025,29 = 2,05. Tabel 3. Observasi teridikasi sebagai outlier i DFBETAS 0,i DFBETAS 1,i DFBETAS 2,i DFFITS i D i h ii t i 12-0,27 0,92 0,30 1,22 0,40 0,14 2, ,06-0,74 0,14-0,76 0,20 0,76-0, ,81-1,26 1,68-2,21 0,70 0,11-6, ,38-0,01-0,32 0,39 0,05 0,11 1,09 Berdasarka tabel 3, didapat data yag teridikasi sebagai outlier yaki data ke-12, 14, 18, da 32. g. Regresi Robust Estimasi LTS Berdasarka hasil estimasi megguaka metode ii, diperoleh model regresi sebagai berikut: Ŷ = 34860,00 + 3,70 X ,00 X 2 dega ilai RSE da R 2 persamaa regresi diatas sebagai berikut: Tabel 4. Nilai RSE da R 2 estimasi LTS RSE 14260,00 R 2 0,97 Dari tabel 4, diperoleh ilai RSE sebesar 14260,00 artiya kesalaha dalam memprediksi Y sebesar 14260,00 da ilai R 2 sebesar 0,97 artiya 97% variasi Y dapat dijelaska oleh X 1 da X 2, sedagka sisaya dijelaska oleh variabel lai. PRISMA 1,
7 h. Regresi Robust Estimasi S Berdasarka hasil estimasi megguaka metode ii, diperoleh model regresi sebagai berikut: Ŷ = 31904,82 + 3,69 X ,84 X 2 dega ilai RSE da R 2 persamaa regresi diatas sebagai berikut: Tabel 5. Nilai RSE da R 2 estimasi S RSE 9130,00 R 2 0,98 Dari tabel 5, diperoleh ilai RSE sebesar 9130,00 artiya kesalaha dalam memprediksi Y sebesar 9130,00 da ilai R 2 sebesar 0,98 artiya 98% variasi Y dapat dijelaska oleh X 1 da X 2, sedagka sisaya dijelaska oleh variabel lai. i. Regresi Robust Estimasi MM Berdasarka hasil estimasi megguaka metode ii, diperoleh model regresi sebagai berikut: Ŷ = ,51X , 00X 2 dega ilai RSE da R 2 persamaa regresi diatas sebagai berikut: Tabel 6. Nilai RSE da R 2 estimasi MM RSE 27140,00 R 2 0,97 Dari tabel 6, diperoleh ilai RSE sebesar 27140,00 artiya kesalaha dalam memprediksi Y sebesar 27140,00 da ilai R 2 sebesar 0,97 artiya 97% variasi Y dapat dijelaska oleh X 1 da X 2, sedagka sisaya dijelaska oleh variabel lai. j. Pemiliha Metode Estimasi Terbaik Jika disajika dalam tabel, metode pecaria koefisie β dapat dibadigka dalam tabel dibawah ii: Tabel 7. Nilai Perbadiga RSE da R 2 Metode Estimasi RSE R 2 MKT ,00 0,98 Estimasi LTS 14260,00 0,97 Estimasi S 9130,00 0,98 Estimasi MM 27140,00 0,97 Dalam meetuka metode estimasi terbaik, diguaka dua ilai pembadig utuk masig-masig metode yaitu RSE da R 2. Metode terbaik adalah metode yag memiliki ilai RSE palig kecil da R 2 palig besar. Dari tabel 7 dapat dilihat ilai R 2 metode MKT da estimasi S memiliki ilai R 2 sama da palig besar artiya persamaa yag dihasilka kedua metode ii mempuyai kemampua mejelaska variasi Y palig baik. Namu, jika ditijau dari ilai RSE-ya maka estimasi S mejadi metode estimasi yag memiliki ilai RSE palig kecil da MKT mejadi metode yag memiliki ilai RSE PRISMA 1,
8 palig besar jika dibadigka dega metode estimasi laiya. Oleh karea itu, maka estimasi S merupaka metode yag palig baik diguaka dalam megestimasi parameter regresi utuk kasus produksi jagug di Idoesia tahu SIMPULAN Berdasarka hasil aalisis yag telah dilakuka, diperoleh metode estimasi S sebagai metode estimasi yag palig baik dalam melakuka estimasi parameter pada kasus produksi jagug di Idoesia tahu 2015 yag megadug outlier. Model regresi yag dihasilka metode ii sebagai berikut: Ŷ = 31904,82 + 3,69 X ,84 X 2 Perbadiga dilakuka megguaka ilai RSE da R 2. Metode estimasi yag baik memiliki ilai RSE yag kecil da ilai R 2 yag besar. DAFTAR PUSTAKA Che, C Robust Regressio ad Outlier Detectio with ROBUSTREG Procedure. SAS Istitute Ic. (Olie). ( diakses 13 Maret 2017) Dewayati, Amalia A Perbadiga Metode Estimasi LTS, Estimasi M, da Estimasi MM pada Regresi Robust. (Skripsi). Uiversitas Islam Idoesia. Yogyakarta. Fox, J. & Weisberg, S Robust Regressio i R. Apedix to A R ad S-Plus Compaio to Applied Regressio, Secod Editio. (Olie). ( serv.socsci.mcmaster.ca/jfox/books/compaio/appedix/appedix-robust- Regressio.pdf, diakses 5 Agustus 2017) Pratitis, Weig Dyah Perbadiga Metode Estimasi-M, Estimasi-S, da Estimasi-MM pada Regresi Robust utuk Memprediksi Produksi Kedelai di Idoesia. (Skripsi). Uiversitas Negeri Yogyakarta. Yogyakarta. Rousseeuw, P.J., & Leroy, A.M Robust Regressio ad Outlier Detectio. New York: Joh Wiley ad Sos. Rya, T.P Moder Regressio Aalysis for Scietists ad Egieers. Ghaitersburg: NIST. Yohai, Victor J High Breakdow Poit ad High Efficiecy Robust Estimates For Regressio. The Aals of Statistics, PRISMA 1,
BAB 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 terperinciMENENTUKAN KOEFISIEN DETERMINASI ANTARA ESTIMASI M DENGAN TYPE WELSCH DENGAN LEAST TRIMMED SQUARE DALAM DATA YANG MEMPUNYAI PENCILAN
Saitia Matematika ISSN: 337-9197 Vol. 0, No. 03 (014), pp. 5 35. MENENTUKAN KOEFISIEN DETERMINASI ANTARA ESTIMASI M DENGAN TYPE WELSCH DENGAN LEAST TRIMMED SQUARE DALAM DATA YANG MEMPUNYAI PENCILAN Sabam
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 II LANDASAN TEORI. regresi linier, metode kuadrat terkecil (MKT), uji simultan, uji asumsi regresi
BAB II LANDASAN TEORI Dalam peelitia ii diberika beberapa teori yag diperluka sebagai pedukug dalam pembahasa selajutya di ataraya adalah variabel radom, regresi liier, metode kuadrat terkecil (MKT), uji
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 terperinciSEBARAN t dan SEBARAN F
SEBARAN t da SEBARAN F 1 Tabel uji t disebut juga tabel t studet. Sebara t pertama kali diperkealka oleh W.S. Gosset pada tahu 1908. Saat itu, Gosset bekerja pada perusahaa bir Irladia yag melarag peerbita
Lebih terperinciPenyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered.
2. Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a) Hitug Sum of Square for Regressio (X) b) Hitug Sum of Square for Residual c) Hitug Meas Sum of Square for Regressio (X) d) Hitug
Lebih terperinciPERBANDINGAN METODE ROBUST LEAST MEDIAN OF SQUARE (LMS) DAN PENDUGA S UNTUK MENANGANI OUTLIER PADA REGRESI LINIER BERGANDA
i PERBANDINGAN METODE ROBUST LEAST MEDIAN OF SQUARE (LMS) DAN PENDUGA S UNTUK MENANGANI OUTLIER PADA REGRESI LINIER BERGANDA Skripsi disusu sebagai salah satu syarat utuk memperoleh gelar Sarjaa Sais Program
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 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 terperinciAPLIKASI REGRESI RIDGE LEAST ABSOLUTE DEVIATION PADA KASUS PELANGGARAN ASUMSI KENORMALAN DAN MULTIKOLINIERITAS
APLIKASI REGRESI RIDGE LEAST ABSOLUTE DEVIATION PADA KASUS PELANGGARAN ASUMSI KENORMALAN DAN MULTIKOLINIERITAS Idah Ayustia, Aa Islamiyati, Raupog Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK
Lebih terperinciBAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28
5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 86-88 Latiha 2 Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b.
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena
7 BAB III METODE PENELITIAN A. Jeis Peelitia Peelitia ii merupaka jeis peelitia deskriptif-kuatitatif, karea melalui peelitia ii dapat dideskripsika fakta-fakta yag berupa kemampua siswa kelas VIII SMP
Lebih 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 terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperinciSTATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA
STATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA OUTLINE LANJUTAN Peetua garis duga regresi dega Metode OLS kostata a da koefisie b Aalisis Varias komposisi variasi sekitar garis r da r Stadard
Lebih 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 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 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 terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciREGRESI DAN KORELASI
REGRESI DAN KORELASI Pedahulua Dalam kehidupa sehari-hari serig ditemuka masalah/kejadia yagg salig berkaita satu sama lai. Kita memerluka aalisis hubuga atara kejadia tersebut Dalam bab ii kita aka membahas
Lebih terperinciNama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL
Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 85-88 Latiha 1 Pelajari data dibawah ii, tetuka depede da idepedet variabel serta a. Hitug Sum of for Regressio (X) b. Hitug
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 terperinciPemilihan Model Terbaik
Pemiliha Model Terbaik Hazmira Yozza Jur. Matematika FMIPA Uiv. Adalas Jadi bayak model yag mugki dibetuk Var. Bebas :,, 3 Model Maa Yag Mampu Mewakili Data 3,, 3, 3,, 3 + model akar, log, hasil kali,
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 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 terperinciMetode Regresi Robust Dengan Estimasi-M pada Regresi Linier Berganda (Studi Kasus : Indeks Harga Konsumen Kota Tarakan)
Jural EKSPONENSIAL Volume 6, Nomor, Nopember 05 ISSN 085-789 Metode Regresi Robust Dega Estimasi-M pada Regresi Liier Bergada (Studi Kasus : Ideks Harga Kosume Kota Taraka) Robust Regressio Method to m-estimatio
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciBAB 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 terperinciPEMODELAN HARGA SAHAM INDEKS LQ45 MENGGUNAKAN REGRESI LINIER ROBUST M-ESTIMATOR: HUBER DAN BISQUARE
Jural Ilmu Matematika da Terapa Maret 015 Volume 9 Nomor 1 Hal. 51-61 PEMODELAN HARGA SAHAM INDEKS LQ45 MENGGUNAKAN REGRESI LINIER ROBUST M-ESTIMATOR: HUBER DAN BISQUARE Lexy J. Siay 1, Mozart W. Talakua
Lebih terperinciESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL. Nurul Muthiah, Raupong, Anisa Program Studi Statistika, FMIPA, Universitas Hasanuddin ABSTRAK
ESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL Nurul Muthiah, Raupog, Aisa Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK Regresi spasial merupaka pegembaga dari regresi liier klasik.
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan.
9 III. METODOLOGI PENELITIAN A. Populasi Da Sampel Peelitia ii dilaksaaka di MTs Muhammadiyah Natar Lampug Selata. Populasiya adalah seluruh siswa kelas VIII semester geap MTs Muhammadiyah Natar Tahu Pelajara
Lebih terperinciBAB 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 terperinciTUGAS ANALISIS REGRESI (HALAMAN
TUGAS ANALISIS REGRESI (HALAMAN 85-88) 1. Tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b. Hitug Sum of Square for Residual c. Hitug Mea Sum of Square for Regresssio
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciBAB 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 III METODE PENELITIAN
36 BAB III METODE PENELITIAN A. Racaga Peelitia 1. Pedekata Peelitia Peelitia ii megguaka pedekata kuatitatif karea data yag diguaka dalam peelitia ii berupa data agka sebagai alat meetuka suatu keteraga.
Lebih terperinciREGRESI LINIER GANDA
REGRESI LINIER GANDA Secara umum, data hasil pegamata Y bisa terjadi karea akibat variabelvariabel bebas,,, k. Aka ditetuka hubuga atara Y da,,, k sehigga didapat regresi Y atas,,, k amu masih meujukka
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 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 terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode analisis yang menjelaskan tentang
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi merupakan metode analisis yang menjelaskan tentang hubungan antara dua atau lebih variabel. Variabel dalam analisis regresi, dibedakan menjadi dua yaitu
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 terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
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 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 terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Metode Kuadrat Terkecil Aalisis regresi merupaka aalisis utuk medapatka hubuga da model matematis atara variabel depede (Y) da satu atau lebih variabel idepede (X). Hubuga atara
Lebih terperinciBAB III METODE PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode korelasional, yaitu
BAB III METODE PENELITIAN 3.1 Metode Peelitia Metode yag diguaka dalam peelitia ii adalah metode korelasioal, yaitu Peelitia korelasi bertujua utuk meemuka ada atau tidakya hubuga atara dua variabel atau
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 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 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 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 terperinciUkuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus
-Mar- Ukura Pemusata Pertemua STATISTIKA DESKRIPTIF Statistik deskripti adalah pegolaha data utuk tujua medeskripsika atau memberika gambara terhadap obyek yag diteliti dega megguaka sampel atau populasi.
Lebih terperinciPENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON
E-Jural Matematika Vol., No., Mei 013, 6-10 ISSN: 303-1751 PENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON PUTU SUSAN PRADAWATI 1, KOMANG GDE SUKARSA, I GUSTI AYU MADE
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 terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
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 III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
Lebih terperinciMAKALAH ANALISIS REGRESI TERAPAN REGRESI ROBUST
MAKALAH ANALISIS REGRESI TERAPAN REGRESI ROBUST TIAR INDARTO G440 PROGRAM STUDI STATISTIKA TERAPAN SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR 06 DAFTAR ISI DAFTAR ISI ii A. PENDAHULUAN. LATAR BELAKANG.
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciBAB III METODE PENELITIAN
6 BAB III METODE PENELITIAN 3.1 Desai Peelitia Meurut Kucoro (003:3): Peelitia ilmiah merupaka usaha utuk megugkapka feomea alami fisik secara sistematik, empirik da rasioal. Sistematik artiya proses yag
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciPENGANTAR MODEL LINEAR Oleh: Suryana
PENGANTAR MODEL LINEAR Oleh: Suryaa Model liear meyagkut masalah statistik yag ketergatugaya terhadap parameter secara liear. Betuk umum model liear adalah 0 1X1... px p, dega = Variabel respo X i = Variabel
Lebih terperinciIV. METODE PENELITIAN. berdasarkan tujuan penelitian (purposive) dengan pertimbangan bahwa Kota
IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia ii dilaksaaka di Kota Bogor Pemiliha lokasi peelitia berdasarka tujua peelitia (purposive) dega pertimbaga bahwa Kota Bogor memiliki jumlah peduduk yag
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I
7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3
Lebih terperinciMAKALAH STATISTIKA MATEMATIKA 2 REGRESI LINEAR BERGANDA
MAKALAH STATISTIKA MATEMATIKA 2 REGRESI LINEAR BERGANDA Oleh : Magdalea Iriai Kehi (2013220030) Maria Liliaa Jeia (2013220038) FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN PRODI PENDIDIKAN MATEMATIKA UNIVERSITAS
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 IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuha Sistem Sebelum melakuka deteksi da trackig obyek dibutuhka peragkat luak yag dapat meujag peelitia. Peragkat keras da luak yag diguaka dapat dilihat pada Tabel
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 II TINJAUAN TEORITIS
BAB II TINJAUAN TEORITIS.1 Pegertia-pegertia Lapaga pekerjaa adalah bidag kegiata dari pekerjaa/usaha/ perusahaa/kator dimaa seseorag bekerja. Pekerjaa utama adalah jika seseorag haya mempuyai satu pekerjaa
Lebih terperinciPENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart
Prosidig Semiar Nasioal Peelitia, Pedidika da Peerapa MIPA, Fakultas MIPA, Uiversitas Negeri Yogyakarta, 2 Jui 2012 PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart Adi Setiawa
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 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 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 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih 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 terperinciIMPLEMENTASI RUMUS SOBEL PADA WEB DENGAN TOPIK REGRESI LINIER MENGGUNAKAN VARIABEL INTERVENING
Versi Olie: https://joural.ubm.ac.id/idex.php/alu Vol.I (No. ) : 9-4. Th. 08 Implemetasi Rumus Sobel Pada Regresi Liear ISSN: 60-60 IMPLEMENTASI RUMUS SOBEL PADA WEB DENGAN TOPIK REGRESI LINIER MENGGUNAKAN
Lebih terperinciIII. METODE PENELITIAN. Pembangunan Daerah (BAPPEDA) Provinsi NTB, BPS pusat, dan instansi lain
III. METODE PENELITIAN 3.1 Jeis da Sumber Data Data yag diguaka pada peelitia ii merupaka data sekuder yag diperoleh dari Bada Pusat Statistik (BPS) Provisi NTB, Bada Perecaaa Pembagua Daerah (BAPPEDA)
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN
JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakag Permasalaha Matematika merupaka Quee ad servat of sciece (ratu da pelaya ilmu pegetahua). Matematika dikataka sebagai ratu karea pada perkembagaya tidak tergatug pada
Lebih 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 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 terperinciMODEL JUMLAH PENANGKAPAN IKAN LAUT DI PROVINSI JAWA TIMUR DENGAN METODE REGRESI LINIER BERTATAR
1 MODEL JUMLAH PENANGKAPAN IKAN LAUT DI PROVINSI JAWA TIMUR DENGAN METODE REGRESI LINIER BERTATAR Fui Rahayu Wilueg, Dra. Nuri Wahyuigsih [1] Jurusa Matematika, Fakultas Matematika da Ilmu Pegetahua Alam
Lebih terperinciBAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA DAN FAKTOR DISKON
BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARA DAN FAKTOR DIKON 3.1 Ecoomic Order Quatity Ecoomic Order Quatity (EOQ) merupaka suatu metode yag diguaka utuk megedalika
Lebih terperinciBAB III ESTIMASI PARAMETER MODEL DENGAN GS2SLS. Pada bab ini akan dibahas tentang bentuk model spasial lag sekaligus
BAB III ESTIMASI PARAMETER MODEL DENGAN GS2SLS Pada bab ii aka dibahas tetag betuk model spasial lag sekaligus spasial error da prosedur Geeralized Spatial Two Stage Least Squares (GS2SLS) utuk megestimasi
Lebih terperinciBAB I PENDAHULUAN. lebih variabel independen. Dalam analisis regresi dibedakan dua jenis variabel
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linier merupakan teknik dalam statistika yang digunakan untuk membentuk model hubungan antara variabel dependen dengan satu atau lebih variabel independen.
Lebih terperinciBAB III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN A. Metode Peelitia Metode peelitia adalah suatu cara ilmiah utuk medapatka data dega tujua tertetu. Peelitia yag megagkat judul Efektivitas Tekik Permaia Pioy Heyo dalam
Lebih terperinciBAB III METODOLOGI PENELITIAN
31 Flowchart Metodologi Peelitia BAB III METODOLOGI PENELITIAN Gambar 31 Flowchart Metodologi Peelitia 18 311 Tahap Idetifikasi da Peelitia Awal Tahap ii merupaka tahap awal utuk melakuka peelitia yag
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia Daerah peelitia adalah Kota Bogor yag terletak di Provisi Jawa Barat. Pemiliha lokasi ii berdasarka pertimbaga atara lai: (1) tersediaya Tabel Iput-Output
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Saham Saham adalah surat berharga yag dapat dibeli atau dijual oleh peroraga atau lembaga di pasar tempat surat tersebut diperjualbelika. Sebagai istrumet ivestasi, saham memiliki
Lebih terperinciBAB III METODOLOGI PENELITIAN
10 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di areal kerja IUPHHK-HA PT. Sarmieto Parakatja Timber, Kalimata Tegah selama satu bula pada bula April higga Mei 01.
Lebih terperinciBAB IV DESKRIPSI DAN ANALISIS DATA. penelliti dilakukan ada dua jenis. Tes kemampuan verbal disusun untuk
44 BAB IV DESKRIPSI DAN ANALISIS DATA A. Deskripsi Hasil Peelitia Data yag diperoleh dari siswa kelas VIII SMP Zaiuddi Waru adalah skor tes kemampua verbal (X 1 ), skor tes kemampua umerik (X ), da skor
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini dilaksanakan di kelas XI MIA SMA Negeri 1 Kampar,
45 BAB III METODE PENELITIAN A. Tempat da Waktu Peelitia Peelitia ii dilaksaaka di kelas I MIA MA Negeri Kampar, pada bula April-Mei 05 semester geap Tahu Ajara 04/05 B. ubjek da Objek Peelitia ubjek dalam
Lebih terperinciUKURAN PEMUSATAN DATA
Malim Muhammad, M.Sc. UKURAN PEMUSATAN DATA J U R U S A N A G R O T E K N O L O G I F A K U L T A S P E R T A N I A N U N I V E R S I T A S M U H A M M A D I Y A H P U R W O K E R T O DEFINISI UKURAN PEMUSATAN
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA
PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA KOEFISIE VARIASI DA KOEFISIE KURTOSIS PADA SAMPLIG GADA Heru Agriato *, Arisma Ada, Firdaus Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas
Lebih terperinciL A T I H A N S O A L A N R E G 1 Muhamad Ferdiansyah, S. Stat.
L A T I H A N S O A L A N R E G Muhamad Ferdiasyah, S. Stat. *Saya saraka utuk mecoba sediri baru lihat jawabaya **Jawaba saya BELUM TENTU BENAR karea saya mausia biasa. Silaka dikosultasika jika ada jawaba
Lebih terperinci