X, Y, yang diasumsikan mengikuti model :

Ukuran: px
Mulai penontonan dengan halaman:

Download "X, Y, yang diasumsikan mengikuti model :"

Transkripsi

1 PERBANDINGAN MODEL REGRESI NONPARAMETRIK DENGAN REGRESI SPLINE DAN KERNEL Lls Laome Jurusa Matematka FMIPA Uverstas Haluoleo Kedar 933 emal : ls@yaoo.com Abstrak Tulsa membaas model regres oarametrk utuk data ertumbua aak balta. Ada dua metode estmas regres oarametrk yag dguaka yatu regres sle da kerel. Tuua utama adala membadgka kedua metode utuk megestmas model regres oarametrk. Berdasarka asl umerk, derole model regres sle leb bak dar ada model regres kerel. Kata kuc : Regres oarametrk, regres sle, regres kerel Abstract Ts aer study about usg of oarametrc model for cld growt data. It s dscussed two oarametrc tecques called sle ad kerel regresso. Te ma goal s to comare te tecques used for redcto of te oarametrc regresso models. Accordg to te results of umercal studes, t s cocluded tat sle regresso estmators are better ta tose of te kerel regresso. Keywords : Noarametrc regresso, sle regresso, kerel regresso I. Pedaulua Msalka ada egamata deede X, Y, yag dasumska megkut model : y f ( x ),,,..., () dega N(0, ). Kurva regres f( x ) ada ersamaa () daat destmas dega edekata oarametrk ka tdak ada formas tetag betuk f( x ). Ada beberaa metode edekata regres oarametrk dataraya sle, kerel, k- earest egborood da la-la. Datara metode-metode edekata tersebut, regres oarametrk dega edekata sle da kerel meruaka metode yag serg dguaka. Kedua metode tersebut memlk keuggula masg-masg. Pedekata kerel memlk betuk yag leb fleksbel da ertuga matematsya muda dsesuaka []. Sedagka edekata sle daat meyesuaka dr secara efektf terada data tersebut, segga ddaatka asl yag medekat kebeara []. Oleya tu dar kedua edekata sle da kerel, sagat etg utuk megetau edekata regres oarametrk maa yag leb bak, regres sle atau regres kerel utuk memodelka fugs ertumbua aak balta.

2 Perbadga Model Regres Noarametrk Dega Regres Sle Da Kerel II. Taua Pustaka II. Estmator Sle betuk : dega Secara umum, fugs sle berorde adala sembarag fugs yag daat dtuls dalam f ( x) x ( x k ) () ( x k ) ( x k ), x k 0, x k da adala kostata real da k, k,..., k adala ttk-ttk kot. Jka =, = 3, da =, dsubttuska kedalam ersamaa () maka aka derole fugs sle secara berturut turut damaka fugs sle lear, sle kuadratk, da sle kubk [3]. f ( f ( x ), f ( x ),..., f ( x )) Msal dberka adala vektor dega la fugs f ada ttkttk kot k, k,..., k. Estmas sle ˆf meruaka la estmas ada y ( y, y,..., y ) T sebaga berkut : ˆ fˆ ( x ) y fˆ ( x ) y fˆ ( x ) y f ( S ) atau f S y Dega ˆf adala fugs sle dega ttk-ttk kot ˆ k, k,..., >0 da S adala matrk smooter yag deft ostf berukura []. II. Estmator Kerel (3) k utuk arameter egalus Pegalusa dega edekata kerel yag selautya dkeal sebaga egalusa kerel (kerel smooter) sagat tergatug ada fugs kerel da badwdt [5]. Taksra keadata kerel sagat tergatug ada fugs kerel yag dguaka, damaka fugs kerel ddefska dega : K ( ) x K x utuk x () yag memeu : (). K( x ) 0, (). K( x) dx, (). K ( x) dx, da (v). Kx ( ) smetrs d sektar 0. Secara umum taksra kerel ddefska sebaga berkut : ˆ x X f ( x ) K ( x X ) K dmaa adala deraat egalus kerel yag dsebut arameter badwdt da berera utuk megotrol eyebara dar fugs f ˆ ( x ). Krtera emla fugs kerel yag bak (5)

3 Berat Bada Balta (Kg ) JIMT, Vol. 7, No., Me 00 : 7 berdasarka ada resko kerel mmum yag daat derole dar kerel otmal atau kerel-kerel dega varas mmum. Berkut macam-macam fugs kerel [5] seert ada table d bawa: III. Kerel Tabel. Macam-macam Fugs Kerel K(u) Eaeckkov Quartc 3 u I ( u ) 5 u I ( u ) 6 Trgular u I( u ) ex u I( u ) Gaussa Uform ( ) I u Hasl da Pembaasa Data yag dguaka [], dega varabel eelta adala umur balta (X) da berat bada balta (Y) sebayak 8 aak lak-lak da 5 aak eremua. Lagka awal yag dlakuka sebelum melakuka aalss regres adala melakuka deskrs data. Deskrs data dlakuka dega membuat lot data atara umur aak balta (X) da berat bada aak balta (Y) bak lak-lak mauu eremua. Plot data tersebut dguaka utuk meaksr fugs data yag medekat da melat bagamaa erubaa ola erlaku kurva. Selautya melakuka emodela regres oarametrk dega edekata sle da kerel. III. Model Balta Lak-lak Pertama dlakuka edekata dega sle. Utuk medaatka estmas model yag otmal, terleb daulu dcar ttk kot yag otmal dega krtera GCV mmum. Berdasaraka [3] derole ttk kot otmum adala 8,; 30,5; da 5. Selautya dega ttk kot tersebut, destmas fugs ertumbua aak balta sebaga berkut : Yˆ 3, 9 0,95X 0,0X 0,039( X 8, ) 0, 00( X 30, 5) 0, 09( X 5) Sle Ft (6) Usa Balta (Bula) Gambar. Estmas ertumbua balta lak-lak dega edekata sle 3

4 Autocorrelato Berat Bada Balta (kg) Percet Perbadga Model Regres Noarametrk Dega Regres Sle Da Kerel Ukura kebaka model R derole 99,55% da la MSE adala 0,0. Kemuda memeu asums detk, deede da berdstrbus ormal [3]. Kedua dlakuka edekata dega kerel. Utuk medaatka estmas model yag otmal, terleb daulu dcar la badwdt yag otmal dega krtera GCV mmum. Berdasarka egolaa data dega Matlab derole la badwdt otmal dega la GCV mmum sebaga berkut : Tabel. Nla badwdt da GCV Badwt () GCV () 0,5000 0,0360* 0,6000 0,036 0,7000 0,0365 0,8000 0,037 0,9000 0,0383,0000 0,0399 * Nla badwdt otmal dega GCV mmum Berdasarka la GCV mmum derole model estmas dega edekata kerel : ex( u ) I( u ) y ˆ, Y ex( u ) I( u ) u x x 0,5 (7) Probablty Plot of Normal Mea StDev 0.00 N 6 KS 0.08 P-Value >0, Scatterlot of vs Yft Yft Autocorrelato Fucto for (wt 5% sgfcace lmts for te autocorrelatos) 8 Model Pertumbua Aak Balta Lag Usa Balta (bl) Gambar. U resdual da estmas dega edekata kerel utuk balta lak-lak

5 JIMT, Vol. 7, No., Me 00 : 7 Ukura kebaka model R derole 99,68% da la MSE adala 0,00. Kemuda derksa aaka resdual memeu asums detk, deede da berdstrbus ormal. Berdasarka Gambar daat dtuukka bawa dstrbus resdual berdstrbus ormal dega - value > 0,05. Plot resdual terada estmas Y (Yft) membetuk suatu tre tertetu segga asums varas detk/kosta dagga tereu. Plot ACF dar resdual terlat ada yag keluar gars segga asums deede tdak tereu. III.. Model Balta Peremua Dega lagka yag sama seert ada model lak-lak, dlakuka emodela dega edekata sle. Selautya derole ttk kot otmum adala 9, 3, da 53 dega la GCV mmum adala 0,, segga estmas modelya adala : Yˆ, 93 0, 97X 0, 056X 0, 057( X 7) (8) 0, 0063( X 3) 0, 09( X 53) Ukura kebaka model R derole 99,6%, MSE adala 0,07 da memeu asums detk, deede, da berdstrbus ormal [3]. Selautya dlakuka emodela dega edekata kerel, derole badwdt otmal dsaka ada table 3 dbawa : Tabel 3. Nla badwdt da GCV Badwt () GCV () 0,8000 0,9000,0000,000,000 0,3 0,8 0,3* 0,6 0,9 * Nla badwdt otmal Berdasarka la badwdt otmal derole estmas model sebaga berkut : ex( u ) I( u ) y ˆ, Y ex( u ) I( u ) u x x Ukura kebaka model R derole 99,6% da MSE adala 0,095. Kemuda derksa aaka resdual memeu asums detk, deede, da berdstrbus ormal. Berdasarka Gambar 3 derole dstrbus resdual berdstrbus ormal dega -value > 0,05. Plot resdual terada estmas Y (Yft) tdak membetuk suatu tre tertetu segga asums varas detk/kosta dagga tereu. Plot ACF dar resdual terlat ada yag keluar gars segga asums deede tdak tereu. (9) 5

6 Autocorrelato Berat Bada Balta (kg) Percet Perbadga Model Regres Noarametrk Dega Regres Sle Da Kerel Probablty Plot of Normal 0.50 Scatterlot of vs Yft Mea 086 StDev 0 N 6 KS P-Value >0, Yft Autocorrelato Fucto for (wt 5% sgfcace lmts for te autocorrelatos) 8 Model Pertumbua Aak Balta Lag Usa Balta (bl) Gambar 3. U resdual da estmas dega edekta kerel ada balta eremua Berdasarka uraa yag tela daarka d atas, dar kedua edekata yag dguaka daat drgkas ada Tabel : Tabel. Performa edekata regres sle da kerel utuk model balta lak-lak Krtera / Model Regres Sle Kerel R 99,55 % 99,68 % MSE 0,0 0,00 Asums - Idetk Memeu Tdak memeu - Ideede Memeu Tdak memeu - dstrbus ormal Memeu Memeu Tabel 3. Performa edekata regres sle da kerel utuk model balta eremua Krtera / Model Regres Sle Kerel R 99,7 % 98,3 % MSE 0,07 0,039 Asums - Idetk Memeu Memeu - Ideede Memeu Tdak memeu - dstrbus ormal Memeu Memeu 6

7 JIMT, Vol. 7, No., Me 00 : 7 IV. Kesmula Berdasarka krtera kebaka model yatu R, MSE da u asums resdual, edekata regres sle leb bak dar regres kerel utuk ertumbua balta. Hal daat dlat dar u asums resdual yag meuukka bawa edekata sle memeu semua asums resdual. V. Daftar Pustaka Purama, S.W. da Wbowo, W Perbadga Regres Noler da Regres Noarametrk dalam Meaksr Fugs Pertumbua Aak Balta, Laora Peelta Dose Muda. Surabaya : Isttut Tekolog Seulu Noember. Eubak, R.L Sle Smootg ad Noarametrc Regresso. New York : Marcel Dekker. 3 Laome, L Regres Noarametrk Sle Lear da Kuadratk dalam Meaksr Fugs Pertumbua Aak Balta. Paradgma, 3 (3), al Ad, D A Comarso of te Noarametrc Regresso Models usg Smootg Sle ad Kerel Regresso. World Academy of Scece, Egeerg ad Tecology, 36, Hardle, W Smootg Tecque wt Imlemetato Statstcss. New York : Srger. 7

Jurnal Ilmiah Matematika dan Terapan, vol.7, no. 1, Mei 2010, hal PERBANDINGAN MODEL REGRESI NONPARAMETRIK DENGAN REGRESI SPLINE DAN KERNEL

Jurnal Ilmiah Matematika dan Terapan, vol.7, no. 1, Mei 2010, hal PERBANDINGAN MODEL REGRESI NONPARAMETRIK DENGAN REGRESI SPLINE DAN KERNEL Jural Ilmiah Matematika da Teraa, vol.7, o., Mei 0, hal. -7. Abstrak PERBANDINGAN MODEL REGRESI NONPARAMETRIK DENGAN REGRESI SPLINE DAN KERNEL Lilis Laome ) ) Jurusa Matematika FMIPA Uiversitas Haluoleo

Lebih terperinci

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER

ESTIMASI 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 terperinci

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari: 5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut

Lebih terperinci

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENAKSIR 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 terperinci

BAB III ESTIMASI MODEL PROBIT TERURUT

BAB III ESTIMASI MODEL PROBIT TERURUT BAB III ESTIMASI MODEL PROBIT TERURUT 3. Pedahulua Model eurua kods embata destmas dega model robt terurut. Estmas terhada arameter model robt terurut yatu koefse model da threshold dlakuka dega metode

Lebih terperinci

PERBANDINGAN METODE CROSS VALIDATION DAN GENERALIZED CROSS VALIDATION DALAM REGRESI NONPARAMETRIK BIRESPON SPLINE

PERBANDINGAN METODE CROSS VALIDATION DAN GENERALIZED CROSS VALIDATION DALAM REGRESI NONPARAMETRIK BIRESPON SPLINE Perbadga Metode Cross Valdato Da Geeralzed Cross Valdato Dalam Regres Noarametrk Breso Sle Luh Putu Saftr Pratw PERBANDINGAN METODE CROSS VALIDATION DAN GENERALIZED CROSS VALIDATION DALAM REGRESI NONPARAMETRIK

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN 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 terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 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 terperinci

PEMULUSAN SEBARAN DATA MENGGUNAKAN PENAKSIR KERNEL NADARAYA-WATSON DAN LINIER LOKAL UNTUK KERNEL NORMAL. Sudarno 1.

PEMULUSAN SEBARAN DATA MENGGUNAKAN PENAKSIR KERNEL NADARAYA-WATSON DAN LINIER LOKAL UNTUK KERNEL NORMAL. Sudarno 1. PROSIDING SEMINAR NASIONAL STATISTIA UNIVERSITAS DIPONEGORO ISBN: 978-979-97-- PEMULUSAN SEBARAN DATA MENGGUNAAN PENASIR ERNEL NADARAA-WATSON DAN LINIER LOAL UNTU ERNEL NORMAL Sudaro ) Program Stud Statstka

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS 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 terperinci

REGRESI NONPARAMETRIK SPLINE UNTUK DATA BERAT BADAN BALITA MENURUT UMUR DI KABUPATEN BOJONEGORO TAHUN 2010

REGRESI NONPARAMETRIK SPLINE UNTUK DATA BERAT BADAN BALITA MENURUT UMUR DI KABUPATEN BOJONEGORO TAHUN 2010 REGRESI NONPARAMETRIK SPLINE UNTUK DATA BERAT BADAN BALITA MENURUT UMUR DI KABUPATEN BOJONEGORO TAUN Mahasswa Yulda Federka 9 5 6 Dose Pembmbg Ir. Mutah Salamah,M.Kes da Jerry Dw T.P.,S.S,M.S ABSTRAK Pertumbuha

Lebih terperinci

ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE.

ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE. Prosdg Semar Nasoal Alkas Sas & Tekolog (SNAST) Yogakarta, 6 November 6 ISSN : 979 9X eissn : 54 58X ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE Noerat, Rka Herda,, Jurusa Statstka,

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN 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 terperinci

Bab II Teori Pendukung

Bab 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 terperinci

Penaksiran Parameter Model Regresi Polinomial Berkson Menggunakan Metode Minimum Distance

Penaksiran Parameter Model Regresi Polinomial Berkson Menggunakan Metode Minimum Distance Peaksra Parameter Model Regres Polomal Berkso Megguaka Metode Mmum Dstace Da Kurawat Dearteme Matematka, FMIPA UI, Kamus UI Deok 16 da61@gmal.com Abstrak Berkso Measuremet Error Model meruaka model regres

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 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 terperinci

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan BAB II LANDASAN TEORI Pada bab aka dbahas megea dasar-dasar teor ag aka dguaka dalam eulsa skrs, atu megea data hrark, model regres -level, model logstk, estmas arameter model logstk, uj sgfkas arameter

Lebih terperinci

PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE. Suparti 1 dan Tarno 2

PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE. Suparti 1 dan Tarno 2 Pemodela Data (Supart) PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE Supart 1 da Taro 2 1 Staf Jurusa Statstka FSM UNDIP,

Lebih terperinci

REGRESI LINEAR SEDERHANA

REGRESI 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 terperinci

BAB III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

Lebih terperinci

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

INTERVAL 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 terperinci

PEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R 2, Cp MALLOW, dan S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL

PEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R 2, Cp MALLOW, dan S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL Majalah Ekoom ISSN 4-950 : Vol. VII No. Des 03 PEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R, C MALLOW, da S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL Oleh : Wara Pramest, Martha Suhardyah Fakultas Matematka

Lebih terperinci

PENAKSIR 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 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 terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 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 terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di 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 terperinci

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

Penelitian Operasional II Teori Permainan TEORI PERMAINAN Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB 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 terperinci

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA Ruag Baach Sumaag Muhtar Gozal UNIVERSITAS PENDIDIKAN INDONESIA Satu kose etg d kulah Aalss ugsoal adalah teor ruag Baach. Pada baga aka drevu defs, cotoh-cotoh, serta sfat-sfat etg ruag Baach. Kta aka

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 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 terperinci

ISSN: X 45 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA. Maria Suci Apriani a, Sri Haryatmi b

ISSN: X 45 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA. Maria Suci Apriani a, Sri Haryatmi b ISSN: 088-687X 5 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA Mara Suc Ara a, Sr Haryatm b a rogram Stud edda Matemata FKI USD Kamus 3 aga, Yogyaarta 558, marasuc@usdacd b Jurusa

Lebih terperinci

Proses inferensi pada model logit Agus Rusgiyono. Abstracts

Proses inferensi pada model logit Agus Rusgiyono. Abstracts Proses eres ada model logt Agus Rusgoo Let dstrbuto wth Abstracts 3 rereset the resose o a omal radom varable o Beroull P P where s a arameter wth ukow value. Problems o estmatg used smallest square methods

Lebih terperinci

Estimasi Densitas Mulus dengan Metode Wavelet. (Wavelet Method in Smooth Density Estimation)

Estimasi Densitas Mulus dengan Metode Wavelet. (Wavelet Method in Smooth Density Estimation) Supart da Subaar Estmas Destas Mulus dega Metode Wavelet (Wavelet Method Smooth Desty Estmato) Oleh Supart ) da Subaar ) Let X Abstract =,,, be depedet observato data from a dstrbuto wth a ukow desty fucto

Lebih terperinci

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL

ANALISIS 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 terperinci

JMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb.

JMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb. JMP : Volume Nomor, Oktober 009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK Agust Trpea Br.Sb. Fakultas Sas da Tekk, Uverstas Jederal Soedrma Purwokerto, Idoesa

Lebih terperinci

PENAKSIR REGRESI CUM RASIO UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN KOEFISIEN KURTOSIS DAN KOEFISIEN SKEWNESS

PENAKSIR 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 terperinci

PENAKSIR RASIO REGRESI LINEAR SEDERHANA UNTUK RATA-RATA POPULASI MENGGUNAKANKARAKTER TAMBAHAN

PENAKSIR RASIO REGRESI LINEAR SEDERHANA UNTUK RATA-RATA POPULASI MENGGUNAKANKARAKTER TAMBAHAN PENAKIR RAIO REGREI LINEAR EDERHANA UNTUK RATA-RATA POPULAI MENGGUNAKANKARAKTER TAMBAHAN Astar Rahmadta *, Harso, Haosa rat Mahasswa Program tud Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

BAB 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. 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 terperinci

ANALISIS REGRESI LINIER PIECEWISE DUA SEGMEN. Keywords: two-segment piecewise linear regression, X-knots, discharge, bedload transport.

ANALISIS REGRESI LINIER PIECEWISE DUA SEGMEN. Keywords: two-segment piecewise linear regression, X-knots, discharge, bedload transport. JURNAL GAUSSIAN, Volume, Nomor, Tahu 0, Halama 9-8 Ole d: htt://ejoural-s.ud.ac.d/dex.h/gaussa ANALISIS REGRESI LINIER PIECEWISE DUA SEGMEN Sylf, Dw Isryat, Dah Saftr 3 Mahasswa Jurusa Statstka FSM Uverstas

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

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 terperinci

RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA. Haposan Sirait 1, Usman Malik 2 ABSTRAK

RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA. Haposan Sirait 1, Usman Malik 2 ABSTRAK Relatf Efses Peaksr Mome Terhada Peaksr Maksmum Lkelhood RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA Haosa Srat, Usma Malk ABSTRAK Makalah

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN 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 terperinci

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION. Kismiantini

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION. Kismiantini PENDUGAAN BERBASIS MODEL UNUK KASUS BINER PADA SMALL AREA ESIMAION Ksmat Jurusa Peddka Matematka, Uverstas Neger Yogyakarta Karagmalag, Yogyakarta 558, Idoesa e-mal : ksm_uy@yahoo.com ABSRAK Small Area

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

SIFAT-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 terperinci

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN 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 terperinci

PENAKSIR RASIO REGRESI LINEAR YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR 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 terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 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 terperinci

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel

BAB 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 terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB 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 terperinci

ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI POLINOMIAL LOKAL

ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI POLINOMIAL LOKAL IdoMS Joural o Statstcs Vol., No. 1 (014), Page 65-78 ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI POLINOMIAL LOKAL Supart 1, Bud Warsto, Moc Abdul Mukd 3 1,,3 Staf Jurusa Statstka, FSM,

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB 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 terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. 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 terperinci

BAB IV HASIL PENELITIAN. Hasil penelitian ini berdasarkan data yang diperoleh dari kegiatan penelitian

BAB IV HASIL PENELITIAN. Hasil penelitian ini berdasarkan data yang diperoleh dari kegiatan penelitian BAB IV HASIL PENELITIAN Hasl peelta berdasarka data yag dperole dar kegata peelta yag tela dlaksaaka ole peelt d MTs Salafya II Radublatug Blora pada kelas VIII A tau ajara 1 11. Data asl peelta tersebut

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB 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 terperinci

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode BAB II ANDASAN TEORI. Regres Noparametrk Metode statstka oparametrk merupaka metode statstka ag dapat dguaka dega megabaka asums-asums ag meladas pegguaa metode statstk parametrk. Terutama ag berkata dega

Lebih terperinci

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION 1. Kismiantini

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION 1. Kismiantini PENDUGAAN BERBASIS MODEL UNUK KASUS BINER PADA SMALL AREA ESIMAION Ksmat Jurusa Peddka Matematka, Uverstas Neger Yogyakarta Karagmalag, Yogyakarta 5528, Idoesa e-mal : ksm_uy@yahoo.com ABSRAK Small Area

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Pada bab aka mejelaska megea beberapa ladasa teor utuk meerapka regres oparametrk yatu regres oparametrk Sple kuadratk da Thel.. Dervatf Defs. Spegel (986 :58 ) Msalka y f (x) adalah

Lebih terperinci

Volume 1, Nomor 2, Desember 2007

Volume 1, Nomor 2, Desember 2007 Volume, Nomor, Desember 007 Barekeg, Desember 007. hal.-7 Vol.. No. ESTIMASI PARAMETER DISTRIBUSI EKPONENSIAL PADA LOKASI TERBATAS (Estmatg Parameter Dstrbuto Expoetal At Fte Locato MOZART W TALAKUA, JEFRI

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB 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 terperinci

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB 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 terperinci

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

BAB 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 terperinci

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar. ANALISIS REGRESI Berdasara betu eleara data, model regres dapat dlasfasa mead dua macam yatu lear da o-lear. Ja pola data lear maa dguaa pemodela lear. Begtu uga sebalya apabla pola data tda lear maa dguaa

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 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 terperinci

PEMILIHAN VARIABEL DAN REDUKSI DIMENSI DALAM REGRESI NONPARAMETRIK BERDIMENSI BESAR

PEMILIHAN VARIABEL DAN REDUKSI DIMENSI DALAM REGRESI NONPARAMETRIK BERDIMENSI BESAR PEMILIHAN VARIABEL DAN REDUKSI DIMENSI DALAM REGRESI NONPARAMETRIK BERDIMENSI BESAR Eva Yat Sregar Dose Program Stud Peddka Matematka STKIP Tapaul Selata Jl. Suta Muammad Arf Kel. BatagAyum Jae Padagsdmpua

Lebih terperinci

Pertemuan VII IV. Titik Berat dan Momen Inersia

Pertemuan VII IV. Titik Berat dan Momen Inersia Baa jar Mekaka Baa Mulat, ST., MT Pertemua V V. Ttk Berat da Mome ersa. Ttk Berat Peampag Mome pertama suatu luasa eleme teradap suatu sumbu d dalam bdag luasa dberka dega produk luasa eleme da jarak tegak

Lebih terperinci

REGRESI NONPARAMETRIK KERNEL ADJUSTED. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan

REGRESI 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 terperinci

X a, TINJAUAN PUSTAKA

X a, TINJAUAN PUSTAKA PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 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 terperinci

ANALISIS REGRESI SEMIPARAMETRIK PADA KASUS HILANGNYA RESPON

ANALISIS 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 terperinci

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV Pearka Cotoh Acak Berlas (Stratfed Radom Samlg Pertemua IV Defs Cotoh acak berlas ddaatka dega cara membag oulas mejad beberaa kelomok ag tdak salg tumag tdh, da kemuda megambl secara acak dar seta kelomokkelomok

Lebih terperinci

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK 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 terperinci

KOMBINASI 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 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 terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah 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 terperinci

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

KALKULUS 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 terperinci

PENAKSIR DUAL RATIO-CUM-PRODUCT UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA

PENAKSIR 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 terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-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 terperinci

Suatu Tinjauan Tentang Generalized Estimating Equation

Suatu Tinjauan Tentang Generalized Estimating Equation Vol. 4, No.1, 19-25, Jul 2007 Suatu Tjaua Tetag Geeralzed Estmatg Equato Muhammad Abdy Abstrak Geeralzed Estmatg Equato (GEE) yag pertama kal dperkealka oleh Lag da Zeger pada tahu 1986 telah medapat perhata

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB 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 terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB 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 terperinci

KERNEL ORDER TINGGI UNTUK ESTIMASI VALUE AT RISK (VaR) MANAJEMEN RESIKO TENAGA KERJA

KERNEL ORDER TINGGI UNTUK ESTIMASI VALUE AT RISK (VaR) MANAJEMEN RESIKO TENAGA KERJA KERNEL ORDER TINGGI UNTUK ESTIMASI VALUE AT RISK (VaR) MANAJEMEN RESIKO TENAGA KERJA Zulfkar Sstem Ifromas da Tekk Iformatka STMIK Bahrul Ulum Jombag Emal: zulfkarda@gmal.com ABSTRAK Implkas dar maeeme

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN III. METODOLOGI PENELITIAN 3.. Watu da Temat Peelta Peelta srs dlaua d Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas Lamug ada tahu aadem 2009/200. 3.2. Metode Peelta Secara umum, elasaaa

Lebih terperinci

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin 4/6/015 Oleh : Fauza Am Se, 06 Aprl 015 GDL 11 (07.30-10.50) Pedahulua Aalsa regres dguaka utuk mempelajar da megukur hubuga statstk ag terjad atara dua atau lebh varbel. Dalam regres sederhaa dkaj dua

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

MINGGU 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 terperinci

Prosiding FMIPA Universitas Pattimura 2013 ISBN:

Prosiding FMIPA Universitas Pattimura 2013 ISBN: Prosdg FMIPA Uverstas Pattmura 03 ISBN: 978-60-975-0-5 PENDEKAAN MODEL GEOGRAPHICALLY WEIGHED REGRESSION UNUK MENGANALISIS JUMLAH PENDUDUK MISKIN: UPAYA PENURUNAN JUMLAH PENDUDUK MISKIN DI PROVINSI MALUKU

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 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 terperinci

PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN VARIASI DAN MEDIAN

PENAKSIR 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 terperinci

Penerapan Teori Limit Pusat Multivariat pada Pengendalian Proses Pelayanan di Poliklinik Rawat Jalan Rumah Sakit Umum Kardinah Tegal

Penerapan Teori Limit Pusat Multivariat pada Pengendalian Proses Pelayanan di Poliklinik Rawat Jalan Rumah Sakit Umum Kardinah Tegal Peerapa Teor Lmt Pusat Multvarat pada Pegedala Proses Pelayaa d Polklk Rawat Jala Rumah akt Umum Kardah Tegal Isa, M. PMTK FKIP Uv. Pacasakt Tegal sa@yahoo.com Abstrak Baga kedal adalah alat yag lazm dguaka

Lebih terperinci

REGRESI SEDERHANA Regresi

REGRESI SEDERHANA Regresi P a g e REGRESI SEDERHANA.. Regres Istlah regres dkemukaka utuk pertama kal oleh seorag atropolog da ahl meteorology Fracs Galto dalam artkelya Famly Lkeess Stature pada tahu 886. Ada juga sumber la yag

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN 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 terperinci

ANALISIS DATA INFLASI DI INDONESIA PASCA KENAIKAN TDL DAN BBM TAHUN 2013 MENGGUNAKAN MODEL REGRESI KERNEL. Suparti 1

ANALISIS DATA INFLASI DI INDONESIA PASCA KENAIKAN TDL DAN BBM TAHUN 2013 MENGGUNAKAN MODEL REGRESI KERNEL. Suparti 1 Aalss Data (Supart) ANALISIS DATA INFLASI DI INDONESIA PASCA KENAIKAN TDL DAN BBM TAHUN 013 MENGGUNAKAN MODEL REGRESI KERNEL Supart 1 1 Staf Pegajar Jurusa Statstka Udp e-mal : supartsudargo@yaoo.co.d

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi 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 terperinci

InfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 4, No.2, September 2015

InfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 4, No.2, September 2015 IftyJural Ilmah Program Stud Matematka STKIP Slwag Badug, Vol 4, No., September 015 UJI KOEFISIEN VARIANSI KONSTAN DALAM REGRESI NONPARAMETRIK Oleh: Asr Ode Samura Tadrs Matematka, IAIN Terate asrsamura@gmal.com

Lebih terperinci

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

Lebih terperinci

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)

Jurnal 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 terperinci

Analisis Korelasi dan Regresi

Analisis Korelasi dan Regresi Aalss Korelas da Regres Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uad LOGO www.themegaller.com LOGO Data varat Data dega dua varael Terhadap satu pegamata dlakuka pegukurapegamata terhadap varael

Lebih terperinci

Estimasi dan Pengujian Hipotesis pada Model Geographically Weighted Multinomial Logistic Regression

Estimasi dan Pengujian Hipotesis pada Model Geographically Weighted Multinomial Logistic Regression Prosdg Koferes Nasoal Matematka XVII - 4-4 Ju 4, IS, Surabaya Estmas da Pegua Hpotess pada Model Geographcally Weghted Multomal Logstc Regresso M. Fathurahma, Purhad, Sutko 3, Vta Ratasar 4 Mahasswa S3

Lebih terperinci

PERTEMUAN 14-MPC 2 PRAKTIK. Oleh: Adhi Kurniawan SEKOLAH TINGGI ILMU STATISTIK

PERTEMUAN 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 terperinci

MODEL SPLINE DENGAN ERROR BERKORELASI. Nalim, I Nyoman Budiantara dan Kartika Fitriasari Jurusan Statistika ITS Kampus ITS Sukolilo Surabaya 60111

MODEL SPLINE DENGAN ERROR BERKORELASI. Nalim, I Nyoman Budiantara dan Kartika Fitriasari Jurusan Statistika ITS Kampus ITS Sukolilo Surabaya 60111 MODEL SPLINE DENGAN ERROR BERKORELASI Nalm I Nyoma Budatara da Kartka Ftrasar Jurusa Statstka ITS Kampus ITS Sukollo Surabaya 60 Abstract Sple smoothg s a popular method for estmatg the fucto oparametrc

Lebih terperinci