BAB 2 LANDASAN TEORI

dokumen-dokumen yang mirip
BAB 2 LANDASAN TEORI

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam

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

Created by Simpo PDF Creator Pro (unregistered version)

BAB 2 LANDASAN TEORI

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

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

titik tengah kelas ke i k = banyaknya kelas

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

BAB I PANDAHULUAN. 1.1 Latar Belakang

Regresi Linier Sederhana Definisi Pengaruh

BAB II LANDASAN TEORI

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

III. METODOLOGI PENELITIAN

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 2 LANDASAN TEORI. Istilah regresi diperkenalkan oleh seorang yang bernama Francis Gulton dalam

BAB II LANDASAN TEORI

BAB II KAJIAN PUSTAKA

BAB 3 Interpolasi. 1. Beda Hingga

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)

BAB 2. Tinjauan Teoritis

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1

STATISTIKA ELEMENTER

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d

PENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

E ax by c ae X be Y c. 6.1 Pengertian Umum

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON

ANALISIS JUMLAH TENAGA KERJA TERHADAP JUMLAH PASIEN RSUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGRESI GULUD

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

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA

Analisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014)

H dinotasikan dengan B H

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

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

METODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap

UKURAN DASAR DATA STATISTIK

UKURAN GEJALA PUSAT DAN UKURAN LETAK

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal

BAB 2 LANDASAN TEORI

PROSEDUR PENGUJIAN HIPOTESIS SEHUBUNGAN DENGAN AKAR-AKAR LATEN DARI MATRIKS KOVARIANS (Dalam Analisis Komponen Utama)

BAB 2 LANDASAN TEORI

BAB II TINJAUAN PUSTAKA

PENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNYA

Pemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

S2 MP Oleh ; N. Setyaningsih

Pemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline

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

BAB II KAJIAN TEORI. tertentu (Martono, 1999). Sistem bilangan real dinotasikan dengan R. Untuk

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

BAB III METODE PENELITIAN

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

Ir. Tito Adi Dewanto

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel

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

Pemilihan Model Regresi Terbaik Menggunakan Akaike s Information Criterion (The Best Regression ModelSelection UsingAkaike s Information Criterion)

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

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

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

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

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

BAB 2 LANDASAN TEORI

8.4 GENERATING FUNCTIONS

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

BAB 1 STATISTIKA RINGKASAN MATERI

BAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

Prosiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA

XI. ANALISIS REGRESI KORELASI

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 2 LANDASAN TEORI

Pemodelan Penduduk Miskin di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR)

BAB II TINJAUAN PUSTAKA. analisis regresi logistik, dan analisis regresi logistik rare event.

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

KAJIAN ESTIMASI-M IRLS MENGGUNAKAN FUNGSI PEMBOBOT HUBER DAN BISQUARE TUKEY PADA DATA KETAHANAN PANGAN DI JAWA TENGAH. Elen Dwi Pradewi 1, Sudarno 2

Gambar 3.1Single Channel Multiple Phase

PENELUSURAN KARAKTERISTIK PERILAKU KONSUMEN DENGAN METODE AUTOMATIC INTERACTION DETECTION (AID)

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model

REGRESI SEDERHANA Regresi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k

Digraf eksentris dari turnamen kuat

Transkripsi:

BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu tejad dega sedrya, amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu megetahu pola la suatu varabel yag dsebaba oleh varabel la dperlua alat aalss yag memuga utu membuat perraa la varabel tersebut pada la tertetu varabel yag mempegaruhya. Te yag umum dguaa utu megaalss hubuga atara dua atau lebh varabel dalam lmu statst adalah aalss regres. Aalss regres adalah te statst yag bergua utu memersa da memodela hubuga datara varabel-varabel. Aalss regres bergua dalam meelaah hubuga dua varabel atau lebh da terutama utu meelusur pola hubuga yag modelya belum detahu dega sempura, sehgga dalam peerapaya lebh bersfat esploratf. Persamaa regres yag dguaa utu membuat tasra megea la varabel terat dsebut persamaa regres estmas, yatu suatu formula matemats yag meujua hubuga eterata atara satu atau beberapa varabel yag laya sudah detahu dega satu varabel yag laya belum detahu. Sfat hubuga atar varabel dalam persamaa regres merupaa hubuga sebab abat. Regres yag berart peramala, peasra atau pedugaa pertama al dpereala pada tahu 877 oleh Sr Fracs Galto (8-9) sehubuga Uverstas Sumatera Utara

dega peeltaya terhadap mausa. Peelta tersebut membadga atara tgg aa la-la da tgg bada orag tuaya. Istlah regres pada mulaya bertujua utu membuat perraa la suatu varabel (tgg bada aa) terhadap suatu varabel yag la (tgg bada orag tua). Pada perembaga selajutya, aalss regres dapat dguaa sebaga alat utu membuat perraa la suatu varabel dega megguaa beberapa varabel la yag berhubuga dega varabel tersebut... Regres Ler Sederhaa Regres ler sederhaa adalah aalss regres yag melbata hubuga fugsoal atara satu varabel terat dega satu varabel bebas. Varabel terat merupaa varabel yag laya selalu bergatug dega la varabel la. Dalam hal varabel terat yag laya selalu dpegaruh oleh varabel bebas, sedaga varabel bebas adalah varabel yag laya tda bergatug pada la varabel la. Da basaya varabel terat dotasa dega X. Hubuga-hubuga tersebut dyataa dalam model matemats yag membera persamaa-persamaa tertetu. Betu umum persamaa regres ler sederhaa yag meujua hubuga atara dua varabel, yatu varabel X sebaga varabel bebas da varabel sebaga varabel terat adalah a (.) bx Keteraga: X varabel terat e- varabel bebas e- a tersep (tt potog urva terhadap smbu ) b emrga (slope) urva ler Uverstas Sumatera Utara

Metode uadrat terecl adalah suatu metode utu meghtug a da b sebaga perraa A da B, sedema rupa sehugga jumlah devas uadrat ( SSD e ) meml al terecl. Model sebearya : A BX ε Model perraa : a bx e a, b merupaa perraa / tasra atas A, B. Ja X durag rata-rataya ( X X ) aa dperoleh varabel baru dega. Maa persamaaya mejad: a b e ( a b ) e [ ( a b )] e SSD (.) Metode memmuma jumlah devas uadrat (regres uadrat terecl) yag ddasara pada pemlha a da b, sehugga memmala jumlah uadrat devas tt-tt data dar gars yag dcocoa. Kemuda aa dtasr a da b sehgga ja tasra dsubsttusa e dalam persamaa (.), maa jumlah devas uadrat mejad mmum. Dega medfferesala persamaa (.) terhadap a da b dega meetapa dervatf parsal yag dhasla sama dega ol, dperoleh: e ( ) a b a b a a aˆ (.3) Uverstas Sumatera Utara

e ( ) a b a b b b bˆ (.4) Nla â da bˆ yag dperoleh da cara dsebut tasra uadrat terecl masg-masg dar a da b. Dega dema, tasra persamaa regres dapat dtuls sebaga, ˆ aˆ bˆ X yag dsebut persamaa preds. Gars regres bergua utu meetua hubuga pegaruh perubaha varabel yag satu dega yag laya. Selajutya dar hubuga dua varabel dapat dembaga utu aalsa tga varabel atau lebh... Regres Ler Bergada Regres Ler Bergada merupaa regres ler yag melbaa hubuga fugsoal atara sebuah varabel terat dega dua atau lebh vaabel bebas. Sema baya varabel bebas yag terlbat dalam suatu persamaa regres sema rumt meetua la statst yag dperlua hgga dperoleh persamaa regres estmas. Regres ler bergada bergua utu medapata pegaruh dua varabel terumya atau utu mecar hubuga fugsoal dua varabel bebas atau lebh dega varabel rterumya, atau utu meramala dua varabel bebas atau lebh terhadap varabel rterumya. Hubuga ler lebh dar dua varabel yag bla dyataa dalam betu persamaa matemats adalah: X ε (.5) X Keteraga: varabel terat Uverstas Sumatera Utara

X,..., X varabel bebas pada varabel e- sampa varabel e-,,..., parameter regres ε la esalaha (error) Lagah-lagah dalam aalss regres bergada:. Membuat hpotess H a da H dalam betu almat: H H a : Terdapat hubuga fugsoal yag sgfa atara varabel X,, X, X dega varabel. : Tda terdapat hubuga fugsoal yag sgfa atara varabel X,, X, X dega varabel.. Kemuda mecar R htug dega rumus: R y(,,..., ) y y y y (.6) 3. Kemuda meghtug F sg htug dega megguaa rumus: F reg Ry(,,..., ) ( ) (.7) ( R y(,,..., ) 4. Dega megguaa taraf α,5 5. Meghtug la F tabel dega meguaa rumus: F Fα (.8) tabel (. ) 6. Membuat rtera peguja, yatu: Uverstas Sumatera Utara

F ht > F tabel : maa H dtola sgfa F ht F tabel : maa H dterma. 7. Membuat Kesmpula. Estmas Estmas adalah measr cr-cr tertetu dar populas tertetu dar populas atau memperraa la populas (parameter) dega memaa la sampel (statst). Dega statsta ta berusaha meympula populas. Dalam eyataaya, meggat berbaga fator utu eperlua tersebut dambl sebuah sampel yag represtatf da berdasara hasl aalss terhadap data sampel esmpula megea populas dbuat. Cara pegambla esmpula tetag parameter berhubuga dega cara-cara measr harga parameter. Jad, harga parameter sebearya yag tda detahu aa destmas berdasara statst sampel yag dambl dar populas yag bersaguta. Sfat atau cr estmator yag ba yatu tda bas, efse da osste:. Estmator yag tda bas Estmator dataa tda bas apabla dapat meghasla estmas yag megadug la parameter yag destmasa. Msala, estmtor ϑˆ dataa estmator yag tda bas ja rata-rata semua harga ϑˆ yag mug aa sama dega ϑ. Dalam espetasya dapat dtuls dega E ( ˆ) θ θ.. Estmator yag efse Estmator dataa efse apabla haya dega retag la estas yag ecl saja sudah cuup megadug la parameter, estmator bervaras mmum alah estmator dega varas terecl d atara semua estmator utu parameter yag sama. Ja ˆ ϑ da ˆ ϑ dua estmator utu ϑ dmaa Uverstas Sumatera Utara

varas utu ˆ ϑ lebh ecl dar varas utu ˆ ϑ, maa ˆ ϑ merupaa estmator bervaras mmum. 3. Estmator yag osste Estmator dataa osste apabla sampel yag dambl berapa pu besarya, pada retagya tetap megadug la parameter yag sedag destmas. Msala, ϑˆ estmator utu θ yag dhtug berdasraa sebuah sampe aca beruura. Ja uura sampel ma besar medetes uura populas meyebaba ϑˆ medeat θ, maa ϑˆ dsebut estmator osste. Estmas la parameter meml dua cara, yatu estmas tt (pot estmato) da estmas selag (Iterval estmato). a. Estmas tt (pot estmato) Estmas tt adalah estmas dega meyebut satu la atau utu megestmas la parameter. b. estmas terval (Iterval estmato) Estmas Iterval dega meyebut daerah pembatasa dmaa ta meetua batas mmum da masmum suatu estmator. Metode memuat la-la estmator yag mash daggap bear dalam tgat epercayaa tertetu (cofdece terval).. Estmas Masmum Lelhood Salah satu cara utu medapata estmator yag ba adalah dega megguaa metode masmum lelhood yag dpereala oleh R. A. Fsher. Masmum Lelhood merupaa suatu cara medapat estmator a utu parameter b yag tda detahu dar populas dega memasmuma fugs emuga. Uverstas Sumatera Utara

Utu data sampel,..., dar dstrbus yag otu dega fugs padat f(;α ) dtetua fugs lelhood sebaga L,..., ; α) f ( ; α)... f ( ; ). ( α p Uu data sampel dstrbus yag dsrt dega la emuga ( X ) p ( ), r α,..., da freues f,..., f Lelhood sebaga berut: L r, f f (,, ; α ) ( p ( α )) ( p ( α )) r f dtetua dega fugs Karea l L merupaa trasformas yag mooto a darpada L, maa l L mecapa masmumya pada la α yag sama. Meurut htug dfferesal l L persamaa mejad α ˆ. Suatu aar persamaa a (,..., ) memasmuma L, dsebut estmas masmum lelhood utu α. α yag.. Masmum Lelhood dalam Regres Ler Bergada Masmum Lelhood adalah metode yag dapat dguaa umtu megestmas suatu parameter dalam regres. Ja X durag dega rata-ataya, maa maa aa dperoleh varabel baru ( X X ) da selsh atara X da X merupaa perhtuga yag sederhaa area jumlah dar la persamaa regres ler bergada mejad: tersebut adalah sama dega ol. Da X... X ε (.7) Keteraga: Uverstas Sumatera Utara

varabel terat e-,..., selsh atara varabel bebas X dega la rata-rataya pada pegamata e-,,..., parameter regres ε la esalaha(error) Te estmas masmum lelhood mempertmbaga berbaga populas yag mug dega perpdaha gars regres da regres tersebut megellg dstrbus utu semua poss yag mug. Perbedaa poss yag berhubuga dega perbedaa la percobaa utu,...,,. Dalam hal, pegamata lelhood dplh hpotess populas yag masmum dalam lelhood. Secara umum, adaa ta mempuya sampel beruura da ta g megetahu emuga sampel yag damat. Dperlhata fugs la emuga sampel utu,...,, : p (,..., /,,..., ), (.8) Meggat emuga la pertama adalah: ( ) ( )... p e (.9) π Hal d atas adalah dstrbus ormal sederhaa dega rata-rata... da varas ( ) p( ) e π µ yag dsubsttus e dalam:. Kemuga la edua sama dega (.9), ecual aga satu dgat dega dua da deterusya utu semua la amata laya. Utu la bebas dega megala semua emuga bersama dalam (.8), dmaa: Uverstas Sumatera Utara

(,..., /,,..., ) p, e π (... ) ( )... e π... ( )... e π (.) Dega meyataa hasl al emuga bersama utu la yag pegguaaya d eal utu espoesal. Hasl (.) dapat dperlhata dega pejumlaha espe: p (... ) ( ) e (.) π (,,..., /,,..., ) Meggat amata yag dbera dpertmbaga utu berbaga la,,...,. Sehgga persamaa (.) damaa fugs lelhood: e (.) (,,..., ) L ( π )... Keteraga: (,..., ), L fugs masmum lelhood pada parameter,,..., parameter yag merupaa smpaga bau utu dstrbus π la osta (π 3,46) baya data sampel e blaga osta (e,783) varabel terat e- Uverstas Sumatera Utara

parameter regres e- Dar persamaa (.) dperoleh ( ) L,...,, l, yatu: Λ ( ) L... l ) l(,...,, l π (.3) Dega medffresala Λ terhadap setap parameter,...,, da meetapa dervatf parsal yag dhasla sama dega ol, dperoeh: ( ) Λ...... ˆ (.4) ( ) Λ......... (.5) ( ) Λ......... Uverstas Sumatera Utara

Maa hasl yag dperoleh dar peurua parsal d atas dapat dhtug la parameter ˆ, ˆ,..., ˆ. Uverstas Sumatera Utara