PENGGUNAAN REGRESI KONTINUM DENGAN PRA- PEMROSESAN ROBPCA UNTUK PEMODELAN STATISTICAL DOWNSCALING. Sutikno 1 dan Setiawan 2

dokumen-dokumen yang mirip
PENDEKATAN REGRESI KONTINUM DENGAN PRA-PEMROSESAN ANALISIS KOMPONEN UTAMA UNTUK PEMODELAN STATISTICAL DOWNSCALING

BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV


LOGO ANALISIS REGRESI LINIER

Hidraulika Komputasi

BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL. MESIN OKK Gill BCG1-P2 PADA BAGIAN DRAWING PT VONEX INDONESIA

PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI 1D DENGAN SKEMA FTCS, LAASONEN DAN CRANK-NICOLSON. Eko Prasetya Budiana 1 Syamsul Hadi 2

III. METODE PENELITIAN. instansi pemerintah, diantaranya adalah publikasi data dari Badan Pusat Statistik

BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA

Penggunaan Uji Kointegrasi pada Data Kurs IDR terhadap AUD

Oleh : Azzahrowani Furqon Dosen Pembimbing Dr. Purhadi, M.Sc.

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

Metode Bayes Dan Ketidaksamaan Cramer-Rao Dalam Penaksiran Titik

BAB II PEMODELAN STRUKTUR DAN ANALISIS DINAMIK

MODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA

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

DISTRIBUSI GAMMA. Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah distribusi gamma.

STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF

ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF

BAB II LANDASAN TEORI

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

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

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

BAB 1 PENDAHULUAN. bahkan tidak sedikit orang yang frustasi akibat dari krisis global.

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

Declustering Peaks Over Threshold Pada Data Curah Hujan Ekstrim Dependen di Sentra Produksi Padi Jawa Timur

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

FINITE FIELD (LAPANGAN BERHINGGA)

BAB 5. ANALISIS REGRESI DAN KORELASI

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

Estimasi Parameter dan Dalam Pemulusan Eksponensial Ganda Dua Parameter Dengan Metode Modifikasi Golden Section

Rancangan Acak Kelompok

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

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

INFERENSI DATA UJI HIDUP TERSENSOR TIPE II BERDISTRIBUSI RAYLEIGH. Oleh : Tatik Widiharih 1 Wiwin Mardjiyati 2

RISK ANALYSIS RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL

REGRESI LINEAR SEDERHANA

PEMODELAN STATISTICAL DOWNSCALLING DENGAN PENDEKATAN REGRESI BAYES ROBUST PCA (STUDI KASUS : DATA GCM STASIUN AMBON)

Bab II Teori Pendukung

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

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

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCULOSIS DENGAN MODEL REGRESI COX

PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU

PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER

Peramalan Deret Waktu Multivariat Seasonal pada Data Pariwisata dengan Model Var-Gstar

BAB II LANDASAN TEORI

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

b) Untuk data berfrekuensi fixi Data (Xi)

Jumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun

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

BAB III REVIEW SIFAT- SIFAT STATISTIK PENDUGAAN TIPE KERNEL BAGI FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN PERIODE GANDA

Regresi & Korelasi Linier Sederhana

BAB 2. Tinjauan Teoritis

PENDUGAAN STATISTIK AREA KECIL DENGAN METODE EMPIRICAL CONSTRAINED BAYES 1

BAB III ISI. x 2. 2πσ

BAB 2 LANDASAN TEORI

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

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

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

REGRESI & KORELASI LINIER SEDERHANA

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

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

REGRESI & KORELASI LINIER SEDERHANA

BAB 3 METODE PENELITIAN

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

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

Regresi Linier Sederhana Definisi Pengaruh

Pemodelan Regresi untuk Rancangan Percobaan Faktor Tunggal

BAB III PERSAMAAN PANAS DIMENSI SATU

Rangkaian Listrik 2. Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

Pemecahan Masalah Integer Programming Biner Dengan Metode Penambahan Wawan Laksito YS 6)

BAB II LANDASAN TEORI. penulisan skripsi yaitu mengenai data panel, beberapa bentuk dan sifat

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

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

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

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL

NORM VEKTOR DAN NORM MATRIKS

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

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

Pertemuan VII IV. Titik Berat dan Momen Inersia

BAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

Analisis Survival dengan Model Regresi Cox Weibull pada Penderita Demam Berdarah Dengue (DBD) di Rumah Sakit Haji Sukolilo Surabaya

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

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

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

Post Processing Peramalan Unsur Cuaca dengan Model Output Statistics (MOS): Studi Perbandingan Antara Reduksi Dimensi Independent Component Analysis

Modifikasi Penaksir Robust dalam Pelabelan Outlier Multivariat

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

STATISTIKA DASAR. Oleh

BAB II TINJAUAN PUSTAKA

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

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

Transkripsi:

Semar Nasoal Saska IX Isu ekolog Sepulu Nopember, 7 November 009 PENGGUNAAN REGRESI KONINUM DENGAN PRA- PEMROSESAN ROBPCA UNUK PEMODELAN SAISICAL DOWNSCALING Suko da Seaa, Jurusa Saska FMIPA IS suko@saska.s.ac.d, seaa@saska.s.ac.d, Absrak Makala membaas regres koum uuk pemodela sascal doscalg (SD) dega pra-pemrosesa Robus Prcpal Compoe Aalyss (ROBPCA) dega esmaor robus Mmum Covarace Deerma (MCD). Pegguaa regres koum uuk megaas adaya mulkoleras aar peuba predkor. Semeara ROBPCA dguaka uuk megaas adaya daa ouler pada proses reduks spasal doma GCM yag dpl. Sebaga sud kasus dguaka lokas Sasu Idramyu, Losarag, da Yuyua. Hasl peela meujukka baa pereduksa daa dega ROBPCA megaslka jumla kompoe uama leb kecl dar PCA da mempuya keragama yag bsa mejelaska daa asal leb besar dar meode PCA. Kesmpula la dperole jumla kompoe da keragama yag dapa djelaska ole kompoe uama meode ROBPCA aka sama dega PCA, jka la amaa yag ouler medeka la cu off-ya. Nla R model regres koum berksar 37%-44%, dega la smpaga baku ssaa model (s ) berksar 0,755-0,799. Kaa kuc : PCA, ROBPCA, ouler, MCD, GCM, Sascal Doscalg. Pedaulua Pemodela Sascal Doscalg (SD) luara model Global Crculao Model (GCM) ela dkembag d Idoesa. Pemafaaa dar model dguaka uuk berbaga kaja klm, seper rekoruks klm sors, kaja perubaa klm, da pemafaa klm laya. Scara umum model SD dyaaka y = f(x) +, dega y adala peuba respo (observas), X peuba predkor GCM, da adala ssaa. Sala sau permasalaa uama dalam pemodela SD adala pra-pemrosesa daa GCM model ubuga aara peuba respo (y) da peuba predkor. Prapemrosesa GCM melpu reduks spasal doma GCM da reduks peuba predkor GCM. Daa GCM yag berskala besar memugkka adaya mulkolearas da adaya ouler. Ole karea u perlu dlakuka reduks dmes pada daa luara GCM sebaga pra-pemrosesa pemodela SD. Reduks dmes sergkal megguaka Prcpal Compoe Aalyss (PCA). Namu PCA dak megaas adaya ouler, segga dperluka reduks dmes yag robus. Wgea (006) megguaka Projeco Pursu (PP) uuk mereduks dmes daa GCM da Sujamko (005) melakuka reduks dmes robus dega Mmum Covarace

Deerma (MCD) pada daa SUSENAS. Hasl peela meympulka baa meode reduks dmes robus dega esmaor MCD memberka asl yag leb bak. Koma (009) melakuka pereduksa spasal grd GCM dega meode reduks dmes robus megguaka robus prcpal compoe aalyss (ROBPCA) dega esmaor robus MCD. Hasl peela meympulka baa dak ada perbedaa jumla kompoe uama yag erbeuk aara meode PCA da ROBPCA, jka peuba ersebu dak erdapa amaa yag ouler. Dsampg u, ROPPCA mempuya keragama yag bsa djelaka pada kompoe uama perama yag leb besar darpada kompoe uama perama asl PCA. Namu demka pada peela mas belum megaas ubuga mulkoleras aar peuba predkor pada peyusua ubuga aara peuba respo (y) da peuba predkor (). Meode pedugaa parameer yag dguaka adala meode kuadra erkecl. Peela membaas meode regres koum dega pra-pemrosesa ROPPCA. Peggua meode uuk megaas adaya mulkoleras aar peuba predkor, selaju darapka dapa megkaa akuras dar asl predks.. jaua Pusaka Pedeeksa Ouler Ouler merupaka suau pegamaa yag meympag cukup jau dar pegamaa laya, segga membulka kecurgaa baa pegamaa ersebu berasal dar dsrbus daa yag berbeda (Sujamko, 005). Pada daa uvarae, pegamaa ouler dapa dega muda erla dega megguaka beberapa plo sederaa, seper scaer plo, seam ad leaf, boplo, da sebagaya, sedagka pada daa mulvarae defkas ouler umumya ddasarka pada jarak maalaobs (Maalaobs Dsace:MD), d MD μ Σ μ Pegamaa ddefkas sebaga ouler jka suau pegamaa mempuya la d MD leb besar dar p,. Namu defkas ouler pada daa mulvarae dega jarak maalaobs dak maksmal karea adaya efek maskg (adaya pegamaa ouler la yag berdekaa) da sampg (adaya pegamaa yag buka ouler yag erdefkas sebaga ouler) (Rousseeu da Va Zomere, 990). Ole karea u, dguaka Robus Dsace (RD) dega esmaor MCD (Rocke da Woodruff, 996), segga RD dapa dulska, d RD (X) C(X) MCD MCD (X) MCD Pegamaa ddefkas sebaga ouler jka mempuya la dar p,. () () d RD leb besar

Esmaor MCD Meode MCD merupaka upaya uuk meemuka observas ( ) yag memlk deerma marks vara-kovara erkecl dega [( p )/]. MCD m de C X, j =,,., (3) j d maa C(X) adala marks vara-kovara berdasarka pegamaa dega J. Esmaor MCD dberka ole: X da C X X X (4) MCD mecar subsampel, sebayak C, segga uuk besar dbuuka kompuas yag pajag uuk meemuka esmaor MCD. Ole karea u, uuk memmalsas aku kompuas dguaka algorma FAS-MCD ole Rousseeu da Va Dresse (999). I algorma FAS-MCD adala C-Sep. eorema C-Seps. Dkeau X,..., merupaka mpua daa sejumla observas yag erdr dar p peuba. Msal H,..., dmaa H. eapka : da C :. Jka de (C ) 0 defska jarak H H relaf : d C, =,..., (5) Selajuya ambl mpua H sedemka segga, d ; H : d,..., d : : d maa d d d : : : merupaka urua jarak, kemuda da C dug berdasarka mpua H. Segga de C de C, aka sama jka da aya jka = da C =C. eapka (X) da C(X) sebaga esmaor dar subsampel yag memberka deerma marks vara-kovara mmum. Berdasaka subsampel yag memberka deerma marks vara-kovara mmum dberka pemboboa pada daa, jka ( ) ( ) p,0.975 { (X) C(X) (X) (6) 0 laya Selajuya esmaor MCD adala: ( (X) )( (X) ) (X) da MCD MCD C(X) (7) MCD MCD Regres Koum Msalka X marks daa yag suda dpusaka (ceered) berukura p da dsebu peuba bebas, sedagka y adala vekor peuba respo berukura yag suda dpusaka, β vekor parameer regres berukura p, sera ε adala 3

vekor gala berukura. Regres Koum dkembagka berdasarka model regres lear klask sebaga berku : y Xβ ε (8) Pada model regres lear erbobo formula maemas dapa duls sebaga berku, maksmumka dega (p), y r y ( ) y s S adala vekor pegamaa peuba bebas ke- (=,,..., ) berukura s X y da S X X. Regres kompoe uama pada prspya adala memaksmumka : S S Dar persamaa (0) ersebu dapa djelaska baa prsp dasar dalam RKU adala memaksmumka keragama dar peuba bebas X segga dbeuk peuba baru berupa beberapa kompoe uama yag merupaka kombas lear dar peuba-peuba asal (X). Selajuya daa peuba respo y dregreska dega beberapa kompoe uama ersebu dega megguaka ekk regres gada. RKP prspya adala memaksmumka : (9) (0) S y s () Dar persamaa () ersebu dapa dla baa prsp RKP adala memaksmumka koragam aara peuba bebas dega peuba respo. Pada RK peuba baru dformulaska dalam model sebaga berku y ξ ε () dega : XW (3) da W,,..., marks bers kolom peuba dega <p da dsebu marks pembobo. Soe da Brooks (990) memformulaska marks pembobo ersebu sebaga berku : [ /( )] arg ma Cov X, y Var X (4) dega kedala da Cov X, X j 0 uuk j sedagka parameer peyesuaa merupaka blaga real 0. Aleraf la adala formula yag dkembagka ole Malpass (996) sebaga berku : ( 4 ) ( ) argma Cov X, y Var X (5) Dar persamaa 4 dbua suau formula yag umum sebaga berku : ( /( )) G X y X X (6) selajuya dsebu meode Soe. Dar persamaa (5) dapa dbua mejad : 4

( 4 ) ( G X y X X (7) selajuya dsebu meode Porsmou (Malpass, 996). Formula ersebu merupaka geeralsas dar RK, RKU sera RKP dega beuk keerkaa sebaga berku :. Uuk 0, maka G s S formula ekvale dega persamaa 9, arya pada 0 RK merupaka RK.. Uuk 0. 5, maka G s formula ekvale dega persamaa, segga pada 0. 5 RK merupaka RKP 3. Uuk, maka G S formula ekvale dega persamaa 0, segga pada RK merupaka RKU. Dega kaa la RK, RKU sera RKP merupaka beuk kusus dar RK. Pedugaa parameer regres ξ pada persamaa (5) dlakuka dega megguaka meode kuadra erkecl yag dformulaska sebaga berku : ξˆ y (8) dega y ˆ, XW ξ ˆ,, ) βˆ W y (9), merupaka parameer peyesuaa da bayakya kompoe. 3. Meodolog Daa yag dguaka adala daa luara GCM model CSIRO-Mk3 ddoload melalu ebse: p://-pcmd.lll.gov/pcc/, dega eksperme 0 ceury coupled models (0C3M). Doma GCM yag dguaka adala 33, dega poss sasu ada dega da perode observas au 967-000. Peuba yag dguaka adala peuba luara CSIRO-Mk3 sebaga peuba predkor yag melpu: precpable aer (PRW), ekaa permukaa lau (SLP), kompoe ag merdoal (VA), kompoe zoal (UA), kegga geopoesal (ZG), da kelembaba spesfk (HUS). Kegga (level) yag dguaka adala 850 Pa, 500 Pa, da 00 Pa. Sedagka peuba respo yau daa cura uja bulaa melpu sasu: Losarag, Idramayu, da Juyua. aapa aalss daa dalam peela, yau: () melakuka sadarsas daa, () melakuka reduks dmes daa dega ROBPCA, da (3) meyusu model regres koum dega peuba predkor adala kompoe uama: Y = f(z) + ε. 4. Hasl da Pembaasa Idefkas Ouler Idefkas ouler megguaka jarak robus (robus dsace). Pegamaa dkaaka ouler jka jarak robus-ya leb besar dar la cu off-ya. Nla cu off merupaka la dar. Nla cu off-ya adala 4.365. Gambar p;0.975 meujukka defkas ouler uuk peuba HUSS, HUS850, VA500, da VA850. Gars yag erdapa dalam Gambar meujukka la cu off. Pegamaa 5

Robus dsace Robus dsace Robus dsace Robus dsace yag berada d aas gars ersebu erdefkas sebaga pegamaa ouler. Berdasarka Gambar ersebu, erdapa 86 pegamaa ouler pada peuba HUSS, 3 pegamaa ouler pada peuba HUS850, 34 pegamaa ouler pada peuba VA500, da pada peuba VA850 ada 94 pegamaa ouler. Rgkasa jumla ouler uuk peuba laya dsajka pada abel. MCDCOV MCDCOV 60 50 58 67 0 39 38 386 39 40 8 30 6 0 4 0 0 0 50 00 50 00 50 300 350 400 Ide (a) MCDCOV 6 8 5 400 0 0 50 00 50 00 50 300 350 400 Ide (b) MCDCOV 4 0 34 0 4 8 3 6 4 0 0 0 50 00 50 00 50 300 350 400 Ide (c) 0 50 00 50 00 50 300 350 400 Ide (d) Gambar. Idefkas Ouler dega Robus Dsace Peuba: HUSS(a), HUS850 (b), VA500 (c), da VA850 (d). abel. Jumla Pegamaa Ouler pada Peuba Luara GCM No Peuba Jumla pegamaa yag ouler HUSS 86 HUS00 5 3 HUS500 8 4 HUS850 3 5 PRW 9 6 SLP 44 7 UAS 30 8 UA00 5 9 UA500 0 UA850 5 VAS 4 VA00 6 3 VA500 34 4 VA850 94 5 ZG00 5 6 ZG500 4 7 ZG850 6

abel memberka formas baa pegamaa ouler yag cukup bayak erdapa pada peuba HUSS, HUS850, VA500, da VA850. Namu demka, peuba HUS850, VA500, da VA850 erdapa cukup bayak ouler, eryaa jarak pegamaa ouler eradap la cu off dak begu lebar. Berbeda dega peuba HUSS yag mempuya jarak yag lebar dbadgka peuba-peuba laya. Pra-pemrosesa dega Meode ROBPCA Pereduksa dlakuka pada dmes spasalya yau lag da bujur aau dsebu grd da pada semua peuba. aapa pembeuka kompoe uama pada meode ROBPCA sama seper meode PCA, perbedaaya aya pada esmaor yag dguaka, pada PCA esmaor yag dguaka adala esmaor klask, sedag ROBPCA megguaka esmaor robus, yau MCD. abel. Jumla PC Opmal da Keragama Kumulaf PC Peuba Luara GCM dega Megguaka Meode ROBPCA da PCA No. Peuba Meode ROBPCA Meode PCA Jml PC Kerag. Kum. Jml PC Kerag. Kum. HUSS 0.940 3 0.898 HUS00 0.975 0.977 3 HUS500 0.973 0.967 4 HUS850 0.930 0.937 5 PRW 0.97 0.93 6 SLP 0.974 0.975 7 UAS 0.957 0.949 8 UA00 0.985 0.985 9 UA500 0.93 0.98 0 UA850 0.983 0.983 VAS 0.905 0.88 VA00 0.976 0.976 3 VA500 0.864 0.98 4 VA850 0.943 0.85 5 ZG00 0.996 0.996 6 ZG500 0.997 0.997 7 ZG850 0.99 0.99 abel meyajka asl kompoe uama da keragama yag dapa djelaska dega megguaka meode ROBPCA da PCA. Berdasarka abel meujukka baa keragama yag dapa djelaska ole peuba HUSS dega kompoe uama pada ROBPCA adala 0,940, sedagka pada meode PCA dega 3 kompoe uama adala 0,898. Semeara pada peuba VA500, keragama yag bsa djelaska ole kompoe uama meode ROBPCA adala 0,894, sedagka meode PCA dega kompoe uama adala 0,98. Berdasarka asl, uuk meympulka meode maa yag mempuya kerja bak meuru keragama yag bsa djelaska dak aya bsa deuka adayaya (bayakya) daa ouler. Namu juga deuka ole jarak aara la amaa ouler ersebu dega la cu off-ya. Dega kaa la baa baa meode ROBPCA mempuya kerja 7

yag bak dar meode PCA jka erdapa daa ouler da jarak amaa oulerya dega cu off relaf jau. Pemodela SD dega regres koum Berdasarka defkas ubuga aar peuba predkor erdapa korelas yag yaa, segga erjad kasus koleras. Model asl regres koum d ga lokas Idramayu, Losarag, da Yuyua dperole la R masg-masg secara berurua 0,39; 0,44; da 0,37, dega R adjused 0,39; 0,43; da 0,36 (abel 3). abel 3. la R, R adjused, da smpaga baku ssaa (s) model regres koum Sasu s R R adjused Idramayu 0.7855 0.3907 0.3850 Losarag 0.755 0.4368 0.43 Yuyua 0.7999 0.368 0.36 5. Peuup Berdasarka defkas ouler meujukka baa peuba GCM erdapa ouler. Hasl pra-pemrosesa daa GCM meujukka baa meode ROBPCA mempuya kerja yag bak dar meode PCA jka erdapa daa ouler da jarak amaa oulerya dega cu off relaf jau. Regres koum dapa dguaka uuk megaas kasus koleras aar peuba predkor GCM. 6. Ucapa erma Kas Peela ermasuk baga dar Peela Saegs Nasoal. Ole karea u, ucapa erma kas peuls sampaka kepada DIKI yag ela medaa peela. Dafar Pusaka Koma K, Suko, Seaa, Ook WB, (009) Reduks Dmes Robus Dega Esmaor MCD Uuk Pra- Pemrosesa Daa Pemodela Sascal Doscalg.Prosdg Semar Nasoal Maemaka da Peddka Maemaka 8 Agusus 009 UNESA. Jollffe, I.. (986). Prcpal Compoe Aalyss, Secod Ed. Ne York: Sprger- Verlag. Mallpass J. 996. Improved Maemacal Meods for Drugs Desg : Couum Regresso SAS Macro. Uversy of Porsmou. Rousseeu, P.J. ad Va Zomere, B.C. (990). Umaskg Mulvarae Oulers ad Leverage Pos, Joural of e Amerca Sascal Assocao, 85, 633 65. Rousseeu, P.J., ad Va Dresse, K. (999). A Fas Algorm for e Mmum Covarace Deerma Esmaor, ecomercs, Vol. 4, No. 3, -3. 8

Sujamko, Ira. (005). Aalss Kompoe Uama dega Megguaka Marks Varas-Kovaras yag Robus ess. Jurusa Sask-IS. Surabaya. Wgea, A.H. (006). Pemodela Sascal Doscalg dega Regres Projeco Pursu uuk Peramala Cura Huja Bulaa Dseras. Bogor: Program Pascasarjaa, Isu Peraa Bogor. 9