Wednesday, December 31, 2008
Pendugaan Parameter Weibull menggunakan Regresi Linear
Model Weibull berparameter-2 dapat ditulis dalam persamaan berikut. Selengkapnya
Analisis Regresi Linear Berganda
Analisis regresi linier berganda ialah suatu alat analisis dalam ilmu statistik yang berguna untuk mengukur hubungan matematis antara lebih dari 2 peubah. Bentuk umum persamaan regresi linier berganda ialah sebagai berikut : selengkapnya
PENGGUNAAN METODE REGRESI NON PARAMETRIK UNTUK MENDETEKSI LONCATAN
Model regresi sederhana dengan loncatan dalam peubah respon Y adalah
gabungan dua atau lebih segmen garis regresi dimana segmen garis yang
berdekatan mempunyai koefisien regresi yang berbeda. Titik pemisah antara
dua segmen dinamakan posisi loncatan. Metode pendeteksi loncatan yang
akan dibahas dalam paper ini didasarkan pada penggunaan regresi non
parametrik dengan taksiran kuadrat terkecil.
Download
Saturday, December 27, 2008
Peubah Boneka (Dummy variable) Dalam Analises Regresi Linier
dalam model regresi. Untuk variabel kualitatif yang mempunyai k kategori bisa dibangun
k-1 peubah boneka. Pendugaan parameter dan uji inferensinya sama dengan analisis
regresi linier sederhana. Ketika faktor interaksi dimasukkan dalam model maka kita bisa
membandingkan fungsi regresi untuk masing-masing kategori.
Download
Friday, December 19, 2008
INTERVAL KONFIDENSI
Dalam estimasi yang dilakukan adalah menduga/memperkirakan parameter dengan penduga yang sesuai (“terbaik”).
Estimasi interval
adalah suatu interval tertentu yang memuat parameter dengan probabilitas/keyakinan cukup besar dan ditentukan oleh statistik yang sesuai untuk parameter
DOWNLOAD
Thursday, December 11, 2008
PENDEKATAN KERNEL UNTUK DATA SPATIAL POINT PATTERN
Data spatial sering ditemui pada data-data mengenai alam dimana ingin mengetahui hubungan antara lokasi dengan respon yang ada. Keunikan data spatial ini adalah adanya dua informasi yaitu informasi lokasi dan respon. Salah satu jenis data spatial ini adalah spatial point pattern. Spatial point pattern ini merupakan data spatial dimana lokasi bersifat random.
Pada data spatial point pattern, data yang dianalisis memuat pola dari lokasi kejadian pada daerah A. Apabila banyaknya kejadian dalam setiap ruang yang berupa titik s mengikuti proses Poisson, maka rata - ratanya disimbolkan dengan (s). Untuk mendapatkan nilai rata - rata dari proses Poisson tersebut sering mengalami kesulitan, sehingga perlu digunakan fungsi estimasi (s), yaitu . Menurut Diggle (1985) fungsi estimasi dapat dilakukan dengan pendekatan Kernel yang disebut sebagai fungsi intensitas.
Kemulusan estimasi fungsi intensitas ditentukan oleh besarnya bandwidth. Bandwidth yang optimum akan menghasilkan estimasi fungsi yang mulus. Bandwidth optimum (hopt) dapat ditentukan melalui nilai MSE (mean square error) untuk h tertentu yang minimum. Akan tetapi penentuan bandwidth optimum dengan menggunakan minimum MSE(h) sulit untuk data yang mengikuti proses Poisson homogen. Hal ini disebabkan nilai MSE(h) akan terus turun seiring bertambahnya h. Untuk mengatasi hal ini maka dapat didekati dengan M(h) atau hampir sama dengan nilai bias untuk h tertentu. Nilai minimum dari M(h) akan digunakan sebagai penentu bandwidth yang optimum.
Pada penelitian ini untuk daerah pengamatan lokasi pohon Pinus 200x200 meter, menghasilkan bandwidth optimum untuk masing – masing proses adalah 4; 4,5; 4,9; dan 5. Bandwidth yang lebih besar menunjukkan gambar struktur maupun contour fungsi intensitas yang lebih mulus, walaupun di dalam penelitian ini tidak tidak terlalu berbeda untuk masing-masing proses. Dan dari struktur dan contour fungsi intensitas menunjukkan adanya 4 lokasi yang mana pohon Pinus banyak tumbuh.
Kata kunci : spatial point pattern, spatial point process, proses Poisson, proses Cox, Kernel.
Download BAB 1 BAB 2 BAB 3 BAB 4 BAB 5
Monday, November 10, 2008
PEMODELAN TIME SERIES INDEKS HARGA KONSUMEN DENGAN MENGGUNAKAN ARFIMA
Pemodelan pada data non stasioner yang selama ini digunakan biasanya dilakukan dengan pemodelan ARIMA. Pemodelan ini hanya dapat digunakan untuk menjamin stasioner data dengan transforamasi (1 – L)d dimana d benilai bulat. Tetapi jika diperlukan trasnformasi (1 – L)d dimana d benilai riil, maka pemodelan ARIMA tidak dapat menangani kondisi tersebut. Pemodelan yang dapat menangani kondisi tersebut adalah dengan pemodelan ARFIMA yang merupakan pengembangan dari model ARIMA.
Dalam model – model ekonometrik sering digunakan model analisis deret waktu ARFIMA dimana varian dari residual diasumsikan konstan pada setiap waktu, tetapi banyak kasus, asumsi varian konstan tidak terpenuhi. Hal ini menunjukkan ada indikasi heteroskedastis sehingga diperlukan pemodelan varian antara lain GARCH, FIGARCH dan lain – lain.
Pada data IHK yang mempunyai kondisi non stasioner atau trend yang cenderung tidak linear, maka pemodelan ARFIMA dapat digunakan. Dari penelitian ini diperoleh model ARFIMA(1, 0.443, [3]) untuk IHK Makanan, model ARFIMA([2], 0.462,1) untuk IHK Perumahan, model ARFIMA([1, 2, 5], 0.360, 0) untuk IHK Sandang dan model ARFIMA([2], 0.319, [1, 2]) untuk Inflasi Umum. Sedangkan data Indeks Harga Konsumen (IHK) yang mempunyai kondisi adanya indikasi heteroskedastis diperoleh model ARFIMA([3], 0.489, [2, 3]) dan GARCH(0, 1) untuk IHK Umum, model ARFIMA ([3], 0.476, [1]) dan FIGARCH (1, 0.667, 0) untuk IHK Makanan Jadi dan model ARFIMA([4], 0.488, [1, 2]) dan GARCH(0, 1) untuk IHK Kesehatan.
Dengan menggunakan model ARFIMA untuk peramalan diperoleh Mean Absolute Percentage Error (MAPE) untuk IHK Makanan sebesar 1.999%, IHK Perumahan sebesar 0.536%, IHK Sandang sebesar 0.467%. Prosentase kesalahan peramalan dengan model ARFIMA – GARCH untuk IHK Umum sebesar 0.391% dan untuk IHK Kesehatan sebesar 0.332%, sedangkan prosentase kesalahan peramalan dengan menggunakan model ARFIMA – FIGARCH untuk IHK Makanan Jadi sebesar 0.734%.
Kata – kata kunci: IHK, ARIMA , AFRIMA, GARCH, dan FIGARCH
Wednesday, October 15, 2008
MODEL ALTERNATIF PERAMALAN
PADI SAWAH DI JAWA TIMUR
DENGAN METODE TIME SERIES
(Sumber Tesis Pak DJOKO SANTOSO)
Model peramalan produksi padi yang digunakan oleh BPS secara baku disajikan dalam bentuk model regresi linier (garis lurus) sederhana. Mengingat variabel yang digunakan dalam metoda baku tersebut bukan merupakan pasangan observasi yang mempunyai hubungan sebab akibat, tetapi lebih banyak berhubungan dengan pola variasi dari waktu ke waktu maka dalam penelitian ini dikaji model alternatif untuk peramalan produksi padi sawah di Jawa Timur dengan menggunakan metode time series fungsi transfer plus ARIMA.
Dari hasil analisis diperoleh Metode Time Series untuk peramalan produksi hanya memakai dua model yaitu fungsi transfer (Luas Panen) dan ARIMA (Rata-Rata Produksi), sedangkan model BPS (Analisis Regresi) menggunakan 8 model dalam peramalannya. Dilihat dari peramalannya, metode Analisis Regresi dari BPS dapat digunakan hanya untuk 1 tahun ke depan sedangkan metode Time Series dapat digunakan lebih dari 1 tahun ke depan.
Dua model Time Series tersebut yaitu : model fungsi transfer luas tanam adalah:
Yt = Yt-3 + 0,53898 Xt – 0,53898 Xt-3 – 0,65643 at-3 + at
dan model ARIMA rata-rata produksi adalah:
Yt = Yt-3 – 0,62429 at-3 + at
Hasil perbandingan model menunjukkan bahwa baik ramalan in-sampel maupun out-sampel pada model fungsi transfer konsisten lebih baik dibanding model analisis regresi. Sehingga dengan kata lain bahwa pemodelan fungsi transfer lebih baik diterapkan pada ramalan produksi padi dibanding model regresi.
Materi 1
materi 2
materi 3
Materi 4
Materi 5
Wednesday, September 17, 2008
Pemetaan Guru Dengan Biplot
Salah satu alternatif dalam memecahkan persoalan diatas adalah dengan melakukan pemetaan guru yang dimaksudkan untuk mengetahui kondisi kebutuhan guru di tiap-tiap daerah. Secara statistik pemetaan ini dapat dilakukan dengan Biplot. Biplot merupakan upaya grafis dalam tampilan dua dimensi. Biplot akan menampilkan kedekatan/tingkat kemiripan antar daerah dan keragaman guru. Hasil Biplot akan dibuat kelompok sesuai letaknya dalam grafik. Kelompok yang dibuat akan diuji dengan Manova yang kemudian diteruskan dengan analisis Diskriminan.
Selengkapnya
Tuesday, August 12, 2008
ANALYTICAL HIERARCHY PROCESS (AHP)
melibatkan banyak tujuan atau kriteria yang dipertimbangkan, seperti :
- pemilihan usulan-usulan penerimaan pegawai,
- pembelian computer atau mobil,
- pembuatan keputusan pemilihan produk baru manakah yang akan
dipromosikan terlebih dahulu,
- pemilihan lokasi hotel baru, restoran, fasilitas pabrik,
- pemilihan universitas yang akan dimasuki,
- menentukan peringkat kota untuk tempat tinggal, dan lain sebagainya.
Pada saat menentukan mobil yang akan dibeli, banyak faktor yang perlu
dipertimbangkan, seperti harga, tingkat keamanan, kenyamanan, ukuran mesin,
efisiensi penggunaan BBM, dan lain-lain. Keputusan yang harus dibuat bersifat
rumit dan kompleks.
Cara sederhana untuk mengatasi kerumitan dalam membuat keputusan itu
adalah dengan memberikan bobot pada setiap faktor yang dipertimbangkan.
Kemudian menentukan rank pada setiap alternatif keputusan, misal : mulai dari
1 (yang terburuk) sampai dengan 10 (yang terbaik). Kalikan bobot dengan rank
tersebut, kemudian menjumlahkannya untuk mendapatkan total skor tertinggi
sebagai usulan keputusan yang direkomendasikan.
GP adalah menjawab pertanyaan “berapa banyak ?”. Seringkali muncul beberapa
alternatif keputusan optimal yang harus dipilih. Maka AHP adalah menjawab
pertanyaan “alternatif keputusan manakah yang diprioritaskan ?”.
sumber :
Kamarul Imam
rul2a@yahoo.com
download
Tuesday, July 15, 2008
METODE TAGUCHI
CACAT PECAH PADA KERUPUK BAWANG
(Studi Kasus Di PT. Pangembangan Raya)
(Ni Nyoman Mandayani, 2004)
Tidak semua produk yang ditawarkan pada konsumen akan mampu bersaing dalam mendapatkan pasar. Tingginya tingkat pesaingan di pasar ditentukan oleh spesifikasi produk yang ditawarkan tersebut. Hanya produk yang sesuai dengan spesifikasi dan ekspektasi dari konsumen yang akan mampu bertahan, sehingga tidak ada cara lain lagi bagi produsen untuk tetap bertahan selain dengan meningkatkan kualitas produknya. PT pengambengan Raya merupakan salah satu produsen kerupuk. Kualitas kerupuk dipengaruhi oleh faktor penampilan produk, cita rasa, daya kembang dan daya tahan. Saat ini masalah yang dihadapi adalah tingginya jumlah cacat pecah. Penyebab timbulnya cacat ini adalah kadar air yang terlalu rendah sehingga sehingga permukaan kerupuk akan retak dan mudah pecah. Namun jika kadar air terlalu tinggi, maka daya kembang kerupuk akan berkurang dan kerupuk mudah ditumbuhi jamur yang mengakibatkan daya tahannya berkurang. Variabel respons yang diamati adalah rata-rata tingkat kadar air dan variabilitas kadar air. Untuk mengatasi masalah tersebut dilakukan perbaikan dengan desain eksperimen menggunakan metode Taguchi. Karasteristik kualitas yang dipilih adalah Nominal the Best, sehingga dapat ditentukan nilai kombinasi optimum. faktor dan level yang berpengaruh terhadap kadar air adalah faktor lama pengukusan 10 menit, faktor metode pengeringan menggunakan sinar matahari selama 10 jam dan oven selama 8 jam, faktor konsetrasi pengembang 0,95%, faktor interaksi lama pengukusan dan metode pengeringan A1B3, faktor interaksi lama pengukusan dan konsetrasi pengembang A1C1 dan faktor interaksi metode pengeringan dan konsetrasi pengembang B3C1. Dengan menerapkan kombinasi faktor dan level optimum tersebut perusahaan dapat meningkatkan pendapatannya sebesar Rp. 2.877.671,11 setiap bulannya.
Download materi di sini
Sunday, June 8, 2008
Analisis Diskriminan
Download
Sumber: Bapak Kamarul Imam
rul2a@yahoo.com
Thursday, May 29, 2008
DIAGRAM KONTROL PROSES MULTIVARIAT
BERDASARKAN PENGAMATAN INDIVIDUAL
(Studi Kasus Proses Mount di PT. Panasonic Lighting
Indonesia)
Diagram kontrol Hotelling T2 individual (Sullivan dan Woodall,
1996) merupakan salah satu metode yang digunakan untuk mengkontrol
pergeseran mean proses untuk kasus multivariat berdasarkan
pengamatan individual. Selain pergeseran mean proses,
pergeseran variabilitas proses juga perlu dikontrol. Metode untuk
mengontrol variabilitas proses untuk kasus multivariat berdasarkan
pengamatan individual adalah menggunakan diagram kontrol
M (Khoo dan Quah, 2003). Metode ini tergolong metode baru sehingga
masih perlu dikaji lebih lanjut. Pada Tugas Akhir ini, kedua
metode tersebut akan diterapkan pada data pengamatan individual
yaitu data proses Mount pada produksi lampu fluorescent
(FL) di PT Panasonic Lighting Indonesia (PLI). Hasil analisis
menggunakan kedua metode tersebut menunjukkan bahwa proses
Mount pada produksi lampu FL bulan Maret 2007 masih terdeteksi
sinyal out-of-control. Hal ini menunjukkan bahwa proses
tersebut masih belum terkontrol dalam mean dan variabilitas.
Dengan asumsi telah dilakukan penelusuran penyebab dan pengkontrolan,
indeks kemampuan proses MCpm sebesar 2.3497 menunjukkan
proses telah memenuhi spesifikasi.
Kata Kunci :Multivariate, Individual Observations, Hotelling T2
Individual Control Chart, M Control Chart, Out-ofcontrol
Signal
Materi lengkap download
TERIMA KASIH KEPADA saudari : Nindya Sulistyaningtyas (ninindya@yahoo.com) atas izinnya untuk memuat tulisan ini
Tuesday, April 22, 2008
ANALISIS STATISTIKA PADA PERTUMBUHAN EKONOMI INDONESI A
A. Tujuan
Pada dasarnya dalam analisis ini bertujuan untuk:
1.Mengetahui model pertumbuhan ekonomi di Indonesia dengan faktor-faktor apa yang mempengaruhi pertumbuhan ekonomi secara bersama-sama .
2.Mengetahui model pertumbuhan ekonomi di Indonesia yang terbaik dengan faktor-faktor apa yang mempengaruhi pertumbuhan ekonomi.
B.Output yang hendak di hasilkan antara lain:
1.Mendapatkan model pertumbuhan ekonomi di Indonesia dengan faktor-faktor apa yang mempengaruhi pertumbuhan ekonomi secara bersama-sama .
2.Mendapatkan model pertumbuhan ekonomi di Indonesia yang terbaik dengan faktor-faktor yang mempengaruhi pertumbuhan ekonomi
DOWNLOAD
Wednesday, April 16, 2008
PELANGGARAN ASUMSI REGRESI
- multikolinearitas
- heteroskedastis
- otokorelasi,
nah coba baca di tulisan ini yang dapat di download di SINI
Friday, March 7, 2008
First Statistics
1. Mean
2. Median
3. Kuartil
4. Desil
5. persentil
6. Kuantil
7. Distribusi Frekwensi
Nah ... ini ada dikit tambahan yang mungkin bisa berguna memahami hal diatas
Download
Friday, February 22, 2008
Tips Saat Presentasi ....(nyisip dikit)
Thursday, February 21, 2008
Analisis korespondensi (Correspondence Analysis)
DOWNLOAD
REGRESI LOGIT,PROBIT,TOBIT
DOWNLOAD
Thursday, February 7, 2008
Monday, February 4, 2008
Analisis Regresi
Materi
1. Pendahuluan :Pengertian regresi:
1.1. Pengertian regresi, regresi linier sederhana dan regresi liner berganda serta bentuk-bentuk yang lain
1.2. Taksiran parameter regresi (Metode Least Square), pengujian parameter
1.3. Koefisien determinasi
1.4. Asumsi model
1.5. Langkah-langkah dalam pemodelan
1.6. Persoalan yang sering dihadapi dalam pemodelan regresi
2. Pengujian asumsi
3. Regresi Linier Sederhana
3.1. Cara pembuatan model regresi linier sederhana
3.2. Pengujian parameter regresi
3.3. Pengujian asumsi
4. Regresi Linier Berganda
4.1. Cara pembuatan model regresi linier sederhana
4.2. Pengujian parameter regresi
4.3. Pengujian asumsi
5. Pemilihan model terbaik
5.1. Best subset regression
5.2. Metode stepwise dan Backward
Download
Saturday, January 12, 2008
anti virus menangani virus baru
-
Regresi logistik sering digunakan dalam menyelesaikan masalah klasifikasi pada metode parametrik. Metode ini digunakan untuk menggambarkan h...
-
Analisis regresi linier berganda ialah suatu alat analisis dalam ilmu statistik yang berguna untuk mengukur hubungan matematis antara lebih ...