uji reliabelitas tes pilihan ganda dengan microsoft excell

ANALISIS MULTI REGRESI

ANALISIS MULTI REGRESI

Analisis Regresi bermanfaat untuk menghitung persamaan regresi linear sederhana dan berganda, asosiasi statistik beserta scatter plot, diagnosa colinearitas, harga prediksi dan residual.

Linear Regression digunakan untuk melakukan pengujian hubungan antara sebuah variabel dependent (tergantung) dengan satu atau beberapa variabel independent (bebas) yang ditampilkan dalam bentuk persamaan regresi. Jika variabel dependent dihubungkan dengan satu variabel independent saja, persamaan regresi yang dihasilkan adalah regresi linear sederhana (linear regression). Jika variabel independent-nya lebih dari satu, maka persamaan regresinya adalah persamaan regresi linear berganda (multiple linear regression).

Jenis data yang cocok untuk uji regresi linear, baik untuk variabel dependent maupun independent adalah data rasio. Namun dapat juga dengan data berbentuk kualitatif (kategori), tetapi harus dibantu dengan variabel boneka (dummy variabel). Misalnya untuk membedakan jenis kelamin, laki-laki diberi kode angka “1” dan wanita angka “2”.

Persamaan regresi yang dihasilkan berupa taksiran (estimasi) dari hasil pengamatan. Oleh karena itu, biasanya digunakan simbol Ŷ (Y dengan topi) yang menunjukkan hasil taksiran tersebut dan membedakannya dengan Y (Y tanpa topi) sebagai hasil pengamatan populasi.

download file


Sharing Materi ....

Magang Di Luar Negeri

Mau Magang Di Luar Negeri?
Hadiri Tes Seleksi Magang & Seminar Karir dari EF Education!

EF Education Indonesia untuk pertama kalinya mengadakan Seminar Karir dan Tes Seleksi Magang 2009 di Makassar & Manado, menyusul kesuksesan acara-acara sebelumnya yang diadakan di Jakarta, Bandung, Surabaya, Yogyakarta dan Semarang.

EF Education First adalah lembaga pelatihan bahasa terbesar di dunia dengan pengalaman lebih dari 40 tahun serta kantor dan sekolah bahasa yang tersebar di lebih dari 130 kota di 50 negara, dan merupakan pelatih bahasa resmi di Olimpiade Beijing 2008.

Salah satu program EF Education adalah International Internship Program (Program Magang Internasional) yang terbuka untuk mahasiswa, lulusan universitas ataupun para profesional muda. Melalui program ini, para siswa dapat merasakan langsung bekerja di perusahaan asing dan mempraktekan kemampuan bahasa Inggris di dunia kerja internasional. Persyaratan utama untuk ikut serta dalam program ini adalah usia minimum 18 tahun dan tingkat bahasa Inggris minimal Menengah-Mahir.

Di acara ini, EF akan mengadakan tes seleksi magang untuk mengetahui tingkat kemampuan bahasa calon peserta magang, dan membagikan tips terbaru seputar program bahasa Inggris dan magang di luar negeri, dunia karir internasional, serta bagaimana meningkatkan daya saing di bursa kerja dalam maupun luar negeri.

HADIRI - Seminar Karir dan Tes Seleksi Magang Luar Negeri EF :
Hari/Tanggal : Jumat / 26 Juni 2009
Pukul : 14.00-16.00 WITA
Tempat : Clarion Hotel & Convention, Acacia Hall
Makassar - Sulawesi Selatan

Pendaftaran dapat dilakukan dengan cara sebagai berikut :
* Tiket dapat diperoleh di EF Makassar (0411) 811-1008
* Ketik reg_makassar_nama kirim ke 0817 817 602
Hari/Tanggal : Sabtu / 27 Juni 2009
Pukul : 14.00 - 16.00 WITA
Tempat :Quality Hotel - Manado (R.Bunaken)
Manado - Sulawesi Utara

Pendaftaran dapat dilakukan dengan cara sebagai berikut :
* Tiket dapat diperoleh di EF Manado (0431) 861064
* Ketik reg_manado_nama kirim ke 0817 817 602
Biaya :

Rp. 50.000 **
(khusus untuk mahasiswa dengan kartu mahasiswa hanya Rp. 35.000,-)


Sharing Materi ....

ANALISIS REGRESI LOGISTIK ORDINAL

(Studi Kasus: Akreditasi SMK di Jawa Timur)
by: Ainun Farida (Terima kasih bu atas filenya)

Salah satu program pemerintah yang sedang dilaksanakan sekarang adalah
meningkatkan mutu pendidikan secara nasional. Peningkatan mutu di setiap
satuan pendidikan, diarahkan pada upaya terselenggaranya layanan pendidikan
kepada pihak yang berkepentingan atau masyarakat. Penelitian ini bertujuan
mengkaji bentuk penaksir parameter Regresi Logistik Ordinal, menentukan model
regresi logistik ordinal yang menghubungkan antara status akreditasi sekolah
dengan Indeks Pembangunan Manusia dengan profil sekolah yang meliputi
meliputi status sekolah yaitu negeri atau swasta, lama berdiri suatu sekolah pada
saat mengajukan akreditasi, jumlah siswa pada saat mengajukan akreditasi, jumlah
guru pada saat mengajukan akreditasi, jumlah alumni yang diterima di dunia
usaha dan industri setahun terakhir pada saat mengajukan akreditasi, status
tanah/bangunan serta jumlah nilai rata-rata ujian nasional sekolah dengan Regresi
Logistik Ordinal.
Data penelitian yang diambil adalah data sekunder yang diambil dari
Dinas Pendidikan Propinsi Jawa Timur. Penaksiran parameter dilakukan dengan
metode Maksimum Likelihood Estimation dan variabel prediktor yang
berpengaruh terhadap status akreditasi SMK di Jawa Timur adalah lama berdiri
sekolah, jumlah guru, jumlah nilai rata-rata Unas sekolah, sedangkan Indeks
pembangunan manusia tidak berpengaruh terhadap status akreditasi sekolah.

Download

Sharing Materi ....

PENDEKATAN REGRESI SPLINE UNTUK MEMODELKAN NILAI UNAS SISWA SMK NEGERI 3 BUDURAN SIDOARJO

Oleh : Ibu Sri Sutarsi

Dalam regresi parametrik bentuk kurva regresi diasumsikan diketahui, untuk dapat menggunakan pendekatan regresi parametrik, diperlukan pengetahuan masa lalu tentang karakteristik data yang akan diselidiki. Berbeda dengan pendekatan regresi nonparametrik, dalam regresi nonparametrik bentuk kurva regresi diasumsikan tidak diketahui. Kurva regresi nonparametrik hanya diasumsikan smooth (mulus) dalam arti termuat di dalam suatu ruang fungsi tertentu. Data diharapkan mencari sendiri bentuk estimasinya, tanpa dipengaruhi oleh faktor subyektifitas dari perancang penelitian. Dengan demikian, pendekatan regresi nonparametrik memiliki fleksibilitas yang tinggi (Eubank,1988).

Regresi nonparametrik yang diawali dengan penelitian tentang Histogram dan Kernel (Hardle, 1990), selanjutnya mendapat perhatian yang sangat luas dari para peneliti, dan terdapat banyak model pendekatan regresi nonparametrik yang telah dikembangkan seperti spline (Budiantara, 1999; Wahba,
1
1990; Budiantara, et. al., 1997), Deret Fourier dan Wavelets (Antoniadis, et. al.,1994), Deret ortogonal (Eubank,1988).
Download Bab I Bab II Bab III Bab IV Bab V
Sharing Materi ....

PENGUJIAN HIPOTESIS STATISTIKA

1.Merumuskan hipotesis yang akan diuji: H0 dan Ha
2.Memilih taraf nyata pengujian(α)
3.Menentukan Kriteria Penolakan Hipotesis
Perhatikan hal-hal berikut:
1.Tanda/Operator pada hipotesis alternatif/tandingan (<, ≠, >) yang akan
menentukan dimana daerah penolakan hipotesis nol berada.
2.Taraf nyata pengujian(α) yang akan menentukan besarnya luas daerah penolakan
3.Statistik uji yang digunakan (Z, χ2, t,atau F)
4.Melakukan perhitungan-perhitungan statistik
5.Menghitung statistik-statistik contoh(ukuran contoh, rata-rata contoh, dan
simpangan baku contoh)
6.Menghitung nilai statistic pengujian
7.Menarik Kesimpulan

Download


Sharing Materi ....

Regresi Logistik dan Diskriminan

ANALISIS REGRESI LOGISTIK ANALISIS REGRESI LOGISTIK
–Tidak memiliki asumsi normalitas atas variabel bebas yang digunakan dalam model
–Variabel bebas bisa variabel kontinyu, diskrit, dan dikotomis
–Distribusiresponatasvariabelterikatdiharapkannonlinear
ANALISIS DISKRIMINAN ANALISIS DISKRIMINAN
-Semua variabel independen merupakan variabel yang kontinyu dan berdistribusi normal
-Tujuan utama:
•diskriminasi: Pembedaan grup dicapai dengan fungsi diskriminan
•klasifikasi: mengklasifikan individu/obyek kedalam grup terpisah berdasarkan sejumlah variabel bebas
Download

Sharing Materi ....

Model-model Analisis data

Scientific research: kegiatan manusia yang membutuh¬kan kecer dikan (astute), pengamatan atau persepsi obyektif dan dan daya evaluasi dan generalisasi yang tajam. Tujuan dari penelitian ilmiah adalah untuk memperoleh pengertian terhadap suatu fenomena atau proses dalam penyelidikan spesifik untuk dapat memprediksikan dengan akurat mengenai apa yang terjadi dalam proses itu sendiri atau memodifi¬kasikan proses atau dalam mengembangkan proses baru seper¬ti metoda produksi (teknologi) yang lebih efisien. Dilihat dari segi metodologi, seluruh ilmu pengeta¬huan didasarkan pada:
(1). Pengamatan dan pengalaman manusia yang terus menerus; dan pengumpulan data yang sistematis.
(2). Analisis yang digunakan dalam bentuk berbagai cara, antara lain: (a). Analisis langsung (direct analysis), (b). Analisis perbandingan (comparative analysis), (c). Analisis matematis dengan meng gunakan model matematis.
(3). Penyusunan model-model atau teori, serta pemuatan peramalan-peramalan dengan menggunakan model itu.
(4). Penelitian-penelitian untuk menguji ramalan-ramalan tersebut, hasilnya mungkin benar atau mungkin salah.


Download


Sharing Materi ....

Asian Brain Promo

Sedikit out of topic kali ini, tapi informasi ini cukup menarik dan mengejutkan sehingga kupikir tidak ada salahnya bukan saya berbagi disini

Pusat pembelajaran Internet Marketing nomor satu di Indonesia,
Asian Brain, lagi bikin promo di bulan maret...

Ga tanggung-tanggung.. promo nya bukan hanya discount 50% atau 75%
tapi 100% alias GRATIS!...

Semua modul di bulan pertama akan bisa dibuka
dan diakses oleh member baru - GRATIS!

Video Training tantangan 120 hari mendapatkan $100/hari dari Ahira
akan bisa dibuka untuk member gratis hingga video #5
Oh ya, Tidak seperti halnya Russell Brunson, materi Asian Brain ditulis dalam
bahasa Indonesia sehingga jika jika bahasa Inggris anda pas - pasan
tidak akan menjadi masalah.

Buruan daftar ya, Gunakan link ini untuk mendapatkan promo gratisnya
GRATIS!!!



Sharing Materi ....

APLIKASI ANALISIS REGRESI NON LINEAR MODEL KUADRATIK TERHADAP PRODUKSI SUSU KAMBING PERANAKAN ETAWAH (PE) SELAMA 90 HARI PERTAMA LAKTASI

Analisa regresi merupakan salah satu uji statistika yang
memiliki dua jenis pilihan model yaitu linear dan non linear
dalam parameternya. Model linear memiliki dua sifat yaitu
regresi sederhana dan regresi berganda dengan kurva yang
dihasilkan membentuk garis lurus, sedangkan untuk model non
linear dalam parameternya bersifat kuadratik dan kubik dengan
kurva yang dihasillkan membentuk garis lengkung.
Selegkapnya


Sharing Materi ....

PENGGUNAAN MULTINOMIAL LOGIT PADA RESPON NOMINAL

By : Dewi Sartika

Model Regresi Multinomial Logit merupakan model yang digunakan untuk memodelkan data dengan respon kategorik dimana responnya terdiri atas lebih dari dua kategori. Pada penelitian ini, model regresi Multinomial Logit digunakan untuk mengkaji tanggapan responden yang merupakan mahasiswa Universitas Hasanuddin pengguna telepon selular dari tiga provider (Indosat, Telkomsel dan XL), dan dibagi atas tiga kategori yaitu bagus, biasa saja, dan tidak bagus. Data yang digunakan adalah data primer pengguna fasilitas provider telepon seluler yang merupakan mahasiswa aktif semua fakultas di Universitas Hasanuddin. Hasil penelitian menunjukkan bahwa Telkomsel adalah provider telepon seluler yang paling digemari, dengan nilai odds ratio sebesar 3.7 kali lebih baik daripada Indosat dan 8.42 kali lebih baik daripada XL. Terlihat pula bahwa penilaian terhadap provider Indosat hanya dipengaruhi oleh penggunaan GPRS dan tarif kartu, penilaian terhadap Telkomsel hanya dipengaruhi oleh penggunaan GPRS, nada sambung pribadi, pesan suara dan tarif kartu, sedangkan penilaian terhadap XL hanya dipengaruhi oleh penggunaan nada sambung pribadi.

Kata kunci : Multinomial Logit, respon nominal
Download
BAB I BAB 2 BAB 3 BAB 4 BAB 5 DAFTAR PUSTAKA

THANK YOU VERY MUCH FOR DEWI..... . Teman-teman Statistika Unhas, ITS, UNEJ, dan lainnya ikutan nyumbang tulisan yah, boleh berbentuk tugas(dengan jawaban lho !), makalah, skripsi, thesis, disertasi , atau Materi Kuliah, mudah-mudahan bisa bermanfaat untuk yang lain. Untuk Materi Komputer Boleh Juga dikirimkan Koq. Nanti di upload. Mari berbagi
Sebarkan Dokumen...

ANALISIS PENGELOMPOKKAN DENGAN FUZZY C-MEANS CLUSTER

(Kasus Pengelompokkan Kecamatan di Kabupaten Tuban berdasarkan

Tingkat Partisipasi Pendidikan)
Oleh : Anindya Apriliyanti Pravitasari

Analisis pengelompokkan (cluster) merupakan salah satu analisis data
eksploratori yang banyak diminati berbagai kalangan dan berkembang dengan
sangat pesat. Metode pengelompokkan yang sedang berkembang saat ini adalah
pengelompokkan berdasarkan himpunan fuzzy atau yang disebut sebagai Fuzzy
Cluster Analysis. Keunggulan dari metode ini adalah mampu melakukan
pengelompokkan untuk data yang tersebar secara tidak teratur.
Algoritma fuzzy clustering yang digunakan dalam penelitian ini adalah Fuzzy C-means Cluster
(FCM). FCM merupakan pengembangan dari metode partitional K-means Cluster dengan pembobotan fuzzy. Penelitian ini mengkaji mengenai FCM dengan penerapan kasus nyata di bidang pendidikan, yaitu kasus pengelompokkan kecamatan di Kabupaten Tuban berdasarkan karakteristik pendidikan. Penentuan banyaknya kelompok dilakukan melalui perhitungan Indeks XB (Xie dan Beni).
Penelitian ini juga membuat algoritma FCM dalam bahasa pemrograman Visual Basic dengan Sistem Informasi Geografis (SIG), sehingga hasil akhir dari penelitian ini adalah sebuah perangkat lunak pendukung keputusan (Decission Support System) yang menggunakan algoritma FCM untuk mengelompokkan kecamatan di Kabupaten Tuban dengan lebih informatif. Hasil pengelompokkan menunjukkan bahwa kelompok kecamatan yang ditandai dengan nilai pusat cluster yang tinggi berarti tingkat partisipasi pendidikannya sudah bagus, hal ini berarti kesadaran masyarakat akan pendidikan di daerah tersebut sudah bagus, sebaliknya kecamatan dengan tingkat partisipasi yang rendah perlu mendapatkan perhatian dan tindak lanjut dari pemerintah dengan membuat kebijakan yang mengarah pada tingkat partisipasi pendidikan.
Kata kunci : analisis pengelompokkan, algoritma, FCM, Indeks XB, perangkat
lunak pendukung keputusan.
Thanks for Anindya ... and don't forget your friend's forever

Download

Klik dibawah ini untuk sosialisasi blog, Thanks...

Pendugaan Parameter Weibull menggunakan Regresi Linear

Statistic Weibull adalah model paling favorite saya. Bukan karena keluwesannya dalam menggambarkan banyak phenomena alami, Weibull juga memiliki banyak metode (pendekatan) dalam memprediksi parameter Distribusi Weibull. Ya, saya sanang menyukai pilihan dalam Weibull untuk menggambarkan metode pendugaan parameter sesuai dengan banyak telahaan. Dalam tulisan ini, saya ingin menunjukan contoh metode Regresi Linear dalam memprediksi Distribusi Weibull berparameter-2. Metode-metode yang lain seperti Maximum Likelehood atay Persentil akan didiskusikan di tulisan lain.
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

Oleh : Bapak Baharuddin (Jurusan Matematika, FMIPA, Universitas Haluoleo)
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

Peubah Boneka (Dummy variable) Dalam Analises Regresi Linier

Peubah boneka merupakan cara yang sederhana untuk menkuantifikasi variabel kualitatif
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

INTERVAL KONFIDENSI

Salah satu bentuk inferensi statistika (pengambilan kesimpulan) terhadap parameter populasi adalah estimasi.
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

PENDEKATAN KERNEL UNTUK DATA SPATIAL POINT PATTERN

Oleh : Nurita Andayani (Alumni Pasca Sarjana ITS )

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

PEMODELAN TIME SERIES INDEKS HARGA KONSUMEN DENGAN MENGGUNAKAN ARFIMA

Time series merupakan pengamatan terurut waktu atau barisan yang tergantung pada waktu dari observasi suatu variabel yang dapat diamati. Observasi yang diamati merupakan barisan bernilai diskrit yang diperoleh pada interval waktu yang sama, misalnya harian, mingguan, bulanan dan sebagainya. Untuk mendapatkan model dari data yang diperoleh dari observasi tersebut diperlukan suatu pemodelan time series.

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

BAB 1 BAB 2 BAB 3

BAB 4

MODEL ALTERNATIF PERAMALAN

studi kasus PRODUKSI
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