DATA
15112065
STATISTIK
Statistik adalah kumpulan angka yang sering disusun, diatur,
atau disajikan ke dalam bentuk daftar/tabel, sering pula daftar atau
tabel tersebut disertai dengan gambar-gambar yang biasa disebut
diagram atau grafik. Data yang diperoleh itu dapat berupa bilangan
yang melukiskan suatu persoalan.
Nilai
5
7
Frekuen
si
3
Banyak Pengunjung
Hari
10
6
8
ips
matemtika
ipa
bahasa
dalam
dan statistika
Statistika
yang
deskriptif
pengumpulan
memberikan
dan
adalah
metode
penyajian
informasi
suatu
inferensia.
berkaitan
gugus
data
dua
dengan
sehingga
membuat/
menarik
kesimpulan
tentang
Sedangkan
populasi
pengertian
atau
statistika
Statistik tidak lepas dari istilah data. Data adalah ukuran dari
variabel yang diperoleh dengan mengukur nilai satu atau lebih
variabel dalam sampel (atau populasi). Data dapat diklasifikasikan
menurut jenis, menurut dimensi waktu, dan menurut sumbernya.
Menurut jenisnya, data terdiri dari data kuantitatif dan data
kualitatif.
a. Data kuantitatif adalah data yang diukur dalam suatu skala
numerik (angka). Data kuantitatif dapat dibedakan menjadi:
1) Data interval, yaitu data yang diukur dengan jarak di
antara dua titik pada skala yang sudah diketahui.
Sebagai contoh: IPK mahasiswa (interval 0 hingga 4);
Sebagai
contoh:
persentase
jumlah
pada
di
tahun
Sumatera
2000;
Utara;
persentase
pertumbuhan
penduduk
ekonomi
Sumatera Utara
b. Data kualitatif, adalah data yang tidak dapat diukur dalam
skala numerik. Namun karena dalam statistik semua data
harus dalam bentuk angka, maka data kualitatif umumnya
dikuantifikasi
agar
dapat
diproses.
Kuantifikasi
dapat
luar
instansi
atau
perusahaan
tersebut.
Data
ekstern
dan
belum pernah
diolah
yang beru
mentah.
Sebelum menggunakan statistika ada beberapa konsep atau
pengertian dasar yang perlu diketahui. Hal ini sangat dibutuhkan
dalam rangka memudahkan memahami proses, teknik-teknik, dan
prosedur
yang
tersedia.
Selain
itu,
akan
memudahkan
pula
tepat
dilaksanakan,
serta
sesuai
sehingga
tidak
dengan
akan
disain
terjadi
penelitian
kesalahan
yang
dalam
dan
rasio.
Skala
nominal
hanya
dipakai
untuk
Sampel
Misalnya
kita
ingin
meneliti
tentang
penelitian
yang
dipilih.
Populasinya
adalah
seluruh
petani
pada
pengukuran-pengukuran
non
fisik,
atau
minatnya
tinggi,
alat
pengukuran
yang
1. t - students
2. ^2 chi squares
3. Fisher
Distribusi t-student merupakan uji statistik yang meninjau distribusi mean
dari sample populasi tersebut. Nilai t untuk sebarang populasi didefinsikan
sebagai:
t =( p )/ X
(1)
Kita tahu bahwa nilai mean dan standar deviasi dari suatu sampel akan
berbeda untuk setiap ukuran sampel N, sehingga nilai t akan bergantung
pada nilai N.
1
[ ( N +1)]
2 ( N+1)/ 2
2
t
f (t)=
[1+ ]
1
N
N
(
N
)
(2)
Dengan variansi :
2t =N (N2)
(3)
dari
sample
populasi.
Untuk
distribusi
X^2
didefinisikan sebagai :
N
= ( X j j)2 / 2j
(4)
2=N 2 / 2
(5)
j=1
chi
square
v=
2/ v
(6)
2 adalah
2N / 2
f ( 2)=
Gambar 3. Kurva
(6)
f ( 2)=
(6)
2 /v 2
()=
2v 1
( )
2
v 2
(7)
( 21 /v 1)
F 12 =
N
N
(N 1)
1
2
2
[ ( N 1 + N 2 )] N 12 N 12
F 12
2
f (F )=
1
(N +N )
1
1
2
( N 1) ( N 2 )(N 1 F + N 2) F 12
2
2
1
(8)
STATISTIK SPASIAL
Statistik
spasial
merupakan
sekumpulan
teknik
untuk
Autokorelasi Spasial
Autokorelasi secara bahasa berarti suatu variabel memiliki korelasi
terhadap dirinya sendiri. Definisi paling sederhana dari autokorelasi
adalah sepasang objek yang jaraknya dekat lebih mungkin memiliki
nilai yang mirip, sedangkan objek dengan jarak yang jauh akan
memiliki nilai yang jauh dari mirip. Struktur spasial dari data
bervariasi pada pola apapun yang ada, contohnya gradien atau
clusters memiliki autokorelasi positif, sedangkan korelasi negatif akan
terjadi apabila terdapat pola checkerboard. Ketika suatu data
terautokorelasi secara spasial, menjadi mungkin untuk memprediksi
nilai suatu lokasi berdasarkan nilai yang diambil dekat dengan lokasi
data tersebut. Tidak adanya autokorelasi menandakan bahwa datadata yang ada merupakan data independen.
Terdapat dua alasan mengapa terjadi autokorelasi. Yang pertama
merupakan alasan spurious. Spurious autocorrelation merupakan
hasil ketika pada suatu desain percobaan, sampel tidak dipilih secara
benar-benar random. Real autocorrelation dapat didefinisikan sebagai
alasan dari interkasi dari suatu variabel dengan dirinya sendiri
(univariate) atau dengan variabel indepen (multivariate) berdasarkan
sifat-sifat dasar variabel tersebut.
(x ix )2
S 2x = i=1
(9)
n1
(x ix )( yi y )
S 2xy = i=1
Dimana
(10)
n1
x dari i hingga n,
banyaknya sampel,
variabel y.
Koefisien korelasi juga menunjukkan nilai yang mengindikasikan
betapa besar dua variabel saling terasosiasi. Membagi hasil variansi
dari setiap variabel akan menghasilkan nilai antara -1 sampai 1,
dimana nlai antara 0 dan 1 mengindikasikan asosiasi positif antar
variabel dan nilai antara 0 dan -1 mengindikasikan asosasi negatif
sedangkan 0 berarti tidak ada korelasi antar variabel. Koefisien
korelasi biasanya menggunakan koefisen korelasi Pearson yaitu
N
( xi x )( y i y )
r= i=1
(11)
sxsy
dan
perhitungan
nilai
rata-ratanya
variansi
dan
sebagaimana
fungsi
korelasi,
dilakukan
fungsi
pada
spasial
korelasi
dikatakan
correlograms.
Untuk
membentuk
2W h=1 i=1
dengan
(12)
dari seluruh nilai whi pada matriks bobot, n = jumlah sampel, whi =
elemen bobot sebagai matriks dari jarak, yh, yi = sepasang poin
sampel.
Vairogram klasik seperti pada Gambar 2 dihitung berdasarkan data
inependen, dimana semi-variansi meningkat seiring dengan jarak
antara titik/lag meningkat. Terdapat beberapa istilah, yaitu range
sebagai
jarak
lag
ketika
data
menjadi
independen,
sill
I ( d)=
1
w ( y y )( y i y )
W h =1 i=1 hi h
(13)
1
( y i y )2
n i=1
berbagai
jenis
analisis,
termasuk
analisis
pola,
bentuk,
statistik
untuk
menggunakan
mengetes
metode-metode
hipotesa
dari
ini
Complete
biasa
Spatial
3. Areal Data
Terdapat metode untuk menganalisis data atribut yang merujuk pada
suatu poligon (area) yaitu
o Spatial moving averages
o Kernel estimation
o Spatial autocorrelation (Morans I, Gearys c)
o Spatial correlation and regression
Bermacam model dikembangkan untuk spatial correlation dan
regression. Berbagai metode juga dikembangkan untuk tipe-tipe
khusus dari suatu data area (misalnya : counts, proportions).
4. Interaction Data
beberapa
metode
yang
telah
dikembangkan
untuk
rata terdekat untuk semua titik dan mengasumsikan semua titik pada
area survei telah diukur. Setelah itu, jarak rata-rata terdekat tersebut
dibandingan dengan nilai rata-rata-rata dari hipotesa awal dimana
distribusi poinnya masih dalam bentuk acak. Hasil dari nilai rata-rata
hasil observasi dapat bervariasi dari nilai rata-rata hipotesa awal. Hal
ini menggambarkan apakah titik tersebut terpisah, acak, atau
terkelompok. Suatu nilai z digunakan untuk mengetes apakah suatu
pola spasial dikatakan acak atau justru jauh dari kata acak.
distribusi
dari
variable
yang
kontinu
seperti
dan
splining
menggunakan
fungsi
spesifik
untuk
WAVELET
Wavelet merupakan suatu model matematika yang digunakan untuk
memperlajari fenomena fisik yang ada di dunia dengan konsep
matematik. Konsep ini dapat melihat sebuah fenomena menjadi hal
yang lebih sederhana dan menggunakan perangkat matematik untuk
mendapatkan pemahaman yang lebih baik dari perbedaan fenomena
yang terjadi di dunia ini.
Konsep tentang penyederhanaan suatu fenomena menggunakan
konsep
matematika
yang
kemudian
direpresentasikan
dan
FT
frekuensi
STFT
Waktu-
WT
Skala-
frekuesi
pergesera
Fungsi
Sinusoid
Sinusoid
n
Fungsi
Basis
kompleks
kompleks
wavelet
dimodulasi
induk
fungsi
(mother
jendela
function)
sembaran
Resolusi
Tidak ada
Waktu
g
Konstan
Baik untuk
untuk
skala
semua
rendah
frekuensi
(frekuensi
Resolusi
Sangat
Konstan
tinggi)
Baik untuk
Frekuensi
baik
untuk
skala
semua
rendah
frekuensi
(frekuensi
tinggi)
Wavelet
merupakan
suatu
gelombang
dengan
durasi
terbatas
sebagai sebuah fungsi osilasi dari waktu (space) yang memiliki nilai
rata-rata nol. Karakteristik dari wavelet antara lain adalah berosilasi
singkat, translasi (pergeseran), dilatasi (skala), dapat berbentuk tidak
simetris, iiregular, dan durasinya terbatas. Sebagai sebuah fungsi
matematika wavelet dapat menguraikan data atau fungsi menjadi
komponen-komponen frekuensi yang berbeda-beda.
dan
analisis
frekuensi
menggunakan
variasi
dilatasi
(b)
(c)
s ( u )=|s|
( us )=|s1| ( us )
p
(14)
hasil
turunan
merupakan
fungsi
wavelet
induk
yang
s ,t ( u )= s ( ut )=|s|
dimana L2 ( R ) , sehingga
(15)
s ,t
L2 ( R )
f ( s , t ) = f ( u ) s , t ( u ) du= s ,t , f >
Persamaan
di
atas
merupakan
formulasi
(16)
matematika
dari
Self-similarity
Wavelet melakukan konvolusi yaitu penggabungan sinyal antara
fungsi asli dengan mother function dan menggeser fungsi basis
untuk mencari korelasi yang paling dekat antara kedua fungsi
tersebut. Dalam melihat korelasi tersebut akan didapatkan nilai yang
besarnya menunjukkan tingkat korelasi atau kemiripan pada 2 fungsi
tersebut.
Well localized
Wavelet
dapat
mengaproksimasi
sinyal
menggunakan
suatu
Multi resolution
Sinyal yang asli dapat direkonstruksi menggunakan koefisien yang
dihasilkan dari proses filtering dalam frekuensi tertentu. Hal ini dapat
dilakukan dengan memotong nilai koefisien tersebut dalam ambang
batas (threshold) tertentu. Kemampuan ini biasa disebut multi
resolution yang dilakukan dengan memperbesar dan memperkecil
matriks fungsi basis dari wavelet.
Pada dasarnya transformasi wavelet dapat dibedakan menjadi 2 tipe
berdasarkan nilai parameter translasi dan dilatasinya. Tipe dari
transformasi wavelet tersebut adalah sebagai berikut:
filter,
reconstruction
filter.
menggunakan
faktor
high
pass
Dilatasi
dan
integer
decomposition
translasi
pangkat
filter,
dilakukan
yaitu
dan
dengan
2,4,8,16,dst.
1
tb
dt ; a=2 j , b=k 2 j , ( j , k ) Z z
a
a
( )
(17)
dan
selanjutnya
masing-masing
komponen
tersebut
subband
frekuensi
yang
berasal
dari
hasil
proses
semakin
sempurna
hasil
rekosntruksinya.
Secara
Scaling Function
Wavelet Function
en
Nama
Low Pass
High Pass
Reconstruction Filter
1
x
j , k ( x )= j j k ,
2 2
Reconstruction Filter
1
x
j , k ( x )= j j k ,
2 2
Lain
Persam
aan
Sifat
Fungsi
jZ,k Z
jZ,k Z
( x ) dx=1
( x ) dx=0
Menentukan
Menentukan detail
aproksimasi (A)
(D)
1
tb
dt ; a >0 ,(a , b) R
a
a
( )
(18)
dari
suatu
kejadian
dalam
sinyal
diperoleh
dengan
(19)
KALMAN FILTER
Kalman filter adalah suatu alat yang digunakan untuk mengestimasi
linear-quadratic problem yang mana inti permasalahannya adalah
mengestimasi nilai/keadaan (state) dari sistem dinamik linier dari
pengukuran yang berhubungan linier dengan nilai state yang
dimaksud
(Grewal,
2001).
Kalman
filter
digunakan
untuk
mengestimasi nilai yang dianggap benar dari suatu data dari mulai
data masih dikumpulkan (co-processing) dengan parameter berupa
hasil
ukuran
dan
ketidakpastiannya
(uncertainty).
Kalman
filter
serta
kombinasinya.
Metode
ini
memungkinkan
untuk
Eest
E est + Emea
(20)
(21)
(22)
(23)
(24)
tersebut,
A adalah matriks
yang
noise
pada
pengukuran
dan
adalah
matrik
yang
(6)
Pk H
H Pk HT + R
(25)
x k =x kp + K (z k H x kp )
(26)
Pk =(1KH ) Pkp
(27)
beserta
persamaan
kovariansi
measurement
pada
waktu
update
berikutnya,
bertugas
untuk
sementara
menghitung
seluruhnya
http://bilgin.esme.org/BitsBytes/KalmanFilterforDummies.aspx.
dari
Pada
0.2
Error (Pk)
0.1
0
0
10
12
yang
sifatnya
deret
waktu
dan
juga
untuk
memaksimalkan
DAFTAR PUSTAKA
Bogdan, Robert, C., Biklen, Sari, K. 1998. Qualitative Research in
Education, an Introduction toTheory and Methods, Third Edition, Boston,
Allyn and Bacon.
Faragher, R. 2012 Understanding the Basis of the Kalman Filter Via a
Simple and Intuitive Derivation. IEEE Signal Processing Magazine pp128132
Grewal et al. 2001. Kalman Filtering: Theory and Practice Using MATLAB
2nd Ed.
http://bilgin.esme.org/BitsBytes/KalmanFilterforDummies.aspx diakses 15
Desember 2015
Pierre,
1993.
Spatial
Autocorrelation:
Trouble
or
New