MAKALAH
Digunakan untuk memenuhi tugas mata kuliah GD5102 Teknik Analisis Data
Disusun oleh:
Wachid Nuraziz Musthafa
15112043
BAB I
PENDAHULUAN
analisis
yang
dipakai
untuk
menganalisis
data
dengan
Dalam makalah ini akan dibahas mengenai beberapa metode yang cukup sering
digunakan dalam analisis data. Metode-metode ini juga sangat menunjang proses
pengolahan data yang berhubungan dengan data-data spasial. Metode-metode tersebut
diantaranya adalah statistik, statistik spasial, wavelet, dan kalman filter.
I.2 Rumusan Masalah
Berdasarkan latar belakang yang sudah diuraikan di atas, beberapa masalah yang
ingin dibahas dalam makalah ini adalah sebagai berikut:
1. Apa yang yang dimaksud dengan metode analisis data statistik, statistik
spasial, wavelet, dan kalman filter?
2. Mengapa metode-metode tersebut digunakan dalam analisis data?
3. Bagaimana metode-metode tersebut diterapkan dalam proses analisis data?
I.3 Tujuan
Makalah yang berjudul Metode Analisis Data ini memiliki tujuan yang ingin
dicapai yaitu mengetahui penggunaan metode-metode tersebut dalam analisis data
sesuai dengan pengertiannya, sebab digunakannya, dan cara penggunaannya.
BAB II
METODE ANALISIS DATA
merupakan
pengetahuan
yang
berhubungan
dengan
cara-cara
deskriptif
adalah
metode
yang
dan statistika
berkaitan
dengan
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: usia produktif (interval 15 hingga
55 tahun); suhu udara dalam Celcius (interval 0 hingga 100 derajat).
2) Data rasio, yaitu data yang diukur dengan suatu proporsi. Sebagai contoh:
persentase jumlah usia kerja di Propinsi Sumatera Barta; tingkat pendidikan
rata-rataIndonesia pada tahun 2000.
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 dilakukan
dengan mengklasifikasikan data dalam bentuk kategori. Data kualitatif dapat
dibedakan menjadi:
1) Data nominal, yaitu data yang dinyatakan dalam bentuk kategori. Salah satu
contohnya adalah kategori untuk kota besar di Indonesia yaitu:
Angka yang menyatakan kategori ini menunjukkan bahwa posisi data sama
derajatnya. Dalam contoh di atas, angka 4 tidak berarti kota besar nilainya
lebih tinggi dibanding kota kecil yang angkanya 1. Angka ini sekedar
menunjukkan kode kategori yang berbeda.
2) Data ordinal, yaitu data yang dinyatakan dalam bentuk kategori, namun posisi
data tidak sama derajatnya karena dinyatakan dalam skala peringkat. Sebagai
contoh, dalam skala likert.
Berdasarkan cara perolehannya data kuantitatif dibedakan menjadi data diskrit
dan data kontinu. Data-data yang diperoleh dari hasil menghitung atau membilang
termasuk dalam data diskrit, sedangkan data-data yang diperoleh
dari hasil
Dengan
(1)
, N adalah jumlah data,
Median atau nilai-tengah adalah salah satu ukuran pemusatan data, yaitu, jika segugus
data diurutkan dari yang terkecil sampai yang terbesar atau yang terbesar sampai
yang terkecil, nilai pengamatan yang tepat di tengah-tengah bila jumlah datanya
ganjil, atau rata-rata kedua pengamatan yang di tengah bila banyaknya pengamatan
genap. Contoh perhitungannya Untuk data 9,10,8. Pertama data diurutkan menjadi 8,
9,10. Sehingga dengan mudah diketahui median adalah 9
Modus adalah nilai yang memiliki frekuensi terbanyak dalam seperangkat data.
Modus untuk data yang disusun dalam bentuk kelas interval (data berkelompok) bisa
ditentukan berdasarkan nilai tengah kelas interval yang memiliki frekuensi terbanyak.
(
(2)
Mo adalah modus, b adalah batas bawah kelas interval dengan frekuensi terbanyak, p
adalah panjang kelas interval, b1 = frekuensi terbanyak dikurangi frekuensi kelas
sebelumnya, b2 = frekuensi terbanyak dikurangi frekuensi kelas sesudahnya.
Hubungan dari mean, median dan modus dapat digunakan untuk mengetahui kurva
poligon distribusi frekuensi data observasi. Terdapat beberapa kondisi, yaitu :
a.
b.
c.
Ukuran penyebaran memberikan gambaran seberapa besara data menyebar dalam
kumpulannya. Melalui ukuran penyebaran dapat diketahui seberapa jauh data-data
menyebar dari titik pemusatannya. Ukuran-ukuran penyebaran yang sering digunakan
antara lain : range/jangkauan, jangkauan antar kuartil dan varians.
Range merupakan selisih data yang terbesar dengan yang terkecil, range cukup baik
digunakan untuk mengukur penyebaran data yang simetrik dan nilai datanya
menyebar merata. Ukuran ini menjadi tidak relevan jika nilai data maksimum dan
minimumnya merupakan data-data yang ekstrem.
Jangkauan antar kuartil mengukur penyebaran 50% data di tengah-tengah setelah data
diurutkan. Ukuran penyebaran ini meruapakan ukuran penyebaran data yang
terpangkas 25% yaitu membuang 25% data yang terbesar dan 25% data yang terkecil.
Jangkauan antar kuartil sangat baik digunakan bila data yang dkumpulkan banyaj
mengandung data pencicilan. Jangkauan antar kuartil merupakan selisih antara kuartil
atas dengan kuartil bawah. Ukuran ini biasanya dirumuskan seperti pada persamaan
di bawah ini:
JAK=k3-k1
(3)
dimana n <
. sedangkan
Distribusi normal baku adalah distribusi normal yang memiliki rata-rata nol dan
simpangan baku satu. Distribusi ini juga dijuluki kurva lonceng (bell curve) karena
grafik fungsi kepekatan probabilitasnya mirip dengan bentuk lonceng.
Distribusi normal memodelkan fenomena kuantitatif pada ilmu alam maupun ilmu
sosial. Distribusi normal banyak digunakan dalam berbagai bidang statistika,
misalnya distribusi sampling rata-rata akan mendekati normal, meski distribusi
populasi yang diambil tidak berdistribusi normal. Distribusi normal juga banyak
digunakan dalam berbagai distribusi dalam statistika, dan kebanyakan pengujian
hipotesis mengasumsikan normalitas suatu data.
Contoh distribusi normal :
(4)
(5)
(6)
Dimana, 2 adalah distribusi chi-square, r adalah r = banyak ukuran lebih (degree of
freedom/derajat kebebasan) , S2 = variansi sampel, 2 = variansi populasi
Distribusi chi-square (2 ) digunakan untuk menentukan selang (range) di dalam
mana diharapkan nilai variansi populasi berada, berdasarkan :
adalah
Gambar 2. Kurva
3. Distribusi t (student)
(7)
Pola distribusi ini digunakan untuk membandingkan nilai rerata populasi dengan nilai
rerata sampel berdasarkan banyak ukuran lebih (degree of freedom) pada sampel.
Distribusi t banyak digunakan untuk hal-hal mengenai mean suatu populasi juga
mengenai perbandingan mean-mean beberapa sampel.
Karakteristik dari distribusi t (t-distribution)
Bentuk distribusi t mirip seperti distribusi Normal, berbentuk genta dan simetris
dengan nilai t = 0 pada titik tengahnya.
Distribusi t mempunyai ragam yang lebih lebar dibanding dengan distribusi
normal. Nilai ragamnya > 1 sedangkan ragam Distribusi Normal = 1.
Mempunyai derajat bebas (n-1), dimana n adalah ukuran sampel.
Apabila ukuran sampel semakin besar, bentuk distribusi-t hampir mendekati
distribusi Normal. Hal ini dikarenakan dengan semakin besarnya ukuran sampel,
maka nilai ragamnya akan mendekati 1.
Distribusi t-student merupakan uji statistik yang meninjau distribusi mean dari
sample populasi tersebut. Nilai t untuk sebarang populasi didefinsikan sebagai:
X
(8)
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.
(9)
(10)
(11)
(12)
Tabel
Tabel adalah daftar yang berisi ikhtisar sejumlah data-data informasi yang biasanya
berupa kata-kata maupun bilangan yang tersusun dengan garis pembatas. Tabel atau
daftar yang dapat berbentuk:
- Daftar baris kolom
- Daftar kontingensi
Kecamatan
Luas (m2)
Coblong
5600
Andir
3657
b. Diagram
Bagan / Diagram adalah suatu gambaran/sketsa buram untuk memperlihatkan atau
menerangkan sesuatu. Data maupun informasi yang ingin disampaikan direalisasikan
melalui
beragam, antara lain: lingkaran, garis, pohon, dan batang. Contoh dari penyajian data
dalam bentuk diagram dapat dilihat pada Gambar 5 di bawah ini.
struktur spasial ini dapat dilakukan dengan mendeskripsikan dan memodelkan data
spasial. Selain itu digunakan juga unsur keruangan dan hubungan spasial seperti
jarak, luas, volume, panjang, tinggi, orientasi, dll secara langsung dalam perhitungan
matematisnya. Secara umum statistik spasial lebih memberikan data-data spasial dan
digunakan untuk mendeteksi pola-pola spasial, jarak yang lebih kompleks daripada
statistik biasa.
Seperti yang sudah dijelaskan sebelumnya bahwa statistik spasial dapat digunakan
untuk mendeskripsikan karakteristik, dan memahami pola spasial (Arcbald 2015).
Statistik spasial digunakan pada berbagai jenis analisis, termasuk analisis pola,
bentuk, pemodelan dan prediksi permukaan, regresi spasial, komparasi statistik antara
dua set data, pemodelan statistik, prediksi dari interaksi spasial dan banyak lagi. Tipe
dari statistik spasial adalah deskriptif, inferential, exploratory, geostatistikal, dan
economoctric.
Tujuan utama statistik spasial adalah :
1. Mendeksripsikan pola spasial (exploration)
2. Mengetes hipotesis suatu pola (inference)
3. Memprediksi pola (mapping atau interpolation)
Dalam mempelajari statistik spasial perlu diketahui beberapa konsep yang digunakan
sebagai dasar untuk menjelaskan fungsi dari statistik spasial itu sendiri diantaranya
sebagai berikut:
Autokorelasi spasial
Autokorelasi sendiri dapat diartikan sebagai suatu variabel yang memiliki korelasi
terhadap dirinya sendiri. Ilustrasi sederhana dari konsep ini ditunjukkan oleh Gambar
6 di bawah ini.
hubungan tersebut dapat diturunkan persamaan untuk mendapatkan nilai harapan dan
hasil variansi dari dua variabel seperti pada persamaan 13 di bawah ini.
Dimana
(13)
= sampel variansi dari variabel xi. xi = nilai dari variabel x dari i hingga n,
= sampel kovariansi
antara variabel x dan y, yi = nilai dari variabel y dari i hingga n, = rata-rata sampel
dari variabel y.
Di sisi lain koefisien korelasi juga dapat menunjukkan nilai yang mengindikasikan
betapa besar dua variabel saling berhubungan. Nilai ini biasanya ditunjukan dengan 0
sampai 1 untuk mengindikasikan asosiasi positif antarvariabel dan 0 sampai -1 untuk
asosiasi negative, serta 0 jika tidak ada korelasi antarvariabel. Persamaan 14 ini
menggambarkan koefesien korelasi Pearson.
(14)
Dimana r = sampel dari koefisien korelasi antara variabel x dan y dan dan sxsy =
produk dari variansi variabel x dan y.
Perhitungan dan representasi suatu nilai sampel berdasarkan interval jarak yang
berbeda-beda akan menjadi lebih informatif karena struktur spasial dari data tersebut
akan lebih terlihat. Jarak antarsampel ini biasa disebut lag yang ditentukan
berdasarkan priori. Setiap titik yang sudah digambarkan akan merepresentasikan
variansi atau korelasi untuk keseluruhan titik pada interval tertentu. Penggambaran
atau pengeplotan semi-variansi dikatakan sebagai variogram sedangkan pengeplotan
dari koefisien korelasi disebut dengan correlograms. Kedua hasil tersebut biasa
digambarkan dengan memberntuk suatu matriks jarak antartitik yang ada.
Hasil pengeplotan sebuah semivariansi terhadap fungsi jarak biasa disebut semivariogram. Semivariansi ini akan menunjukkan tentang perbedaan dari suatu subjek
diantara satu variabel dengan kovariansi yang mengukur hubungan anatar satu atau
lebih variabel. Semi-variansi biasanya tidak dinormalisasi seperti pada korelasi.
Variogram digambarkan oleh Grearys C melalui persamaan di bawah ini.
dengan
(15)
whi pada matriks bobot, n = jumlah sampel, whi = elemen bobot sebagai matriks dari
jarak, yh, yi = sepasang poin sampel.
Salah satu contoh dari variogram adalah variogram klasik yang dihitung berdasarkan
data independen dimana semi-variansinya meningkat seiring dengan jarak antartitik
atau lag yang bertambah. Istilah yang sering digunakan dalam konsep variogram
adala range yang menunjukkan jarak lag ketika data menjadi independen, sill yang
merepresentasikan nilai variansi yang berhubungan terhadap range, nugget adalah
jarak pada sumbu y antara titik 0 dan perpotongannya pada nilai y yang
merepresentasikan variabilitas yang tidak dapat dihitung karena masih terdapat error.
Sedangkan rumus untuk menghitung autokorelasi spasial pada suatu variabel
kuantitatif tunggal dirmuskan oleh Morans I sebagai
(16)
Berdasarkan tipe datanya Balley dan Gatrel (1995) membagi teknik analisis data
menjadi 4 kategori yaitu:
1. Point Pattern Data
Metode ini biasanya digunakan untuk menganalisis distribusi spasial dari
suatu fenomena yang dapat dimodelkan secara diskrit. Beberapa metode yang
dikembangkan diantaranya:
Quadrat analysis
Kernel estimation
K-function
Kernel estimation
Procrustes analysis
Cluster analysis
Canonical correlation
3. Areal Data
Metode ini digunakan untuk menganalisis data atribut pada suatu poligon atau
area tertentu. Bebrapa metode yang dikembangkan diantaranya:
Kernel estimation
4. Interaction Data
Metode ini dikembangkan untuk mempelajari interaksi berdasarkan model
gravitasi, yang menyatakan bahwa tingkat interaksi antar dua tempat adalah
fungsi dari ukurannya dan berbanding terbalik dengan jarak antar keduanya.
Jarak dapat diukur dengan suatu garis lurus pada suatu jaringan.
Metode yang paling general adalah trend analysis yang mencocokkan suatu
polynomial terhadap titik-titik hasil observasi untuk menghasilkan permukaan yang
bagus. Metode lain untuk menginterpolasi ini bervariasi mulai dari kriging, splining
Berdasarkan gambar di atas fungsi dari wavelet yang terkait dengan penyederhanaan
fenomena menggunakan konsep matematika dapat dibedakan menjadi dua hal yaitu
representasi dan rekonstruksi fungsi serta representasi multi resolusi.
Wavelet dikembangkan karena dapat memberikan solusi yang lebih kuat dan fleksibel
dalam mendiskritasi fungsi dan merekonstruksi ulang. Wavelet dikembangkan
sebagai suatu solusi yang lebih untuk menanggulangi keterbatasan dari transformasi
fourier. Transformasi wavelet merupakan pengembangan dari STFT (Short Time
Fourier Transform). Hal ini terjadi karena untuk melakukan pengamatan pada
komponen spektral berbeda, STFT menggunakan fungsi jendela dengan lebar yang
sama sehingga resolusi waktu dan frekuesni yang buruk pada komponen berfrekuensi
tinggi. Secara umum perbedaan dari Fourier transform, wavelet transform, dan STFT
dapat dilihat pada tabel 2 di bawah ini.
Table 2. Perbandingan transformasi Fourier (FT), transformasi Fourier jangka pendek
(STFT), dan transformasi wavelet (WT)
Komponen
FT
STFT
WT
Domain
Frekuensi
Waktu-frekuesi
Skala-pergeseran
Fungsi Basis
Sinusoid kompleks
wavelet
dimodulasi
(mother
fungsi induk
jendela sembarang
Resolusi Waktu
Tidak ada
Konstan
function)
semua frekuensi
rendah
(frekuensi
tinggi)
Resolusi Frekuensi
Sangat baik
Konstan
(frekuensi
semua 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 komponenkomponen frekuensi yang berbeda-beda.
Gambar 9. Perbedaan antara gelombang sinus yang tak berhingga dan wavelet dengan
panjang berhingga
Transformasi wavelet merujuk pada aproksimasi sinyal menggunakan suatu
gelombang singkat yang mengalami translasi dan dilatasi untu keperluan analisis
frekuensi temporal sinyal. Analisis temporal dilakukan menggunakan variasi lokal
gelombang singkat pada waktu tertentu dan analisis frekuensi menggunakan variasi
dilatasi gelombang singkat yang sama.
Wavelet menggunakan suatu fungsi dasar atau fungsi induk (mother function) yang
memiliki skala yang bervariasi. Fungsi induk ini akan digunakan sebagai dasar untuk
menurunkan fungsi-fungsi lainnya untuk analisis lokasi dan frekuensi tertentu.
Berberapa fungsi induk yang sering digunakan adalah wavelet Haar dan Daubechies.
Fungsi tersebut dapat digambarkan dalam domain frekuensi seperti Gambar 10 di
bawah ini.
(a)
(b)
(c)
Gambar 10. (a) Wavelet Induk Haar, (a) Wavelet Induk Daubechies-2, (c) Wavelet
Induk Daubechies-3
Funsi induk dapat didefinisikan dalam lebar dari fungsi modulasi sehingga akan
mempunyai skala yang tidak pasti serta lokalisasi waktu yang baik. Selanjutnya perlu
mendefinisikan sebuah fungsi sebagai kandidat dari fungsi modulasi dengan
menentukan > 0 dan untuk semua s , s 0 yaitu :
| |
( )
( )
| |
(17)
Jika memiliki lebar T sehingga lebar dari s = sT. Fungsi modulasi dengan faktor
1/|s| akan bertambah amplitudonya ketika skalanya s berkurang atau sebaliknya.
Dalam konteks frekuensi, untuk skala yang kecil s, fungsi modulasi akan memiliki
frekuensi yang besar atau sebaliknya.
Fungsi hasil turunan merupakan fungsi wavelet induk yang mengalami translasi atau
dilatasi atau telah dilokalisasi dalam waktu. Untuk menyatakan hubungan antara
induk wavelet dan fungsi turunannya dapat diberlakukan persamaan 18 dibawah ini:
| |
dimana L2 ( R ) , sehingga
L2 ( R )
| |
(18)
(19)
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:
Discrete Wavelet Transform (DWT)
o Undecimated Discrete Wavelet Transform (UDWT)
o Conventional Discrete Wavelet Transform (CDWT)
Continuous Wavelet Transform (CWT)
Transformasi wavelet diskrit menggunakan 3 filter yaitu low pass decomposition
filter, high pass decomposition filter, dan reconstruction filter. Dilatasi dan translasi
dilakukan dengan menggunakan faktor integer pangkat 2 yaitu 2,4,8,16,dst.
Transformasi ini memiliki kemampyan untuk menganalisis suatu data dalam domain
waktu dan frekuensi secara simultan. Analisis data dapat dilakukan dengan
mendekomposisikan suatu sinyal ke dalam komponen-komponen frekuensi yang
berbeda-beda yang selanjutnya dapat dianalisis sesuai dengan skala resolusi atau level
dekomposisi yang digunakan. Hal ini dapat digunakan untuk melihat dimana sinyal
tersebut dalam domain waktu dapat dilewatkan ke dalam high pass atau low pass
untuk memisahkan komponen frekuensi tinggi dan rendahnya.
Koefisien dari transformasi wavelet diskrit secara matematis dapat dinyatakan
sebagai berikut:
(20)
Transformasi wavelet diskrit dapat dilakukan dalam dua tahap yaitu dekomposisi dan
rekonstruksi. Proses dekomposisi adalah mengurai suatu sinyal ke dalam komponenkomponen subband frekuensi yang berbeda dan selanjutnya masing-masing
komponen tersebut dianalisis sesuai dengan skala resolusinya atau level
dekomposisinya. Pada prosesnya sinyal akan dilewatkan pada wavelet decomposition
filter yaitu high dan low. Hasil keluaran yang didapat dari Low pass filter adalah
koefisien cA dan untuk high pass filter adalah koefisien cD. Proses filtering dapat
dilihat pada skema seperti yang tersaji pada gambar 11 di bawah ini.
Gambar 20. Skema dekomposisi dan rekonstruksi sinyal dengan menggunakan DWT.
Menurut D Lee Fugal, High pass reconstruction filter sering disebut wavelet function
sedangkan untuk low pass reconstruction filter disebut scaling factor. Perbedaan
diantara keduanya dapat dilihat dalam Tabel 3 di bawah ini.
Tabel 3. Komponen fungsi transformasi wavelet diskrit
Komponen
Scaling Function
Wavelet Function
Nama Lain
Persamaan
Sifat
Fungsi
(21)
Dimana transformasi ini ditentukan oleh nilai parameter dilatasi (a) dan translasi (b)
yang bervariasi secara kontinu.
Dilatasi dilakukan dengan ukuran skala untuk mendapatkan frekuesni yang sama
dengan anomali atau kejadian lain. Sedangkan translasi atau pergerseran dilakukan
dalam domain waktu sehingga dapat sejajar dengan kejadian yang dianalisis.
Informasi tentang kapan dan frekuenis dari suatu kejadian dalam sinyal diperoleh
dengan mengetahui skala dilatasi dan besar pergeseran saat wavelet tersebut sejajar
dan berkorelasi dengan kejadian tersebut. Hal ini dapat ditunjukkan dengan nilai
korelasi (C(a,b)):
(22)
nilai/keadaan (state) dari sistem dinamik linier dari pengukuran yang mempunyai
hubungan
linier
dengan
nilai
state
yang
sudah
dimaksud
sebelumnya
(Grewal,2011). Dengan metode ini nilai yang dianggap benar dari suatu data dari
pengumpulan (co-processing) dapat diestimasi dengan parameter berupa hasil ukuran
dan ketidakpastian (uncertainty).
Kalman filter disusun oleh persamaan-persamaan matematika yang digunakan untuk
menghitung nilai state secara rekursif dengan prinsip kuadrat terkecil atau least
squares (Welch, 2006). Gambar 13 di bawah ini dapat menunjukkan proses
terbentuknya Kalman filter yang diperoleh berdasarkan prinsip-prinsip matematika.
Kalman gain merupakan bobot yang didapatkan dari perbandingan nilai error
estimasi dengan nilai error total (error estimasi + error pengukuran) seperti yang
ditunjukkan persamaan 1. Nilai Kalman gain ini dapat bervariasi dari 0 sampai 1 yang
menandakan kualitas dari pengukuran dan stabilitas sistem. Nilai ini akan digunakan
untuk menghitung nilai aktual berdasarkan nilai sebelumnya seperti yang ditunjukkan
pada persamaan 2.
Sebagai contoh jika nilai error pengukuran kecil maka KG akan mendekati 1, dengan
bobot yang besar maka pengukuran akan dianggap benar. Hal ini menyebabkan nilai
state yang abru akan mendekati hasil ukuran. Nilai Kalman gain akan semakin
menurun sebanding dengan konvergennya estimasi state pada suatu nilai/ harga.
Setelah itu nilai error estimasi baru akan dihitung dengan persamaan 3. Proses
tersebut merupakan penggabaran dari bagaimana Kalman filter bekerja.
Berikut ini akan dijelaskan bagaimana Kalman filter mencoba mengestimasi nilai
state yang baru berdasarkan suatu model proses seperti yang ditunjukkan oleh
persamaan 26 dan 27 di bawah ini.
(26)
dan suatu model pengukuran
(28)
di mana
xk adalah vektor state yang mengandung parameter sistem yang ingin diestimasi,
uk adalah vektor kontrol yang mengandung variable yang mengontrol state,
wk adalah vektor yang menyatakan noise pada modelestimasi tersebut,
A adalah matriks yang menghubungkan estimasi pada k-1 dengan estimasi pada k,
vektor
noise
pada
pengukuran
dan
adalah
matrik
yang
BAB III
PENUTUP
III.1
Kesimpulan
Berdasarkan uraian yang sudah dibahas pada Bab sebelumnya didapatkan beberapa
kesimpulan diantaranya sebagai berikut:
1.
2.
Statistik spasial merupakan aplikasi dari konsep statistik dan metode untuk
mendekati dan memahami yang secara eksplisit memiliki struktur spasial.
3.
4.
III.2
Saran
Proses analisis data yang dilakukan untuk mendapatkan suatu kesimpulan terhadap
suatu masalah harus dilakukan dengan menggunakan metode-metode yang ada
dengan mempertimbangkan karakteristik data yang didapat serta kesimpulan yang
akan diambil.
DAFTAR PUSTAKA