Set -2 - Survei Deformasi Struktur

2
MACAM-MACAM MODEL MATEMATIKA
Didalam geomatika, pengukuran-pengukuran seperti jarak dan sudut, bukanlah
karena data tersebut akan langsung dipakai, melainkan digunakan untuk
menentukan suatu nilai/besaran yang lainnya, misalnya koordinat. Sebelum
suatu survei pengukuran dilakukan, biasanya diperhitungkan terlebih dahulu
kuantitas (misalnya parameter yang akan dicari, ketilitian, konstanta, dll.) yang
akan ditentukan dalam proses pengukuran.
Hubungan yang merelasikan antara pengukuran (observasi) dengan kuantitas
ini disebut dengan model. Karena didalam Geomatika hubungan yang terjadi
antar kuantitas ini didasari pada hukum/kondisi fisika dan geometrik-nya,
maka model ini sering disebut sebagai model matematika. Terdapat 6 macam
model matematka yang paling sering digunakan untuk menentukan besarnya
besarnya parameter yang akan ditentukan dari sekumpulan observasi.
Ingatlah kembali bahwa untuk menentukan kuantitas yang dicari q (atau fungsi
dari q), suatu model dikonstruksikan untuk terdiri dari parameter x, observasi
dan konstanta c:
f(q) = f (c, x, )
1 THE DIRECT MODEL (MODEL DIRECT / LANGSUNG)
Model yang secara eksplisit menyatakan unknown (parameter) sebagai fungsi
dari observasi ():
Untuk model non-linier: x = g ()
Untuk model linier: x = G + w
Dimana:
x dan w adalah vektor yang berdimensi u x 1
G adalah matrik desain/koefisien yang berdimensi u x n
adalah vektor berdimensi n x 1
u adalah banyaknya persamaan model (condition equation)
n adalah banyaknya observasi
Pada kasus dimana G = I, dan w = 0, maka x = ( u = n)
Contoh:
i. Untuk model geometrik non-linier:
Area A dari segitiga isoscheles: A = 0.5 xy dimana x dan y adalah
observasi (alas dan tinggi)
ii. Linier geometrik model dengan w = 0
Transformasi konform 2D:
3
1 2 2 2 1 2
1
1
atau
cos sin
sin cos
G x
y
x
a a
a a
y
x

iii. Mode linier secara umum:
1 3 1 3 3 3 1 3
3
2
1
3
2
1
atau
3 . 7
2 . 2
1 . 6
8 1 4
3 2 6
4 1 1
w G x
x
x
x

Perlu diingat bahwa model DIRECT ini memiliki solusi yang unik, artinya dari
sekumpulan nilai observasi hanya akan didapat satu solusi parameter x.
Model seperti ini tidaklah umum didalam Geomatika karena observasinya
tidak teratakan (unadjusted!) sebab disini tidak ada pengukuran lebih
(redundant observation).
2 THE INDIRECT MODEL (MODEL INDIRECT / TIDAK
LANGSUNG)
Adalah model dimana sekumpulan observasi dinyatakan secara eksplisit
sebagai fungsi dari unknown parameter x.
Dalam bentuk non-linier: = f(x)
Dalam bentuk linier: = A x + w
Bentuk linier dari model indirect sering disebut dengan model parameter
(metode parameter) dan matrik A yang berdimensi n x u (dimana n u)
disebut sebagai matrik desain atau matrik desain pertama. Hitung perataan
via model indirect dikenal sebagai the method of observation only. Jumlah
observasi dinyatakan dengan n dan jumlah unknown parameter dinyatakan
dengan u.
Contoh:
i. Distorsi radial lensa dimana r adalah jarak radial (konstanta), dr distorsi
radial yang terukur (observasi), dan K
i
adalah koefisien distorsi
(parameter). Persamaannya (linier):
7
3
5
2
3
1
r K r K r K dr
atau
3
2
1
7 5 3
K
K
K
r r r x A
Karena terdapat 3 buah parameter K, maka jelaslah kita membutuhkan 3
atau lebih pengamatan (observasi) dr (pada r yang berbeda-beda), maka
pertimbangkanlah 4 observasi berikut:
4
ined overdeterm 1) x (3 3) x (4 1 x 4
3
2
1
7
4
5
4
3
4
7
3
5
3
3
3
7
2
5
2
3
2
7
1
5
1
3
1
4
3
2
1
K
K
K
r r r
r r r
r r r
r r r
dr
dr
dr
dr

dari sini terlihat bahwa jumlah pengamatan, n = 4; dan jumlah parameter,
u = 3.

ii.
2
7 6
14 2 4
21 6 3
1 4
3 2 1 3
2 1 2
3 2 1 1
x l
x x x l
x x l
x x x l

disini terlihat bahwa n = 4 dan u = 3, sehingga terdapat pengamatan lebih
(overdetermined).
2
7
14
21
0 0 1
1 1 6
0 2 4
6 2 1
3
2
1
4
3
2
1
1 4 1 3 3 4 1 4
x
x
x
l
l
l
l
w x A


iii. Transformasi konform 2D pada kasus disini model dapat dikatakan
indirect jika observasi diekspresikan sebagai fungsi dari parameter.
x A
dy
dx
y
x
a a
a a
S
y
x

1
1
cos sin
sin cos

dimana (x, y) adalah koordinat yang diukur (observasi); sudut a dan
faktor skala S adalah nilai yang diketahui (konstanta) dan (x
1
, y
1
) adalah
koordinat pada sistem lain yang akan dicari nilainya (parameter).
Model ini biasanya diekspresikan dengan penulisan yang berbeda dengan
(x, y) sebagai observasi, dan (x
1
, y
1
) sebagai konstanta dan akan dicari
empat parameternya:
5
x A
d
c
b
a
x y
y x
y
x
d
c
y
x
a b
b a
y
x
i
i

1 0
0 1
atau
1 1
1 1
1
1

Dari persamaan ini terlihat bahwa satu pengukuran titik koordinat (x, y)
akan membentuk 2 persamaan, dan untuk menentukan besarnya masing-
masing keempat parameter tersebut sehingga didapatkan solusi yang
unik, dibutuhkan pengukuran dua buah pengukuran koordinat (x, y).
iv. Pada kasus non-linier: penentuan jarak pada bidang datar:
2
1
2 2
i j i j ij
y y x x d
dari rumus tersebut terlihat bahwa didalam masalah penentuan posisi
dengan perpotongan jarak, titik (x
j
, y
j
) tidak ditentukan hanya dari satu
buah jarak saja. Sehingga sekumpulan model persamaan indirect atau
parameter harus disusun sedemikian rupa sehingga terdapat cukup data
pengukuran jarak (observasi) untuk menentukan posisi titik itu, atau
menentukan parameter (x
j
, y
j
). Dengan kata lain, dua buah pengukuran
jarak akan menghasilkan solusi yang unik, dan untuk mendapatkan
redundancy (pengukuran lebih) diperlukan pengukuran jarak lebih dari
dua dari titik-titik yang sudah diketahui posisinya (koordinatnya).

Koordinat (x
j
, y
j
) adalah parameter yang akan dicari dan koordinat-
koordinat (x
i
, y
i
) diketahui nilainya.
Karena model matematiknya adalah non-linier maka terlebih dahulu harus
dilinierkan dengan deret Taylor:
1
2
3
4
(x
i
, y
i
)
(x
j
, y
j
)
d
14
d
24
d
34
6
ij
j
ij
j
ij
ij
i j
i
ij
ij
i j
i
m
y
f
x
f
m
d
y y
y
f
d
x x
x
f

0
0
0
0

koordinat
0 0
,
j j
y x adalah nilai koordinat pendekatan dari parameter (titik
4) dan
0
ij
d adalah jarak dari titik i ke titik pendekatan j.
Model persamaan matematika hasil linierisasi adalah:
0
34 4 34 4 34 1 34 1 34 34
0
24 4 24 4 24 1 24 1 24 24
0
14 4 14 4 14 1 14 1 14 14
d y m x y m x d
d y m x y m x d
d y m x y m x d




tetapi karena titik 1 sampai 3 diketahui koordinatnya, maka x
1
, y
1
, ,
y
3
akan sama dengan nol, karena itu persamaan diatas akan menjadi:
0
34 4 34 4 34 34
0
24 4 24 4 24 24
0
14 4 14 4 14 14
d y m x d
d y m x d
d y m x d

dalam bentuk matrik akan menjadi:
w A
d
d
d
y
x
m
m
m
d
d
d

0
34
0
24
0
14
4
4
34 34
24 24
14 14
34
24
14

Notasi digunakan karena parameter yang dicari disini adalah nilai
perbedaan dengan/terhadap nilai pendekatan awalnya. Sedangkan nilai w
adalah nilai fungsi pada harga parameter pendekatan. Tetapi model
inderect ini dapat pula ditulis dengan variasi lain:
Agar model matematika yang digunakan dapat fit maka setiap pengukuran
harus dikoreksikan terhadap residunya, sehingga persamaannya akan
menjadi:
7
0
34 4 34 4 34 34 34
0
24 4 24 4 24 24 24
0
14 4 14 4 14 14 14
d y m x v d
d y m x v d
d y m x v d

Atau:
34
0
34 4 34 4 34 34
24
0
24 4 24 4 24 24
14
0
14 4 14 4 14 14
d d y m x v
d d y m x v
d d y m x v

Dalam bentuk matrik dapat ditulis:
w A v
d d
d d
d d
y
x
m
m
m
v
v
v
34
0
34
24
0
24
14
0
14
4
4
34 34
24 24
14 14
34
24
14

Vektor w disini adalah: perhitungan pengukuran.
Sedangkan solusi untuk parameter dari sistem yang berpengamatan lebih
ini adalah:
0
x x
sekali lagi ditekankan bahwa adalah nilai koreksi dari nilai pendekatan
parameter. Sehingga untuk mencari nilai parameter yang sesungguhnya
nilai ini harus ditambahkan dengan nilai parameter pendekatannya.

3 THE IMPLICIT MODEL (MODEL IMPLISIT)
Model matematika implisit ini sesuai untuk kasus dimana hubungan antara
parameter dengan observasinya tidak dapat dibedakan/dipisahkan secara jelas
(memiliki hubungan yang non-linier), sehingga kita tidak dapat
mengekspresikannya secara eksplisit antara yang satu dengan yang lainnya:
f(x, ) = 0
fungsi ini memiliki kombinasi parameter dan observasi, sehingga sering
disebut dengan perataan dengan teknik kombinasi (combined adjustment
model), atau sering diistilahkan sebagai model parameter plus kondisi.
Setelah dilinierisasi model ini akan memiliki bentuk:
0
1 1 1
w B x A
m n n m u u m

dimana:
A adalah matrik desain pertama (matrik koefisien terhadap parameter)
8
B adalah matrik desain kedua (matrik koefisien terhadap observasi)
w adalah vektor konstanta dari besarnya m
u adalah jumlah parameter
n adalah jumlah pengukuran
m adalah jumlah persamaan kondisi

f
B
x
f
A

model parameter adalah kasus khusus dari model implisit yang didapat jika B
= -I. Rank dari A dan B menentukan apakah model ini memiliki redudancy
kurang , unik, atau lebih.
Contoh:
i. 0
2 2 1 1
x x
dimana
i
adalah observasi dan x
i
adalah parameter. Persamaan ini akan
menghasilkan model yang linier berikut:
0
0
2 2
0
1 1
2
1 0
2
0
1
2
1
2 1
x x
v
v
x x
x
x

Model dapat ditulis dengan:
0 w v B A
Sekali lagi, adalah koreksi dari nilai pendekatan parameter, sehingga
nilai parameternya adalah
0
x x
sedangkan v adalah nilai residu dari observasi, berarti nilai observasi
yang teratakan adalah:
v

, dan
w sering disebut dengan vektor perbedaan pada nilai pendekatan.
ii. Perhatikan persamaan garis lurus y = mx + b berikut:
9
Jika diasumsikan bahwa koordinat x
i
dan y
i
adalah pengukuran
(observasi), sedangkan gradient m dan offset b adalah parameter yang
akan ditentukan nilainya, maka:
y - mx - b = 0
kita akan membentuk model implisit 0 w Bv A karena pada
model ini persamaan-persamaan model/kondisinya adalah fungsi dari
parameter dan observasi yang tergabung didalam persamaan. Sehingga
persamaan diatas bukan lagi linier dalam konteks parameter dan
observasi, karena itu untuk 1 titik pengamatan dilakukan:
0 0
1
1
b x m y w
v
v
v
b
m
m
f
B
x
x
f
A
x
y

Nilai d adalah koreksi terhadap parameter karena digunakan parameter
pendekatan dan v adalah koreksi terhadap pengukuran (observasi).
Dalam bentuk matrik model persamaannya dapat ditulis menjadi:
0 1 1
0 0
b x m y
v
v
m
b
m
x
x
y

x
1
x
2
x
3
Gradient = m
b
y
1
y
2
y
3
x
y
10
Persamaan ini berlaku untuk satu titik pengukuran. Jika dilakukan
pengukuran ke tiga buah titik maka persamaannya akan menjadi:
0
1 3 1 6 6 3 1 2 2 3
w v B A
untuk satu buah titik terdapat 2 observasi, maka untuk tiga titik nilai n =
6; untuk satu titik terdapat 1 persamaan, maka untuk tiga titik nilai m = 3.
iii. Kita tinjau lagi masalah penentuan persamaan garis lurus. Kita ingin
membuat model indirect untuk model matematika-nya, dengan
mengasumsikan nilai x sebagai konstanta.
b
m
x b mx y 1
Bentuk persamaan diatas sudah dalam bentuk Ax , tetapi jika kita
ingin menentukan koreksi x ketimbang nilai x itu sendiri, maka:
1
0 0
0 0
0 0
1
: atau
1
w x A v
y b x m
b
m
x v
b x m
b
m
x y
b b x m m y

jika bentuk diatas kita samakan dengan model implisit, maka:
w x A v
b x m y
b
m
x v
0 0
1

Perhatikan, bentuk persamaan ini akan sama dengan model implisit
kecuali kalau B = -I.
Secara sederhana dapat disimpulkan bahwa perbedaan antara model
indirect dengan model implicit dalam kasus persamaan garis lurus ini
adalah bahwa dalam model indirect residu observasi v hanya ditujukan
untuk y, sedangkan dalam model implicit residu observasi v terbagi
0
1 0 0 0 0
0 0 1 0 0
0 0 0 0 1
1
1
1
0
3
0
3
0
2
0
2
0
1
0
1
0
0
0
3
2
1
3
3
2
2
1
1
b x m y
b x m y
b x m y
v
v
v
v
v
v
m
m
m
b
m
x
x
x
x
y
x
y
x
y
11
dalam pengukuran x dan y. Solusi yang dihasilkan untuk penentuan
parameter m dan b untuk kedua solusi ini kurang lebih akan sama. Model
indirect biasanya lebih disukai karena kesederhanaannya, tetapi model
implicit menawarkan kehandalan dalam perhitungan/analisa statistiknya.
iv. Perhatikan persamaan parabola c bx ax y
2
berikut:
Untuk mengestimasi persamaan parabola diatas maka akan ditentukan
parameter parabola yaitu: a, b, dan c. Jika dilakukan observasi terhadap
pasangan keempat titik koordinat, maka model implicit-nya akan menjadi:
0
2
y c bx ax
1
1
1
1
;
; ; ;
: dimana 0
4
2
4
3
2
3
2
2
2
1
2
1
0 0 2 0
4
4
3
3
2
2
1
1
x x
x x
x x
x x
A
v
v
v
v
v
v
v
v
v
dc
db
da
y c x b x a w B
f
A
f
w Bv A
y
x
y
x
y
x
y
x
i

x
1
x
2
x
3
x
4
y
1
y
2
y
3
y
4
12
1 2 0 0 0 0 0 0
0 0 1 2 0 0 0 0
0 0 0 0 1 2 0 0
0 0 0 0 0 0 1 2
0
0
0
0
b a
b a
b a
b a
B

4 THE CONDITION MODEL (MODEL KONDISI)
Model ii digunakan bila tidak ada parameter yang terlibat didalam persamaan
matematikanya.
Untuk kasus non-linier: 0 ) ( g
Untuk kasus linier: 0 w Bv
Dimana v

, dimana v adalah residu pengukuran.

Contoh:
i. Pengukuran sudut-sudut sebuah sigitiga: a + b + c - 180
0
= 0
0
0 180 1 1 1
1
0
w B
c
b
a

atau:
0
0 180 1 1 1
0
w v B
c b a
v
v
v
c
b
a

ii. Pengukuran tinggi (yang diukur adalah beda tinggi h
i
).

Jumlah pengukuran = n = 7
Jumlah minimum pengukuran = n
0
= 4
h
1
h
2
h
7
h
6
h
3
h
4
h
5
13
Persamaan = 7 - 4 = 3 = redudancy
0
0
1 0 0 0 1 1 0
0 1 1 0 0 0 1
0 0 1 1 1 1 1
0
0
0
1
7
6
5
4
3
2
1
7
7 3
7 3 2
5 6 1
5 4 3 2 1
B
h
h
h
h
h
h
h
h h h
h h h
h h h h h

Disini terdapat satu persamaan untuk setiap satu buah redudancy. Ada
beberapa alternatif dalam penyusunan persamaan. Yang perlu diperhatikan
adalah bagaimana menentukan persamaan-persamaan yang linier
independen.
Pada saat ini, seiring dengan pesatnya perkembangan teknologi komputer,
model kondisi ini jarang dipergunakan. Dan karena itu tidak akan dibahas
lebih lanjut didalam mata kuliah ini.
5 CONSTRAINT
Pada model ini, fungsi konstrain dapat diterapkan jika ada tambahan informasi
(yang juga berupa fungsi) yang menjelaskan hubungan antara fungsi dengan
parameter atau observasinya, yang biasanya hanya berupa parameter tertentu.
Model indirect atau model implicit juga ikut disertakan dalam persamaan
konstrain.
0
0
h
w H
w Bv A
- persamaan konstrain
Dari persamaan diatas terlihat bahwa konstrain adalah sebagai tambahan dari
persamaan utamanya (model indirect atau model implicit) sebagai tambahan
observasi.
Contoh:
Perhatikan suatu jaringan sipat datar dimana dua titik yang terletak pada batas
tepi permukaan air danau, dikondisikan memiliki tinggi yang sama (konstrain).
Jika dibuat model indirect:
i
pengukuran (observasi) beda tinggi:

14
Danau
l
1
l
3
l
2
l
6
l
5
l
4
h
5
h
1
h
3
h
4
h
2

Persamaan observasi:
1 3 6
3 5 5
4 5 4
2 4 3
2 3 2
1 2 1
h h
h h
h h
h h
h h
h h

Persamaan konstrain-nya adalah: h1 = h5 atau h1 - h5 = 0. Penambahan
persamaan konstrain ini akan merubah persamaan sebelumnya:
5
4
3
2
1
6
5
4
3
2
1
1 0 0 0 1
0 0 1 0 1
1 0 1 0 0
1 1 0 0 0
0 1 0 1 0
0 0 1 1 0
0 0 0 1 1
0
h
h
h
h
h

atau:
x
H
A
0

Konstrain
15
6 MODEL STEP BY STEP (BERTAHAP)
Dengan model ini, pembentukan model secara bertahap, pengukuran/observasi
i
dibuat dalam serangkaian seri untuk parameter x yang sama. Untuk model
statik:
0 ) , (
0 ) , (
2 2
1 1

x f
x f

Solusi dalam model f2 akan mengikuti model f2 dan memberikan estimasi
yang lebih baik untuk parameter x. Untuk kasus statik dikenal dengan istilah
sequential adjustment, step by step adjustment, dynamic network
adjustment. Dan untuk kasus dinamik dimana dilakukan secara real time
sering disebut dengan kalman filtering.

Contoh:
Tinjaulah kembali persamaan garis lurus y = mx + b untuk model indirect:
b
m
x
Ax
i
1

untuk seri / epoch pertama diamati tiga buah titik (1 3):
1 1
1
1 1 1
1
1
3
2
1
3
2
1

: normalnya Persamaan
1
1
1

T T
A A A x
b
m
x
x
x
y
y
y

Untuk seri / epoch kedua diamati tiga buah titik (4 6):
2 2
1
2 2 2
2
2
6
5
4
6
5
4

: normalnya Persamaan
1
1
1

T T
A A A x
b
m
x
x
x
y
y
y

Solusi:
2 2 1 1
1
2 2 1 1 3

T T T T
A A A A A A x


16
7 CONTOH KASUS TRANSFORMASI KOORDINAT
7.1 Persamaan umum 2D Similarity Transformation:
y
x
y
x
y
x
cos sin
sin cos
'
'

dimana adalah faktor skala di sistem (x, y) dan adalah rotasi salib sumbu
dari sistem (x,y) ke sistem (x,y).
7.2 Penyusunan model indirect
Jika:
x,y adalah pengukuran (observasi)
x,y dianggap sebagai konstanta
x, y adalah unkonwn parameter (4 buah)
sin
cos
b
a

pada kasus ini x, y akan ditentukan dari sistem (x,y).
maka persamaan diatas dapat dirubah menjadi:
d
c
y
x
a b
b a
y
x
'
'

maka sekarang parameter yang dicari adalah a, b, c, d; dan persamaan
observasi menjadi:
d
c
b
a
x y
y x
y
x
1 0
0 1
'
'

persamaan tersebut adalah persamaan linier, atau dalam bentuk lain:
x'
y'
x
y
x
y
x
y
x'
y'
17
Ax ;dan bentuk linier untuk model indirect adalah w Ax v .
Karena observasi selalu memiliki kesalahan maka:
x A v
d
c
b
a
x y
y x
v y
v x
y
x

1 0
0 1
'
'
'
'

sehingga:
w x A v
y
x
d
c
b
a
x y
y x
v
v
y
x
'
'
1 0
0 1
'
'

dengan kata lain w = minus observation
Untuk menentukan parameter yang dicari digunakan:
d y c x
a
b
b a
;
tan
1
2 2 2
1


7.3 Mem-fix-kan faktor skala
Skala dibuat = 1
x, y akan ditentukan dalam sistem (x, y)
sehingga yang menjadi parameter sekarang adalah , x, y, dan
persamaannya menjadi:
'
'
cos sin
sin cos
'
'
y
x
y
x
y
x

karena persamaan tersebut adalah non-linier maka model indirect-nya menjadi:
w A v , sehingga:
' cos sin
' sin cos
'
'
'
'
y y x
x y x
v y
v x
y
x

dimana:
18

t measuremen
n calculatio
t measuremen
n calculatio
y y y x
x x y x
w
y
y
x
y y
y
x
x
x x
A
y d
x d
d
' ' cos sin
' ' sin cos
;
'
'
'
' '
'
'
'
' '
;
'
'
0 0 0
0 0 0
_


w adalah calculation observation. Bukan lagi minus observation seperti
pada kasus nomor 7.2 diatas. Dan bentuk linier untuk model indirect-nya
adalah:
w A v
y y y x
x x y x
y d
x d
d
y x
y x
v
v
y
x
' cos sin
' sin cos
'
'
1 0 sin cos
0 1 cos sin
0 0 0
0 0 0
'
'


8 MODEL INDIRECT DENGAN CONSTRAINT
Untuk kasus seperti pada nomor 1:
d
c
y
x
a b
b a
y
x
'
'

Misalkan kriteria konstrain-nya adalah = 1, maka persamaan bukan lagi
linier:
w A v
y d y a x b
x c y b x a
dd
dc
db
da
x y
y x
v
v
y
x
y
x
'
'
1 0
0 1
0
0
'
0 0 0
'
0 0 0
'
'
_


Dari kasus 1 diketahui pula bahwa 1
2
1
2 2
b a
Diketahui rumus konstrain adalah: H + w
h
= 0 ; dimana:
1
;
0
2
1
2
1
2
1
2 2
0
0
0
0
2 2
0
2 2
0
_
o o
h
o o o o
b a w
b a
b a
b
b a
a
parameter
f
H
db
dq

19
Sehingga persamaan model indirect-nya akan menjadi:
1
' '
' '
0 0
1 0
0 1
0
0
0
0
0
0
0
0
'
'
.
. . . .
.
y y
x x
dd
dc
db
da
b a
x y
y x
v
v
y
x

Disini w juga adalah calculation observation.

9 MODEL IMPLICIT
Model digunakan jika baik sistem (x,y) dan sistem (x, y) adalah observasi /
pengukuran. Sehingga:
Pengukuran : (x, y) & (x, y)
Parameter: a, b, c, d.
Persamaan dalam bentuk matrik:
d
c
y
x
a b
b a
y
x
'
'
; kalau mau dibuat model implicit, persamaan
harus diubah dulu menjadi:
0
'
'
y
x
d
c
y
x
a b
b a

Karena persamaannya adalah non-linier maka model implicitnya menjadi:
0 w v B A
dimana:
0
0
'
'
1 0
0 1
1 0
0 1
1 0
0 1
observasi
1 0
0 1
parameter
'
'
; ;
0 0 0
0 0 0
'
'
0 0
0 0
0 0
0 0
0 0 0
0 0 0
'
'
w v B A
y d y a x b
x c y b x a
v
v
v
v
a b
b a
dd
dc
db
da
y y
y x
a b
b a f
B
y y
y x
f
A
y d y a x b
x c y b x a
w
dd
dc
db
da
v
v
v
v
v
y
x
y
x
y
x
y
x