Minggu, 15 Januari 2017

Stop!!! Buang Sampah Sembarangan. Malioboro Menjadi Lautan Sampah di Waktu Shubuh






Pagi hari ini, 15 Januari 2017. Saat kota Jogja masih terlelap, lampu-lampu kuning jalanan yang menyala indah disetiap bingkai ornament khasnya. Aku yang mengendarai motor menyusuri kota ini, Kota pendidikan, kota budaya, dan parawisata yang tak pernah sepi pengunjung  lokal ataupun mancanegara.

Kita ketahui sendiri bagaimana menariknya Jogja untuk dikunjungi, sekali dua kali ataupun lebih Jogja tidak pernah membosankan bagi para wisatawannya. Jogja masih memberikan daya tarik tersendiri bagi para penikmat wisata. Bahkan untuk setiap hari, ribuan wisatawan bisa keluar masuk hanya untuk bertegur sapa dengan Jogja.  

Sabtu, 14 Januari 2017

Basis Bilangan


Sadar atau tidak, sejak kecil kita sudah dekat dengan yang namanya bilangan. Ketika seorang anak sudah mulai bisa mengeja, pasti orang tua mengenalkan berhitung mulai dari satu sampai sepuluh. Berlanjut di bangku TK ataupun SD bilangan sudah mulai akrab dengan semua anak, mulai diajarkanlah bagaimana cara kita menuliskannya dan menyebutnya.

Sampai dewasapun, seseorang tidak akan pernah jauh dari bilangan. Namun kebanyakan orang hanya mengerti atau sekedar tau tentang bilangan berbasis sepuluh.

Senin, 09 Januari 2017

Awal Mula Bilangan



Bilangan, siapa yang tidak mengenalnya? Namun apakah kalian tahu akan sejarah atas bilangan itu sendiri?

Jika sekarang kita mengenal bilangan dari 1,2,3, … , 9 dan mengkombinasikan bilangan-bilangan tersebut untuk mendapatkan bilangan puluhan, ratusan, ribuan, bahkan jutaan. Namun bayangkan jika kita masih berada di tahun 500 sebelum masehi bahkan sebelumnya, pasti kita akan kesulitan untuk menyatakan suatu bilangan yang besar dari suatu pengamatan kita.

Oke mari belajar

Minggu, 08 Januari 2017

Kekeratonan Surakarta, Kegilaan UNO dan Kita


Agenda yang sudah direncakan jauh-jauh hari akhirnya terealisasikan. Aku yang tergabung dalam Kami pemburu Toefl 500 dari lembaga kursus English di kota pendidikan Yogyakarta akhirnya go show ke Solo kota tetangga Yogyakarta. Singkat Cerita Kami adalah kelas yang katanya paling rame diantara kelas kursus lainnya, yang biasanya ketawa ngakak tanpa koma dan spasi, yang senengnya bukan praktek speaking malah karaoke dan main UNO, begitulah kami.
 
Inilah cerita kami. Kami berangkat pukul 7.37 dari stasiun Tugu Yogyakarta, dengan menggunakan kereta parawisata (Parameks) jogja-Solo yang hanya merogoh kocek 16.000 ribu rupiah untuk kalian pulang pergi naik kereta. Mungkin karena bertepatan hari sabtu yang notebene hari libur, kami bersepuluh yakni 3 cowok dan tujuh cewek hanya dapet tujuh kursi. Akhirnya aku dan dua temen cowokku si rendy dan zaul harus berdiri. Oke tak apalah, karena kami sedikit agak kurang waras, akhirnya kami membuka lapak main UNO dengan kami cowok duduk lesehan dicelah kursi para ladies. 

Sabtu, 07 Januari 2017

Mathtype

Sebagai mahasiswa tugas paper merupakan suatu hal yang biasa,  terutama untuk mahasiswa eksakta seperti matematika. Kebanyakan tugas mereka berhubungan dengan persamaan-persamaan, rumus-rumus, serta pengerjaan soal-soal yang tidak lain berhubungan langsung dengan  equation. Memang dalam microsoft word, untuk membuat equation sudah disediakan. Tetapi pemakainnya masih terlalu berat jika dalam paper tersebut berbaris dan berderet rumus-rumus serta angka-angka dan bisa jadi dapat mengganggu konsetrasi kita. Sehingga kebanyakan mahasiswa matematika menggunkan bantuan aplikasi mathtype yang nanti hasilnya dapat dikonversikan ke word untuk setiap equation. Equation yang dihasilkan juga cukup bagus dibandingkan equation dari microsoft word.

Untuk aplikasi mathtype nya dapat di download disini

Semoga membantu
Salam "Speaks by Data"


Analisis GWR pada Data yang Mengandung Outlier

Model Geographically Weighted Regression (GWR) merupakan pengembangan dari model regresi atau bentuk lokal regresi yang memperhatikan lokasi dari titik pengamatan yang menghasilkan penaksir parameter model yang bersifat lokal untuk setiap titik atau lokasi di mana data tersebut dikumpulkan. Dalam menganalisis data dengan menggunakan model GWR, terkadang ditemukan adanya outlier. Outlier ini dapat diidentifikasi secara jelas karena berbeda dengan mayoritas titik sampel lainnya. Adanya outlier dapat berdampak terhadap hasil estimasi parameter model yang menyebabkan estimasi parameter menjadi bias. Salah satu metode penyelesaian outlier adalah metode bounded influence M-estimator. Penelitian ini bertujuan untuk mendapatkan model angka putus sekolah tingkat SMA di Provinsi Jawa Timur Tahun 2013 yang di dalamnya termuat outlier, sehingga akan didapatkan pemetaan putus sekolah tingkat SMA di Jawa Timur. Variabel respon yang digunakan pada penelitian ini adalah pengangguran (X1), kemiskinan (X2), pendidikan kepala rumah tangga (X3), indeks pembangunan manusia (X4), angka partisipasi sekolah (X5), wilayah pedesaan (X6), perceraian orang tua (X7). Hasil yang didapatkan dari penelitian ini adalah model GWR yang mengandung outlier dapat diselesaikan dengan baik oleh metode bounded influence M-estimator serta keadaan angka putus sekolah di Jawa Timur pada tahun 2013 mampu dijelaskan dengan baik.


Kata kunci: GWR, outlier, bounded influence M-estimator, angka putus sekolah

Lengkapnya dapat di download disini 
Semoga bermanfaaf
Salam "Speaks By Data"

Kamis, 05 Januari 2017

Regresi Robust dan Deteksi Outlier dengan Prosedur ROBUSTREG

Regresi robust adalah alat penting untuk analisis data yang mengandung outlier. Metode ini dapat digunakan untuk mendeteksi outlier dan memberikan hasil yang resistant terhadap outlier. Paper ini mengenalkan prosedur ROBUSTREG yang percobaannya dilakukan lewat program SAS/STAT versi 9. Prosedur ROBUSTREG ini diimplementasikan menggunakan teknik regresi robust. Prosedur ini memuat M-estimasi (Huber, 1973), LTS estimasi (Rousseeuw and Yohai, 1984), S-estimasi (Rousseeuw and Yohai, 1984), dan MM-estimasi (Yohai, 1987). Paper ini akan memberikan gambaran tentang  metode regresi robust, mendiskripsikan syntax dari prosedur ROBUSTREG, dan mengilustrasikan penggunaan dari prosedur yang baik dalam model regresi dan menunjukkan outlier dan titik leverage. Paper ini akan juga mendiskusikan kemampuan dari prosedur ROBUSTREG untuk pengaplikasian pada data cleansing dan data mining.

Untuk lebih lengkapnya mengenai masalah ROBUSTREG silahkan download english (Versi Asli) dan  Indonesia (Versi Terjemahannya) . Semoga bisa membantu. 

Salam "Speaks by Data"

Minggu, 01 Januari 2017

Robust Estimator

Robust estimator merupakan metode regresi yang digunakan ketika distribusi dari residual tidak normal atau ada beberapa outlier yang berpengaruh pada model. Metode ini merupakan alat penting untuk menganalisis data yang dipengaruhi oleh outlier sehingga dihasilkan model yang robust (kekar) terhadap outlier (Draper dan Smith, 1992). Banyak teknik regresi robust yang dapat digunakan untuk menangani permasalahan outlier, namun setiap teknik regresi robust mempunyai perbedaan kemampuan perlindungan melawan outlier.

Lebih lengkap tentang robust estimator terutama Bounded Influence M-Estimator dapat dipelajari disini

Semoga bisa membantu.
Salam "Speaks by Data"

Geographically Weighted Regression (GWR)

Geographically Weighted Regression (GWR) adalah salah satu model spasial dengan pendekatan vektor titik. GWR merupakan pengembangan dari model regresi linier OLS menjadi model regresi terboboti dengan memperhatikan efek spasial, sehingga menghasilkan penduga parameter yang hanya dapat digunakan untuk memprediksi setiap titik atau lokasi dimana data tersebut diamati 

Lebih lengkapnya tentang model GWR dapat di download disini 

Semoga membantu. 
Salam "" Speaks by Data" 

Outlier (Pencilan)

Outlier merupakan pengamatan yang jauh dari sebagian besar pola data dan terletak jauh dari pusat data. Adanya outlier pada data menyebabkan suatu permaslahan ketika kita ingin menganalisis data tersebut.  Namun saat kita ingin menghilangkannya, ditakutkan pengamatan tersebut mempunyai informasi yang penting pada data. Outlier ini dapat muncul dari kesalahan menginput data ataupun real lapangan seperti itu adanya. Apapun penyebab outlier, outlier tetap menjadi permasalahan serius yang harus kita selesaikan agar hasil analisis data yang kita peroleh akurat. Untuk itu perlu diketahui terlebih dahulu jenis outlier apa yang sedang dihadapi dan bagaimana cara untuk mengetahui letak outliernya.
 
Lebih lengkapnya untuk belajar tentang definisi, jenis, dan cara mendeteksi outlier silahkan download disini.

Semoga Membantu
Salam "Speaks By Data"

Estimasi Parameter Model GWR yang Mengandung Outlier dengan Metode Bounded Influence M-Estimator

Skripsi yang saya selesaikan dengan judul "Estimasi Parameter Model Georaphically Weighted Regression (GWR) yang Mengandung Outlier dengan Metode Bounded Influence M-Estimator" dapat kalian pelajari di  Download

Dalam skripsi tersebut lebih ditekankan kepada bagaimana kita mengestimasikan suatu model terutama model GWR yang di dalamnya termuat permasalahan outlier (pencilan). Ada beberapa metode yang bisa digunakan untuk permasalahan outlier seperti M-estimator, S-Estimator, MM-Estimator, atau yang lainnya. Untuk metode yang saya pakai sendiri adalah metode bounded Influence M-Estimator atau yang kerap dikenal dengan Generalized M-Estimator, metode ini tidak lain pengembangan M-Estimator. Dimana bertujuan untuk mendapatkan nilai breakdown 50% yang tidak dapat diperoleh oleh M-estimator, yakni dengan cara memberikan batas terhadap nilai leverage nya. 

Untuk pengaplikasiannya, saya mencoba menggunakan data angka putus sekolah tingkat SMA yang ada di Provinsi Jawa Timur. Dimana untuk mendapatkan model GWR dpat diperoleh dari program GWR 4.0 sedangkan untuk mendapatkan GWR yang mengandung outlier bisa digunakan Iterasi IRLS dengan bantuan program matlab.

Semoga membantu
Salam "Speaks by Data"