bab i - sebelas maret university... · web viewdistribusi ini adalah estimator distribusi sampling...
TRANSCRIPT
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Menghadapi krisis energi, khususnya bahan bakar minyak (BBM) yang
diinduksi oleh meningkatnya harga BBM dunia telah membuat beberapa negara
mencari sumber-sumber bahan bakar alternatif yang mungkin dapat
dikembangkan. Pada saat ini biodiesel merupakan salah satu upaya
pengembangan energi alternatif. Beberapa negara sudah memproduksi dan
menggunakan biodiesel secara komersial dengan bahan mentah minyak nabati
yang tersedia di wilayahnya (Sopian, 2005).
Salah satu tanaman yang memiliki potensi sebagai biodiesel adalah tanaman
jarak pagar (Jatropha curcas, L). Tanaman ini sudah dikenal oleh masyarakat
Indonesia sebagai tanaman obat dan penghasil minyak lampu, bahkan diolah
menjadi bahan bakar pesawat terbang pada zaman penjajahan Jepang. Sekarang
ini tanaman jarak pagar hanya ditanam sebagai pagar dan tidak diusahakan secara
khusus. Biodiesel yang dihasilkan oleh tanaman jarak pagar adalah minyak jarak
yang diperoleh dari biji tanaman tersebut (Hariyadi, 2005).
Berbagai penelitian dilakukan untuk mengetahui manfaat dari minyak jarak.
Misalnya melalui review yang dipublikasikan oleh Gubitz, disebutkan bahwa pada
tahun 1997 grupnya di Austria, telah mempublikasikan hasil uji adaptasi minyak
jarak sebagai subtitusi bahan bakar pada mesin diesel standar (Sopian, 2005).
Tanaman ini mulai mendapat perhatian di Indonesia ketika terjadi subsidi
BBM mengecil dan harga BBM menjadi mahal. Pengembangan minyak jarak di
Indonesia dipelopori oleh Dr. Robert Manurung dengan fokus ekstrasi minyak
tanaman jarak, yang kemudian diikuti lembaga-lembaga pemerintah yang lain
(Sopian, 2005).
Budidaya tanaman jarak dapat dilakukan dengan benih dan stek. Perbanyakan
tanaman ini dengan stek mempunyai beberapa keuntungan antara lain tidak
mengalami kemungkinan pengaruh buruk dari batang bawah, berbuah lebih cepat
1
dan akar serabutnya lebih banyak dibandingkan dengan penanaman benih
(Hariyadi, 2005).
Jika diinginkan bibit jarak pagar yang unggul maka perlu memberikan
beberapa perlakuan. Perlakuan optimal dalam memperbanyak tanaman dengan
stek sangat mempengaruhi pertumbuhan tanaman ini. Metode statistik yang dapat
digunakan untuk mengetahui pengaruh perlakuan adalah melalui pendekatan
parametrik yaitu rancangan percobaan. Penggunaan metode ini sangat disyaratkan
pemenuhan asumsi, yang berarti apabila asumsi tidak dipenuhi maka
kesimpulannya akan memberikan informasi yang menyesatkan. Oleh karena itu
digunakan pendekatan nonparametrik. Melalui pendekatan nonparametrik dapat
dicari estimasi fungsi densitas melalui berbagai metode, diantaranya melalui
histogram, penghalusan histogram dengan WARPing, fungsi kernel, dan
sebagainya (Hardle, 1990).
Data dikatakan kecil apabila n < 30, dan dikatakan besar apabila n ≥ 30.
Apabila data yang digunakan kecil, maka dapat dilakukan resampel data untuk
mengestimasi fungsi densitasnya. Menurut Efron dan Tibshirani (1993), resampel
adalah hasil penarikan sampel dari suatu sampel.
Pada penulisan skripsi ini akan dikaji ulang estimasi fungsi densitas melalui
histogram dan kernel Gaussian. Selanjutnya estimasi fungsi densitas yang
diperoleh akan diterapkan pada data pertumbuhan tanaman jarak pagar yang telah
diresampel menggunakan metode bootstrap untuk menentukan waktu optimal
pembibitannya.
1.2 Perumusan Masalah
Berdasarkan latar belakang, maka rumusan masalah dalam penulisan skripsi
ini adalah
1. Bagaimana menentukan rata-rata resampel dan rata-rata bootstrap dari data
pertumbuhan banyak tunas, daun, dan akar pada tanaman jarak pagar?
2
2. Bagaimana menentukan estimator fungsi densitas data pertumbuhan banyak
tunas, daun, dan akar pada tanaman jarak pagar melalui histogram dan kernel
Gaussian?
3. Bagaimana menentukan waktu pembibitan optimal tanaman jarak pagar ?
1.3 Batasan Masalah
Batasan masalah dalam penulisan skripsi ini adalah
1. Budidaya tanaman jarak pagar yang dilakukan adalah melalui stek batang dan
media yang digunakan adalah air .
2. Variabel yang diamati dari pertumbuhan tanaman jarak pagar adalah banyak
tunas dan daun dari batang yang tidak diberi hormon, serta akar dari batang
yang diberi hormon IBA 150 mg/liter dan kinetin 0 mg/liter .
3. Resampel data yang digunakan adalah melalui metode bootstrap.
1.4 Tujuan Penelitian
Berdasarkan perumusan masalah di atas, tujuan dari penulisan skripsi ini
adalah
1. Menentukan rata-rata hasil resampel dan rata-rata bootstrap dari data
pertumbuhan banyak tunas, daun, dan akar pada tanaman jarak pagar.
2. Menentukan estimator fungsi densitas data pertumbuhan banyak tunas, daun,
dan akar pada tanaman jarak pagar melalui histogram dan kernel Gaussian.
3. Menentukan waktu tanam optimal dari pembibitan tanaman jarak pagar .
1.5 Manfaat Penelitian
Manfaat yang diharapkan dari penulisan skripsi ini adalah mengetahui waktu
tanam optimal pembibitan tanaman jarak pagar dengan stek batang melalui pola
distribusinya, serta menambah pengetahuan dan wawasan tentang estimasi fungsi
densitas histogram dan kernel Gaussian.
3
BAB II
LANDASAN TEORI
Ada dua bab yang akan dibahas pada landasan teori ini, yaitu tinjauan pustaka
dan kerangka pemikiran. Tinjauan pustaka berupa hasil penelitian yang telah
dilakukan oleh peneliti terdahulu yang disajikan dalam bentuk definisi, teorema,
dan pengertian yang berhubungan dengan pembahasan estimasi fungsi densitas.
Melalui kerangka pemikiran akan digambarkan langkah dan arah penulisan untuk
mencapai tujuan penelitian.
2.1 Tinjauan Pustaka
2.1.1 Jarak Pagar ( Jatropha curcas, L )
Tanaman jarak pagar termasuk famili Euphorbiaceae, satu famili dengan karet
dan ubi kayu. Jarak pagar dapat diklasifikasikan sebagai berikut,
Divisi : Spermatophyta
Subdivisi : Angiospermae
Kelas : Dicotyledonae
Ordo : Euphorbiales
Famili : Euphorbiaceae
Genus : Jatropha
Spesies : Jatropha curcas Linn.
Tanaman jarak pagar berupa perdu dengan tinggi 1-7 meter bercabang tidak
teratur. Batangnya berkayu, silindris, dan bila terluka mengeluarkan getah.
Daunnya tunggal berlekuk dan bersudut 3 atau 5, tersebar di sepanjang batang.
Perbanyakan tanaman jarak pagar dapat dilakukan secara generatif dengan biji
dan vegetatif dengan stek batang yang cukup berkayu atau cabang tua. Salah satu
cara perbanyakan dengan stek, bahan stek ditanam di polibag atau dengan
menanam langsung ke lahan. Pada umumnya lama pembibitan tanaman jarak
pagar ini 2- 3 bulan jika dilakukan di polibag tanah. Pembibitan dengan stek dapat
4
dipercepat dengan pemberian hormon perangsang pertumbuhan pada batang yang
akan distek.
Potensi biodiesel tanaman jarak pagar terdapat pada bijinya. Biji tanaman
jarak pagar memiliki kandungan minyak yang cukup tinggi. Minyak yang
dihasilkan sangat potensial untuk dimanfaatkan sebagai bahan bakar alternatif.
(Hambali,2006)
2.1.2 Konsep Dasar Statistik
Sebagaimana disebutkan dalam tujuan penelitian, yaitu menentukan estimasi
fungsi densitas histogram dan kernel, maka diperlukan beberapa konsep dasar
statistik untuk menunjang materi dalam pembahasan penulisan skripsi ini. Konsep
dasar yang diperlukan adalah pengertian variabel random, fungsi densitas
probabilitas, fungsi distribusi kumulatif, harga harapan, dan variansi.
Ada beberapa istilah yang perlu diketahui dalam suatu eksperimen untuk
membangun suatu model matematik. Outcome merupakan hasil dari suatu
eksperimen. Sedangkan himpunan semua outcome yang mungkin dari suatu
eksperimen disebut ruang sampel, yang dinotasikan dengan S. Dari ruang sampel
didefinisikan suatu variabel, yaitu variabel random.
Definisi 2.1. (Bain dan Engelhardt, 1992) Variabel random X adalah fungsi yang
memetakan setiap hasil yang mungkin e pada ruang sampel S dengan suatu
bilangan real x, sedemikian hingga X(e) = x.
Variabel random dibagi menjadi dua, yaitu variabel random diskrit dan variabel
random kontinu.
Perilaku variabel random dapat dilihat melalui fungsi yang menggambarkan
distribusi variabel random. Fungsi tersebut didefinisikan sebagai fungsi densitas
probabilitas (probability density function).
5
Definisi 2.2. (Bain dan Engelhardt, 1992) Jika himpunan semua nilai yang
mungkin dari variabel random X merupakan himpunan berhingga ,
atau , maka X disebut variabel random diskrit. Fungsi
, untuk x =
menyatakan probabilitas setiap nilai x yang mungkin disebut fungsi densitas
probabilitas diskrit (discrete probability density function).
Jika f(x) adalah fungsi densitas probabilitas diskrit, maka mempunyai sifat
, untuk semua x dan . Sedangkan jika f(x) adalah fungsi
densitas probabilitas kontinu, maka mempunyai sifat , untuk semua x dan
.
Cara lain untuk menggambarkan perilaku variabel random adalah melalui
fungsi distribusi kumulatifnya yang didefinisikan sebagai berikut.
Definisi 2.3. (Bain dan Engelhardt, 1992) Fungsi distribusi kumulatif (cumulative
distribution function) dari variabel random diskrit X didefinisikan untuk setiap
bilangan real x sebagai
.
Definisi 2.4. (Bain dan Engelhardt, 1992) Variabel random X disebut variabel
random kontinu jika terdapat fungsi f(x) yang merupakan fungsi densitas
probabilitas dari X, sehingga fungsi distribusi kumulatifnya dapat dinyatakan
dengan
.
Sesuatu yang perlu diketahui dari suatu distribusi variabel random adalah
pusat (central) distribusi dan variansi variabel random. Pusat distribusi
didefinisikan sebagai harga harapan (expected value).
6
Definisi 2.5. (Bain dan Engelhardt, 1992) Jika X suatu variabel random kontinu
dengan fungsi densitas probabilitas f(x), maka harga harapan (expected value)
dari X didefinisikan sebagai
,
dan variansi dari variabel random adalah
.
Teorema 2.1. (Bain dan Engelhardt, 1992) Variansi dari variabel random X
dinyatakan dengan
.
2.1.3 Metode Bootstrap
Menurut Efron dan Tibshirani (1993), bootstrap adalah metode yang
berdasarkan pada simulasi data untuk keperluan inferensi statistik. Apabila
bootstrap digunakan, maka inferensi dapat dilakukan tanpa membuat asumsi
distribusi. Dalam bootstrap dilakukan resampling dengan pengembalian.
Resampling dengan pengembalian ini membuat setiap resampel dapat mempunyai
beberapa elemen dari sampel asli muncul lebih dari sekali, dan mungkin beberapa
tidak muncul sama sekali. Langkah-langkah dalam prosedur bootstrap adalah
sebagai berikut
1. Membangun distribusi empiris dari suatu sampel dengan menempatkan
probabilitas 1/n pada setiap xi, dengan i = 1,2, …, n.
2. Mengambil sampel random sederhana berukuran n dengan pengembalian dari
fungsi distribusi empiris sebanyak B kali. Hal ini dinamakan sebagai
resampel dan disebut xb*. Sampel random dengan B ulangan dari (x1, x2, …, xn)
adalah
7
Pengambilan jika F berdistribusi normal dan jika F
berdistribusi eksponensial.
3. Menghitung statistik yang diinginkan dari resampel ini, disebut sebanyak
B kali.
4. Membangun distribusi empiris dari , dengan probabilitas masing-masing
1/B pada setiap . Distribusi ini adalah estimator distribusi
sampling , dan disebut . Selanjutnya distribusi tersebut dapat
digunakan untuk melakukan inferensi tentang .
Jika merupakan mean (rata-rata) hasil resampel, maka dapat ditentukan rata-
rata bootstrap
, (2.1)
dan variansi bootstrapnya adalah
. (2.2)
2.1.4 Sifat Estimator
Variabel random X dengan pdf , dengan θ parameter yang tidak
diketahui, terdiri atas mean dan variansi dari distibusinya. Berdasarkan data
observasi nilai θ diduga melalui estimasi titik (point estimation).
8
Definisi 2.6. (Bain dan Engelhardt, 1992) Statistik yang
digunakan untuk mengestimasi nilai dari disebut estimator dari dan
nilai dari statistik disebut estimasi (estimate) dari .
Selanjutnya estimator T dinotasikan dengan .
Misal Ω ruang parameter yang menunjukkan himpunan seluruh kemungkinan
nilai θ. Kriteria dari estimator yang baik ada dua yaitu tak bias (unbiassed) dan
variansi minimum.
Definisi 2.7. (Bain dan Engelhardt, 1992 ) Estimator dikatakan estimator tak
bias dari jika
untuk semua . Jika tidak, T dikatakan sebagai estimator bias dari .
Jika adalah estimator takbias dari ,kriteria lain yang sesuai adalah variansi
minimum yaitu
, untuk semua .
Definisi dari estimator bias sebagai berikut.
Definisi 2.8. (Bain dan Engelhardt, 1992 ) Jika adalah estimator dari ,
maka bias dinyatakan dengan
dan mean squared error (MSE) dari T dinyatakan dengan
.
Teorema 2.2. (Bain dan Engelhardt, 1992) Jika T adalah estimator dari ,
maka
.
9
MSE adalah kriteria yang sesuai yaitu mempertimbangkan variansi dan bias dari
estimator, sebagaimana kriteria variansi minimum pada estimator tak bias.
2.1.5 Estimasi Fungsi Densitas
Diasumsikan variabel random X kontinu, independen, dan berdistribusi identik
maka dinotasikan fungsi densitas f(x) sebagai
.
Estimasi fungsi densitas adalah mengestimasi fungsi densitas dengan memberikan
himpunan data observasi . Estimasi fungsi densitas dapat dilakukan dengan
pendekatan parametrik, yaitu data diasumsikan mempunyai distribusi tertentu.
Pendekatan yang lain adalah nonparametrik, yaitu data tidak diasumsikan
mempunyai berdistribusi tertentu. Estimasi fungsi densitas nonparametrik dapat
dilakukan melalui histogram dan fungsi kernel (Shen dan Agrawal,2006).
2.1.6 Estimasi Fungsi Densitas Histogram
Hardle (1990), menyatakan estimasi fungsi densitas histogram merupakan
cara yang cukup sederhana dan luas penggunaannya. Misal sampel random
berukuran n, dari suatu populasi dengan fungsi densitas f yang
tidak diketahui. Berdasarkan sampel random ini akan diestimasi fungsi
densitasnya. Misalkan daerah nilai X dibagi menjadi interval-interval yang tidak
tumpang tindih dengan lebar interval h1, h1 > 0 dan titik awal x0. Probabilitas
observasi X yang masuk ke dalam interval dapat dinyatakan
sebagai
. (2.3)
10
Dengan teorema harga menengah untuk fungsi terbatas kontinu diperoleh
, untuk . (2.4)
Jika f(x) didekati dengan nilai konstan pada , maka dapat
diperoleh pendekatan untuk f(x), adalah
. (2.5)
Dengan menggunakan persamaan (2.4) dan (2.5), diperoleh estimator untuk f(x),
yaitu
(2.6)
untuk semua .
Persamaan (2.6) dapat dinyatakan sebagai
(untuk observasi Xi dalam interval yang juga memuat x).
Secara umum penentuan estimasi fungsi densitas melalui histogram
menggunakan langkah-langkah sebagai berikut
1. Membagi garis riil dalam interval (bin) yaitu
dengan lebar interval (binwidth) , x0 pusat atau titik awal
histogram.
2. Menghitung banyaknya data untuk setiap interval.
Dari langkah-langkah di atas dapat dituliskan estimator fungsi densitas melalui
histogram adalah
(2.7)
Misal diasumsikan bahwa x0 = 0 dan , maka estimator
fungsi densitas histogram pada persamaan (2.7) dapat dinyatakan sebagai
11
. (2.8)
Sifat-sifat estimator fungsi densitas histogram sebagai berikut
Teorema 2.3. (Hardle,1990) Jika diberikan oleh persamaan (2.8), maka
adalah bias untuk f(x).
Teorema 2.4. (Hardle,1990) Jika diberikan oleh persamaan (2.8), maka
1. ,
2.
Melalui bias dan variansi dari , dapat ditentukan Mean Squared Error
(MSE) dari .
(2.9)
MSE merupakan jumlahan dari variansi dan bias kuadrat. Meminimalkan MSE
terhadap h1 dapat dipandang sebagai kompromi antara masalah estimasi fungsi
densitas yang sangat mulus, yaitu jika h1 sangat besar untuk menurunkan variansi,
dan masalah estimasi densitas yang tidak mulus, yaitu jika dipilih h1 yang kecil
untuk menurunkan bias kuadrat. Integral dari persamaan (2.9) didefinisikan
sebagai mean integrated squared error (MISE),
dengan .
Secara asimtotik unsur dapat diabaikan untuk dan
. Penghilangan unsur ini disebut asymptotic mean integrated squared error
(A-MISE) yang didefinisikan sebagai berikut
12
.
Menentukan lebar interval optimal h1opt, dapat dilakukan dengan menurunkan
A-MISE terhadap parameter h1, diperoleh
(2.10)
2.1.7 Estimasi Fungsi Densitas Kernel
Shen dan Agrawal (2006), menyatakan estimasi fungsi densitas kernel
merupakan cara yang sederhana untuk mengestimasi fungsi densitas tanpa asumsi
dari model parametrik. Estimator fungsi densitas kernel untuk estimasi nilai
densitas f(x) pada titik x didefinisikan sebagai berikut,
(2.11)
dimana K disebut fungsi kernel dan h2 adalah lebar jendela (bandwidth).
Diasumsikan fungsi kernel K adalah fungsi densitas kontinu, terbatas, simetris
di sekitar 0, dan berharga real. Kernel K memenuhi sifat-sifat:
1.
2.
3.
Salah satu fungsi kernel yang sering digunakan adalah kernel Gaussian. Bentuk
kernel Gaussian adalah sebagai berikut,
. (2.12)
Sifat-sifat estimator fungsi densitas kernel sebagai berikut
13
Teorema 2.5. (Hardle,1990) Jika diberikan oleh persamaan (2.11), maka
untuk
, untuk .
Teorema 2.6. (Hardle,1990) Jika diberikan oleh persamaan (2.11), maka
1. , dengan .
2. , ,dengan
.
Melalui pendekatan bias dan variansi dari , diperoleh
,
dan
Jika bagian yang berorder tinggi dari sisi kanan teorema yaitu
diabaikan, maka dapat didefinisikan sebagai A-MISE, diperoleh
Menentukan lebar jendela optimal h2opt, dapat dilakukan dengan menurunkan
A-MISE terhadap parameter h2, diperoleh
Lebar jendela optimal digunakan untuk mengestimasi fungsi densitas dari data
sehingga dapat diperoleh estimator fungsi densitas kernel yang akan mewakili
fungsi densitas data yang sebenarnya.
14
2.2 Kerangka Pemikiran
Fungsi densitas probabilitas menggambarkan karakteristik dasar perilaku dari
suatu variabel random X. Dengan melihat plot fungsi densitas dapat diketahui pola
distribusi dari variabel random X. Estimasi dari fungsi densitas yang tidak
diketahui dapat dilakukan melalui pendekatan nonparametrik yaitu menggunakan
histogram dan kernel.
Estimasi fungsi densitas histogram sangat tergantung pada pengambilan titik
awal x0 dan pemilihan lebar interval h1, sedangkan estimasi fungsi densitas kernel
tergantung pada pemilihan lebar jendela h2 dan fungsi kernel K. Estimasi fungsi
densitas yang diperoleh akan diterapkan pada data pertumbuhan tanaman jarak
pagar untuk mengetahui pola distribusi pertumbuhan banyak tunas, daun, dan
akar. Dari pola distribusinya akan ditentukan waktu optimal pembibitan tanaman
jarak pagar pada media air.
BAB III
METODE PENELITIAN
Metode yang digunakan dalam penulisan skripsi ini adalah studi kasus.
Dengan mengumpulkan referensi dari buku dan jurnal akan diterapkan estimasi
fungsi densitas histogram dan kernel pada data pertumbuhan tanaman jarak pagar
dengan stek batang pada media air.
15
Langkah-langkah yang dilakukan dalam penelitian ini sebagai berikut
1. Pengumpulan data
Bahan penelitian yang digunakan adalah stek batang cabang tua dari
tanaman jarak pagar yang diberi perlakuan berupa hormon perangsang akar
dan tunas. Media yang digunakan adalah air PAM yang diletakkan dalam
gelas transparan berukuran 220cc. Jenis hormon yang digunakan adalah IBA
(Indole-3- Butyric Acid) dan kinetin. Perlakuan yang digunakan adalah kontrol
(tanpa hormon), 50, 100, dan 150 mg/liter untuk IBA dan kinetin. Separuh
dari panjang stek batang tanaman direndam pada media cair 50 cc. Apabila
terjadi penurunan volume air, maka ditambahkan air secukupnya. Untuk setiap
perlakuan digunakan stek tanaman jarak pagar sebanyak 12 batang.
Rancangan percobaan yang digunakan dalam permasalahan ini adalah
rancangan percobaan faktorial. Variabel yang diamati dalam penelitian ini
adalah pertumbuhan banyak tunas, daun, dan akar tanaman jarak pagar setiap
5 hari selama 30 hari.
2. Analisis data
Langkah pertama adalah meresampel data dan menentukan rata-rata
resampel dari tiap variabel yang diamati dengan menggunakan metode
bootstrap. Rata-rata resampel digunakan untuk menentukan pola distribusi
pertumbuhan banyak tunas, daun, dan akar tanaman jarak pagar dengan
menggunakan estimasi fungsi densitas histogram dan kernel Gaussian. Dari
rata-rata hasil resampel ditentukan rata-rata dan variansi bootstrap untuk
menentukan waktu optimal pembibitan tanaman jarak pagar pada media air.
Analisis data dilakukan dengan menggunakan bantuan software S-PLUS for
Windows versi 3.2. Berikut bagan langkah-langkah yang dilakukan dalam
penulisan skripsi ini.
16
Pengumpulan referensi tentang estimasi fungsi densitas dan data
pertumbuhan jarak pagar
Resampel data
BAB IV
PEMBAHASAN
Ada banyak cara untuk mengestimasi fungsi densitas probabilitas,
diantaranya melalui histogram dan kernel. Histogram dan kernel merupakan cara
yang sederhana untuk mengestimasi fungsi densitas tetapi banyak memberikan
informasi yang penting melalui plot estimasinya. Estimasi fungsi densitas kernel
17
Estimasi fungsi densitas dengan histogram
Estimasi fungsi densitas dengan kernel Gaussian
Penarikan kesimpulan
Penentuan waktu optimal pembibitan tanaman jarak pagar
mempunyai kelebihan jika dibandingkan dengan estimasi fungsi densitas
histogram yang dipengaruhi oleh penentuan titik awalnya. Pada estimasi fungsi
densitas histogram apabila diambil titik awal yang berbeda, maka akan diperoleh
hasil yang berbeda pula. Pada pembahasan ini akan diterapkan estimasi fungsi
densitas histogram dan kernel untuk data pertumbuhan tanaman jarak pagar. Dari
plot estimasi fungsi densitasnya akan ditentukan waktu optimal pembibitannya.
4.1 Deskripsi Data Pertumbuhan Tanaman Jarak Pagar
Data diperoleh dari hasil percobaan pembibitan tanaman jarak pagar dengan
stek batang pada media air di Laboratorium Pusat FMIPA UNS. Variabel yang
diamati adalah pertumbuhan banyak tunas, daun, dan akar. Berdasarkan hasil
percobaan, pertumbuhan banyak tunas dan daun diamati dari batang yang tidak
diberi hormon perangsang. Untuk pertumbuhan akar diamati dari batang yang
diberi hormon IBA 150mg/liter dan kinetin 0 mg/liter. Jumlah data pertumbuhan
banyak tunas dan daun yang diambil sebanyak 8, mulai dari pengamatan hari ke
10 sampai ke 30. Sedangkan data pertumbuhan banyak akar diambil sebanyak 6
mulai pengamatan hari ke 15 sampai hari ke 30. Data tiap variabel dapat dilihat
pada Tabel 2. Lampiran 2.
4.2 Resampling Data Menggunakan Metode Bootstrap
Bootstrap merupakan alat meresampling data untuk keperluan inferensi. Jika
jumlah data yang diambil dari percobaan terlalu kecil, maka dapat dilakukan
resampel data menggunakan metode bootstrap berdasarkan langkah-langkah pada
subbab 2.1.3. Data yang diperoleh dari hasil percobaan diresampel sebanyak 20n.
Jumlah data pertumbuhan banyak tunas dan daun adalah 8, maka resampel yang
diambil sebanyak 160. Sedangkan jumlah data pertumbuhan banyak akar adalah
6, maka diresampel sebanyak 120. Dari data hasil resampel ditentukan rata-rata
setiap resampel yang akan diestimasi fungsi densitasnya baik melalui histogram
maupun kernel. Rata-rata dari setiap resampel dapat dilihat pada Lampiran 3. Jika
18
B adalah jumlah resampling dan adalah rata-rata tiap resampel pada Lampiran
3, berdasarkan persamaan (2.1) dan (2.2) dapat ditentukan rata-rata dan variansi
bootstrap yang dapat dilihat pada Tabel 1.
Tabel 1. Rata-rata dan Variansi Bootstrap Pertumbuhan Banyak Tunas,
Daun, dan Akar
Pengamatan
hari ke
Banyak Tunas Banyak Daun Banyak Akar
Rata-rata Variansi Rata-rata Variansi Rata-rata Variansi
10 2.5984 0.51030 2.692 0.62202 0 0
15 2.5578 0.44691 6.273 2.57394 3.8514 1.83604
20 2.7289 0.360107 7.814 1.42885 9.1375 5.54793
25 2.8898 0.42342 5.608 1.44794 12.2903 2.41993
30 2.7414 0.394678 6.738 1.17418 11.7417 2.02187
4.3 Estimasi Fungsi Densitas Histogram Data Pertumbuhan
Tanaman Jarak Pagar
Rumus estimator fungsi densitas histogram pada persamaan (2.7) adalah
. Dari persamaan tersebut h1 (lebar interval)
dan , . Lebar interval optimal diperoleh dengan
meminimalkan A-MISE terhadap h1, diperoleh nilai .
Lebar interval h1 optimal untuk pertumbuhan banyak tunas dan daun dengan
jumlah data rata-rata resampel sebanyak 160, maka diperoleh
. Dengan dan titik awal tersebut
diperoleh persamaan estimator fungsi densitas histogram untuk pertumbuhan
banyak tunas dan daun sebagai berikut
19
=
= , (4.1)
dengan , .
Lebar interval h1 optimal untuk pertumbuhan banyak akar, jika jumlah data rata-
rata resampelnya 120 maka diperoleh . Dengan
tersebut dan pengambilan titik awal yang sama dengan titik awal pada
banyak tunas dan daun, maka diperoleh estimator fungsi densitas histogram untuk
pertumbuhan banyak akar adalah
=
= , (4.2)
dengan .
Berdasarkan persamaan (4.1) dan (4.2) selanjutnya akan digambarkan plot
estimasi fungsi densitas untuk data pertumbuhan banyak tunas, daun, dan akar
dengan dan . Plot estimasi fungsi densitas histogram pertumbuhan
banyak tunas, daun, dan akar dapat dilihat pada Gambar 1. sampai 3.
20
Gambar 1. Estimasi Fungsi Densitas Histogram Data Pertumbuhan
Banyak Tunas
Dilihat dari plot estimasi fungsi densitas histogram pada Gambar 1, rata-rata
pertumbuhan banyak tunas mengalami penurunan dari pengamatan hari ke 10
sampai 15. Dan rata-rata pertumbuhan banyak tunas pada hari ke 20 sampai 25
mengalami peningkatan. Sedangkan rata- rata distribusi pertumbuhan banyak
daun dapat dilihat pada Gambar 2.
Gambar 2. Estimasi Fungsi Densitas Histogram Data Pertumbuhan Banyak Daun
21
Rata-rata pertumbuhan banyak daun juga mengalami peningkatan sampai
hari ke 20, tetapi berkurang pada hari ke 25. Pada hari ke 30 rata-rata
pertumbuhan banyak daun meningkat lagi meskipun tidak lebih besar dari
pengamatan hari ke 20. Selanjutnya akan digambarkan plot estimasi fungsi
densitas untuk rata-rata pertumbuhan banyak akar.
Gambar 3. Estimasi Fungsi Densitas Histogram Data Pertumbuhan Banyak Akar
Rata-rata pertumbuhan banyak akar terbesar diperoleh pada pengamatan hari
ke 25. Pada pengamatan hari ke 30 rata-rata pertumbuhan akar mengalami
penurunan.
Estimasi fungsi densitas histogram sangat dipengaruhi oleh penentuan titik
awalnya. Jika diambil titik awal yang diambil berbeda maka diperoleh hasil yang
berbeda pula. Hal itu dapat dilihat dari plot estimasi fungsi densitas pertumbuhan
banyak daun pada hari ke 20 jika diambil x0 = 0, 1, 2, 3, dan h1 = h1opt pada
Gambar 4.
22
Gambar 4. Estimasi Fungsi Densitas Histogram Pertumbuhan Banyak Daun
Hari ke 20
Dari gambar di atas dapat dilihat bahwa rata-rata pertumbuhan banyak daun
berubah jika penentuan titik awalnya berbeda.
4.4 Estimasi Fungsi Densitas Kernel Data Pertumbuhan
Tanaman Jarak Pagar
Dari persamaan (2.11) diperoleh estimator fungsi densitas kernel adalah
, dengan h2 lebar jendela merupakan
parameter yang perlu diestimasi. Pada penulisan skripsi ini fungsi kernel yang
digunakan adalah kernel Gaussian, maka bentuk estimator fungsi densitasnya
menjadi
. (4.3)
23
Lebar jendela optimal diperoleh dengan meminimalkan A-MISE terhadap h2,
yaitu . Dengan pendekatan lebar jendela optimal tersebut, diperoleh
untuk banyak tunas dan daun adalah . Dan
untuk banyak akar adalah .
Jika digunakan , maka estimator fungsi densitas kernel Gaussian pada
persamaan 4.1 untuk data pertunbuhan banyak tunas dan daun adalah
(4.4)
Sedangkan pada pertumbuhan banyak akar adalah
(4.5)
Selanjutnya dengan menggunakan persamaan (4.4) dan (4.5) akan diplotkan
estimasi fungsi densitas kernel pada setiap variabel. Plot estimasi fungsi densitas
kernel untuk setiap variabel dapat dilihat pada Gambar 5. sampai 7.
24
Gambar 5. Estimasi Fungsi Densitas Kernel Gaussian Data Pertumbuhan
Banyak Tunas
Dari Gambar 5. dapat dilihat, rata-rata pertumbuhan tunas dari pengamatan
hari ke 15 sampai ke 25 berjalan dari kiri ke kanan semakin besar. Kemudian
tidak mengalami peningkatan lagi setelah pengamatan hari ke 30.
Gambar 6. Estimasi Fungsi Densitas Kernel Gaussian Data Pertumbuhan
Banyak Daun
25
Dari Gambar 6. dapat dilihat rata-rata pertumbuhan banyak daun mengalami
peningkatan dari pengamatan hari ke 10 sampai hari ke 20. Setelah itu terjadi
penurunan pada pengamatan hari ke 25.
Gambar 7. Estimasi Fungsi Densitas Kernel Gaussian Data Pertumbuhan
Banyak Akar
Dari Gambar 7. dapat dilihat bahwa rata-rata pertumbuhan banyak akar pada
pengamatan hari ke 15 berada pada interval 0 sampai 10. Pada pengamatan hari ke
20 dan 25 rata-rata pertumbuhan banyak akar mengalami peningkatan. Sedangkan
pada pengamatan hari ke 30 terjadi penurunan rata-rata pertumbuhan banyaka
akar.
4.5 Waktu Optimal Pembibitan Tanaman Jarak Pagar
Rata-rata bootstrap untuk setiap variabel pengamatan pada Tabel 1. diplotkan
dengan waktu pengamatan untuk mengetahui waktu optimal pertumbuhan
masing-masing variabel. Plot waktu optimal pertumbuhan banyak tunas, daun,
dan akar dapat dilihat pada Gambar 8.
26
Gambar 8. Waktu Optimal Pertumbuhan Jarak Pagar
Jika Gambar 8. dibandingkan dengan hasil estimasi fungsi densitas histogram
dan kernel diperoleh hasil yang sama. Rata-rata pertumbuhan banyak tunas dan
akar terbesar adalah pengamatan ke 25, sedangkan untuk daun hari ke 20. Dari
hasil tersebut maka dapat dikatakan bahwa waktu optimal pembibitan tanaman
jarak pagar dengan stek batang pada media air adalah 20 sampai 25 hari.
27
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan pembahasan dapat disimpulkan bahwa aplikasi kasus untuk data
pertumbuhan banyak tunas, daun, dan akar pembibitan tanaman jarak pagar
melalui stek batang dengan media air diperoleh
1. Berdasarkan rata-rata hasil resampel pada Lampiran 3 diperoleh rata-rata
bootstrap untuk pertumbuhan banyak tunas dan akar terbesar adalah pada
pengamatan hari ke 25, yaitu 2.8898 dan 12.2903. Sedangkan untuk
pertumbuhan banyak daun diperoleh pada pengamatan hari ke 20, yaitu
7.814.
2. Estimator fungsi densitas histogram untuk pertumbuhan banyak tunas dan
daun adalah
=
= ,
dengan ,
untuk pertumbuhan banyak akar adalah
=
= ,
dengan .
Estimator fungsi densitas kernel Gaussian untuk pertumbuhan banyak tunas,
dan daun adalah
28
untuk pertumbuhan banyak akar adalah
3. Waktu optimal pertumbuhan banyak tunas dan akar adalah hari ke 25,
sedangkan banyak daun adalah hari ke 20.
Waktu optimal pembibitan tanaman jarak pagar dengan stek batang melalui
media air adalah 20 sampai 25 hari.
5.2 Saran
Bagi pembaca yang tertarik tentang estimasi fungsi densitas nonparametrik,
penulis memberikan beberapa saran
1. Perlu dilakukan estimasi fungsi densitas nonparametrik dengan metode yang
lain, misalnya dengan penghalusan kernel.
2. Perlu dilakukan estimasi fungsi densitas kernel dengan fungsi kernel yang
lain, misalnya kernel segitiga, kuadratik,dan yang lainnya.
3. Perlu dikembangkan estimasi fungsi densitas nonparametrik untuk kasus yang
lainnya.
29
DAFTAR PUSTAKA
Bain, L. J. and M. Engelhardt. (1992). Introduction to Probability and
Mathematical Statistics, Second Edition. Duxbury Press, Inc, California.
Efron, B. and R. J. Tibshirani. (1993). An Introduction to the Bootstrap. Chapman
and Hall, London.
Hambali, E, Hariyadi dan A. Suryani. (2006). Jarak Pagar Tanaman Penghasil
Biodiesel. Penebar Swadaya, Jakarta.
Hardle, W. (1990). Smoothing Technique with Implementation in S. Springer
Verlag, New York.
Hariyadi. (2005). Budidaya Tanaman Jarak Pagar (Jatropha Curcas) sebagai
Sumber Bahan Alternatif Biofuel. Makalah Departemen Budidaya Pertanian
Fakultas Pertanian IPB, Bogor.
Shen, X. and S. Agrawal. (2006). Kernel Density Estimation for An Anomaly
Based Intrusion Detection System. The Department of Mathematics, Ohaio
University. USA.
Sopian, T. (2005). Biodiesel dari Tanaman Jarak. www.beritaiptek.com
.
30
LAMPIRAN
Lampiran 1. Bukti teorema.
Lampiran 2. Data Pertumbuhan Banyak Tunas, Daun, dan Akar yang Mendapat
Perlakuan Optimal.
Lampiran 3. Rata-rata resampel data Pertumbuhan Banyak Tunas, Daun, dan
Akar.
Lampiran 4. Program Estimasi Fungsi Densitas Histogram dan Kernel
Gaussian.
31
LAMPIRAN
Lampiran 1. Bukti Teorema
Teorema 2.1. (Bain dan Engelhardt, 1992) Variansi dari variabel random X
dinyatakan dengan
Bukti
=
=
=
=
=
Teorema 2.2. (Bain dan Engelhardt, 1992) Jika T adalah estimator dari ,
maka .
Bukti
=
=
=
=
=
Teorema 2.3. (Hardle,1990) Jika diberikan oleh persamaan (2.8), maka
adalah bias untuk f(x).
Bukti
32
=
=
=
=
=
Teorema 2.4. (Hardle,1990) Jika diberikan oleh persamaan (2.8), maka
1. ,
2.
Bukti
=
= =
Jika dan diekspansikan taylor, dalam untuk turunan order
pertama
diperoleh
=
33
=
=
=
=
=
=
=
=
= , ,
= ,
Teorema 2.5. (Hardle,1990) Jika diberikan oleh persamaan (2.11), maka
untuk
, untuk .
Bukti
34
=
=
=
Dengan mensubtitusikan , untuk , diperoleh
Teorema 2.6. (Hardle,1990) Jika diberikan oleh persamaan (2.11), maka
1. , dengan .
2. , ,dengan
.
Bukti
=
=
=
=
=
=
35
=
=
=
=
=
=
=
Lampiran 2. Data Pertumbuhan Banyak Tunas, Daun, dan Akar yang
Mendapat Perlakuan Optimal
36
Tabel 2. Data Pertumbuhan Banyak Tunas, Daun, dan Akar Tanaman Jarak Pagar
Perlakuan Ulangan
Pengamatan hari
ke-
TUNAS 10 15 20 25 30
1 1 1 1 1 1
2 2 2 2 2 2
3 7 7 7 7 7
4 3 3 3 3 3
I0K0 5 3 3 3 2 2
6 2 2 2 2 2
7 2 2 2 2 2
8 - - 2 2 2
Perlakuan Ulangan
Pengamatan hari
ke-
DAUN 10 15 20 25 30
1 6 6 6 1 1
2 3 5 5 3 4
3 - 15 15 11 11
4 2 6 8 9 7
I0K0 5 7 9 10 4 8
6 3 3 4 4 4
7 1 5 6 6 9
8 - - 7 8 10
Perlakuan Ulangan
Pengamatan hari
ke-
AKAR 10 15 20 25 30
1 1 6 10 11
2 1 7 10 7
I150K0 3 6 14 12 12
4 6 11 15 15
5 0 0 8 8
6 8 17 19 18
Data yang dianalisis (output dari software S-PLUS for Windows versi 3.2)
> tunas10
37
[1] 1 2 7 3 3 2 2 0
> tunas15
[1] 1 2 7 3 3 2 2 0
> tunas20
[1] 1 2 7 3 3 2 2 2
> tunas25
[1] 1 2 7 3 3 2 2 2
> tunas30
[1] 1 2 7 3 3 2 2 2
> daun10
[1] 6 3 0 2 7 3 1 0
> daun15
[1] 6 5 15 6 9 3 5 0
> daun20
[1] 6 5 15 8 10 4 6 7
> daun25
[1] 1 3 11 9 4 4 6 8
> daun30
[1] 1 4 11 7 8 4 9 10
> akar15
[1] 1 1 6 6 0 8
> akar20
[1] 6 7 14 11 0 17
> akar25
[1] 10 10 12 15 8 19
> akar30
[1] 11 7 12 15 8 18
Lampiran 3. Rata-rata Resampel data Pertumbuhan Banyak Tunas,
Daun, dan Akar
38
Rata-rata resampel banyak tunas dengan 160 ulangan untuk setiap hari
pengamatan adalah
1. Rata-rata resampel hari ke 10
> retunas10<-matrix(sample(tunas10,8*160,replace=T),160,8)
> meantunas10<-apply(retunas10,1,mean)
> meantunas10
[1] 2.125 3.750 2.625 1.875 3.250 2.125 2.875 2.250 2.500 3.375 2.500 3.125
3.000 2.375 [15] 2.750 2.375 4.250 1.250 2.125 2.750 3.375 3.250 1.750
2.750 2.750 3.500 2.250 3.250 [29] 2.000 2.375 3.375 2.125 3.250 2.875
3.125 2.375 2.875 2.125 2.250 3.875 2.250 2.625 [43] 1.875 2.375 1.625
2.875 1.750 2.500 2.875 2.500 4.125 3.125 1.625 2.875 5.250 3.500 [57]
2.625 2.750 2.000 2.125 2.375 1.750 3.000 2.000 4.125 1.500 3.875 2.625
2.000 2.125 [71] 3.250 2.000 2.000 3.125 1.375 2.250 2.125 2.250 2.625
2.750 2.625 2.500 2.000 2.375 [85] 3.250 2.750 2.375 1.750 1.625 1.750
3.125 2.250 2.125 3.125 1.750 2.500 2.750 1.500 [99] 2.375 2.750 1.250
2.625 3.375 4.000 3.625 2.125 2.625 2.000 2.250 2.125 2.000 1.625[113]
2.250 2.375 1.500 2.750 1.250 2.500 4.125 2.625 1.750 3.125 3.500 2.250
3.125 2.000[127] 4.250 1.875 3.625 3.125 2.875 1.750 3.000 2.250 1.625
2.875 2.000 2.750 3.500 2.875[141] 1.750 3.250 2.875 3.750 3.000 3.750
2.625 1.875 3.500 3.000 2.000 3.000 2.625 3.750[155] 1.875 2.750 1.625
3.125 2.375 1.750
2. Rata-rata resampel hari ke 15
> retunas15<-matrix(sample(tunas10,8*160,replace=T),160,8)
> meantunas15<-apply(retunas15,1,mean)
> meantunas15
[1] 3.000 3.875 2.125 3.000 2.750 3.250 2.750 2.125 3.000 2.375 2.250 2.625
2.250 2.750 [15] 2.000 2.625 1.500 2.750 2.875 2.000 2.625 2.875 1.875
1.125 2.125 1.500 1.875 3.625 [29] 1.625 2.500 2.250 4.875 2.500 2.875
1.625 2.375 2.000 2.625 2.375 3.125 2.750 2.250 [43] 2.000 1.875 2.000
2.750 3.250 1.875 3.125 2.500 1.875 3.250 2.250 2.375 2.125 2.250 [57]
2.125 1.875 1.250 2.750 2.750 2.625 2.750 2.375 2.500 1.750 2.500 1.875
39
2.375 1.750 [71] 2.875 1.500 2.500 3.000 2.500 2.625 3.000 2.375 1.250
1.250 2.375 1.250 3.625 3.375 [85] 3.250 3.000 3.625 3.125 2.375 3.375
3.250 2.125 1.625 2.250 3.250 2.125 2.625 2.000 [99] 2.625 2.125 2.000
3.250 2.750 3.625 3.125 2.500 2.625 3.500 3.375 2.250 4.125 1.875[113]
2.625 2.625 2.500 3.250 1.875 3.375 1.500 3.000 1.750 3.000 3.375 2.750
3.000 2.500[127] 3.250 4.500 1.875 3.000 1.750 1.875 2.750 2.250 1.875
3.875 4.000 3.375 2.750 2.625[141] 3.125 2.000 2.625 2.625 2.250 2.875
3.125 1.875 3.500 3.500 2.125 1.625 3.250 3.250[155] 2.125 2.750 1.625
2.625 2.250 2.000
3. Rata-rata resampel hari ke 20
> retunas20<-matrix(sample(tunas20,8*160,replace=T),160,8)
> meantunas20<-apply(retunas20,1,mean)
> meantunas20
[1] 2.875 3.000 3.250 3.625 1.875 2.125 2.625 2.500 3.375 2.250 2.250 2.875
2.000 2.000 [15] 1.750 2.500 3.250 2.500 2.500 3.000 3.375 2.000 2.875
3.125 3.000 4.000 3.250 3.750 [29] 3.000 2.625 3.500 2.000 3.375 2.000
3.500 2.750 2.750 3.375 2.250 1.875 2.125 2.750 [43] 2.000 2.625 2.625
1.875 1.750 3.125 2.750 2.375 2.500 2.625 3.625 2.750 2.250 2.000 [57]
2.500 2.750 2.875 3.375 2.750 3.500 1.750 2.875 2.375 4.625 3.375 2.750
2.375 3.125 [71] 3.250 3.500 2.500 2.250 2.750 2.875 2.750 2.750 3.250
2.250 2.750 2.250 3.500 2.250 [85] 3.125 3.875 2.250 3.375 4.875 2.875
1.750 2.875 2.625 1.875 2.000 3.000 2.875 2.750 [99] 3.125 3.375 2.125
2.625 3.250 4.250 2.875 2.875 1.875 2.500 2.625 3.250 2.750 2.500[113]
2.750 3.125 1.875 1.875 3.375 2.125 3.250 3.375 3.750 2.625 3.250 2.000
2.875 2.375[127] 2.875 1.875 2.625 2.375 2.125 2.500 2.750 1.875 3.750
2.250 3.000 2.875 2.125 2.000[141] 2.625 2.500 2.375 3.125 1.750 4.125
1.875 2.625 2.875 1.875 2.250 2.750 2.625 2.250[155] 3.250 2.750 3.000
2.125 2.625 3.375
4. Rata-rata resampel hari ke 25
> retunas25<-matrix(sample(tunas20,8*160,replace=T),160,8)
> meantunas25<-apply(retunas25,1,mean)
40
> meantunas25
[1] 3.125 2.250 3.000 3.125 3.625 2.500 3.125 3.125 2.000 2.875 3.000 3.125
2.750 3.625 [15] 3.250 1.875 3.000 2.875 2.125 2.875 2.375 3.250 3.000
3.375 2.500 3.250 2.625 2.000 [29] 3.250 4.750 3.875 2.750 2.250 2.000
1.875 3.125 3.000 3.625 2.750 4.000 2.750 2.250 [43] 2.750 2.500 3.375
2.750 3.500 3.000 3.625 3.250 2.250 2.375 2.125 2.875 1.750 4.000 [57]
2.500 2.750 2.750 2.500 2.750 3.500 2.125 3.625 3.000 3.000 3.125 2.375
1.750 2.875 [71] 2.250 2.250 4.000 2.250 3.250 2.125 2.875 3.375 2.750
3.500 3.125 2.500 3.375 3.500 [85] 2.750 2.250 4.125 3.375 3.500 2.375
4.000 3.375 3.125 3.625 4.000 3.500 2.625 3.250 [99] 2.250 2.875 3.375
3.000 3.125 1.875 2.750 2.250 2.375 2.500 3.125 3.250 4.125 3.500[113]
3.125 2.625 2.750 2.500 2.750 2.625 2.625 3.250 3.125 2.000 3.500 2.500
3.750 2.000[127] 3.625 3.875 2.125 2.625 2.875 1.750 2.875 2.750 4.000
2.000 2.375 3.250 2.875 4.250[141] 2.000 1.625 2.500 2.125 2.000 1.750
3.250 2.250 4.750 1.875 4.500 3.625 3.000 2.000[155] 2.375 2.875 3.875
2.750 2.250 2.625
5. Rata-rata resampel hari ke 25
> retunas30<-matrix(sample(tunas20,8*160,replace=T),160,8)
> meantunas30<-apply(retunas30,1,mean)
> meantunas30
[1] 2.125 2.000 2.375 3.250 2.500 2.125 2.750 2.750 2.125 3.250 2.375 2.875
2.625 2.750 [15] 2.625 4.000 2.625 3.125 3.250 3.500 2.375 2.250 2.500
4.125 2.375 2.125 2.125 2.750 [29] 2.625 1.875 3.125 3.500 2.750 2.125
2.750 2.875 3.375 3.250 2.250 3.125 2.750 2.500 [43] 2.875 2.750 2.625
2.125 4.125 2.500 3.250 2.750 1.625 3.500 2.250 3.125 2.250 2.625 [57]
4.500 1.875 2.625 3.000 2.375 2.625 2.500 2.250 2.000 2.750 2.750 2.750
3.250 4.000 [71] 2.250 2.625 2.000 2.125 3.000 4.000 4.250 3.375 2.625
3.250 2.125 2.500 2.250 2.000 [85] 2.125 2.125 2.750 3.000 2.125 4.500
3.000 3.500 2.750 3.500 2.000 2.875 3.000 2.500 [99] 2.250 3.250 2.125
3.500 2.000 1.375 3.375 3.625 2.000 2.875 3.375 3.125 3.000 2.625[113]
2.750 2.125 2.875 2.375 4.000 3.500 2.250 4.625 2.625 2.000 2.000 3.375
41
3.000 2.500[127] 2.500 2.125 3.125 2.750 3.875 2.750 2.000 2.125 3.125
2.375 2.250 2.875 2.375 3.625141] 2.125 2.000 2.250 2.375 2.875 3.375
1.875 2.375 3.000 3.375 2.875 1.875 3.000 2.625[155] 3.750 2.000 2.250
1.875 3.750 2.375
Rata-rata resampel banyak daun dengan 160 ulangan untuk setiap hari
pengamatan adalah
1. Rata-rata resampel hari ke 10
> redaun10<-matrix(sample(daun10,8*160,replace=T),160,8)
> meandaun10<-apply(redaun10,1,mean)
> meandaun10
[1] 4.000 2.500 3.500 2.750 2.875 2.000 2.125 2.125 2.750 2.875 3.250 3.375
3.125 3.250 [15] 2.875 1.500 2.375 2.250 2.375 1.875 3.000 2.625 3.000
2.750 2.000 1.375 2.750 3.375 [29] 1.750 3.125 2.250 2.500 1.750 4.000
2.625 3.000 2.750 3.375 4.000 3.625 1.500 3.625 [43] 1.375 3.000 3.625
1.125 1.250 1.625 4.125 2.875 1.375 1.500 1.875 3.000 1.625 1.625 [57]
2.125 2.625 2.875 2.625 2.375 3.500 2.500 2.750 2.500 4.125 2.500 2.125
2.125 3.250 [71] 2.125 1.875 2.750 2.000 2.125 2.375 2.375 3.500 3.625
3.125 3.375 0.625 1.875 3.250 [85] 2.375 1.625 4.625 2.000 2.250 2.375
1.500 1.625 3.250 3.125 4.250 3.250 2.500 4.000 [99] 3.125 4.875 3.250
2.875 2.875 2.125 3.250 2.125 2.500 2.125 2.625 2.500 1.750 2.875[113]
2.875 3.000 3.375 4.125 2.875 2.250 2.750 1.750 3.500 3.375 3.250 3.000
1.250 4.000[127] 2.250 3.500 2.875 3.500 2.625 2.000 2.500 1.375 2.750
3.750 3.250 2.875 3.125 2.625[141] 3.625 1.125 2.500 2.625 2.250 1.875
3.375 2.625 2.000 3.375 2.125 1.875 3.750 2.875[155] 2.250 2.500 4.750
3.250 3.625 3.000
2. Rata-rata resampel hari ke 15
> redaun15<-matrix(sample(daun15,8*160,replace=T),160,8)
> meandaun15<-apply(redaun15,1,mean)
> meandaun15
42
[1] 7.625 8.625 5.750 5.375 7.625 6.375 5.625 7.500 3.500 5.250 4.125
3.500 [13] 7.375 6.375 6.500 5.875 6.875 5.750 5.000 3.125 5.250
7.750 5.125 7.875 [25] 6.500 6.375 4.250 6.500 6.625 6.625 4.875
4.000 8.000 8.875 5.500 9.250 [37] 4.625 8.625 4.375 8.250 4.875
5.500 8.000 4.500 4.500 7.750 6.375 5.500 [49] 4.500 8.125 4.750
7.125 6.500 7.250 7.625 4.625 5.125 4.250 11.250 6.500 [61] 5.125
6.875 6.750 5.875 4.875 5.250 4.000 4.625 4.250 8.250 3.500 9.250
[73] 8.625 7.500 4.750 5.250 5.375 8.500 4.000 6.375 6.500 6.750
6.375 6.375 [85] 8.500 7.125 5.875 6.875 4.625 7.625 3.500 5.750
10.750 6.750 6.375 6.750 [97] 9.250 6.250 5.750 6.000 4.500 7.250
5.750 7.125 7.000 5.000 6.875 8.375[109] 5.875 4.500 8.875 5.250
8.125 6.625 7.125 6.375 7.000 3.750 5.750 5.250[121] 5.500 8.500
5.875 4.000 6.000 6.250 5.250 5.875 5.125 10.625 6.750 5.875[133]
5.125 3.875 8.000 5.250 7.375 5.875 4.000 8.125 6.250 8.000 7.125
10.750[145] 8.500 8.500 4.250 5.875 7.375 5.625 5.750 5.000 4.750
8.000 4.250 5.625[157] 6.250 5.750 6.000 6.125
3. Rata-rata resampel hari ke 20
> redaun20<-matrix(sample(daun20,8*160,replace=T),160,8)
> meandaun20<-apply(redaun20,1,mean)
> meandaun20
[1] 8.000 7.000 7.375 6.500 7.750 7.625 8.625 7.125 7.500 8.875 7.875
9.125 [13] 7.500 8.875 8.250 7.250 7.625 6.500 7.500 8.875 9.000
8.125 9.250 8.500 [25] 6.625 6.750 6.500 7.375 10.000 9.375 6.375
7.625 8.250 6.625 7.375 9.625 [37] 8.250 6.500 6.625 6.750 8.125
7.875 6.625 7.375 7.875 7.000 7.000 7.375 [49] 7.250 9.625 7.500
7.375 7.250 7.125 6.375 7.500 7.125 8.250 7.375 6.750 [61] 7.750
7.875 10.250 7.875 9.000 8.625 7.250 5.625 7.125 9.125 6.625 10.500
[73] 7.000 8.250 9.750 7.875 9.875 6.500 7.625 7.250 11.875 10.250
7.250 5.000 [85] 7.250 7.125 5.625 7.500 7.750 6.750 7.875 9.250
8.750 7.000 7.750 9.375 [97] 6.125 6.625 8.125 7.875 9.125 8.250
10.000 8.625 6.875 7.250 9.500 8.750[109] 6.625 6.625 10.875 6.375
43
7.000 6.875 8.500 6.625 6.125 8.125 8.250 8.875[121] 8.250 8.125
7.375 6.250 7.625 7.500 6.375 8.375 8.750 10.500 8.375 6.375[133]
6.000 6.125 6.000 8.625 10.125 8.125 9.125 7.375 9.500 6.875 7.750
8.750[145] 7.875 7.625 8.750 6.625 9.375 7.500 7.750 9.000 7.125
7.250 5.875 10.375[157] 9.375 6.875 7.250 7.250
4. Rata-rata resampel hari ke 25
> redaun25<-matrix(sample(daun25,8*160,replace=T),160,8)
> meandaun25<-apply(redaun25,1,mean)
> meandaun25
[1] 7.125 8.875 2.500 5.500 4.750 4.750 3.625 5.625 6.500 4.250 4.625 5.875
3.875 5.500 [15] 6.625 7.500 3.625 4.625 6.125 5.500 5.750 6.375 4.875
2.750 6.625 5.875 5.000 6.875 [29] 6.875 6.250 5.750 5.625 7.125 6.500
4.875 6.000 5.500 6.000 6.500 7.000 5.875 5.000 [43] 6.375 4.000 5.250
4.250 4.750 7.500 7.125 7.500 5.750 2.375 5.375 5.750 2.875 3.875 [57]
6.250 4.875 4.250 4.125 6.750 4.750 7.250 7.375 6.625 5.125 8.000 7.500
6.375 4.875 [71] 6.250 6.500 5.500 6.875 5.500 5.125 4.625 6.625 4.500
5.750 5.500 4.750 6.750 7.000 [85] 5.750 5.125 5.750 5.875 6.750 5.500
6.000 6.000 5.375 3.250 6.125 5.500 4.750 6.375 [99] 5.625 4.750 6.250
5.500 5.750 7.125 3.875 5.000 5.375 6.875 7.125 4.500 6.000 5.625[113]
3.250 5.000 5.375 5.500 5.375 6.125 3.625 7.125 6.000 7.625 5.375 6.125
5.125 4.375[127] 6.875 5.000 5.125 7.250 4.625 4.000 7.000 5.375 6.125
6.250 3.750 5.500 6.125 6.250[141] 6.000 5.500 3.500 3.750 6.125 6.750
6.125 4.750 3.750 7.500 4.250 5.750 8.125 5.625[155] 4.875 4.375 5.250
7.125 3.625 7.375
5. Rata-rata resampel hari ke 30
> redaun30<-matrix(sample(daun30,8*160,replace=T),160,8)
> meandaun30<-apply(redaun30,1,mean)
> meandaun30
[1] 3.500 5.625 5.500 5.500 7.000 6.250 6.000 7.250 5.625 7.875 7.875 7.875
8.000 3.625 [15] 5.750 5.500 7.125 6.625 5.750 6.875 9.000 6.750 5.375
6.125 8.250 6.500 6.250 8.750 [29] 8.125 7.375 5.625 7.500 6.625 7.500
44
7.375 6.250 5.250 7.875 7.625 5.625 8.250 6.375 [43] 6.500 7.375 7.125
5.125 5.875 9.375 7.375 5.875 6.750 7.000 6.625 9.500 6.625 7.250 [57]
6.875 7.625 5.750 6.750 6.875 8.750 5.750 5.875 6.875 6.625 7.500 6.625
8.875 7.500 [71] 8.000 8.000 6.875 7.250 3.875 7.625 7.500 6.750 6.500
6.875 6.375 7.125 7.375 8.375 [85] 6.000 6.625 4.125 7.250 7.000 6.875
6.750 8.000 7.250 6.875 7.250 6.750 7.750 7.250 [99] 7.000 6.500 6.875
6.625 5.500 6.250 5.750 6.875 6.000 6.625 7.375 8.125 7.375 6.750[113]
8.000 7.000 4.625 7.250 6.250 7.250 5.500 7.375 7.125 7.750 6.875 8.875
7.375 6.625[127] 7.250 5.625 5.625 5.250 6.500 7.625 5.875 8.125 6.625
6.875 5.125 7.375 5.875 4.500[141] 6.875 7.375 6.375 6.750 6.375 8.250
5.750 4.750 4.500 6.250 5.875 6.000 6.625 6.250[155] 5.625 8.250 8.375
5.875 5.250 6.500
Rata-rata resampel banyak akar dengan 120 ulangan untuk setiap hari pengamatan
adalah
1. Rata-rata resampel hari ke 15
> reakar15<-matrix(sample(akar15,6*120,replace=T),120,6)
> meanakar15<-apply(reakar15,1,mean)
> meanakar15
[1]1.333333 3.833333 2.666667 4.333333 3.000000 5.000000 5.166667
4.333333 2.500000 [10] 3.166667 1.666667 1.500000 4.833333 4.333333
3.500000 3.333333 2.666667 2.500000 [19] 3.666667 4.500000 3.333333
2.500000 5.000000 3.666667 4.666667 4.833333 1.833333 [28] 6.333333
2.666667 3.000000 4.500000 1.166667 6.166667 5.000000 4.166667
6.166667 [37] 2.666667 5.000000 4.166667 5.000000 4.500000 3.000000
2.166667 3.333333 6.500000 [46] 2.500000 5.833333 4.166667 3.333333
6.166667 4.000000 3.500000 2.500000 5.166667 [55] 6.500000 5.666667
4.500000 5.500000 2.500000 3.500000 4.000000 3.833333 3.666667 [64]
1.500000 4.166667 3.833333 2.333333 4.666667 6.666667 5.000000
4.000000 4.666667 [73] 2.166667 2.333333 2.833333 5.166667 2.333333
5.000000 5.166667 3.166667 4.000000 [82] 2.000000 4.833333 5.000000
3.000000 3.000000 3.833333 2.166667 4.666667 4.500000 [91] 3.333333
45
1.666667 5.666667 4.000000 4.666667 7.000000 5.500000 2.833333
0.500000[100] 6.500000 2.666667 4.000000 6.000000 3.500000 4.333333
3.000000 3.500000 2.833333[109] 3.833333 4.666667 4.166667 4.166667
1.500000 3.833333 1.833333 4.166667 3.000000[118] 4.333333 2.833333
4.333333
2. Rata-rata resampel hari ke 20
> reakar20<-matrix(sample(akar20,6*120,replace=T),120,6)
> meanakar20<-apply(reakar20,1,mean)
> meanakar20
[1] 8.666667 11.333333 8.500000 8.833333 12.000000 8.500000 8.166667
9.333333 [9] 12.500000 9.000000 11.833333 4.666667 8.500000 6.666667
7.166667 7.000000 [17] 6.000000 11.333333 8.833333 12.333333
11.500000 8.000000 12.166667 10.666667 [25] 6.166667 12.500000
9.833333 10.833333 6.500000 6.166667 6.333333 8.833333 [33] 5.833333
7.833333 6.666667 8.333333 9.000000 11.666667 8.000000 9.833333 [41]
9.000000 7.166667 12.833333 4.166667 11.000000 8.500000 4.666667
12.000000 [49] 8.333333 14.500000 13.166667 5.166667 11.833333
13.333333 8.500000 9.666667 [57] 10.500000 10.000000 6.166667
8.000000 9.666667 8.666667 8.000000 8.333333 [65] 11.333333 7.666667
10.166667 9.500000 13.833333 8.166667 5.666667 10.000000 [73]
11.833333 11.000000 8.833333 7.166667 9.500000 6.000000 8.166667
10.333333 [81] 4.500000 10.000000 9.166667 12.333333 9.833333
4.500000 11.500000 5.833333 [89] 10.333333 12.666667 8.000000
7.666667 8.333333 11.000000 12.166667 10.333333 [97] 3.166667
5.833333 8.833333 5.000000 10.500000 9.833333 11.500000
7.166667[105] 11.000000 12.666667 11.500000 8.333333 7.500000
9.666667 11.333333 11.500000[113] 9.833333 7.166667 7.500000
9.000000 9.666667 11.000000 10.000000 8.666667
3. Rata-rata resampel hari ke 25
> reakar25<-matrix(sample(akar25,6*120,replace=T),120,6)
> meanakar25<-apply(reakar25,1,mean)
46
> meanakar25
[1] 11.166667 11.833333 10.333333 13.500000 12.000000 12.500000
8.666667 13.333333 [9] 11.666667 14.333333 11.666667 13.833333
11.166667 11.666667 13.000000 13.000000 [17] 11.833333 14.000000
14.166667 13.833333 10.166667 11.166667 14.166667 12.166667 [25]
12.333333 14.500000 14.000000 12.000000 13.333333 13.500000 13.333333
13.833333 [33] 12.000000 12.833333 15.000000 14.500000 11.500000
12.500000 15.000000 10.166667 [41] 11.666667 14.166667 12.666667
10.333333 11.166667 12.000000 13.500000 12.833333 [49] 10.333333
10.666667 11.666667 9.666667 11.000000 11.500000 12.500000 12.833333
[57] 10.333333 9.000000 11.666667 14.500000 12.333333 14.666667
11.333333 10.500000 [65] 11.666667 9.833333 13.166667 15.000000
9.333333 11.500000 16.500000 14.166667 [73] 9.833333 11.166667
10.166667 10.500000 12.666667 12.666667 11.500000 13.000000 [81]
13.000000 12.166667 11.500000 13.333333 9.333333 11.166667 10.166667
10.500000 [89] 10.333333 13.833333 15.000000 12.500000 11.166667
10.833333 13.000000 13.833333 [97] 13.000000 12.333333 13.166667
14.500000 11.833333 14.500000 11.333333 12.666667[105] 10.166667
12.000000 13.166667 10.166667 13.833333 11.833333 11.000000
13.833333[113] 12.333333 15.000000 12.333333 12.666667 13.833333
12.166667 13.333333 11.166667
4. Rata-rata resampel hari ke 30
> reakar30<-matrix(sample(akar30,6*120,replace=T),120,6)
> meanakar30<-apply(reakar30,1,mean)
> meanakar30
[1] 13.833333 11.000000 10.333333 11.666667 11.500000 10.833333
12.666667 13.666667 [9] 13.000000 13.000000 11.666667 12.500000
10.500000 11.000000 12.500000 13.000000 [17] 12.000000 11.333333
13.500000 12.166667 11.500000 12.166667 12.000000 12.833333 [25]
13.166667 13.000000 11.833333 10.333333 12.000000 13.000000 12.333333
10.833333 [33] 10.333333 11.333333 12.666667 11.333333 11.333333
47
11.666667 13.000000 11.166667 [41] 10.333333 14.833333 10.833333
11.833333 12.333333 13.166667 13.500000 12.500000 [49] 11.000000
11.166667 13.666667 11.333333 12.166667 11.333333 13.500000 12.833333
[57] 10.666667 11.000000 11.000000 13.333333 12.500000 14.833333
12.333333 12.333333 [65] 14.500000 10.166667 10.000000 10.833333
11.166667 11.833333 10.500000 9.666667 [73] 11.500000 11.166667
13.333333 12.500000 13.666667 10.666667 11.333333 11.500000 [81]
9.833333 11.666667 8.833333 10.166667 9.666667 13.500000 12.833333
10.833333 [89] 13.333333 9.333333 14.833333 11.166667 13.833333
10.333333 11.333333 9.833333 [97] 9.500000 8.333333 12.833333
10.500000 10.500000 12.000000 11.500000 14.833333[105] 11.833333
8.500000 10.166667 12.500000 14.166667 12.000000 10.500000
10.500000[113] 8.833333 11.833333 12.666667 12.166667 9.500000
12.833333 9.000000 12.500000
Lampiran 4. Program Estimasi Fungsi Densitas Histogram dan Kernel
Gaussian
48
> win.graph()
>
hist(meantunas10, ,seq(1,6,0.1842016),prob=T,xlim=c(1,6),ylim=c(0,1),xlab="tun
as",ylab="")
> title("hari ke-10")
> ktunas10 <-
ksmooth(meantunas10,ker="normal",bandwidth=0.3623898,n.points=160)
> plot(ktunas10,type="l",xlab="tunas",ylab="")
> title("hari ke-10")
Lampiran 5. Gambar Tanaman Jarak Pagar
49
Gambar 9. Tanaman Jarak Pagar yang Memperoleh Perlakuan Optimal
50