ESTIMASI SKEWNESS (KEMIRINGAN) DENGAN MENGGUNAKAN METODE BOOTSTRAP DAN METODE JACKKNIFE

Abstrak

Uji normalitas merupakan syarat untuk semua uji statistik parametrik. Pada kasus tertentu dijumpai sebaran data yang tidak normal, yaitu distribusi yang tidak simetris akan memiliki nilai rata-rata, median, dan modus yang tidak sama besar. Dalam hal ini disebut dengan istilah skewness (kemiringan). Sebaran data yang menyebar ke arah kanan (skewness positive) jika, sedangkan sebaran data yang menyebar ke arah kiri (skewness negative) jika. Terdapat dua metode untuk mengatasi masalah tersebut, yaitu metode Bootstrap dan metode Jackknife. Metode Bootstrap dan metode Jackknife merupakan metode berbasis resampling. Metode Bootstrap dan metode Jackknife merupakan metode yang tidak didasarkan pada pemenuhan asumsi distribusi. Tujuan dari penelitian ini yaitu menentukan hasil estimator dari metode Bootstrap dan metode Jackknife, serta menentukan estimator terbaik dengan cara membandingkan nilai standar error yang terkecil dari kedua metode tersebut. Resampling dilakukan sebanyak 100, 200, 500, 800, dan 1000 dengan bantuan program R 2.10.0. Berdasarkan hasil penelitian metode Bootstrap merupakan metode dengan hasil estimator terbaik, karena menghasilkan nilai standar error terkecil dibandingkan metode Jackknife. Untuk resampling menghasilkan nilai standar error variabel dan standar error variabel nilai. Test normality is a prerequisite to all statistical tests parametrik. In certain cases found to scatter data that is not normal, namely distribution that were asymmetric will they have an average point, median, and mode of unequal large. In it is called with the term skewness ( slope ). To scatter data that spreads to the right direction ( skewness positive ) if, While to scatter data that spreads to the left ( skewness negative) if. There are two methods to solve the problem, that is a method of Bootstrap and methods of a Jackknife. A method of Bootstrap and methods of a Jackknife is a method based resampling. A method of Bootstrap and methods Jackknife is a method of which are not based on meeting the assumption distribution. The purpose of research is namely estimator determine the result of a method of Bootstrap and methods of a Jackknife, as well as to determine best estimator by means of comparing standard value error the smallest of both this method. Resampling done as many as 100, 200, 500, 800, and 1000 with program assistance R 2.10.0. Based on the research done Bootstrap method is a method by the results of estimator best, because it produces standard value error smallest than a method of Jackknife. Namely by resampling produce standard error values of the variables and standar error values for variables value.