Skip to content
S

saebnocovariate

Project ID: 558

Terdapat 6 fungsi dimana 3 fungsi menggunakan metode estimasi alfa dan beta berdasarkan teori menurut J.N.K. Rao dan 3 fungsi lainnya menggunakan metode estimasi alfa dan beta berdasarkan teori menurut Claire Elayne Bangerter Owen

Berikut 3 fungsi yang menggunakan estimasi alfa dan beta menurut J.N.K.Rao :

  1. ebNoCovariate() : menghitung estimasi area beserta MSE dengan metode naive Fungsi ebNoCovariate untuk menghitung estimasi dan MSE naive setiap area dengan menggunakan estimasi parameter alfa dan beta baik dengan moment maupun newton raphson berdasarkan teori menurut J.N.K. Rao. Fungsi ini terdiri dari 6 parameter, yaitu :
    πŸ–Š maty = proporsi β€œsukses” setiap area
    πŸ–Š yi = jumlah kategori β€œsukses” setiap area
    πŸ–Š ni = jumlah sampel setiap area
    πŸ–Š method = metode estimasi alfa dan beta apakah moment atau newton raphson. Default yang dimiliki yaitu moment
    πŸ–Š PRECISION = nilai presisi atau error pada newton raphson dengan nilai default sebesar 0.0001
    πŸ–Š MAXITER = maksimum iterasi pada newton raphson dengan nilai default sebesar 100

  2. MSEBootsEB21() : menghitung estimasi area beserta MSE dengan metode bootsrap Fungsi MSEBootsEB21 merupakan fungsi untuk menghitung estimasi area beserta MSE dengan metode bootstrap yang menggunakan metode estimasi alfa dan beta baik moment maupun newton raphson berdasarkan teori menurut J.N.K.Rao. Parameter pada fungsi ini terdiri dari 9 parameter, yaitu :
    πŸ–Š ni = jumlah sampel setiap area
    πŸ–Š yi = jumlah kategori β€œsukses” setiap area
    πŸ–Š maty = proporsi β€œsukses” setiap area
    πŸ–Š yRuta = data kategori β€œsukses” setiap rumah tangga
    πŸ–Š koderuta = kode area yang menjadi tempat kediaman setiap rumah tangga
    πŸ–Š B = jumlah iterasi bootstrap
    πŸ–Š method = metode estimasi alfa dan beta baik dengan moment maupun newton raphson
    πŸ–Š PRECISION = nilai presisi atau error pada iterasi newton raphson dengan default sebesar 0.0001
    πŸ–Š MAXITER = nilai maksimum iterasi pada newton raphson dengan default sebesar 100

  3. MSEJackkBinEB2() : menghitung estimasi area beserta MSE dengan metode jackknife Fungsi MSEJackkBinEB2 merupakan fungsi untuk menghitung estimasi dan MSE dengan metode jackknife pada setiap area dimana menggunakan metode estimasi alfa dan beta yaitu moment atau newton raphson yang berdasarkan teori menurut J.N.K. Rao. Fungsi ini terdiri dari 6 parameter, yaitu :
    πŸ–Š ni = jumlah sampel setiap area
    πŸ–Š yi = jumlah kategori β€œsukses” setiap area
    πŸ–Š maty = proporsi β€œsukses” setiap area
    πŸ–Š method = metode estimasi alfa dan beta baik berupa moment maupun newton raphson menurut J.N.K. Rao
    πŸ–Š PRECISION = nilai presisi atau error pada newton raphson
    πŸ–Š MAXITER = nilai maksimum iterasi pada metode newton raphson

Berikut 3 fungsi yang menggunakan estimasi alfa dan beta menurut claire :

  1. ebNoCovariateU() : menghitung estimasi area beserta MSE dengan metode naive Fungsi ebNoCOvariateU untuk menghitung estimasi dan MSE naive setiap area dengan menggunakan estimasi parameter alfa dan beta baik dengan moment maupun newton raphson berdasarkan teori menurut J.N.K. Rao. Fungsi ini terdiri dari 6 parameter, yaitu :
    πŸ–Š maty = proporsi β€œsukses” setiap area
    πŸ–Š yi = jumlah kategori β€œsukses” setiap area
    πŸ–Š ni = jumlah sampel setiap area
    πŸ–Š method = metode estimasi alfa dan beta apakah moment atau newton raphson. Default yang dimiliki yaitu moment
    πŸ–Š PRECISION = nilai presisi atau error pada newton raphson dengan nilai default sebesar 0.0001
    πŸ–Š MAXITER = maksimum iterasi pada newton raphson dengan nilai default sebesar 100

  2. MSEBootsEB21U() : menghitung estimasi area beserta MSE dengan metode bootsrap Fungsi MSEBootsEB21U merupakan fungsi untuk menghitung estimasi area beserta MSE dengan metode bootstrap yang menggunakan metode estimasi alfa dan beta baik moment maupun newton raphson berdasarkan teori menurut J.N.K.Rao. Parameter pada fungsi ini terdiri dari 9 parameter, yaitu :
    πŸ–Š ni = jumlah sampel setiap area
    πŸ–Š yi = jumlah kategori β€œsukses” setiap area
    πŸ–Š maty = proporsi β€œsukses” setiap area
    πŸ–Š yRuta = data kategori β€œsukses” setiap rumah tangga
    πŸ–Š koderuta = kode area yang menjadi tempat kediaman setiap rumah tangga
    πŸ–Š B = jumlah iterasi bootstrap
    πŸ–Š method = metode estimasi alfa dan beta baik dengan moment maupun newton raphson
    πŸ–Š PRECISION = nilai presisi atau error pada iterasi newton raphson dengan default sebesar 0.0001
    πŸ–Š MAXITER = nilai maksimum iterasi pada newton raphson dengan default sebesar 100

  3. MSEJackkBinEB2U() : menghitung estimasi area beserta MSE dengan metode jackknife Fungsi MSEJackkBinEB2U merupakan fungsi untuk menghitung estimasi dan MSE dengan metode jackknife pada setiap area dimana menggunakan metode estimasi alfa dan beta yaitu moment atau newton raphson yang berdasarkan teori menurut J.N.K. Rao. Fungsi ini terdiri dari 6 parameter, yaitu :
    πŸ–Š ni = jumlah sampel setiap area
    πŸ–Š yi = jumlah kategori β€œsukses” setiap area
    πŸ–Š maty = proporsi β€œsukses” setiap area
    πŸ–Š method = metode estimasi alfa dan beta baik berupa moment maupun newton raphson menurut J.N.K. Rao dengan default yaitu metode moment
    πŸ–Š PRECISION = nilai presisi atau error pada newton raphson dengan default sebesar 0.0001
    πŸ–Š MAXITER = nilai maksimum iterasi pada metode newton raphson dengan default sebesar 100

Output yang dikeluarkan pada 6 fungsi tersebut yaitu :

  1. Estimasi_EB : hasil penduga EB
  2. Estimasi_Langsung : hasil penduga langsung
  3. MSE_EB : MSE penduga EB
  4. MSE_Estimasi_Langsung : MSE penduga langsung
  5. RRMSE_EB : RRMSE penduga EB
  6. RRMSE_Estimasi_Langsung : RRMSE penduga langsung
  7. alfa_cap : penduga alfa
  8. beta_cap : penduga beta

Berikut tampilan GUI yang dirancang :

  • Halaman awal Antarmuka halaman awal terdiri dari dua panel yaitu panel samping untuk memilih metode dan panel utama sebagai tampilan hasil upload data yang dibutuhkan untuk metode bootstrap. Ketika pengguna memilih metode bootstrap maka akan muncul panel yang meminta untuk meng-upload data yang dibutuhkan dalam perhitungan metode bootstrap. Berikut tampilan ketika memilih metode selain bootstrap : image

Berikut tampilan ketika memilih metode bootstrap :

image

  • Halaman menu upload data utama Setelah pengguna memilih metode pada halaman awal maka pengguna akan diminta upload data utama yang akan digunakan dalam perhitungan. Data yang diupload pada menu tab Upload Data Utama ini digunakan pada seluruh metode. Halaman menu upload data utama terdiri dari dua panel yaitu panel samping dan panel utama. Panel samping sebagai alat untuk meng-upload data utama dan memilih variabel yang sesuai dalam metode perhitungan yang dipilih, sedangkan panel utama sebagai halaman untuk menampilkan hasil upload data dalam bentuk tabel. Pengguna dapat menyesuaikan parameter data yang akan di-upload seperti header, separator, atau decimal separator. Untuk melihat hasil, pengguna dapat mengeklik tombol hitung yang terletak di panel samping. Berikut tampilan rancangan upload data utama:

image

  • Menu hasil Untuk melihat hasil perhitungan, pengguna diminta untuk mengeklik tombol Hitung pada halaman upload data utama. Kemudian melihat hasil pada tab menu hasil. Setelah pengguna mengeklik tombol hitung pada panel upload data utama, pengguna dapat melihat hasil perhitungan pada tab hasil dan melihat hasil plot pada tab plot. Tab hasil terdiri dari dua tab yaitu tab hasil estimasi parameter setiap area dan tab hasil estimasi parameter alfa dan beta. Pengguna dapat melihat hasil estimasi Ξ± dan Ξ² pada tab hasil estimasi parameter alfa dan beta yang akan digunakan dalam perhitungan estimasi area yang dapat dilihat pengguna dalam tab hasil estimasi parameter setiap area. Pengguna dapat melihat hasil estimasi tersebut dalam bentuk tabel. Untuk melihat plot, pengguna dapat mengeklik tab panel plot yang terdiri dari plot estimasi dan RRMSE. Berikut gambar tab panel hasil dan plot :

image

image

############################# Berikut gambaran package saebnocovariate yang telah dirancang :

image