“Faktor-faktor yang Mempengaruhi Indeks Pembangunan Manusia (IPM) di Jawa Timur dengan Pendekatan Regresi
Semiparametrik Spline”
Oleh :
A. Anggita Tauwakal Retno (1311030018)
Dosen Pembimbing :
Prof. Dr. Drs. I Nyoman Budiantara, M.Si.
Co. Dosen Pembimbing : Dra. Madu Ratna M.Si.
PROGRAM STUDI DIPLOMA III JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2014
PENDAHULUAN
2
Latar Belakang
IPM ?
3
Latar Belakang
4
Anggraini, R. A. (2011). Pola Hubungan Pertumbuhan Ekonomi Dan Pembangunan Manusia Di Provinsi Jawa Timur Tahun 2007-2011.
“Pertumbuhan ekonomi dan pembangunan manusia yang diukur dari rata-rata laju pertumbuhan ekonomi dengan IPM menunjukkan adanya hubungan yang signifikan. Sedangkan untuk pola hubungan kedua
variabel tersebut yang dihitung melalui matriks hubungan keduanya menunjukkan bahwa 36,84 persen kabupaten/kota di Jawa Timur.”
Latar Belakang
Penelitian Sebelumnya
Trianiani, E.E.(20. Analisis Pengaruh Pertumbuhan Ekonomi, Jumlah
Pengangguran Dan Indeks Pembangunan Manusia (IPM), Terhadap Jumlah Penduduk Miskin Di Kabupaten Berau.
“Menyatakan tingkat pertumbuhan angkatan kerja yang cepat dan pertumbuhan lapangan kerja yang relatif lambat menyebabkan masalah pengangguran yang ada di suatu daerah menjadi semakin serius. Besarnya jumlah pengangguran merupakan cerminan kurang berhasilnya pembangunan di suatu Negara.
Pengangguran dapat mempengaruhikemiskinan dengan berbagai cara. “
5
Melliana, A. (2013). Analisis Statistika Faktor Yang Mempengaruhi
Indeks Pembangunan Manusia Di Kabupaten/Kota Provinsi Jawa Timur.
“Tedapat lima variabel yang berpengaruh signifikan terhadap IPM yaitu rasio siswa terhadap guru, angka partisipasi SMP/MTs, jumlah sarana
kesehatan, RT dengan akses air bersih, kepadatan penduduk, tingkat partisipasi angkatan kerja, dan PDRB perkapita.”
Latar Belakang
Penelitian Sebelumnya
6
Permasalahan
Bagaimana karakteristik dan faktor- faktor yang mempengaruhi Indeks Pembangunan Manusia (IPM) di Jawa Timur?
Bagaimana memodelkan faktor- faktor yang mempengaruhi Indeks Pembangunan Manusia
menggunakan pendekatan regresi semiparamterik Spline di Jawa Timur?
7
Tujuan
Mendeskripsikan karakteristik dan faktor-faktor yang mempengaruhi Indeks Pembangunan
Manusia (IPM) di Jawa Timur.
Memodelkan faktor- faktor yang
mempengaruhi
Indeks Pembangunan Manusia (IPM)
dengan pendekatan regresi
semiparamterik
Spline di Jawa Timur.
8
Manfaat
Memberikan wawasan yang luas kepada mahasiswa Institut Teknologi Sepuluh Nopember khususnya bagi peneliti dapat menerapkan ilmu teori ilmu statistik selama perkuliahan dan menambah pengetahuan mengenai Indeks Pembangunan Manusia
Membantu Pemerintah dalam mengatasi permasalahan Indeks
Pembangunan Manusia di Jawa Timur, sehingga dapat melahirkan kebijakan baru untuk mengatasi permasalahan yang ada.
9
Batasan Masalah
Data yang digunakan merupakan data sekunder tahun 2012 yang diperoleh
dari BPS (Badan Pusat Statistik) Provinsi Jawa
Timur tahun 2012.
Sampel yang digunakan dalam penelitian ini adalah
seluruh Kabupaten/Kota di Jawa Timur.
10
TINJAUAN PUSTAKA
11
Statistika Deskriptif
12
Analisis yang berhubungan dengan pengumpulan, peringkasan, serta penyajian data sehingga dapat memberikan informasi yang dibutuhkan. Statistika deskriptif dapat menjelaskan dan menggambarkan karakteristik data dengan rata-rata. Contoh : penyajian
dalam bentuk tabel, diagram, grafik
Walpole (1986)
Analisis regresi yang mnejelaskan hubungan antara peubah respon (variabel dependent) dengan faktor- faktor yang mempengaruhi lebih dari satu prediktor
(variabel independent).
Analisis Regresi Berganda
13
Draper & Smith (1992)
Model Regresi Berganda Bentuk Matriks:
n i
X X
X
Yi 0 1 1i 2 2i ...m mi i, 1,2,3,..., Y Xβε
, 2 1 1 0
2 1
2 22
21
1 12
11 2
1
1 1 1
m n mn n
n
m m
n X X X
X X
X
X X
X
Y Y Y
Regresi polinomial digunakan untuk menentukan fungsi polinomial yang paling sesuai dengan kumpulan titik
data (xn,yn) yang diketahui
Regresi Polinomial
14
Model Regresi Polinomial
Dimana :
Yi : variabel respon ke-i Xi: variabel prediktor ke-i
β0, β1, β2,...., βm : parameter-parameter model
єi: error ke-i
Regresi parametrik digunakan untuk menjelaskan hubungan antara peubah penjelas dengan peubah
terikat dengan diasumsikan bentuk kurva regresi
diketahui berdasarkan sebaran data atau distribusi data.
Regresi Parametrik
15
Budiantara (2001)
Model Regresi Parametrik
, i = 1,2,...,n Dimana :
Yi : variabel respon ke-i
X1, X2,...., Xm: variabel prediktor
β0, β1, β2,...., βm : parameter-parameter model
єi: error ke-i
i im m i
i
i X X X
Y 0 1 12 2 ...
Metode Statistika yang digunakan untuk mengetahui hubungan antara variabel respon dan prediktor yang bentuk fungsinya tidak diketahui bentuk polanya dan tidak mensyaratkan bentuk sebaran parameter populasi,
sehingga regresi nonparametrik sangat memiliki fleksibilitas yang tinggi.
Regresi Nonparametrik
16
Model Regresi Nonparametrik i = 1,2,..., n Dimana :
Yi : variabel respon Xi: variabel prediktor f(Xi ) : Fungsi regresi
єi: galat (error) yang berdistribusi normal, independen dengan mean nol dan variansi
, )
(
i ii
f X
Y
Regresi Semiparametrik
17
Regresi semiparametrik merupakan gabungan antara regresi parametrik dan regresi nonparametrik.
Budiantara (2008)
Model Regresi Semiparametrik
n i 1 , 2 ,..., ,
' ii
X β v(t ) ε
Y
Regresi Spline
18
Model regresi dimana modelnya cenderung mencari estimasi data kemanapun pola data tersebut bergerak
Budiantara (2009)
Model Regresi Spline
Fungsi truncated (potongan)
K
k
i m K i k m m
i m i
i
i X X X X K
Y
1 2
2 1
0 ... ( )
, 0
, ) ) (
( i K m i K m
K K X
X Xi KK
K
i K
X
Bentuk Matriks
ε Xβ Y
n k m m m
m K n m
n n mn n
n
m K m
m
m K m
m
n X X X X K X K
K X K
X X X
X
K X K
X X X
X
Y Y Y Y
2 1
1 0
2 2
2 2
2 2 2 2
2 2
1 1
1 2 1 2
1 1 2
1
1 1 1
Pemilihan Regresi Spline Terbaik
19
Untuk membantu dalam mendapatkan spilne terbaik dengan sebanyak n amatan, maka diperlukan suatu ukuran kinerja untuk estimasi yang didapat dengan menggunakan Generalized Cross-Validation (GCV) Fungsi GCV :
= n-1
n
i
i
i y
y
1
)2
( ˆ
2 1
1
))}
( (
{
) ) (
( n Trace I H K K MSE K n
GCV
X(K)X(K) X(K) X(K) ' 1 ' )
(K H
Pengujian untuk mengetahui
bagaimana pengaruh masing-masing variabel independennnya secara
sendiri-sendiri terhadap variabel dependennya.
Hipotesis:
H0 : βi = 0 ; j =1,2,…,m+K
H1 : Minimal ada satu βi ≠ 0 ; i = 1,2,…,m+K
Statistik uji :
Dimana
Keputusan H0 ditolak jika
Pengujian parameter
20
Suatu uji untuk melihat pengaruh semua variabel prediktor
terhadap variabel respon.
Hipotesis :
H0 : β1 = β2 =...= βm+K = 0
H1 : minimal ada satu βj ≠ 0, j=1,2,...,m+K
Statistik Uji :
Drapper dan Smith (1992) Gujarati (2003) Uji Serentak
error regresi hitung
MS F MS
Uji Individu
𝛽 𝑗 ∶ (𝑋′𝑋)−1𝑋′𝑦
ˆ ) ( ˆ
j j hitung
SE
t
Pengujian parameter
21
Keputusan tolak H0, apabila Fhitung > F(m+K, n-K-m-1)α
Drapper dan Smith (1992) Anova Uji Serentak
Sumber
Variasi Df Sum of
Square Mean Square Fhitung
Regresi
Error
Total -
error gresi
MS MSRe Y
X b Y Y' ' '
1
n 2
Y
n Y Y' 1
K m
n 1
m K n
Y X b Y Y' ' '
K m
Y n
2 Y X b' ' Y 2
n Y X b' ' K
m
Pemeriksaan Asumsi Residual IIDN
22
Pengujian asumsi identik terpenuhi adalah ketika varians residual bersifat homoskedastisitas atau tidak membentuk pola tertentu (plot residualnya menyebar secara acak). Pengujian ini biasanya
dilakukan dengan menggunakan uji Glejser Uji Asumsi Identik
Hipotesis yang digunakan:
H0 : σ12 = σ22=...= σi2
H1 : Minimal ada satu σi2 ≠ σ2, dengan i=0,1,2,...,n
Statistik uji :
tolak H0 jika Fhitung > Ftabel atau p-value < α
Gujarati (2003)
m n F n m
i
i i n
i i
hitung
2 1
2 1
ˆ ) (
1 ˆ ) (
Pemeriksaan Asumsi Residual IIDN
23
Uji Asumsi Independen
Data dikatakan independen, apabila hasil
pengukuran harus sama sekali lepas dari pengaruh hasil lainnya. Pengujian dilakukan melalui plot Autocorrelation Function (ACF). Apabila tidak ada lag
yang keluar dari garis batas, maka dapat disimpulkan tidak ada korelasi antar residual. Diperoleh
persamaan :
Gujarati (2003)
Z n K n ACF
Z 1 ( ) 1
2 2
Pemeriksaan Asumsi Residual IIDN
24
Pengujian asumsi distribusi normal (0, σ2) dilakukan untuk melihat apakah residual memenuhi asumsi berdistribusi normal atau tidak. Apabila plot sudah
mendekati garis lurus (linier), maka data tersebut memenuhi asumsi berdistribusi normal. Pengujian
asumsi ini dilihat dari titik yang menggambarkan maksimum perbedaan dengan uji Kolmogorov-Smirnov.
Uji Asumsi Distribusi Normal
Gujarati (2003)
Hipotesis yang digunakan:
H0: Residual berdistribusi normal H1: Rtidak berdistribusi normal
Statistik uji yang digunakan adalah
dimana,
F(X) : Fungsi distribusi kumulatif teoritik
S(X) : Fungsi peluang kumulatif hasil pengamatan D : Jarak terjauh antara S(X) dan F(X)
Keputusan tolak H0, jika nilai D ≥ W1-α. Dimana W1 melihat dari tabel Kolmogorov-Smirnov.
) ( ) (X S X F
Maks
D
Merupakan suatu proporsi varians Y yang dapat dijelaskan oleh hubungan liniernya dengan varians X.
Kecilnya nilai koefisien determinasi merupakan salah satu indikasi tidak terpenuhinya asumsi linieritas antara X dan
Y. Koefisien determinasi ini dilambangkan dengan R2
Koefisien Determinasi
25
Draper & Smith (1992)
dimana,
: rata-rata dari variabel respon, Yi : observasi variabel respon, n : banyaknya observasi.
Koefisien determinasi (R2) memiliki nilai antara
2 2 2
Y n
Y n JK
R JK
Total regresi
YY
Y X β
' ' '
1 0 R2
IPM merupakan indeks komposit yang dihitung sebagai rata- rata sederhana dari 3 (tiga) indeks yang menggambarkan kemampuan dasar manusia dalam memperluas pilihan-pilihan,
yaitu Indeks Harapan Hidup, Indeks Pendidikan, dan Indeks Standart Hidup Layak
Indeks Pembangunan Manusia (IPM)
26
Saputra (2011)
1 2 3
3
1 X X X
IPM
dimana,
X1 = Indeks harapan Hidup X2 = Indeks Pendidikan
X3 = Indeks Standar Hidup Layak
Paritas Daya Beli ( Purchasing Power Parity)
27
Saputra (2011)
Indeks ”Kemahalan“ wilayah yang biasa disebut dengan daya beli per unit (PPP/Unit). Metode penghitungannya disesuaikan dengan metode yang dipakai International Comparsion Project
(ICP) dalam menstandarkan GNP per kapita suatu negara.
27
1 27
1
) , ( ) , (
) , ( /
j j i
j i Q j i P
j i E R
unit PPP
dimana,
E(i,j) = Pengeluaran untuk komoditi j di Provinsi i P(i,j) = Harga komoditi j di Provinsi i
Q(i,j) = Jumlah komoditi j (unit) yang dikonsumsi di Provinsi i
Indeks Pendidikan
Saputra (2011) 28
Penghitungan Indeks Pendidikan (IP) mencakup dua indikator yaitu angka melek huruf dan rata-rata lama sekolah (MYS). dimana
angka melek huruf merupakan proporsi penduduk yang memiliki kemampuan baca tulis dalam suatu kelompok penduduk secara
keseluruhan. Sedangkan cerminan angka MYS merupakan gambaran terhadap keterampilan yang dimiliki penduduk.
i i i
f s MYS f
dimana,
MYS = Rata-rata lama sekolah
fi = Frekuensi penduduk berumur 10 tahun ke atas pada jenjang pendidikan i, i = 1,2,...,11
si = Skor masing-masing jenjang pendidikan
untuk menghitung indeks pendidikan digunakan rumus sebagai berikut IP
indeksAMH
indeksMYS
3 1 3
2
Pertumbuhan Ekonomi
BPS (2010) 29
Merupakan salah satu indikator ekonomi makro yang mengambarkan pertumbuhan produksi barang dan jasa, disuatu wilayah perekonomian
dalam selang waktu tertentu. Pertumbuhann ekonomi adalah proses perubahan, berupa rangkaian kegiatan perekonomian suatu negara secara berkesinambungan, melalui produksi barang dan jasa, sumber daya manusia, modal, teknologi, serta output yang dijadikan indikator
perekonomian suatu negara dalam periode tertentu.
dimana,
g = Tingkat pertumbuhan ekonomi PDBs = PDB riil tahun sekarang
PDBk = PDB riil tahun kemarin
% 100
k k s
PDB PDB g PDB
METODOLOGI PENELITIAN
30
Sumber Data
31
Data sekunder yang diperoleh dari Badan Pusat Statistik (BPS) Provinsi
Jawa Timur yaitu Indikator Ekonomi dan Sosial Jawa Timur Tahun 2012 di tiap Kabupaten/Kota di Provinsi Jawa
Timur tahun 2012. Data yang
digunakan sebanyak 38 terdiri atas 29 Kabupaten dan 9 Kota di Provinsi Jawa
Timur.
Variabel Penelitian
32
Variabel Definisi Operasional
Indeks Pembangunan Manusia (Y) Indeks komposit yang dihitung sebagai rata-rata sederhana dari 3 (tiga) indeks yang menggambarkan kemampuan dasar manusia dalam memperluas pilihan-pilihan, yaitu Indeks Harapan Hidup, Indeks Pendidikan, dan Indeks Standart Hidup Layak(Saputra,2011)
Angka Kematian Bayi (AKB) (X1) Jumlah Bayi yang meninggal sebelum mencapai satu tahun per 1000 kelahiran hidup. Angka Kematian Bayi diperoleh dari jumlah kematian bayi di bawah usia 1 tahun selama tahun ke x dibagi dengan jumlah kelahiran hidup selama tahun ke x, kemudian dikalikan dengan 1000 (BPS,2012).
Pertumbuhan Ekonomi (X2) Pertumbuhan ekonomi berkaitan dengan kenaikan output per kapita, oleh sebab itu ada dua sisi yang harus diperhatikan yaitu sisi output total (GNP) dan sisi jumlah penduduk (BPS,2012).
Tingkat Pengangguran Terbuka (X3) Persentase angkatan kerja yang tidak bekerja atau sedang mencari pekerjaan (baik bagi mereka yang belum pernah bekerja sama sekali maupun yang sudah penah berkerja), atau sedang mempersiapkan suatu usaha, mereka yang tidak mencari pekerjaan karena merasa tidak mungkin untuk mendapatkan pekerjaan dan mereka yang sudah memiliki pekerjaan tetapi belum mulai bekerja. Tingkat Pengangguran Terbuka diperoleh melalui pembagian jumlah pengangguran dengan jumlah angkatan kerja (BPS,2012).
Tingkat Partisipasi Angkatan Kerja (X4) Indikator ketenagakerjaan tentang gambaran penduduk yang aktif secara ekonomi dalam kegiatan sehari-hari merujuk pada suatu waktu dalam periode survei. Beberapa indikator yang dapat mengambarkan partisipasi angkatan kerja yaitu:1) General Economic Activity Ratio (rasio aktifitas ekonomi umum), rasio ini khusus untuk penduduk usia kerja, atau biasa disebut tingkat partisipasi angkatan kerja (TPAK). TPAK adalah indikator yang biasa digunakan untuk menganalisa partisipasi angkatan kerja. Dihitung dengan cara jumlah angkatan kerja dibagi dengan jumlah penduduk usia kerja (BPS,2012).
Produk Domestik Regional Bruto (PDRB) (X5) Total nilai produksi barang dan jasa yang diproduksi di wilayah (regional) tertentu dalam waktu tertentu (satu tahun). Besaran PDRB dapat dihitung melalui pengukuran arus sirkulasi, dan pengukurannya dapat dibedakan menjadi tiga cara yaitu metode total keluaran, metode pengeluaran atas keluaran, dan metode pendapatan dari produksi. (BPS,2012).
Langkah-langkah Penelitian
33
1. Mengumpulkan data yang berkaitan dengan faktor-faktor IPM di provinsi Jawa Timur.
2. Melakukan analisis menggunakan Statistika Deskriptif.
3. Membuat scatterplot pada setiap variabel prediktor terhadap variabel respon.
4. Memodelkan variabel respon dengan variabel prediktor
menggunakan regresi semiparametrik Spline dengan berbagai titik knot.
5. Mencari model semiparametrik Spline terbaik menggunakan metode GCV.
6. Melakukan uji parameter model semiparametrik Spline.
7. Melakukan uji asumsi residual IIDN.
8. Menentukan nilai koefisien determinasi R2 dan MSE (Mean Square Error).
9. Melakukan interpretasi model yang diperoleh.
Diagram Alir
34
Pengambilan Data
Uji Asumsi IIDN
Kesimpulan
Tidak
Ya
Transformasimasi Statistika Deskriptif
Scatterplot Variabel Regresi Semiparametrik Spline
Generalized Cross Validation (GCV)
Menentukan R2 dan MSE Pengujian Parameter
HASIL DAN PEMBAHASAN
35
Karakteristik IPM Di Prov. Jatim
36
0 20 40 60 80
Pacitan Ponorogo Trenggalek Tulungagung Blitar Kediri Malang Lumajang Jember Banyuwangi Bondowoso Situbondo Probolinggo Pasuruan Sidoarjo Mojokerto Jombang Nganjuk Madiun Magetan Ngawi Bojonegoro Tuban Lamongan Gresik Bangkalan Sampang Pamekasan Sumenep Kota Kediri Kota Blitar Kota Malang Kota Probolinggo Kota Pasuruan Kota Mojokerto Kota Madiun Kota Surabaya Kota Batu
72,77 71,52 72,72 74,08 74,09 74,44 71,53 68,9 65,93 69,82 64,08 65,13 64,06 65,39 67,73 68,54 69,23 70,33 70,63 70,76 71,7 73,52 73,59 74,33 75,49 77,16
61,03 65,72 66,59 74,42 75,23 75,44 77,08 77,42 77,63 77,99 78,14 78,08 Berdasarkan kategori IPM yang dikeluarkan oleh PBB, yaitu IPM
kategori tinggi (> 80,0), IPM menengah atas (66,0 sampai 79,9), IPM menengah bawah (50,0 sampai
65,9) dan IPM kategori rendah (<50,0)
Pembagian daerah sesuai dengan kategori IPM di Provinsi Jawa Timur sebagai berikut :
Mengah Bawah, meliputi :
Sampang, Probolinggo, Bondowoso,
Situbondo, Bangkalan, Pamekasan, Jember
Menengah Atas, meliputi :
Sumenep, Bojonegoro, Pasuruan, Lumajang, Tuban, Banyuwangi, Ngawi, Madiun, Lamongan, Ponorogo, Malang, Nganjuk, Kediri, Pacitan, Jombang, Magetan, Trenggalek, Tulungangung, Mojokerto, dst.
Karakteristik IPM Di Prov. Jatim
37
Variabel Minimum Maximum Mean Variance
X1 19,5 63,51 33,83 159,79
X2 5,82 8,26 6,93 35,88
X3 1,16 7,85 4,23 2,88
X4 62,53 79,73 69,88 18,12
X5 8,32 290,79 28,2 2162,39
Keterangan :
X1 = Angka Kematian Bayi X2 = Pertumbuhan Ekonomi
X3 = Tingkat Pengangguran Terbuka X4 = Tingkat Partisipasi Angkatan Kerja X5 = PDRB Per Kapita (Juta)
Pola Hubungan IPM Dengan Variabel Prediktor
38
8,5 8,0
7,5 7,0
6,5 6,0
80
75
70
65
60
Pertumbuhan Ekonomi
IPM
Scatterplot of IPM vs Pertumbuhan Ekonomi
8 7 6 5 4 3 2 1 80
75
70
65
60
Tingkat Pengangguran Terbuka
IPM
Scatterplot of IPM vs Tingkat Pengangguran Terbuka
80 75
70 65
60 80
75
70
65
60
Tingkat Partisipasi Angkatan Ke
IPM
Scatterplot of IPM vs Tingkat Partisipasi Angkatan Ke
300 250 200 150 100 50 0 80
75
70
65
60
PDRB per kapita
IPM
Scatterplot of IPM vs PDRB per kapita 70
60 50
40 30
20 80
75
70
65
60
Angka Kematian Bayi
IPM
Scatterplot of IPM vs Angka Kematian Bayi
Pemilihan Titik Knot (Satu Titik Knot)
39
No X2 X3 X4 X5 GCV1
1 5,87 1,30 62,88 14,08 2,96
2 5,92 1,43 63,23 19,85 2,87
3 5,97 1,57 63,58 25,61 2,92
4 6,02 1,71 63,93 31,38 2,86
5 6,07 1,84 64,29 37,14 2,87
6 6,12 1,98 64,64 42,91 2,95
7 6,17 2,12 64,99 48,67 3,03
8 6,22 2,25 65,34 54,44 3,07
9 6,27 2,39 65,69 60,20 3,06
10 6,32 2,53 66,04 65,97 3,07
11 6,37 2,66 66,39 71,73 3,10
12 6,42 2,80 66,74 77,50 3,16
13 6,47 2,93 67,09 83,26 3,10
14 6,52 3,07 67,44 89,03 3,08
15 6,57 3,21 67,80 94,79 3,09
... ... ... ... ... ...
40 7,81 6,62 76,57 238,91 3,35
41 7,86 6,76 76,92 244,67 3,34
42 7,91 6,89 77,27 250,44 3,35
43 7,96 7,03 77,62 256,20 3,36
44 8,01 7,17 77,97 261,97 3,37
45 8,06 7,30 78,33 267,73 3,39
46 8,11 7,44 78,68 273,50 3,39
47 8,16 7,58 79,03 279,26 3,39
48 8,21 7,71 79,38 285,03 3,01
Titik Knot Setiap
Variabel
Pemilihan Titik Knot (Dua Titik Knot)
40
No X2 X3 X4 X5
K1 K2 K3 K4 K5 K6 K7 K8 GCV
1 5,87 5,92 1,3 1,43 62,88 63,23 14,08 19,85 3,16
2 5,87 5,97 1,3 1,57 62,88 63,58 14,08 25,61 3,31
3 5,87 6,02 1,3 1,71 62,88 63,93 14,08 31,38 3,2
4 5,87 6,07 1,3 1,84 62,88 64,29 14,08 37,14 3,16
5 5,87 6,12 1,3 1,98 62,88 64,64 14,08 42,91 3,23
6 5,87 6,17 1,3 2,12 62,88 64,99 14,08 48,67 3,25
7 5,87 6,22 1,3 2,25 62,88 65,34 14,08 54,44 3,19
8 5,87 6,27 1,3 2,39 62,88 65,69 14,08 60,2 3,11
9 5,87 6,32 1,3 2,53 62,88 66,04 14,08 65,97 3,04
10 5,87 6,37 1,3 2,66 62,88 66,39 14,08 71,73 2,99
11 5,87 6,42 1,3 2,8 62,88 66,74 14,08 77,5 2,97
12 5,87 6,47 1,3 2,93 62,88 67,09 14,08 83,26 2,99
13 5,87 6,52 1,3 3,07 62,88 67,44 14,08 89,03 2,97
14 5,87 6,57 1,3 3,21 62,88 67,8 14,08 94,79 2,97
15 5,87 6,62 1,3 3,34 62,88 68,15 14,08 100,56 3
... ... ... ... ... ... ... ... ... ...
47 5,87 8,21 1,3 7,71 62,88 79,38 14,08 285,03 2,89
... ... ... ... ... ... ... ... ... ...
1115 7,96 8,06 7,03 7,3 77,62 78,33 256,2 267,73 3,57
1116 7,96 8,11 7,03 7,44 77,62 78,68 256,2 273,5 3,57
1117 7,96 8,16 7,03 7,58 77,62 79,03 256,2 279,26 3,38
1118 7,96 8,21 7,03 7,71 77,62 79,38 256,2 285,03 3,36
1119 8,01 8,06 7,17 7,3 77,97 78,33 261,97 267,73 3,57
1120 8,01 8,11 7,17 7,44 77,97 78,68 261,97 273,5 3,42
1121 8,01 8,16 7,17 7,58 77,97 79,03 261,97 279,26 3,38
1122 8,01 8,21 7,17 7,71 77,97 79,38 261,97 285,03 3,37
1123 8,06 8,11 7,3 7,44 78,33 78,68 267,73 273,5 3,39
1124 8,06 8,16 7,3 7,58 78,33 79,03 267,73 279,26 3,39
1125 8,06 8,21 7,3 7,71 78,33 79,38 267,73 285,03 3,39
1126 8,11 8,16 7,44 7,58 78,68 79,03 273,5 279,26 3,39
1127 8,11 8,21 7,44 7,71 78,68 79,38 273,5 285,03 3,39
1128 8,16 8,21 7,58 7,71 79,03 79,38 279,26 285,03 3,39
Pemilihan Titik Knot (Tiga Titik Knot)
41
No X2 X3 X4
K1 K2 K3 K4 K5 K6 K7 K8 K9
1 5,87 5,92 5,97 1,3 1,43 1,57 62,88 63,23 63,58
2 5,87 5,92 6,02 1,3 1,43 1,71 62,88 63,23 63,93
3 5,87 5,92 6,07 1,3 1,43 1,84 62,88 63,23 64,29
4 5,87 5,92 6,12 1,3 1,43 1,98 62,88 63,23 64,64
5 5,87 5,92 6,17 1,3 1,43 2,12 62,88 63,23 64,99
6 5,87 5,92 6,22 1,3 1,43 2,25 62,88 63,23 65,34
7 5,87 5,92 6,27 1,3 1,43 2,39 62,88 63,23 65,69
8 5,87 5,92 6,32 1,3 1,43 2,53 62,88 63,23 66,04
9 5,87 5,92 6,37 1,3 1,43 2,66 62,88 63,23 66,39
10 5,87 5,92 6,42 1,3 1,43 2,8 62,88 63,23 66,74
11 5,87 5,92 6,47 1,3 1,43 2,93 62,88 63,23 67,09
12 5,87 5,92 6,52 1,3 1,43 3,07 62,88 63,23 67,44
13 5,87 5,92 6,57 1,3 1,43 3,21 62,88 63,23 67,8
14 5,87 5,92 6,62 1,3 1,43 3,34 62,88 63,23 68,15
15 5,87 5,92 6,67 1,3 1,43 3,48 62,88 63,23 68,5
... ... ... ... ... ... ... ... ... ...
11842 6,62 6,67 6,77 3,34 3,48 3,75 68,15 68,5 69,2
... ... ... ... ... ... ... ... ... ...
17290 8,01 8,11 8,16 7,17 7,44 7,58 77,97 78,68 79,03 17291 8,01 8,11 8,21 7,17 7,44 7,71 77,97 78,68 79,38 17292 8,01 8,16 8,21 7,17 7,58 7,71 77,97 79,03 79,38 17293 8,06 8,11 8,16 7,3 7,44 7,58 78,33 78,68 79,03 17294 8,06 8,11 8,21 7,3 7,44 7,71 78,33 78,68 79,38 17295 8,06 8,16 8,21 7,3 7,58 7,71 78,33 79,03 79,38 17296 8,11 8,16 8,21 7,44 7,58 7,71 78,68 79,03 79,38 11884 6,62 6,72 7,36 3,34 3,62 5,39 68,15 68,85 73,41 11885 6,62 6,72 7,41 3,34 3,62 5,53 68,15 68,85 73,76 11886 6,62 6,72 7,46 3,34 3,62 5,67 68,15 68,85 74,11 11887 6,62 6,72 7,51 3,34 3,62 5,8 68,15 68,85 74,46 11888 6,62 6,72 7,56 3,34 3,62 5,94 68,15 68,85 74,82 11889 6,62 6,72 7,61 3,34 3,62 6,08 68,15 68,85 75,17
X5
K10 K11 K12 GCV
14,08 19,85 25,61 3,56
14,08 19,85 31,38 3,55
14,08 19,85 37,14 3,53
14,08 19,85 42,91 3,66
14,08 19,85 48,67 3,75
14,08 19,85 54,44 3,79
14,08 19,85 60,2 3,73
14,08 19,85 65,97 3,66
14,08 19,85 71,73 3,59
14,08 19,85 77,5 3,54
14,08 19,85 83,26 3,54
14,08 19,85 89,03 3,49
14,08 19,85 94,79 3,46
14,08 19,85 100,56 3,49
14,08 19,85 106,32 3,57
... ... ... ...
100,56 106,32 117,85 3,03
... ... ... ...
261,97 273,5 279,26 3,43 261,97 273,5 285,03 3,42 261,97 279,26 285,03 3,38 267,73 273,5 279,26 3,39 267,73 273,5 285,03 3,39 267,73 279,26 285,03 3,39 273,5 279,26 285,03 3,39 100,56 112,08 187,03 4,55 100,56 112,08 192,79 4,54 100,56 112,08 198,55 4,53 100,56 112,08 204,32 4,52 100,56 112,08 210,08 4,52 100,56 112,08 215,85 4,53