ISSN: X 45 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA. Maria Suci Apriani a, Sri Haryatmi b

Ukuran: px
Mulai penontonan dengan halaman:

Download "ISSN: X 45 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA. Maria Suci Apriani a, Sri Haryatmi b"

Transkripsi

1 ISSN: X 5 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA Mara Suc Ara a, Sr Haryatm b a rogram Stud edda Matemata FKI USD Kamus 3 aga, Yogyaarta 558, marasuc@usdacd b Jurusa Matemata FMIA UGM Se Utara Yogyaarta, s_arto@yaoocom ABSTRAK Artel mejelasa sat eormala da eosstea dar estmator Nadaraya Watso dega megguaa erel berorde ta gga secara asmtot eelta megguaa metode stud lteratur berdasara artel berjudul Mmally Based Noarametrc Regresso ad Autoregresso yag dbaas ole Tmoty da Dmtrs Hasl eelta meujua bawa estmator Nadaraya Watso dega megguaa erel orde ta gga meml sat ormal da osste secara asmtot Kata uc: Regres oarametr, trasormas Fourer, deret Taylor ABSTRACT Ts artcle vestgated te ormalty ad cosstecy o Nadaraya Watso estmator wt te order erel asymtotcally Ts researc used lterature study metod based o te artcle ettle Mmally Based Noarametrc Regresso ad Autoregresso by Tmoty ad Dmtrs Te result sowed tat Nadaraya Watso estmator wt te order erel as ormal ad cosstet caracterstcs asymtotcally Key words: Noarametrc regresso, Fourer trasormato, Taylor seres edaulua Megestmas ugs regres r(x ) ada model regres Y = r(x ) + ε dega edeata oarametr, dlaua ja tda ada asums tetag ugs r(x ) Sala satu te yag daat dguaa utu megestmas ugs tersebut dega edeata oarametr adala te egalusa dega erel Kerel berdasara ordeya dbedaa mejad erel berorde gga da ta gga Meurut Tmoty da Dmtrs (003) ja erel K memuya orde v da ugs eadata r memuya turua otu sebaya al maa: Bas ( ˆr ) = C K,r () + o( ) Keta ugs r cuu mulus atau daat ddeeresala sebaya al dmaa v, maa bas ˆr daat dredus mejad o( ) dega secara teat meml erel dega orde yag leb besar dar bayaya deresal Namu ta esulta utu meetua orde erel beraaa yag arus dl Segga dtetaa suatu erel yag AdMatEdu Vol5 No Ju 05 Sat Asmtot (Mara Suc Ara)

2 6 ISSN: X meml te orde Sat secara asmtot dar estmator Nadaraya Watso dega erel orde ta gga yatu: meml sat osste secara robabltas berdstrbus ormal dega rata-rata ol da as K s ds aa dbaas leb dalam ada artel Metode eelta Metodolog yag dguaa dalam eelta adala stud lteratur Laga-laga yag dlaua euls adala sebaga berut: Mecar da meetua jural yag aa djada baa acua Megumula jural-jural la yag releva dega mater dalam jural acua 3 Memelajar buu-buu eduug yag berata dega to ermasalaa eelta Memelajar da membaas to eelta yag melut: teor regres oarametr, de dasar smootg, estmator erel, estmas ugs dalam regres oarametr, satsat ugs erel, estmas destas erel, ugs estmator Nadaraya Watso, erel dega te orde, 5 Memelajar erormace (bas da as) dar emblag da eyebut estmator Nadaraya- Watso dega te orde erel 6 Meyusu laora eelta Hasl da embaasa Hasl yag derole meujua bawa estmator Nadaraya Watso dega Kerel orde ta gga meml sat osste secara robabltas da ormal secara asmtot Berut embaasaya: Estmator Nadaraya Watso Estmator ugs regres yag dusula ole Nadaraya-Watso utu ugs destas yag tda detau adala: rˆ K X Y K X gˆ ˆ Meurut Hardle (99) la-la statst emblag dar estmator Nadaraya-Watso dega ugs erelya memuya orde dua adala sebaga berut: Bas gˆ g '' K o, 0 ˆ g s K o, utu Sat Asmtot (Mara Suc Ara) AdMatEdu Vol5 No Ju 05

3 ISSN: X 7 ˆ MSE g s K dega g '' K o o 0, s E Y X Derole la MSE dar estmator Nadaraya-Watso yatu: MSE rˆ K r ' ' '', 0,, r K o o Estmas Destas Kerel Dega Kerel Berorde Tgg Teorema (Roussas, 973) Bla X abel radom ta egat maa E X X a a Teorema (Roussas, 973) Bla X abel radom dega E(X) = μ, (X) = σ maa X, 0 Des (Roussas, 973) Barsa abel radom {X } dataa overge e X (dalam robabltas), dotasa X X, ja utu seta 0, X X 0 utu Lemma (Roussas, 973) Ja X X da Y Y maa X Y dmaa X Y Y Y Suatu erel dataa berorde v ja memeu syarat sebaga berut: K 0, utu semua la, K d, j 0, j,, v K d j 0, j v Teorema (Hardle, 99) Adaa erel K berorde tgg, meruaa estmator dar ugs destas yag memuya turua otu terbatas da v adala orde erel, maa bas dar ugs tersebut adala t t t t o, 0 dmaa t t! = m{,v} dega asums sebaga berut: () Fugs bersat otu da tertegrala secara uadrat () Badwdt memeu asums lm 0 da lm Fugs erel K meruaa ugs eadata robabltas yag terbatas da smetr d setar daera aslya 3 Sat Asmtot Estmator Nadaraya Watso Dega Kerel Orde Ta Hgga 3 Kerel orde ta gga ˆ AdMatEdu Vol5 No Ju 05 Sat Asmtot (Mara Suc Ara)

4 8 ISSN: X Meurut Berg (008) ugs Kerel dataa memuya orde v ja v memeu: K d da R K d v 0,,,, Des 3 (Berg, 008) K() dataa berorde ta gga ja memeu: K d 0,,, Des 3 (McMurry da olts, 003) Sebua lat-to Kerel K dega orde ta gga secara umum dbetu melalu Trasormas Fourer λ, yatu utu la teta c > 0 s ja s c g s ja s c Dmaa ugs g dl segga membuat s, s da s s daat dtegrala Flat-to Kerel dbera sebaga berut: s K se ds 3 Sat asmtot estmator Nadaraya Watso dega erel orde ta gga Aa duj erlau dar estmator Nadaraya-Watso dega erel orde ta gga utu egamata asaga data d dega destas yag Asums 3 Keta, badwdt 0 da Asums 3 ε adala radom error dega asums deede, 0 da E X E X Asums 33 berdstrbus det da deede dega destas Lemma 3 Ja berada dalam terval terbua dmaa memuya turua otu terbatas da r memuya turua otu terbatas, maa berdasara asums 3 da 3: a ˆ E o b E gˆ g o But:, dmaa = m{,} a Bas eyebut estmator Nadaraya- Watso dega erel orde ta gga Detau, ˆ E K s s ds! s K s ds Sat Asmtot (Mara Suc Ara) AdMatEdu Vol5 No Ju 05

5 ISSN: X 9 bas ˆ! s AdMatEdu Vol5 No Ju 05 K s ds Berdasara asums 3 maa bas ˆ o b Bas emblag estmator Nadaraya- Watso dega erel orde ta gga E g ˆ E K X Y K u u y y u dy du K u u r u du r u u K u du Adaa r terturua otu ada selag tertutu, da r memuya turua otu terbatas ada terval terbua, yag memuat la dega = m{,} da adaa r meruaa ugs mulus ada semua blaga real R, maa: ˆ E g r v r ' v r! K v dv Keta K tertegrala e satu, semua momeya adala ol da eta r g maa ˆ g E g v! r K v dv Berdasara asums 3 maa ˆ E g g o Asums 3 Tt meruaa tt otu dar, C utu C > 0 da ugs r serta ugs masgmasg terderesal d setar Lemma 3 Ja berada dalam terval terbua dmaa memuya turua otu terbatas da r memuya turua otu terbatas, berdasara asums 3 3 maa: a b ˆ K zdz o O Sat Asmtot (Mara Suc Ara) r gˆ K z dz But: a ˆ o O K X E K u E K u Dmaa,

6 50 ISSN: X E K u K u u du K s s ds K s s ' s s ''! s ds! Segga: ˆ E K u E K u K s ds K s s ' s s ''! s ds! o Berdasar asums 3 maa ˆ K s ds o O b ˆ g K X Y E K u y E K u y Dmaa,, E K u y K u y u y du dy K u u E r u X u du K u ur u udu Segga ddaata: gˆ K u u r u u du o g K s s r s s ds o g Berdasara asums 3 da dega deret Taylor maa: gˆ r K s ds o O Lemma 33 Berdasara asums 3 3 serta lemma 3 da 3 maa: a ˆ Sat Asmtot (Mara Suc Ara) AdMatEdu Vol5 No Ju 05

7 ISSN: X 5 b gˆ g But: a Aa dbuta ˆ overge dalam robabltas e Dega megguaa etasamaa Cebycev, maa: ˆ o K s ds o O Keta maa ˆ 0, al meujua ˆ bawa b Aa dbuta ĝ overge dalam robabltas e g Dega megguaa etasamaa Cebycev da berdasara lemma 3 serta lemma 3 maa: gˆ g o( r o O Keta maa K z dz gˆ 0, al meujua bawa gˆ g Berdasara Lemma maa rˆ gˆ g r ˆ Terbut ˆr meruaa estmator yag osste secara asmtot ada urva regres r Teorema 3 Ja berada dalam terval terbua dmaa memuya turua otu terbatas da r memuya turua otu terbatas maa berdasara asums 3 3, D rˆ r o N K zdz But: 0, Y r X K X Y K X r Daat dtuls: rˆ r r X K X K X aˆ aˆ ˆ ˆ r Aa dbuta â berdstrbus ormal secara asmtot AdMatEdu Vol5 No Ju 05 Sat Asmtot (Mara Suc Ara)

8 5 ISSN: X Adaa b X K, maa aˆ b Kta daata 0 E b, b K sds Aa dbuta bawa syarat Lauov E b E O X K b memeu Keta derole E b 0 Segga D aˆ N 0, K s ds Aa dbuta aˆ o 0 a Nla esetas dar â X E a E K ˆ r r X o o o b Nla as dar â aˆ K r X r X K sr s r s ds o O Megguaa etasamaa Cebycev da eta maa: ˆ a 0, segga aˆ o 0 abatya aˆ o 0 Tela dbuta bawa ˆ segga: aˆ ˆ o, 0 3 Membuta estmator ˆr berdstrbus ormal secara asmtot rˆ r o ˆ aˆ a o ˆ ˆ Berdasara o da maa: Sat Asmtot (Mara Suc Ara) AdMatEdu Vol5 No Ju 05

9 ISSN: X 53 D rˆ r o N 0, K s ds Terbut bawa estmator ˆr berdstrbus ormal secara asmtot Kesmula Secara asmtot estmator Nadaraya Watso dega Kerel orde ta gga meml sat osste secara robabltas da ormal Sat eormala dar estmator tersebut dega megguaa erel orde ta gga meml rata-rata ol da as K s ds ustaa Berg, Artur 008 Noarametrc Fucto Estmato wt Ite- Orde Kerels Deartmet o Statstcs, Uversty o Florda Hardle, Wolgag 99 Smootg Tecues Wt Imlemetato S Srger-Verlag, New Yor McMurry, TL ad olts, DN 003 Noarametrc Regresso wt Ite Orde Flat-To Kerel, terseda d wwwmatucsdedu/~olts/a ER/McMurryolts0d, dases ada taggal 3 Februar 03 Roussas, GG 973 A Frst Course Matematcal Statstcs Addso- Wesley ublsg Comay, Ic Tawa AdMatEdu Vol5 No Ju 05 Sat Asmtot (Mara Suc Ara)

10 5 ISSN: X Sat Asmtot (Mara Suc Ara) AdMatEdu Vol5 No Ju 05

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t) BAB II KONSEP DASAR Kosep dasar yag dtuls dalam bab, merupaa beberapa dasar acua yag aa dguaa utu megaalsa model rso las da meetua fugs sebara peluag bertaha dalam model rso las Datara dasar acua tersebut

Lebih terperinci

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo Estmas Regres Deret Fourer ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo 2 ) Jurusa Matematka, FMIPA, Udp 2) Jurusa Ped. Matematka, FPMIPA, IKIP PGRI, Semarag

Lebih terperinci

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar. ANALISIS REGRESI Berdasara betu eleara data, model regres dapat dlasfasa mead dua macam yatu lear da o-lear. Ja pola data lear maa dguaa pemodela lear. Begtu uga sebalya apabla pola data tda lear maa dguaa

Lebih terperinci

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal Vol 5, No, 9-98, Jauar 9 But Teorema Ssa Cha dega egguaa deal asmal Abstra Sstem perogruea yag dapat dcar peyelesaaya secara teor blaga dasar teryata dapat dbuta melalu teor-teor strutur aljabar hususya

Lebih terperinci

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT Aryato, Kaja Sfat Keompaa pada Ruag Baah KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH Aryato* ABSTRACT The propertes of ompatess Baah spaes ths paper s a geeralzato of a ompat uderstadg the system o the real

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga saat adalah aalss terhadap data megea sebuah araterst atau atrbut da megea sebuah varabel dsrt atau otu. Tetap, sebagamaa dsadar, baya

Lebih terperinci

H dinotasikan dengan B H

H dinotasikan dengan B H Delta-P: Jural Matemata da Pedda Matemata ISSN 089-855X Vol., No., Aprl 03 OPERATOR KOMPAK Mustafa A. H. Ruhama Program Stud Pedda Matemata, Uverstas Kharu ABSTRAK Detahu H da H dua ruag Hlbert, B H )

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam BAB II LANDASAN TEORI Pada bab II, aa djelasa tetag teor yag dpaa dalam semvarogram asotrop. Sela tu juga aa dbahas megea teor peduug dalam melaua peasra aduga cadaga baust d daerah Mempawah Kalmata, dataraya

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu terjad dega sedrya amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

adalah nilai-nilai yang mungkin diambil oleh parameter jika H Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga searag adalah aalss terhadap data megea sebuah araterst atau atrbut (ja data tu ualtatg) da megea sebuah araterst (ja data tu uattatf).

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab bers defs-defs da sfat-sfat yag petg yag berhubuga dega modul. Hal-hal tersebut dperlua dalam pembahasa megea modul jetf pada Bab III. 2.1. Modul Mata ulah Aljabar Ler membahas

Lebih terperinci

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M JP : Volue 4 Noor Ju 0 hal. 4-5 LEA HENSTOCK PADA NTEGRAL uslch Jurusa ateata FPA UNS uslch_us@yahoo.co ABSTRACT. Based o the cshae e partto ad cshae tegral t ca be arraged the e partto ad tegral cocepts.

Lebih terperinci

7. PERSAMAAN DIFFERENSIAL BIASA

7. PERSAMAAN DIFFERENSIAL BIASA Bab 7. PERSAMAAN DIFFERENSIAL BIASA Dalam bdag te serg duma ersamaa suatu eomea alam ag dataa dalam ersamaa deresal basa (PDB Coto: Problem la awal: ( dega ( Y Problem la batas: g( dmaa a

Lebih terperinci

X, Y, yang diasumsikan mengikuti model :

X, Y, yang diasumsikan mengikuti model : PERBANDINGAN MODEL REGRESI NONPARAMETRIK DENGAN REGRESI SPLINE DAN KERNEL Lls Laome Jurusa Matematka FMIPA Uverstas Haluoleo Kedar 933 emal : ls@yaoo.com Abstrak Tulsa membaas model regres oarametrk utuk

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDAAN TEORI Dalam bab aa djelasa teor-teor yag berhubuga dega peelta yag dapat djada sebaga ladasa teor atau teor peduug dalam peelta Ladasa teor aa mempermudah pembahasa hasl peelta pada bab 3 Adapu

Lebih terperinci

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua

Lebih terperinci

Regresi Logistik Ordinal untuk Menganalisis Faktor-Faktor yang Mempengaruhi Perilaku Sexual Remaja

Regresi Logistik Ordinal untuk Menganalisis Faktor-Faktor yang Mempengaruhi Perilaku Sexual Remaja Jural EKSONENSIAL Volume, Nomor, Me 0 ISSN 085-789 Regres Logst Ordal utu Megaalss Fator-Fator yag Memegaruh erlau Seual Remaa Ordal Logstc Regresso for Aalyss Factors of Ifluece Behavor Adolecet Seual

Lebih terperinci

PENAKSIR RASIO PROPORSI YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA

PENAKSIR RASIO PROPORSI YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA EAKIR RAIO ROORI AG EFIIE UTUK RATA-RATA OULAI ADA AMLIG ACAK BERTRATA Devr Maulaa *, Arsma Ada, Haosa rat Maasswa rogram Matemata Dose Jurusa Matemata Faultas Matemata da Ilmu egetaua Alam Uveras Rau

Lebih terperinci

Functionally Small Riemann Sums Fungsi Terintegral Henstock-Dunford pada [a,b]

Functionally Small Riemann Sums Fungsi Terintegral Henstock-Dunford pada [a,b] Jural Sas da Matemata Vol (3): 58-63 () Fuctoally Small Rema Sums Fugs Tertegral Hestoc-uford ada [a,b] Solh, Sumato, St Khabbah 3,,3 Program Stud Matemata, FSM UNIP Jl Prof Soedarto, SH Semarag, 575 E-mal:

Lebih terperinci

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1 HIMPUNAN RENTANGAN DAN BEBA LINIER HIMPUNAN RENTANGAN Defs (Kombas Ler) Msala V suatu ruag etor atas feld F. w etor d V, da, 1, juga etoretor d V. Vetor w dataa sebaga ombas ler dar etor-etor, 1, ja w

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN III. METODOLOGI PENELITIAN 3.. Watu da Temat Peelta Peelta srs dlaua d Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas Lamug ada tahu aadem 2009/200. 3.2. Metode Peelta Secara umum, elasaaa

Lebih terperinci

KEKONVERGENAN INTEGRAL HENSTOCK-PETTIS. PADA RUANG EUCLIDE R (Henstock-Pettis Integral Convergence in Euclidean Space)

KEKONVERGENAN INTEGRAL HENSTOCK-PETTIS. PADA RUANG EUCLIDE R (Henstock-Pettis Integral Convergence in Euclidean Space) Harur Rahma da Soeara Darmawjaya, Keovergea Itegral Hestoc KEKONVERGENN INTEGRL HENSTOCK-PETTIS PD RUNG EUCLIDE R (Hestoc-Petts Itegral Covergece Eucldea Sace Harur Rahma da Soeara Darmawjaya 2 Uverstas

Lebih terperinci

BAB II KAJIAN TEORI. tertentu (Martono, 1999). Sistem bilangan real dinotasikan dengan R. Untuk

BAB II KAJIAN TEORI. tertentu (Martono, 1999). Sistem bilangan real dinotasikan dengan R. Untuk 5 BAB II KAJIAN TEOI A. Sstem Blaga eal Sstem blaga real adalah hmpua blaga real ag dserta dega operas pejumlaha da perala sehgga memeuh asoma tertetu (Martoo, 999). Sstem blaga real dotasa dega. Utu lebh

Lebih terperinci

PENDETEKSIAN OUTLIER DENGAN METODE REGRESI RIDGE

PENDETEKSIAN OUTLIER DENGAN METODE REGRESI RIDGE PENDETEKSIAN OUTLIER DENGAN METODE REGRESI RIDGE Sr Har Jurusa Matemata, Faultas Sas da Teolog Uverstas Islam Neger Maulaa Mal Ibram Malag e-mal: srar@aoo.co.d Abstra Dalam aalss regres ler bergada adaa

Lebih terperinci

PEMULUSAN SEBARAN DATA MENGGUNAKAN PENAKSIR KERNEL NADARAYA-WATSON DAN LINIER LOKAL UNTUK KERNEL NORMAL. Sudarno 1.

PEMULUSAN SEBARAN DATA MENGGUNAKAN PENAKSIR KERNEL NADARAYA-WATSON DAN LINIER LOKAL UNTUK KERNEL NORMAL. Sudarno 1. PROSIDING SEMINAR NASIONAL STATISTIA UNIVERSITAS DIPONEGORO ISBN: 978-979-97-- PEMULUSAN SEBARAN DATA MENGGUNAAN PENASIR ERNEL NADARAA-WATSON DAN LINIER LOAL UNTU ERNEL NORMAL Sudaro ) Program Stud Statstka

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu tejad dega sedrya, amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan

ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan JMP : Vol. 8 No., Des. 016, al. 33-40 ISSN 085-1456 ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI Novita Eka Cadra Uiversitas Islam Darul Ulum Lamoga ovitaekacadra@gmail.com Masriai Mayuddi Uiversitas

Lebih terperinci

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI MINGGU KE-0 HUBUNGAN ANTAR KONVERGENSI Hubuga atar koverges Hrark atar koverges dyataka dalam teorema berkut. Teorema Msalka X da X, X, X 3,... adalah varabel radom yag ddefska pada ruag probabltas yag

Lebih terperinci

Prosiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA

Prosiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA Prosdg SPMIP. pp. 4-46, 6 ISBN : 979.74.47. PERKEMBNGN ESTIMTOR DENSITS NON PRMETRIK DN PLIKSINY Hasb Yas, Supart Staf PS Statsta, urusa Matemata, FMIP, UNDIP l. Prof. Sudarto, Kampus UNDIP Tembalag, Semarag

Lebih terperinci

BAB V PENUTUP. Berdasarkan pembahasan pada bab-bab sebelumnnya baik secara matematis maupun dalam studi kasus, diperoleh kesimpulan sebagai berikut:

BAB V PENUTUP. Berdasarkan pembahasan pada bab-bab sebelumnnya baik secara matematis maupun dalam studi kasus, diperoleh kesimpulan sebagai berikut: BAB V PENUTUP 5. Kesimpula Berdasarka pembaasa pada bab-bab sebelumya baik secara matematis maupu dalam studi kasus, diperole kesimpula sebagai berikut:. Dari asil studi kasus pada 74 sugai di Idoesia

Lebih terperinci

BAB I PENDAHULUAN. X Y X Y X Y sampel

BAB I PENDAHULUAN. X Y X Y X Y sampel BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Aalisis regresi merupaka metode aalisis data yag meggambarka hubuga atara variabel respo dega satu atau beberapa variabel prediktor. Aalisis regresi tersebut

Lebih terperinci

Estimasi Densitas Mulus dengan Metode Wavelet. (Wavelet Method in Smooth Density Estimation)

Estimasi Densitas Mulus dengan Metode Wavelet. (Wavelet Method in Smooth Density Estimation) Supart da Subaar Estmas Destas Mulus dega Metode Wavelet (Wavelet Method Smooth Desty Estmato) Oleh Supart ) da Subaar ) Let X Abstract =,,, be depedet observato data from a dstrbuto wth a ukow desty fucto

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (uregstered verso) http://www.smpopdf.com Statst Bss : BAB V. UKURA PEYEBARA DATA.1 Peyebara Uura peyebara data adalah uura statst yag meggambara bagamaa berpecarya data

Lebih terperinci

STATISTIKA ELEMENTER

STATISTIKA ELEMENTER STATISTIKA ELEMENTER Statsta Apa tu statsta? Apa beda statsta dega statst? Populas? Sampel? Parameter? Sala Peguura: Nomal Ordal 3 Iterval 4 Raso Bagamaa r-r eempat sala d atas? Bera masg-masg otoh sala

Lebih terperinci

LOCALLY SMALL RIEMANN SUMS FUNGSI TERINTEGRAL HENSTOCK-DUNFORD PADA RUANG n EUCLIDE

LOCALLY SMALL RIEMANN SUMS FUNGSI TERINTEGRAL HENSTOCK-DUNFORD PADA RUANG n EUCLIDE LOLLY SMLL RIMNN SUMS FUNGSI TRINTGRL HNSTOK-UNFOR P RUNG ULI Solh Program Stud Matemata Faultas Sas da Matemata UNIP Jl Prof Soedarto, SH Semarag 575, sol_erf@yahoocom BSTRK I ths aer we study Hestoc-uford

Lebih terperinci

BAB III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

Lebih terperinci

REGRESI NONPARAMETRIK KERNEL ADJUSTED. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan

REGRESI NONPARAMETRIK KERNEL ADJUSTED. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan JMP : Volume 7 Nomor, Ju 05, hal. - 0 REGRESI NONPARAMETRIK KERNEL ADJUSTED Novta Eka Chadra Uverstas Islam Darul Ulum Lamoga ovtaekachadra@gmal.com Sr Haryatm da Zulaela Jurusa Matematka FMIPA UGM ABSTRACT.

Lebih terperinci

BAB 3 Interpolasi. 1. Beda Hingga

BAB 3 Interpolasi. 1. Beda Hingga BAB Iterpolas. Hgga. Iterpolas Lear da Kuadrat. Iterpolas -Maju da -Mudur Newto 4. Polo Iterpolas Terbag Newto 5. Polo Iterpolas Lagrage . Hgga Msala dbera suatu tabel la-la uers j j dar suatu ugs pada

Lebih terperinci

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA Ruag Baach Sumaag Muhtar Gozal UNIVERSITAS PENDIDIKAN INDONESIA Satu kose etg d kulah Aalss ugsoal adalah teor ruag Baach. Pada baga aka drevu defs, cotoh-cotoh, serta sfat-sfat etg ruag Baach. Kta aka

Lebih terperinci

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas

Lebih terperinci

BAB III REVIEW SIFAT- SIFAT STATISTIK PENDUGAAN TIPE KERNEL BAGI FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN PERIODE GANDA

BAB III REVIEW SIFAT- SIFAT STATISTIK PENDUGAAN TIPE KERNEL BAGI FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN PERIODE GANDA 9 BAB III REVIEW SIFAT- SIFAT STATISTI PENDUGAAN TIPE ERNE BAGI FUNGSI INTENSITAS PROSES POISSON PERIODI DENGAN PERIODE GANDA 3. Perumua Peduga Malka adala proe Poo ag damat pada terval [0] dega fug teta

Lebih terperinci

Pelabelan Total Super Sisi Ajaib Pada Graf Caterpillar Teratur

Pelabelan Total Super Sisi Ajaib Pada Graf Caterpillar Teratur Jural Matemata Itegrat ISSN 4-4 Vol. 9 No. Otober 0 pp. -9 Pelabela Total Super Ss Ajab Pada Gra Caterpllar Teratur Trya St Rahmah Nursham Muta Nur Estr Program Stud Matemata Jurusa MIPA Faultas Sas da

Lebih terperinci

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model Jural ILMU DASAR Vol. 9 No. Jul 008 : 5-7 5 Estmator Robust S Pada Model Seemgl Urelated Regresso he S Robust Estmator Seemgl urelated Regresso Model Sulato Jurusa Matemata FMIPA Uverstas Arlagga ABSRAC

Lebih terperinci

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data, blaga ataupu

Lebih terperinci

BAB II KAJIAN PUSTAKA

BAB II KAJIAN PUSTAKA BAB II KAJIAN PUSTAKA Beberapa teor yag dperlua utu meduug pembahasa dataraya adalah varabel radom, regres lear bergada, metode uadrat terecl (MKT), peguja asums aalss regres, pecla (outler), regres robust,

Lebih terperinci

titik tengah kelas ke i k = banyaknya kelas

titik tengah kelas ke i k = banyaknya kelas STATISTIKA Bab 0 UKURAN PEMUSATAN DAN PENYEBARAN. Mea X. a. Data Tuggal... 3 b. Data Kelompo ( dstrbus frewes) f. f. f.... f. 3 3 f f f... f = f. f 3 Ket : tt tegah elas e = bayaya elas f frewes elas e

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

BAB III TAKSIRAN PROPORSI POPULASI JIKA TERJADI NONRESPON. Dalam bab ini akan dibahas penaksiran proporsi populasi jika terjadi

BAB III TAKSIRAN PROPORSI POPULASI JIKA TERJADI NONRESPON. Dalam bab ini akan dibahas penaksiran proporsi populasi jika terjadi BAB III TAKSIRA PROPORSI POPULASI JIKA TERJADI ORESPO Dalam bab ii aa dibaas peasira proporsi populasi jia terjadi orespo da dilaua allba sebaya t ali. Selai itu, juga aa dibaas peetua uura sampel yag

Lebih terperinci

MEAN SQUARE ERROR TERKECIL DARI KOMBINASI PENAKSIR RASIO-PRODUK UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA

MEAN SQUARE ERROR TERKECIL DARI KOMBINASI PENAKSIR RASIO-PRODUK UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA MEA QUARE ERROR TERKEIL DARI KOMBIAI PEAKIR RAIO-PRODUK UTUK RATA-RATA POPULAI PADA AMPLIG AAK BERTRATA R Kurat *, gt ugarto, Ruam Efed Maasswa Program Matemata Dose Jurusa Matemata Faultas Matemata da

Lebih terperinci

BAB III TEORI PERRON-FROBENIUS

BAB III TEORI PERRON-FROBENIUS BB III : EORI PERRON-FROBENIUS 34 BB III EORI PERRON-FROBENIUS Pada Bab III aa dbahas megea eor Perro-Frobeus, yatu teor hasl otrbus dar seorag matematawa asal Germa, Osar Perro da Ferdad Georg Frobeus

Lebih terperinci

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC JEMTN PD GRF FUZZY INTUITIONISTIC St lfatur Rohmaah, au Surarso, da ambag Irawato 3 Uverstas Islam Darul Ulum Lamoga, a0304@gmalcom Uverstas Dpoegoro Semarag 3 Uverstas Dpoegoro Semarag bstract tutostc

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

PENDEKATAN ESTIMATOR KERNEL UNTUK ESTIMASI DENSITAS MULUS

PENDEKATAN ESTIMATOR KERNEL UNTUK ESTIMASI DENSITAS MULUS J. Pjar MIPA Vol. V No. September : 8-85 ISSN 97-7 PENDEATAN ESTIMATOR ERNEL UNTU ESTIMASI DENSITAS MULUS Lala Hayat Program Std Peddka Matematka PMIPA FIP Uverstas Mataram Jl. Majapat No. 6 Mataram 835

Lebih terperinci

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

Lebih terperinci

DISTRIBUSI WEIBULL DAN PARETO UNTUK DATA TINGGI GELOMBANG TSUNAMI ACEH 2004

DISTRIBUSI WEIBULL DAN PARETO UNTUK DATA TINGGI GELOMBANG TSUNAMI ACEH 2004 Vol. 9. No. 2, 22 Jural Sas, Teolog da Idustr DISTRIBUSI WEIBULL DAN PARETO UNTUK DATA TINGGI GELOMBANG TSUNAMI ACEH 24 Ar Pa Desva, 2 Marta Erd,2 Jurusa Matemata Faultas Sas da Teolog UIN Susa Rau E-mal:

Lebih terperinci

Pemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression

Pemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prt) D-361 Pemodela Aga Buta Huruf d Provs Sumatera Barat Tahu 014 dega Geographcally Weghted Regresso Rath Mahara da Wwe Setya Wahju Jurusa

Lebih terperinci

Jurnal EKSPONENSIAL Volume 7, Nomor 1, Mei 2016 ISSN

Jurnal EKSPONENSIAL Volume 7, Nomor 1, Mei 2016 ISSN Jural EKSPONENSIAL Volume 7, Nomor 1, Me 016 ISSN 085-789 Peeraa Geeralzed Posso Regresso I Utu Megatas Overdsers Pada Regres Posso (Stud Kasus: Pemodela Jumlah Kasus Kaer Servs d Provs Kalmata Tmur) Alcato

Lebih terperinci

Sifat-sifat Fungsi Karakteristik dari Sebaran Geometrik

Sifat-sifat Fungsi Karakteristik dari Sebaran Geometrik Sifat-sifat Fugsi Karateristi dari Sebara Geometri Dodi Deviato Jurusa Matematia, Faultas MIPA, Uiversitas Adalas Kamus Limau Mais, Padag 563, Sumatera Barat, Idoesia Abstra Fugsi arateristi dari suatu

Lebih terperinci

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,

Lebih terperinci

ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP. Staf Program Studi Statistika Jurusan Matematika FMIPA UNDIP 2

ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP. Staf Program Studi Statistika Jurusan Matematika FMIPA UNDIP 2 ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP Supart Achmad Mustofa da Agus Rusgyoo 3 3 Staf Program Stud Statsta urusa Matemata FMIPA UNDIP Alum urusa Matemata FMIPA UNDIP l. Prof. H.

Lebih terperinci

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion Jural Iformata Mulawarma Vol 4 No. 3 September 009 37 Pemlha Model Regres erba Megguaa Metode Aae s Iformato Crtero da Schwarz Iformato Crtero M. Fathurahma Program Stud Ilmu Komputer, FMIPA Uverstas Mulawarma

Lebih terperinci

Digraf eksentris dari turnamen kuat

Digraf eksentris dari turnamen kuat Dgraf esetrs dar turame uat Hazrul Iswad Departeme Matemata da IPA MIPA) Uverstas Surabaya UBAYA), Jala Raya Kalrugut, Teggls, Surabaya, e-mal : us679@wolfubayaacd Abstra Esetrstas eu) suatu tt u d dgraf

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI Utu mempermudah dalam meyeleaa pembahaa pada bab, maa aa dbera beberapa def da beberapa teor daar yag meduug... Teor Teor Peduug... Rua Gar Def. Rua Gar Ja ada d R atau 3 R, maa ebuah

Lebih terperinci

Prosiding Statistika ISSN:

Prosiding Statistika ISSN: Prosdg Statsta ISSN: 246-6456 Pemodela Aga Kemata Ba d Kabuate Kuga ahu 24 dega Regres Geeralzed Posso da RegresBomal Negatf Modelled Number Of Brth Mortalt I Kuga Resdece I 24 B Geeralzed Posso Regresso

Lebih terperinci

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan II. LANDASAN TEORI.1. Data Kategor Wallpole (1995, medefsa data ategor sebaga data yag dlasfasa meurut rtera tertetu. Data ategor dsebut uga data ometr atau data yag bua merupaa hasl peguura. Data ategor

Lebih terperinci

Proses inferensi pada model logit Agus Rusgiyono. Abstracts

Proses inferensi pada model logit Agus Rusgiyono. Abstracts Proses eres ada model logt Agus Rusgoo Let dstrbuto wth Abstracts 3 rereset the resose o a omal radom varable o Beroull P P where s a arameter wth ukow value. Problems o estmatg used smallest square methods

Lebih terperinci

JMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb.

JMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb. JMP : Volume Nomor, Oktober 009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK Agust Trpea Br.Sb. Fakultas Sas da Tekk, Uverstas Jederal Soedrma Purwokerto, Idoesa

Lebih terperinci

JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-159

JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-159 JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Set. 1 ISSN: 31-X D-15 Pemodela Fator-Fator Yag Beregaruh Terhada Prevales Balta Kurag Gz D Provs Jawa Tmur Dega Pedeata Geograhcally Weghted Logstc Regresso (GWLR

Lebih terperinci

HUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN

HUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN HUBUNGAN ARKS AB DAN BA ADA SRUKUR ORDAN NLOEN Sodag uraasar aaha (sodag@ub-ut.ac.d) UB-U eda Elva Herawaty FA ateata Uverstas Suatera Utara ABSRAC ths aer, we gve aother roof about the relatosh betwee

Lebih terperinci

Jurnal Sains & Matematika Vol.15 No.4, 2007 ISSN

Jurnal Sains & Matematika Vol.15 No.4, 2007 ISSN Supart Sharta Wahyu Putra a Ruu Satoso Pemlha Threshol Optmal... Pemlha Threshol Optmal paa Estmator Regres Wavelet thresholg ega Proseur U Hpotess Multpel Supart Sharta Wahyu Putra a Ruu Satoso 3 3 Sta

Lebih terperinci

Pemodelan Angka Pengangguran Pernah Bekerja dan Belum Pernah Bekerja di Jawa Timur Menggunakan Metode Regresi Multivariat

Pemodelan Angka Pengangguran Pernah Bekerja dan Belum Pernah Bekerja di Jawa Timur Menggunakan Metode Regresi Multivariat D-390 JURNAL SAINS DAN SENI ITS Vol. 5 No. (06) 337-350 (30-98X Prt) Pemodela Aga Perah Beerja da Belum Perah Beerja d Jawa Tmur Megguaa Metode Regres Multvarat Arda Nur Lathfah, da Wahyu Wbowo Jurusa

Lebih terperinci

Analisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014)

Analisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014) Jural EKSPONENSIAL Volume 6, Nomor, Nopember 5 ISSN 85-789 Aalss Regres Espoesal Bergada (Stud Kasus: Jumlah Kelahra Bay d Kalmata Tmur pada Tahu 3 da 4) Double Expoetal Regresso Aalyss (Case Study: Number

Lebih terperinci

Pemodelan Kondisi Jaringan Listrik PT. PLN (Persero) Area Surabaya Selatan dengan Analisis Regresi Logistik Ordinal

Pemodelan Kondisi Jaringan Listrik PT. PLN (Persero) Area Surabaya Selatan dengan Analisis Regresi Logistik Ordinal JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 7-0 (-98X Prt) D86 Pemodela Kods Jarga Lstr PT. PLN (Persero) Area Surabaya Selata dega Aalss Regres Logst Ordal Des Olva Sswadar da Haryoo Dearteme Statsta,

Lebih terperinci

Pemodelan Angka Prevalensi Kusta dan Faktor- Faktor yang Mempengaruhi di Jawa Timur dengan Pendekatan Geographically Weighted Regression (GWR)

Pemodelan Angka Prevalensi Kusta dan Faktor- Faktor yang Mempengaruhi di Jawa Timur dengan Pendekatan Geographically Weighted Regression (GWR) JURNAL SAINS DAN SENI POMIS Vol., No., () 7-5 (-98X Prt) D-75 Pemodela Aga Prevales Kusta da Fator- Fator yag Memegaruh d Jaa mur dega Pedeata Geograhcally Weghted Regresso (GWR) Alefa Maulda Dzra, Sat

Lebih terperinci

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari: 5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut

Lebih terperinci

Penaksiran Parameter Model Regresi Polinomial Berkson Menggunakan Metode Minimum Distance

Penaksiran Parameter Model Regresi Polinomial Berkson Menggunakan Metode Minimum Distance Peaksra Parameter Model Regres Polomal Berkso Megguaka Metode Mmum Dstace Da Kurawat Dearteme Matematka, FMIPA UI, Kamus UI Deok 16 da61@gmal.com Abstrak Berkso Measuremet Error Model meruaka model regres

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan

Lebih terperinci

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE) Jural Matematka Mur da Terapa Vol. 4 No. esember : 4 - ANALISIS REGRESI LINEAR BERGANA ENGAN SATU VARIABEL BONEKA (UMMY VARIABLE Tat Krsawardha Nur Salam da ew Aggra Program Stud Matematka Uverstas Lambug

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d Jural Grade Vol4 No Jul 008 : 37-38 Kaja Hubuga Koefse Korelas Pearso (r), Spearma-rho (ρ), Kedall-Tau (τ), Gamma (G), da Somers ( d yx ) Sgt Nugroho, Syahrul Abar, da Res Vusvtasar Jurusa Matemata, Faultas

Lebih terperinci

Model Log Linier untuk Empat Dimensi. Log Linier Model for Four Dimentions

Model Log Linier untuk Empat Dimensi. Log Linier Model for Four Dimentions ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN 085-789 Model Log Ler utu Empat Dmes Log Ler Model for Four Dmetos M. Ars Budyoo 1, Sr ayugs, a Puramasar 3 1 Maasswa Program Stud Statsta Faultas MPA

Lebih terperinci

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1 Itegras Metode Itegral Rema Metode Itegral Trapezoda Metode Itegral Smpso Itegras Permasalaa Itegras Pertuga tegral adala pertuga dasar yag dguaka dalam kalkulus, dalam bayak keperlua. Itegral secara det

Lebih terperinci

8.4 GENERATING FUNCTIONS

8.4 GENERATING FUNCTIONS 8.4 GEERATIG FUCTIOS Fugs pembagt Fugs pembagt dguaa utu merepresetasa barsa secara efse dega megodea usur barsa sebaga oefse deret pagat dalam varabel. Fugs pembagt dapat dguaa utu: memecaha berbaga masalah

Lebih terperinci

(R.17) ESTIMASI SMOOTHING SPLINE PADA FUNGSI VARIANSI BERDISTRIBUSI GAMMA DALAM PENDEKATAN REGRESI NONPARAMETRIK

(R.17) ESTIMASI SMOOTHING SPLINE PADA FUNGSI VARIANSI BERDISTRIBUSI GAMMA DALAM PENDEKATAN REGRESI NONPARAMETRIK PROSIDING ISSN : 87-59. Semar Nasoal Statsta November Vol, November (R.7) ESIMASI SMOOHING SPLINE PADA FUNGSI VARIANSI BERDISRIBUSI GAMMA DALAM PENDEKAAN REGRESI NONPARAMERIK Sfrya Dose Program Stud Statsta

Lebih terperinci

PERBANDINGAN ESTIMATOR KERNEL DAN ESTIMATOR SPLINE DALAM MODEL REGRESI NONPARAMETRIK

PERBANDINGAN ESTIMATOR KERNEL DAN ESTIMATOR SPLINE DALAM MODEL REGRESI NONPARAMETRIK NM VI 3-6 Jul 0 UNPAD, Jatagor PERBANDINGAN ESTIMATOR ERNEL DAN ESTIMATOR SPLINE DALAM MODEL REGRESI NONPARAMETRI I OMANG GDE SUARSA, I GUSTI AYU MADE SRINADI, NI LUH AYU PUSPA LESTARI 3 Jurusa Mateata

Lebih terperinci

PEMILIHAN VARIABEL PADA MODEL GEOGRAPHICALLY WEIGHTED REGRESSION. Hasbi Yasin Staf Pengajar Program Studi Statistika FMIPA UNDIP.

PEMILIHAN VARIABEL PADA MODEL GEOGRAPHICALLY WEIGHTED REGRESSION. Hasbi Yasin Staf Pengajar Program Studi Statistika FMIPA UNDIP. Pemlha Varabel (Hasb Yas) PEMILIHAN VARIABEL PADA MODEL GEOGRAPHICALLY WEIGHED REGRESSION Hasb Yas Staf Pegajar Program Stud Statsta FMIPA UNDIP Abstract Regresso aalyss s a statstcal aalyss that ams to

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

ANALISIS REGRESI SEMIPARAMETRIK PADA KASUS HILANGNYA RESPON

ANALISIS REGRESI SEMIPARAMETRIK PADA KASUS HILANGNYA RESPON ANALISIS REGRESI SEMIPARAMERIK PADA KASUS HILANGNA RESPON Irma ahya ), I Nyoma Budatara ), da Kartka Ftrasar ) ) Jurusa Matematka FMIPA, Uverstas Haluoleo Kedar ) Jurusa Statstka FMIPA, IS Sukollo Surabaya

Lebih terperinci

Volume 1, Nomor 2, Desember 2007

Volume 1, Nomor 2, Desember 2007 Volume, Nomor, Desember 007 Barekeg, Desember 007. hal.-7 Vol.. No. ESTIMASI PARAMETER DISTRIBUSI EKPONENSIAL PADA LOKASI TERBATAS (Estmatg Parameter Dstrbuto Expoetal At Fte Locato MOZART W TALAKUA, JEFRI

Lebih terperinci

SIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS. Saniagus Munendra 1) Hery Susanto 2)

SIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS. Saniagus Munendra 1) Hery Susanto 2) SIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS Saagu Muedra 1) Hery Suato 2) Abtra: Sfat-fat yag berlau pada radal uatu deal teryata tda emuaya berlau pada oep radal uatu ubmodul Raaee

Lebih terperinci

BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA

BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA 3. Perumusa Peduga Misalka N adala proses Poisso o omoge pada iterval [, dega fugsi itesitas yag tidak diketaui. Fugsi ii diasumsika teritegralka

Lebih terperinci

LANDASAN TEORI. x R, untuk suatu fungsi f : R [0, )

LANDASAN TEORI. x R, untuk suatu fungsi f : R [0, ) LANDASAN TEORI Dalam baga aa dbahas teor-teor yag berata dega embahasa selautya, yag dbera dalam betu defs-defs, beberaa lema da teoremateorema etg Ruag Cotoh, Keada, da Peluag Defs (Percobaa Aca) Percobaa

Lebih terperinci

Untuk mentukan titik tetap dari persamaan (3.1) maka persamaan tersebut dibuat sama dengan nol, yaitu dt 0. seperti dalam persamaan berikut dt dt dt

Untuk mentukan titik tetap dari persamaan (3.1) maka persamaan tersebut dibuat sama dengan nol, yaitu dt 0. seperti dalam persamaan berikut dt dt dt LAMIRA 4 5 Lamra eetua t eta ar eramaa 3. Utu metua tt teta ar eramaa 3. maa eramaa tereut uat ama ega ol yatu a ee alam eramaa erut t t t..................3 Dar eramaa aa eroleh la eaga erut t Dar eramaa

Lebih terperinci

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,

Lebih terperinci

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON Jural Bareeg Vol. 5 No. Hal. 3 7 () PEMODELAN JUMLAH KEMAIAN BAYI DI PROVINSI MALUKU AHUN DENGAN MENGGUNAKAN REGRESI POISSON SALMON N. AULELE Staf Jurusa Matemata, FMIPA, Upatt Jl. Ir. M. Putuhea, Kampus

Lebih terperinci

KAJIAN ESTIMASI-M IRLS MENGGUNAKAN FUNGSI PEMBOBOT HUBER DAN BISQUARE TUKEY PADA DATA KETAHANAN PANGAN DI JAWA TENGAH. Elen Dwi Pradewi 1, Sudarno 2

KAJIAN ESTIMASI-M IRLS MENGGUNAKAN FUNGSI PEMBOBOT HUBER DAN BISQUARE TUKEY PADA DATA KETAHANAN PANGAN DI JAWA TENGAH. Elen Dwi Pradewi 1, Sudarno 2 Kaa Estmas-M (Ele) KAJIAN ESTIMASI-M IRLS MENGGUNAKAN FUNGSI PEMBOBOT HUBER DAN BISQUARE TUKEY PADA DATA KETAHANAN PANGAN DI JAWA TENGAH Ele Dw Pradew, Sudaro Alum Program Stud Statsta FSM Uverstas Dpoegoro

Lebih terperinci

Regresi Logistik pada Data Rare Event

Regresi Logistik pada Data Rare Event Prosdg Statsta ISSN 46-6456 Regres Logst ada Data Rare Evet Rud Rum Ar Wstara, Sulad, 3 Abdul Kudus,,3 Statsta, Faultas MIPA, Uverstas Islam Badug, Jl. Ragga Malela No. Badug 46 e-mal: rud_ra@mal.com,

Lebih terperinci

KERNEL ORDER TINGGI UNTUK ESTIMASI VALUE AT RISK (VaR) MANAJEMEN RESIKO TENAGA KERJA

KERNEL ORDER TINGGI UNTUK ESTIMASI VALUE AT RISK (VaR) MANAJEMEN RESIKO TENAGA KERJA KERNEL ORDER TINGGI UNTUK ESTIMASI VALUE AT RISK (VaR) MANAJEMEN RESIKO TENAGA KERJA Zulfkar Sstem Ifromas da Tekk Iformatka STMIK Bahrul Ulum Jombag Emal: zulfkarda@gmal.com ABSTRAK Implkas dar maeeme

Lebih terperinci