PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR)
|
|
- Siska Hadiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR) Supart, Taro da Yo Haryoo Staf urusa Matemata FMIPA UNDIP Alum urusa Matemata FMIPA UNDIP Abstract If X s predctor varable ad Y s respose varable of followg model Y = f (X) +e wth fucto f s regresso whch ot yet bee ow ad e s depedet radom varable wth mea 0 ad varat, hece fucto of f ca estmate wth parametrc ad oparametrc approach. At ths paper estmate f wth oparametrc approach. Noparametrc approach that used s wavelet shrage or wavelet thresholdg method. At fucto estmato wth method of wavelet thresholdg, what most domat determe level of smoothg estmator s value of threshold. The small threshold gve fucto estmato very o smoothly, whle the bg value of threshold gve fucto estmato very smoothly. Therefore requre to be selected value of optmal threshold to determe optmal fucto estmato. Oe of the method to determe the value of optmal threshold s wth procedure of False Dscovery Rate ( FDR). I procedure of FDR, the optmal threshold determed by selecto of level of sgfcace. Smaller mout used sgfcace progressvely smoothly ts. Keyword: Noparametrc regresso, wavelet thresholdg estmator, procedure of False Dscovery Rate. I. Pedahulua X Model regres o parametr stadar dar data observas berpasaga, Y adalah Y f X () dega X varabel predtor, Y varabel respo, f fugs regres yag tda detahu, da varabel radom depede dega mea 0 da vara. Karea f fugs regres yag tda detahu maa f perlu destmas. Fugs f dapat destmas, salah satuya dega pedeata o parametr. Pedeata o parametr yag sudah populer adalah metode erel da metode Fourer. Pada pedeata megasumsa bahwa fugs f termuat dalam elas fugs mulus, artya mempuya turua yag otu. Sehgga a fugsya tda mulus metode urag ba utu dguaa. Pedeata o parametr yag dapat megatas euraga metode erel da deret Fourer adalah metode wavelet. Dalam metode wavelet dasumsa fugs yag aa destmas dapat
2 dtegrala secara uadrat. ad dega metode wavelet fugs yag aa destmas dapat berupa fugs mulus maupu tda mulus. Estmator wavelet dar regres o parametr adalah pegembaga dar estmator regres deret Fourer da estmator erel. Estmator wavelet sedr dbedaa mead dua macam, yatu estmator wavelet ler da estmator wavelet o ler. Estmator wavelet o ler meml la Error Kuadrat Rata-rata Tertegras / Itegrated Mea Square Error (IMSE) yag merupaa salah satu uura ebaa dar estmator, lebh cepat meuu ol darpada IMSE wavelet ler [8]. Prsp dar estmator wavelet thresholdg, mempertahaa oefse wavelet yag laya lebh besar dar suatu la threshold tertetu da megabaa oefse wavelet yag ecl. Selautya oefse yag besar dguaam utu mereostrus estmator fugs yag dcar. Pada estmas fugs dega metode wavelet thresholdg, tgat emulusa estmator dtetua oleh pemlha fugs wavelet, level resolus, fugs thresholdg, da parameter threshold. Namu yag palg doma meetua tgat emulusa estmator adalah parameter threshold. Nla threshold yag ecl membera estmas fugs yag sagat tda mulus (uder smooth), sedaga la threshold yag besar membera estmas yag sagat mulus (over smooth). Oleh area tu perlu dplh la threshold yag optmal. Maalah membahas peetua la threshold optmal pada estmator wavelet thresholdg utu fugs regres o parametr dega prosedur FDR. II. Baha da Metode Peelta merupaa aa lteratur yag emuda dembaga dega smulas megguaa software S-Plus For Wdows. Dalam tulsa dlaua pembahasa tetag estmator fugs regres o parametr dega wavelet thresholdg da cara medapata parameter threshold optmal dega prosedur False Dscovery Rate (FDR) serta cotoh aplasya. III. Hasl da Pembahasa Estmator Deret Orthogoal. Dasumsa bahwa fl (R) dega L (R) =f : f ( x) dx. Ddefsa sebuah hasl al dalam pada ruag L (R) adalah fugs yag megasosasa blaga rl f, g, dega masg-masg pasaga fugs f(x) da g(x) pada L (R). Hasl al
3 dalam L (R) dar dua fugs da orma sebuah fugs ddefsa f,g f (x)g(x) dx da f f, f ( f ( x)) dx. Meurut Vetterl da Kovacevc [9], L (R) merupaa ruag Hlbert. a,,... sstem ortoormal legap (CONS) dar L (R), maa sembarag fl (R) dapat dyataa sebaga f dega f, da memeuh dettas Parseval f. Karea f ( x) dx maa sehgga 0, utu. Oleh area tu, f dapat ddeat oleh f utu blaga bulat cuup besar. Khususya a f L [0,], maa f dapat ddeat dega deret Fourer, dega oefse Fourer b f,s(.) 0 dega a X, Y f ( x) a () a cos( x) b s( x 0 ) a f,cos(.) f (x) cos(x) dx dega = 0,,, da 0 f (x)s(x)dx dega =,,,. merupaa data observas depede mempuya model () X da 0,, maa estmator deret Fourer dar regres f adalah X â cos( x) bˆ s( x fˆ (3) (x) â 0 ) ~ dega aˆ f ( X ),cos(.), = 0,,, da ˆ ~ b f ( X ),s(.) Dalam hal â da bˆ merupaa estmator ta bas dar a da b., =,,3,,. Fugs Wavelet. Fugs wavelet adalah suatu fugs matemata yag mempuya sfat- sfat tertetu dataraya beroslas d setar ol (sepert fugs sus da cosus) da terloalsas dalam doma watu artya pada saat la doma relatf besar, fugs wavelet berharga ol. Fugs wavelet dbedaa atas dua es, yatu wavelet ayah () da wavelet bu () yag mempuya sfat ( x)dx da ( x)dx 0. Dega
4 dlatas dad da traslas teger, wavelet ayah da wavelet bu melahra eluarga wavelet yatu (x) (p ) (p x ) da (x) (p ) (p x ) utu suatu, salar p>0, da tapa megurag eumuma dapat dambl p=, sehgga (x) / ( x ) da (x) / ( x ). Fugs (x) da (x), mempuya sfat, ',',,, ( x),' (x) dx,',, ( x),' (x)dx 0, da ( x) (x) dx dega,',', 0 a a Cotoh wavelet palg sederhaa adalah wavelet Haar yag mempuya rumus,0 x /,0 x ( x),/ x da ( x) (4). 0, x yag la 0, x yag la. Beberapa cotoh wavelet sela wavelet haar dataraya adalah wavelet Daubeches (Daublet), symmetrs (Symmlet), da Cofma (Coflet) []. Vsualsas beberapa wavelet dapat dtuua pada gambar berut:.,, Gambar. Vsualsas beberapa Wavelet Aalss Multresolus. Aalss multresolus L (R) adalah ruag baga tertutup {V,Z} yag memeuh : ) V - V - V 0 V V ) Z V = {0}, Z ) fv f (.) V V = L (R) v) f V0 f (. ) V0, Z
5 v) Terdapat sebuah fugs V0 sehgga 0, (. ), Z membetu bass ortoormal utu V 0 dmaa utu semua, Z, (x) x. a {V, Z} aalss multresolus dar L (R), maa ada bass ortoormal, Z utu L (R): / ( x ), sehgga utu sembarag f L (R), ;, P f P f f,,,. Z c x ( x). ( ), Z,, yatu x, yag dturua dar Abat. Bla adalah fugs sala yag membagu aalss multresolus da ψ(x) ( ) c, Z (x) maa deomposs e dalam wavelet ortoormal utu sembarag fl (R) dapat dlaua mead f ( x) c ( x) d ψ ( ) (5) o, o,,, x Z o Z dega c o,, f, o da d, f,,. Estmator Wavelet Ler. a terdapat seumpula data berpasaga depede (X, Y) yag mempuya model () da = m dega m blaga bulat postp. a X racaga tt reguler pada terval [0,] dega X = /, maa proyes f pada ruag V dapat dtuls mead (P f)(x)= Z c ),, ( x atau x Z f c ( x),, dega c, f,, 0 f (x), (x) dx. Berdasara deomposs fugs e dalam wavelet ortoormal (5) utu sembarag fugs f L ( R) dperoleh o, o, Z o Z f (x) c (x) d ψ (x) dega f,,,, = x x c o o, 0 f dx da, f, = f x xdx. Karea fugs regres f tda detahu maa estmator d, 0, o, f pada ruag V dapat dtuls sebaga ˆ x atau f cˆ ( x) Z,, dega c, ˆ Y, ( X ), o, o,, Z o Z fˆ (x) ĉ (x) dˆ ψ (x) (6),
6 dega ĉ o, Y o, (X ) da dˆ, Y, (X ), yag merupaa estmator ta bas dar c o, da d,. Estmator wavelet (6) damaa estmator wavelet ler. Estmator Wavelet Shrage. a dbera data X, Y dega model (), m da X, maa Y ~ g N,. Mea da vara dar d, ˆ adalah d, d ˆ da Var dˆ E, σ, sehgga d, ˆ σ ~ N(d,, ). ad oefse wavelet emprs ˆ memuat seumlah ose da haya relatf sedt yag memuat syal sgfa d, sehgga dapat dreostrus estmator wavelet dega megguaa seumlah oefse terbesar. Oleh area tu Hall&Patl [4] da Ogde [7] membera metode yag meeaa reostrus wavelet dega megguaa seumlah oefse wavelet terbesar, ya haya oefse yag lebh besar dar suatu la tertetu yag dambl, sedaga oefse selebhya dabaa, area daggap 0. Nla tertetu tersebut damaa la threshold (la ambag) da estmatorya meghasla dega fˆ x ĉ x dˆ x o, o,,, (7) o o meyataa fugs thresholdg atau fugs ambag dega la ambag atau threshold. Estmator (7) damaa estmator wavelet o ler, estmator wavelet shrage, atau estmator wavelet thresholdg. Prsp dar estmator wavelet thresholdg adalah mempertahaa oefse wavelet yag laya lebh besar dar suatu la ambag atau la threshold tertetu da megabaa oefse wavelet yag ecl. Selautya oefse yag besar dguaa utu mereostrus fugs (estmator) yag dcar. Karea thresholdg dracag utu membedaa atara oefse wavelet emprs yag masu da yag eluar dar reostrus wavelet, sedaga utu membuat eputusa ada fator yag mempegaruh etepata estmator, yatu uura sampel da tgat ose, maa setap oefse merupaa calo uat masu ddalam reostrus wavelet a uura sampel besar atau tgat ose ecl. Karea ˆ berdstrbus ormal dega d,
7 vara utu seluruh da σ, maa estmator thresholdg dar d, adalah ~ d, dˆ, sehgga estmator wavelet thresholdg adalah dega ˆ c o, fˆ, x ĉ o,o, x, x o 0 : peduga oefse fugs sala, dˆ, : peduga oefse wavelet d, dˆ (8) : parameter la threshold : fugs threshold Lagah-lagah Thresholdg Lagah-lagah thresholdg terdr dar :. Pemlha Fugs Thresholdg Ada dua es fugs thresholdg λ, yatu Hard Thresholdg, H x, x λ (x) da Soft Thresholdg, λ 0, x yagla merupaa parameter thresholdg. x λ, x λ S λ (x) 0, x λ dega λ x λ, x λ Fugs Hard thresholdg lebh deal area terdapat dsotyu dalam fugs thresholdg sehgga la x yag berada datas threshold λ tda dsetuh. Sebalya, fugs soft thresholdg otyu yatu sea la x berada datas threshold λ. Motvas pegguaa soft thresholdg berasal dar prsp bahwa ose mempegaruh seluruh oefse wavelet. uga eotyua dar fugs soft shrage membuat ods yag lebh ba utu alasa statst.. Estmas σ Dalam mereostrus fugs wavelet basaya la σ tda detahu. Oleh area tu, σ harus destmas dar data. Ogde [7] membera estmas σ berdasara oefse wavelet emprs pada level resolus tertgg dega fugs Meda Devas Absolut (MAD), yatu: meda dˆ, meda dˆ, σˆ. 0, Pemlha Parameter Thresholdg
8 Pada estmas wavelet thresholdg, tgat emulusa estmator dtetua oleh level resolus, fugs thresholdg da parameter threshold λ. Namu pemlha da tda sedoma λ. Nla λ yag terlalu ecl membera estmas fugs yag sagat tda mulus (uder smooth) sedaga la λ yag terlalu besar membera estmas yag sagat mulus (over smooth). Oleh area tu perlu dplh parameter threshold yag optmal utu medapata fugs yag optmal. Utu memlh la threshold optmal, ada dua ategor pemlha yatu memlh satu harga threshold utu seluruh level resolus (pemlha secara global) da pemlha threshold yag tergatug pada level resolus (depedet level thresholdg). Utu pemlha threshold global, Ogde [7] membera pemlha threshold yag haya bergatug pada bayaya data pegamata yatu threshold uversal ( λ log ) da threshold mmax yag telah dtabela oleh Dooho da ohstoe [3]. Nla-la threshold mmax selalu lebh ecl dbadga dega la threshold uversal utu uura sampel yag sama. Pemlha threshold yag tergatug pada level resolus berart memlh λ bergatug level resolu. Dega dema ada emuga perbedaa la threshold λ yag dplh utu tap level wavelet. Ada beberapa cara level-depedet thresholdg dataraya yatu threshold Adapt da threshold Top. Threshold adapt ddasara pada prsp utu memmala Ste Ubased Rs Estmator (SURE) pada suatu level resolus. Threshold adapt utu hmpua oefse detal d yag beraggotaa K oefse ddefsa sebaga, λ arg m SURE d,t, dega SURE d t0 K K, t K m d d t, /,, t. Sedaga la threshold top dtetua berdasara besar prosetase oefse yag aa dguaa dar eseluruha oefse wavelet yag ada. Pemlha parameter threshold optmal dega uversal, mmax, adapt, da top merupaa pemlha parameter threshold optmal stadar dalam estmas dega wavelet thresholdg. Pemlha dega cara tersebut telah terseda dalam software S+Wavelet. Sela cara tersebut ada beberapa cara atau prosedur la utu medapata threshold optmal dalam estmas fugs wavelet thresholdg yatu dega prosedur False Dscovery rate (FDR). Pemlha threshold optmal dega prosedur FDR merupaa pegembaga dar prosedur u hpotess multpel.
9 a. Peetua parameter threshold optmal dega prosedur u hpotess multpel. Peetua parameter threshold optmal dega prosedur u hpotess multpel pada haeatya megacu pada prosedur pegua suatu hpotess tuggal. Neter,et al. [6] megguaa u hpotess utu megetahu sgfa atau tdaya setap oefse regres utu memutusa apaah oefse oefse dalam regres sgfa atau tda. Dega cara sepert, Abramovch da Beam [] megu semua oefse wavelet. a dalam u hpotess meympula bahwa oefse wavelet sgfa maa oefse aa dpertahaa dalam mereostrus fugs tetap alau dalam u hpotess oefse wavelet memutusa sama dega ol maa oefse aa dabaa. Msala ada seumlah oefse wavelet, maa utu setap oefse wavelet du dega u hpotess : Z = H 0 : d = 0 ( oefse wavelet tda sgfa ), H : d 0 ( oefse wavelet sgfa) Karea ˆ ~ N(d,, d, σ ) maa statst u yag dguaa d ˆ, d,. Dbawah H 0 bear maa statst u Z ~ ˆ d, N(0,) sehgga H 0 dtola a Z Z dega Z / / adalah quatl ormal stadar. a H 0 dtola maa dˆ masu dalam reostrus estmator regres wavelet thresholdg, tetap a H 0 dterma maa tuggal adalah dˆ dhlaga. Threshold optmal dega pedeata u hpotess dˆ terecl yag memeuh Z Z /. Tgat emulusa estmator wavelet yag dperoleh dega prosedur dpegaruh oleh besar eclya tgat sgfas α yag dambl. Sema ecl α maa harga Z / aa sema besar sehgga la threshold optmal uga sema besar sehgga estmator yag dperoleh sema mulus. Meurut Ogde [7], dalam pedeata u hpotess tuggal oefse yag masu dalam reostrus terlalu baya, sehgga estmas fugs yag dhasla cederug urag mulus sehgga u hpotess tuggal dperba dega u reursf da prosedur FDR. b. Pemlha threshold dega prosedur FDR( False Dscovery Rate) FDR (tgat esalaha yag dtemua) adalah propors oefse wavelet yag tda sgfa masu dalam reostrus terhadap bayaya semua oefse yag
10 dmasua dalam reostrus. Prosedur megotrol agar espetas dar tgat esalaha seecl mug.. Msala R meyataa bayaya oefse wavelet yag tda dabaa dalam prosedur estmas wavelet thesholdg. Berart reostrus fugs megguaa R oefse wavelet. Dar R ada sebaya S oefse dalam reostrus yag bear da sebaya V oefse yag salah tetap masu dalam reostrus. Q=V/R meyataa propors bayaya oefse wavelet yag seharusya deluara dar reostrus. FDR dar oefse wavelet ddefsa sebaga espetas dar Q. Tuua prosedur memasua oefse wavelet sebaya mug sehgga espetas dar la Q d bawah la yag dtetua (tgat sgfas). Prosedur FDR utu meetua threshold optmal sbb :. Utu setap oefse emprs dˆ, dhtug p-value dua ss (p ) utu hpotess H : d =0, yatu p = (- ( d ˆ / ) ) dega suatu la yag bereaa dega dstrbus dar dˆ.. p duruta yatu p () < p () < < p (m) dega p () bersesuaa dega beberapa d. 3. Mula dega =, da msala = blaga terbesar yag memeuh p () < (/m)α dega α merupaa tgat sgfas basaya α = 0,0 atau 0,05 maa λ optmal adalah λ = σ / ). ( p( ) Peerapa pada Data Smulas Tubrua Data dambl dar buu Appled Noparametrc Regresó [5], ya data smulas tubrua sepeda motor pada suatu PTMO (post mortem huma test obect / obye u pemersaa mayat mausa). Dalam hal varabel-varabelya adalah sebaga berut: Sebaga varabel respo, Y (percepata dalam g) meyataa percepata setelah tubrua yag dsmulasa. Sebaga varabel predtor, X (watu dalam mlseo) meyataa watu setelah smulas tubrua. Dar data tersebut, dcar estmas urva yag optmal megguaa prosedur u hpotess da prosedur FDR dega α = 0,0. Dega megguaa pedeata u hpotess tuggal dperoleh λ optmal =.575 da dega prosedur FDR λ optmal = 5.04 Vsualsas dar estmas fugs optmalya sebaga berut.
11 Gambar. Kurva Estmas dega Pedeata U Hpotess Tuggal Keteraga : : Sebara data : Estmas dega u hpotess tuggal Gambar 3. Kurva Estmas dega prosedur FDR Keteraga : : Sebara data : Estmas dega prosedur FDR IV. Peutup Estmas fugs regres dega wavelet merupaa estmas fugs dega pedeata o parametr yag tda megasumsa bahwa fugs yag aa destmas harus mulus sepert asums pada metode erel da deret Fourer. Dalam estmas fugs wavelet, tgat emulusa yag doma dtetua oleh parameter threshold. Sema besar la threshold, aa sema mulus hasl estmas fugsya. Parameter threshold optmal yag dperoleh dega prosedur FDR dpegaruh oleh besarya tgat sgfas yag dguaa. Sema ecl tgat sgfas yag dguaa sema besar threshold optmalya sehgga sema mulus fugs estmasya. DAFTAR PUSTAKA. Abramovch, F. ad Beam, Y., Thresholdg of Wavelet Coeffcets as Multple Hypothess Testg Procedure. I Wavelets ad Statstcs. Atoads, A., ad Oppehem, G. (eds.).sprger -Verlag, New Yor, 995, 5-4.
12 . Daubeches, I., Te Lectures o Wavelets, Captal Cty Press, Phladelpa, Dooho, D.L ad ohstoe, I.M., Ideal Spatal Adaptato by Wavelet Shrage, Bometra, 994, 8/3: Hall, P. ad Patl, P., O Wavelet Methods for Estmatg Smooth Fuctos, Beroull 995, (/): Hardle, W., Appled Noparametrc Regresso, Cambrdge Uversty Press, New Yor, Neter,., Wasserma, W. da Kuter, M.H. Appled Lear Statstcal Model, Irw Ic.,Bosto, Ogde, R.T., Essetal Wavelets for Statstcal Applcatos ad Data Aalyss, Brhauser, Bosto, Supart da Subaar, H., Estmas Regres dega Metode Wavelet Shrage, ural Sas & Matemata, 000, 8/3: Vetterl, M. ad Kovacevc,., Wavelets Ad Subbad Codg, Pretce Hall PTR, New ersey, 995.
PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR)
PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR) Supart Taro da Yo Haryoo Staf urusa Matemata FMIPA UNDIP Alum urusa Matemata
Lebih terperinciPEMILIHAN THRESHOLD OPTIMAL PADA ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN METODE CROSS VALIDASI
Pemlha Threshold Optmal (Supart) PEMILIHAN THRESHOLD OPTIMAL PADA ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN METODE CROSS VALIDASI Supart, Taro, Paula Mela Dw Hapsar 3, Staf Pegaar Program Stud Statsta
Lebih terperinciESTIMASI 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 terperinciJurnal 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 terperinciProsiding 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 terperinciESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP
ESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP Hasb Yas Staf Pegaar Program Stud Statsta FMIPA UNDIP Abstract If X s a predctor varable ad Y s
Lebih terperinciESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP
Estmas Regres No Parametr (Hasb Yas) ESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP Hasb Yas Staf Pegaar Program Stud Statsta FMIPA UNDIP Abstract
Lebih terperinciSTATISTIKA: 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 terperinciPERBANDINGAN ESTIMATOR REGRESI NONPARAMETRIK MENGGUNAKAN METODE FOURIER DAN METODE WAVELET
PERBANDINGAN ESTIMATOR REGRESI NONPARAMETRIK MENGGUNAKAN METODE FOURIER DAN METODE WAVELET Supart urusa Matemata FMIPA UNDIP l. Prof. H. Soearto, S.H, Semarag 575,Y Abstract. Let { } (X be epeet observato
Lebih terperinciANALISIS 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 terperinciII. 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 terperinciadalah 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 terperinciBAB 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 terperinciBAB 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 terperinciBAB 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 terperinciESTIMASI 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 terperinciBAB 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 terperinciBAB 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 terperinciKAJIAN 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 terperinciBAB 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 terperinciEstimasi 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 terperinciCreated 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 terperinciH 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 terperinciKajian 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 terperinciPemilihan 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 terperinciBAB 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 terperinciHIMPUNAN 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 terperinciIII. 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 terperinciBAB I PANDAHULUAN. 1.1 Latar Belakang
BB I PNDHULUN Latar Belaag Data merupaa seumlah formas yag dapat membera gambara/eteraga tetag suatu eadaa Iformas yag dperoleh membera eteraga, gambara, atau fata megea suatu persoala dalam betu ategor,
Lebih terperincititik 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 terperinciBAB 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 terperinciBukti 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 terperinciPemodelan 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(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 terperinciPEMODELAN 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 terperinciBAB 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 terperinciMateri Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat
Mater Bahasa Pemrograma Blaga Bulat (Iteger Programmg) Kulah - Pegatar pemrograma blaga bulat Beberapa cotoh model pemrograma blaga bulat Metode pemecaha blaga bulat Metode cuttg-plae Metode brach-ad-boud
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:
ISSN: 339-541 JURNAL GAUSSIAN, Volume 4, Nomor, ahu 015, Halama 05-14 Ole d: http://eoural-s1.udp.ac.d/dex.php/gaussa ANALISIS FAKOR FAKOR YANG MEMPENGARUHI JUMLAH KEJAHAAN PENCURIAN KENDARAAN BERMOOR
Lebih terperinciANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)
ANALSS DSRNAN (asus : Lebh dar elompo) Hazmra Yozza Jur. atemata FPA Uad LOGO POP POP POP 4 : POP Uura sampel : Sampel telah detahu dar elompo maa berasal Terhadap masg-masg obe damat/duur p peubah POP
Lebih terperinciIII. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah
3 III. METODE ENELITIAN 3.1 Watu da Tempat eelta da peracaga tugas ahr dlaua d Laboratorum Terpadu Te Eletro Uverstas Lampug da dusu Margosar, desa esawara Idah abupate esawara pada bula Agustus 1 sampa
Lebih terperinciBAB 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 terperinciSTATISTIKA. 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 terperinciSTATISTIKA 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 terperinciRegresi Linier Sederhana Definisi Pengaruh
Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh
Lebih terperinciTeknik Mengatasi Data Hilang pada Kasus Rancangan Blok Lengkapacak
Jural Sas Matemata da Statsta, Vol. 3, No., Jul 07 ISSN 693-390 prt/issn 407-0939 ole Te Megatas Data Hlag pada Kasus Racaga Blo Legapaca Rado Yedra, Muslm, Jurusa Matemata, Faultas Sas da Teolog, UIN
Lebih terperinciANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS
ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud
Lebih terperinciE ax by c ae X be Y c. 6.1 Pengertian Umum
6.1 Pegerta Umum Baya permasalaha yag dataya dyataa oleh lebh dar sebuah varabel. Hubuga atara dua atau lebh varabel dapat dyataa secara matemata sehgga merupaa suatu model yag dapat dguaa utu berbaga
Lebih terperinciBAB 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 terperinciAnalisa Probabilistik Algoritma Routing pada Jaringan Hypercube
Aalsa Probablst Algortma Routg pada Jarga ypercube Zuherma Rustam Jurusa Matemata Uverstas Idoesa Depo 644. E-mal : rustam@maara.cso.u.ac.d Abstra Algortma routg pada suatu arga teroes suatu measme utu
Lebih terperinciBAB 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 terperinciAnalisis 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 terperinciANALISIS 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 terperinciRangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data
Raguma. Statt meyataa umpula data yag dapat berupa aga yag damaa data uattat maupu o aga yag damaa data ualtat yag duu dalam betu tabel da atau dagram/gra, yag meggambara da mempermudah pemahama aa aga
Lebih terperinciIr. Tito Adi Dewanto
Ir. Tto A Dewato Dega megetahu la rata-rata saja,ormas yag apat aag-aag bsa salah terpretas. Msalya, ar ua elompo ata etahu rata-rataya sama, alau haya ar ormas ta suah meyataa bahwa ua elompo sama, mug
Lebih terperinci8.4 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 terperinciBAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai
BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres
Lebih terperinciLEMMA 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 terperinciBAB 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 terperinciJMP : 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 terperinciPROSEDUR PENGUJIAN HIPOTESIS SEHUBUNGAN DENGAN AKAR-AKAR LATEN DARI MATRIKS KOVARIANS (Dalam Analisis Komponen Utama)
H. Maa Suhera,Drs.,M.S PROSEDUR PEGUJIA HIPOTESIS SEHUBUGA DEGA AKAR-AKAR LATE DARI MATRIKS KOVARIAS (Dala Aalss Kopoe Utaa) Abstra Utu ebuat espula tetag araterst populas ultvarat husuya populas varat
Lebih terperinciANALISIS JUMLAH TENAGA KERJA TERHADAP JUMLAH PASIEN RSUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGRESI GULUD
Jural as, Teolog da Idustr, Vol., No., Desember 04, pp. 48-57 IN 693-390 prt/in 407-0939 ole ANALII JUMLAH TENAGA KERJA TERHADAP JUMLAH PAIEN RUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGREI GULUD
Lebih terperinciPemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi
Pemodela Reso Peyat Peumoa pada Balta d Jawa Tmur Megguaa Regres Logst Ber Stratfas Ita Novaa, Sr Pgt Wuladar da Purhad Jurusa Statsta, Faultas Matemata da Ilmu Pegetahua Alam, Isttut Teolog Sepuluh Nopember
Lebih terperinciMETODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k
Prma: Jural Program Stud Pedda da Peelta Matemata Vol. 6, No., Jauar 07, hal. 7-59 P-ISSN: 0-989 METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l UNTUK BEBERAPA NILAI
Lebih terperinciBAB III METODE PENELITIAN
30 BAB III METODE PENELITIAN A. Tujua Peelta Tujua ag g dcapa dalam peelta adalah utu megetahu apaah hasl belajar perserta dd elas IX MP Nusa Bagsa Mragge Dema pada mater poo volume bagu ruag ss legug
Lebih terperinciMETODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap
III. METODE PENELITIAN A. Populas da Sampel Populas dar peelta adalah seluruh peserta dd elas VII semester geap SMP Neger 3 Terbaggbesar tahu pelaara 0/0 yag terdstrbus e dalam tuuh elas, yatu elas VII
Lebih terperinciPemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline
JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 337-35 (-98X Prt) D-5 Pemodela Fator-Fator yag Mempegaruh Aga Morbdtas d Jawa Tmur Megguaa Regres Noparametr Sple Krsa Wuladar, I Nyoma Budatara, da Madu
Lebih terperinciSTATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis
STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma
Lebih terperinciUKURAN DASAR DATA STATISTIK
UKURAN DASAR DATA STATISTIK UKURAN PUSAT Apa yag dapat ta smpula secara gamblag da cepat dar data yag dsodora berut : Tabel 1 Sampel Data Karyawa peserta Jamsoste Nama Sex Status Kerja Gaj/Bl Umur NATUL
Lebih terperinciISSN: X 45 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA. Maria Suci Apriani a, Sri Haryatmi b
ISSN: 088-687X 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
Lebih terperinciPemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi
JURNAL SAINS DAN SENI POMITS Vol., No., (13) ISSN: 337-35 (31-98X Prt D-5 Pemodela Reso Peyat Peumoa pada Balta d Jawa Tmur Megguaa Regres Logst Ber Stratfas Ita Novaa, Sr Pgt Wuladar da Purhad Jurusa
Lebih terperinciBAB 2. Tinjauan Teoritis
BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut
Lebih terperinciPemilihan Model Regresi Terbaik Menggunakan Akaike s Information Criterion (The Best Regression ModelSelection UsingAkaike s Information Criterion)
Jural EKSPONENSIALVolume Nomor September 00 ISSN 085-789 Pemlha Model Regres Terba Megguaa Aae s Iformato Crtero (The Best Regresso ModelSelecto UsgAae s Iformato Crtero) M. Fathurahma Staf Pegaar Program
Lebih terperinciBAB 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 terperinciPENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP
PENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP Rosa Sey Yudasar Jurusa Matemata, Faultas Matemata da Ilmu Pegetahua Alam,Uverstas Neger Surabaya rosaseywah@yahoo.com Drs. Hery Tr Sutato, M.S
Lebih terperinciEstimator 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 terperinciπ(x) 1 e JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-277
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 22) ISSN: 23-928X D-277 Klasfas Pase Hasl Pap Smear Test sebaga Pedetes Awal Upaya Peagaa D pada Peyat Kaer Servs d RS. X Surabaya dega Metode Baggg Logstc Regresso
Lebih terperinciModel 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 terperinciPENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNYA
PENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNA Srps dsaja sebaga salah satu syarat utu memperoleh gelar Sarjaa Sas Program Stud Matemata Oleh Layyatus
Lebih terperinciBAB III PERSAMAAN PANAS DIMENSI SATU
BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka
Lebih terperinciHUBUNGAN 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 terperinciMINGGU 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 terperinciBAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai
BB III FUZZY C-MENS 3. Fuzzy Klasterg Fuzzy lasterg erupaa salah satu etode aalss laster dega epertbaga tgat eaggotaa yag eaup hpua fuzzy sebaga dasar pebobota bag pegelopoa (Bezde,98). Metode erupaa pegebaga
Lebih terperinciEKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM
Ed-Math; ol Tah EKITENI BAI ORTHONORMAL PADA RUANG HAIL KALI DALAM Mhammad Kh Abstras at rag etor ag dlegap oleh sat operas ag memeh beberapa asoma tertet damaa Rag Hasl Kal Dalam (RHKD) Pada RHKD deal
Lebih terperinciBAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier
BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres
Lebih terperinciPENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA
PEAKI ATAI AIO-CUM-DUAL UTUK ATA-ATA POPULAI PADA AMPLIG GADA Holla Maalu Bustam Haposa rat Mahasswa Program Matemata Dose Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas au Kampus Bawda
Lebih terperinciProsiding Seminar Nasional Matematika dan Pembelajarannya. Jurusan Matematika, FMIPA UM. 13 Agustus 2016
Prosdg Semar Nasoal Matemata da Pembelajaraya. Jurusa Matemata, FMIPA UM. Agustus 06 METODE NUMERIK STEPEST DESCENT DENGAN ARAH PENCARIAN RERATA ARITMATIKA Rumoo Bud Utomo Uverstas Muhammadyah Tagerag
Lebih terperinciPENELUSURAN KARAKTERISTIK PERILAKU KONSUMEN DENGAN METODE AUTOMATIC INTERACTION DETECTION (AID)
PEELUSURA KARAKTERISTIK PERILAKU KOSUME DEGA METODE AUTOMATIC ITERACTIO DETECTIO AID Agus Rusgyoo Staf Pegajar Prod Statsta Jurusa Matemata FMIPA UDIP Abstract AID methods used to see relato betwee respos
Lebih terperinciBAB III UKURAN PEMUSATAN (RATA-RATA)
BAB III UKUAN PEMUSATAN (ATA-ATA Salah sat ra mer yag mejelasa cr-cr data yag petg adalah ra pemsata, yat ra yag meja psat seggs data yag telah drta dar yag terecl sampa yag terbesar ata sebalya Ura pemsata
Lebih terperinciJEMBATAN 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 terperinci9. 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 terperinci9. 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 terperincidan µ : rata-rata hitung populasi x : rata-rata hitung sampel
Uura Statt. Pedahulua Uura Statt:. Uura Pemuata Bagamaa, d maa data berpuat? Rata-Rata Htug Arthmetc Mea Meda Modu Kuartl, Del, Peretl. Uura Peyebara Bagamaa peyebara data? Ragam, Vara Smpaga Bau Uura
Lebih terperinci3 Departemen Statistika FMIPA IPB
Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka
Lebih terperinciKAJIAN 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 terperinciBAB 2 LANDASAN TEORI. Istilah regresi diperkenalkan oleh seorang yang bernama Francis Gulton dalam
BAB LANDASAN TEORI Pegerta Regres da Korelas Pegerta Regres Istlah regres dpereala oleh seorag yag erama Fracs Gulto dalam maalah erjudul regresso towerd medacraty heredtary stature Meurut hasl peelta
Lebih terperinciPERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM
PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka
Lebih terperinciBAB 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 terperinciPEMILIHAN 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 terperinciBAB 2 DASAR TEORI ALIRAN DAYA. Sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen
BAB DAAR TEOR ALRAN DAA. Umum,,3,4 stem teaga lstr Electrc ower stem terdr dar tga ompoe utama, atu sstem pembagta teaga lstr, sstem trasms teaga lstr, da sstem dstrbus teaga lstr. Kompoe dasar ag membetu
Lebih terperinciTEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas
TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar
Lebih terperinci