ESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP
|
|
- Farida Tedjo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 a respose varable of followg model Y = g(x) +e wth fucto g s a regresso whch ot yet bee ow ad e s a depedet radom varable wth mea 0 ad varat. The fucto of g ca be estmated by parametrc ad oparametrc approach. I ths paper, g s estmated by oparametrc approach that s amed wavelet shrage eural etwor method. At ths method, the smoothly fucto estmato s depedg o shrage parameter s that are threshold value ad level of wavelet that be used. It also depedg o the umber of euro the hdde layer ad the umber of epoch that be used feed forward eural etwor. Therefore, t s requred to be select the optmal value of threshold, level of wavelet, the umber of euro ad the umber of epoch to determe optmal fucto estmato. Keywords: Noparametrc Regresso, Wavelet Shrage Neural Networ. Pedahulua Detahu Y) X varabel predtor, Y varabel respo dalam aalss regres da Y g () (X, adalah data observas depede dega model X dega =,,,, semetara g adalah fugs regres yag tda detahu, da adalah varabel radom depede dega mea 0 da vara. Berdasara varabel predtorya, maa model racagaya dbedaa dalam dua asus. Ja varabel predtorya merupaa varabel radom maa racagaya damaa model racaga stoast (model radom) tetap a varabel predtorya merupaa varabel tetap maa model racagaya damaa model o stoast (model tetap) [,]. Sedaga berdasara betu fugsya maa ada dua pedeata yag dapat dlaua dalam megestmas fugs regres g, ya pedeata parametr da pedeata o parametr. Pedeata parametr dlaua a asums betu g detahu, sedaga pedeata o parametr meghubuga varabel predtor X terhadap varabel respo Y tapa detahu model dar fugs g. Dalam hal, dasumsa bahwa fugs g termuat dalam elas fugs mulus; artya mempuya turua yag otyu atau dapat dtegrala secara uadrat. Utu pedeata o parametr, te yag sudah populer dterapa adalah te pemulus deret orthogoal sepert deret Fourer. Dar estmator deret Fourer emuda dembaga mead estmator wavelet dega meggat bass-bass fugs osta, sus da cosus pada estmator deret Fourer dega bass-bass fugs wavelet [3,8]. Beberapa fugs wavelet yag dguaa sebaga bass dalam estmator wavelet atara la wavelet Haar, Daublet, Symmlet, da Coflet [5,].Estmator wavelet dbedaa mead yatu estmator wavelet ler da estmator wavelet shrage [5]. Kemuda dembaga metode baru yag merupaa gabuga dar deomposs Wavelet sebaga metode estras utu medapata formas awal berata dega put model da Neural Networ yag dguaa sebaga proses pelatha data utu
2 Meda Statsta, Vol., No., Ju 009: -0 medapata output model. Metode deal dega WNN (Wavelet Neural Networ). Tulsa membahas peetua estmator regres o parametr dega metode wavelet shrage eural etwor (WSNN) pada model racaga tetap dserta dega cotoh smulasya. Peelta bertuua utu membagu sebuah model baru yag lebh ba yag merupaa ombas dar model feed forward eural etwor da model wavelet shrage.. Baha da Metode Peelta merupaa aa lteratur dar beberapa model yag telah ada yag emuda dembaga dega smulas megguaa software Matlab 7... 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 dx da dx 0. Dega 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) dx,', ' dx 0, da a ',' (x) dx ',' dega, 0 a. Cotoh wavelet palg sederhaa adalah wavelet Haar yag mempuya rumus,0 x /,0 x,/ x da () 0, x yag la 0, x yag la. Beberapa cotoh wavelet sela wavelet haar dataraya adalah wavelet Daubeches (Daublet), symmetrs (Symmlet), da Cofma (Coflet) [5]. Vsualsas beberapa wavelet dapat dtuua pada Gambar berut:
3 Estmas Regres No Parametr (Hasb Yas) Gambar. Vsualsas beberapa Wavelet Ja gl (R) maa g dapat dyataa dalam deret wavelet ortoormal g( x) c d ψ ( ) (3) o, o, x Z o Z o, g, o, g( x) o, dega c dx da d, g, g( x) dx. Dega megambl J cuup besar maa deret wavelet (3) dapat ddeat oleh dmaa g J c o, o, d ψ J x Z Z o Z g J cj, J, (4) g merupaa pedeata g pada level e J. J. Estmator Wavelet Ler Ja terdapat seumpula data depede (X, Y) yag mempuya model () da = m dega m blaga bulat postp. Ja X racaga tt reguler pada terval [0,] dega X = /, maa estmator g pada level J adalah gˆ J o, o, x o Z cˆ dˆ ψ ( ) (5) J Z dega cˆ o, Y o, ( X ), d ˆ Y X,, ( ), da cˆ J, Y J, ( X ) yag merupaa estmator ta bas dar c o,, d.da c [3] J,. Estmator wavelet (5) damaa estmator wavelet ler..3 Estmator Wavelet Shrage. Ja dbera data X, Y dega model (), N g,. Selautya, d, d ˆ ~ 0, m da X, maa Y ~ N atau d ˆ d z dega d adalah dugaa oefse g yag yata da z adalah hmpua yag tda teramat berdstrbus N 0,. Jad, oefse wavelet emprs d ˆ memuat seumlah, 3
4 Meda Statsta, Vol., No., Ju 009: -0 ose da haya relatf sedt yag memuat syal sgfa. Karea tu, dapat dreostrus wavelet dega megguaa seumlah oefse terbesar. Dega de dema, berembag suatu 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 [7,8,9]. Nla tertetu tersebut damaa la threshold da estmator waveletya damaa estmator wavelet thresholdg. Msal terseda la threshold λ, maa estmator thresholdg dar fugs regres g dapat dtulsa sebaga gˆ x cˆ x dˆ x J o, o, (6) o o Thresholdg merupaa operator o ler pada vetor oefse wavelet d yag destmas dega dˆ. Dega dema, estmator thresholdg tersebut damaa uga estmator wavelet o ler (shrage). Karea thresholdg dracag utu membedaa atara oefse wavelet emprs maa yag masu da maa 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, vara utu seluruh da σ, maa estmator thresholdg dar d, adalah ~ dˆ d sehgga estmator wavelet shrage adalah J dˆ gˆ x cˆ o, o, x x (7) o 0 dega c ˆ o, : peduga oefse fugs sala c o, dˆ : peduga oefse wavelet d : parameter la threshold : fugs threshold Metode wavelet shrage mampu megestmas fugs ba mulus maupu tda area wavelet shrage mempuya paag support yag adaptf secara loal. Artya pada tt dsotyu da baga fugs ta mulus, metode wavelet shrage aa megguaa support yag lebh sempt. Sedaga utu baga fugs mulus estmas wavelet shrage aa megguaa support yag lebh lebar dar data..4 Lagah-lagah Thresholdg Lagah-lagah thresholdg terdr dar :. Pemlha Fugs Thresholdg Ada dua es fugs thresholdg λ, yatu Hard Thresholdg, x λ, x λ H x, x λ (x) da Soft Thresholdg, λ 0, x yagla dega λ merupaa parameter thresholdg. λ S (x) 0, x λ x λ, x λ 4
5 Estmas Regres No Parametr (Hasb Yas) 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. Juga 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 [0] membera estmas σ berdasara oefse wavelet emprs pada level resolus tertgg dega fugs Meda Devas Absolut (MAD), yatu: meda dˆ J, meda dˆ J, σˆ. (8) 0, Pemlha Parameter Thresholdg Pada estmas wavelet thresholdg, tgat emulusa estmator dtetua oleh level resolus J, fugs thresholdg da parameter threshold λ. Namu pemlha J 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 [0] membera pemlha threshold yag haya bergatug pada bayaya data pegamata yatu threshold uversal ( λ log ) da threshold mmax yag telah dtabela oleh Dooho da Johstoe [6]. 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 /, Sedaga la threshold top dtetua berdasara besar prosetase oefse yag aa dguaa dar eseluruha oefse wavelet yag ada [3]..5 Model Neural Networ Model Neural Networ yag damat secara husus dalam tulsa adalah model Feed Forward Neural Networ (FFNN). Arstetur arga FFNN utu estmas fugs regres oparametr dega ofguras ut put X sampa X p da satu ut osta, t. 5
6 Meda Statsta, Vol., No., Ju 009: -0 (bas), sebuah hdde layer yag terdr dar euro da ut output dlustrasa pada Gambar. Ut-ut put Ut-ut hdde X t- Ut-ut output X t- X t X t-p Gambar. Arstetur FFNN utu peramala data tme seres dega satu hdde layer yag terdr euro da varabel put la pada lag X t-, X t-,, X t-p Model FFNN dega satu hdde layer dega put betu wo wc wxt X t, X, t, Xt p dtuls dalam X ˆ w (9) t 0 co dmaa {w c } adalah bobot atara ut osta da euro da w co adalah bobot atara ut osta da output. {w } da {w o } masg-masg meyataa bobot oes put dega euro da atara euro dega output. Kedua fugs da o masgmasg fugs atvas yag dguaa pada euro da output. Notas yag dguaa utu model eural etwor adalah NN(,,, ) utu meyataa NN dega varabel put pada lag,, da euro dalam satu hdde layer. Algortma pembelaara yag aa dguaa utu arga feed forward eural etwor adalah pembelaara bacpropagato yag melput tga tahap yatu umpa mau (feedforward) dar pola put, peghtuga da propagas bal dar error da peyesuaa bobot-bobot. Pada tahap umpa mau setap ut put (sesor) meerma sebuah syal put (x ) da meyebara syal tersebut pada setap ut-ut tersembuy z,, z p. Setap ut tersembuy emuda meghtug atvasya da meghtug umlah terbobot dar put-putya dalam betu z _ w x wb (0) dmaa x adalah atvas dar ut put e- yag megrma syalya e ut hdde e da w adalah bobot dar syal yag terrm tersebut da =,,, q adalah umlah ut hdde. Sedaga w b adalah bobot dar bas e ut hdde e-. Hasl peumlaha tersebut dtrasformas dega fugs atvas olear f() utu membera atvas z dar ut dalam betu 6
7 Estmas Regres No Parametr (Hasb Yas) z f z _ () Setelah semua ut tersembuy meghtug atvasya emuda megrma syalya (z ) pada ut output. Kemuda ut output meghtug atvasya utu membera respo dar arga atas pola put yag dmasua dalam betu g ( w, z) w oz wbo () Fugs pada () merupaa la output dar arga yatu y w f(a ) w (3) o bo dmaa w bo adalah bobot dar bas e ut output. Selama pelatha ut output membadga atvas terhtug y dega la targetya t utu meetua error pada pola dega ut tersebut []. 3. Hasl da Pembahasa 3. Model Wavelet Neural Networ utu Estmas Regres No Parametr Wavelet terad d dalam eluarga fugs-fugs da masg-masg ddefsa melalu dlatas yag megotrol parameter sala da traslas yag megotrol poss dar suatu fugs tuggal, yag damaa wavelet bu ψ (x). Dega fugs pemetaa dalam doma freues da watu, Wavelet Neural Networ (WNN) dharapa dapat mereflesa fugs mead lebh aurat darpada Neural Networ. Msala dbera suatu hmpua trag dega eleme, respo dar WNN dtulsa sebaga : N P x t y( wˆ) w (4) a Dmaa N p adalah umlah ut wavelet dalam hdde layer da w adalah bobot sapss dar WNN. Suatu WNN dapat dpadag sebaga pedeata fugs (). Ada beberapa pedeata utu ostrus WNN, dataraya dusula oleh Zhag [4], yag megostrus WNN dalam dua tahap: Pertama, ostrus wavelet W dar dlatas da traslas fugs wavelet bu ψ secara dsrt :,..., L (5) W = : x a x t, a a x t Dmaa x adalah put sampel ad L adalah umlah wavelet dalam W. Kemuda seumlah M wavelet dseles berdasara data trag utu membagu regres : f x u x (6) M I dmaa I adalah subset M-eleme dar hmpua des {,,, L} da M L. Yag edua, utu memmuma fugs berut : JI y u x m u, I I (7) 7
8 Meda Statsta, Vol., No., Ju 009: -0 Zhag [4] meurua dua algortma yatu seles stepwse melalu orthogoalsas wavelet dalam ut hdde da elmas bacward utu pemlha umlah ut hdde. Jumlah wavelet yag dguaa yatu M, dplh sedema sehgga dapat memmuma la Aae s fal predcto error (FPE) : ˆ / ˆ pa J FPE f f y (8) / pa Dmaa pa adalah umlah parameter dalam estmator. Setelah ostrus awal dar WNN dbagu, emuda dtrag dega algortma gradet descet sepert least mea squares (LMS) utu memmuma mea-squared error: J w y yw ˆ (9) yag merupaa output real dar WNN yag telah dtrag pada vetor bobot ahr w [4]. Secara gars besar prsp era WSNN dapat dgambara dalam dagram berut: Iput Data Deose Dega Wavelet Shrage Data tapa ose Pelatha FFNN Smulas FFNN Estmas Fugs Regres Pemlha Parametrer Shrage:. Jes Wavelet. Level Wavelet 3. Fugs shrage 4. Jes threshold 5. Estmas Sala Nose Pemlha Parameter FFNN:. Jumlah euro pada setap hdde layer. Fugs atfas 3. Fugs pelatha arga 4. Fugs pelatha utu bobot 5. Fugs era Gambar 3. Dagram Alur Estmas Regres dega Metode WSNN 3. Cotoh Smulas Data yag dguaa dbagta dar sebuah fugs g 0.5X s( X) cos ( X), (=,,,8) dega X berada pada terval [- 0,0] da ε berdstrbus N(0,0.4). Dar data tersebut, dlaua deosg (peghlaga ose) dega megguaa wavelet Symmlet8, fugs shrage Soft da threshold Adapt. Kemuda setelah dperoleh data baru dlaua estmas regres dega FFNN megguaa Fugs atfas logsg'da'purel',fugs pelatha arga 'tralm' da fugs era mse. Dega megguaa level da umlah euro 0 dperoleh mse = da dega megguaa level 5 da umlah euro 5 dperoleh mse = Vsualsas dar estmas fugs regres yag dperoleh sebaga berut. 8
9 Estmas atau Asl Estmas atau Asl Estmas Regres No Parametr (Hasb Yas) Estmas WSNN da fugs Asl Fugs Asl Estmas WSNN Sebara Data put Gambar 4. Kurva Estmas WSNN dega level deomposs da umlah euro Estmas WSNN da fugs Asl Fugs Asl Estmas WNN Sebara Data Peutup put Gambar 5. Kurva Estmas WSNN dega level deomposs 5 da umlah euro 5 Estmas fugs regres dega wavelet shrage eural etwor merupaa estmas fugs dega pedeata o parametr yag tda megasumsa bahwa fugs yag aa destmas harus mulus. Dalam estmas fugs wavelet shrage eural etwor, tgat emulusa fugs dtetua oleh parameter shrage yag dguaa pada proses deosg. Sema besar la threshold da level wavelet, aa sema mulus hasl estmas fugsya. Sela tu bayaya euro pada ut hdde layer da umlah epoch yag optmal aa mempegaruh hasl estmas regres. 9
10 Meda Statsta, Vol., No., Ju 009: -0 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: Atoads, A., Gregore, G., ad Mceague, W., Wavelet Methods for Curve Estmato, JASA, 994, Vol. 89, No. 48: Bruce, A. ad Gao, H.Y., Appled Wavelet Aalyss wth S-PLUS, Sprger-Verlag, New Yor, Che, S.C. ad L, S.T., Fucto Approxmato usg Robust Wavelet Neural Networ. NSC89-3-E , Tawa, ROC. 5. Daubeches, I., Te Lectures o Wavelets, Captal Cty Press, Phladelpa, Dooho, D.L. ad Johstoe, I.M., Ideal Spatal Adaptato by Wavelet Shrage, Bometra, 994, Vol. 8, No. 3: Dooho, D.L. ad Johstoe, I.M., Wavelet Shrage: Asymptopa?, J.R.Statst.Soc.B, 995, Vol. 57, No.: Hall, P. ad Patl, P., O Wavelet Methods for Estmatg Smooth Fuctos, Beroull, 995, Vol., No. : Hall, P. ad Patl, P., O the Choce of Smoothg Parameter, Threshold ad Trucato Noparametrc Regresso by No-ler Wavelet Methods, J.R.Statst.Soc.B, 996, Vol. 58, No.: Ogde, R.T., Essetal Wavelets for Statstcal Applcatos ad Data Aalyss, Brhauser, Bosto, Vetterl, M. ad Kovacevc, J., Wavelets Ad Subbad Codg, Pretce Hall PTR, New Jersey, Warsto, B. da Sumyat, S., Preds Curah Hua ota Semarag dega Feedforward Neural Networ Megguaa Algortma Quas Newto BFGS da Leveberg-Marquardt, Jural PRESIPITASI UNDIP Semarag, Eds September 007, Vol. 3, No. 3. Yas, H., Estmas Regres No Parametr dega Metode Wavelet Shrage pada Model Racaga Tetap, Srps Jurusa Matemata FMIPA Udp, Semarag, Zhag, Q., Usg Wavelet Networ Noparametrc Estmato, IEEE Tras. Neural Networ, 997, Vol. 8:
ESTIMASI 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 terperinciPEMILIHAN 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 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 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 terperinciPEMILIHAN 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciPelabelan 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 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 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 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 terperinciMENINGKATKAN KEMAMPUAN PENGENALAN POLA SINYAL DENGAN OPTIMALKAN RULES PADA FUZZY NEURAL NETWORK
Semar Nasoal Iformata 2013 (semasif 2013) ISSN: 1979-2328 UPN Vetera Yogyaarta, 18 Me 2013 MENINGKATKAN KEMAMPUAN PENGENALAN POLA SINYAL DENGAN OPTIMALKAN RULES PADA FUZZY NEURAL NETWORK Muhtar Haaf Program
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 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 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 terperinciBab II Teori Pendukung
Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak
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 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 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 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 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 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 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 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 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 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 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 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. 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 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 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 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 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 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 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 terperinciBAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten
BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar
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 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 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 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,
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 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 terperinciRegresi Kontinum dengan Prapemrosesan Transformasi Wavelet Diskret (Continum Regression with Discrete Wavelet Transformation Preprocessing)
Jural ILMU DASAR Vol 8 No Jul 7 : 3-9 3 Regres Kotum dega Prapemrosesa rasformas Wavelet Dsret (Cotum Regresso th Dscrete Wavelet rasformato Preprocessg) Setaa ) da Kharl Aar Notodputro ) ) Staf Pegaar
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 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 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 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 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 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 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 terperinciOPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK
Jural Ilmah Mrote Vol., No. 4 OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK Joha Vara Alfa ), Rully Soelama ), Chaste Fatchah ) ), ), ) Te Iformata, Faultas
Lebih terperinciPEMILIHAN ARSITEKTUR OPTIMAL MODEL NN DENGAN METODE KONTRIBUSI INCREMENT
Trastut Wuryadar Da Bud Warsto (Pemlha Arstektur Optmal Model N Dega Metode Kotrbus...) PEMILIHAN ARSITEKTUR OPTIMAL MODEL NN DENGAN METODE KONTRIBUSI INCREMENT Trastut Wuryadar da Bud Warsto Jurusa Matematka
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 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 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 terperinciFunctionally 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