PEMILIHAN THRESHOLD OPTIMAL PADA ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN METODE CROSS VALIDASI
|
|
- Sucianty Tanuwidjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 FMIPA UNDIP 3 Staf Bro Perasurasa, BAPEPAM-LK, Departeme Keuaga, Jaarta Abstract If x s a predctor varable ad y s a respose varable of the regresso model y = f (x)+ wth f s a regresso fucto whch ot yet bee ow ad s depedet radom varable wth mea 0 ad varace, hece fucto f ca be estmated by parametrc ad oparametrc approach. I ths paper fucto f s estmated wth a oparametrc approach. Noparametrc approach that used s a wavelet shrage or a wavelet threshold method. I the fucto estmato wth a wavelet threshold method, the value of threshold has the most mportat role to determe level of smoothg estmator. The small threshold gve fucto estmato very o smoothly, whle the bg value of threshold gve fucto estmato very smoothly. Therefore the optmal value of threshold should be selected to determe the optmal fucto estmato. Oe of the methods to determe the optmal value of threshold by mmze a cross valdato fucto. The cross valdato method that be used s two-fold cross valdatao. I ths cross valdato, t compute the predcted value by usg a half of data set. The orgal data set s splt to two subsets of equal sze : oe cotag oly the eve dexed data, ad the other, the odd dexed data. The odd data wll be used to predct the eve data, ad vce versa. Based o the result of data aalyss, the optmal threshold wth cross valdato method s ot uq, but they gve the uq of wavelet thersholdg regresso estmato. Keywords : Noparametrc Regresso, Wavelet Threshold Estmator, Cross Valdato.. Pedahulua Model regres stadar dar data observas x, 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 dalah metode wavelet. Dalam metode wavelet dasumsa fugs yag aa destmas dapat dtegrala secara uadrat. Jad 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 [0]. 59
2 Meda Statsta, Vol., No., Desember 009: 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 dguaa 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 smoot). Oleh area tu perlu dplh la threshold yag optmal.. 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 prosedur medapata parameter threshold optmal dega metode cross valdas serta cotoh peerapaya. Metode cross valdas yag dguaa adalah metode cross valdas dua lpata (Twofold Cross Valdato), yatu megeluara setegah dar data utu meghasla la preds, sepert yag telah dembaga oleh Naso [6] da Ogde [7]. 3. Hasl da Pembahasa 3.. Estmator Fugs Regres No Parametr dega Wavelet Thresholdg 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 dx da dx 0. Dega dlatas dad da traslas teger, wavelet ayah da wavelet bu melahra eluarga wavelet yatu (x) (p ), (p x ) da, ( p ) ( p x ) utu suatu salar p > 0, da tapa megurag eumuma dapat dambl p =, sehgga / / ( x ) da ( x ). Fugs (x) da (x), mempuya sfat: dega,,' (x) dx x) (x)dx 0,, (,', 0 ',',' (x) dx a a.,',,' Cotoh wavelet palg sederhaa adalah wavelet Haar yag mempuya rumus,, 60
3 Pemlha Threshold Optmal (Supart),0 x /,/ x da 0, x yag la 0, x,0 x yag la. Beberapa cotoh wavelet sela wavelet Haar dataraya wavelet Daubeches (Daublet), symmetrs (Symmlet), da Cofma (Coflet) [] Aalss Multresolus Aalss multresolus L (R) adalah ruag baga tertutup {V,Z} yag memeuh ) V - V - V 0 V V ) Z V = {0}, Z V = L (R) ) fv f (.) V v) f V0 f (. ) V0, Z v) Terdapat sebuah fugs V0 sehgga 0, (. ), Z membetu bass ortoormal utu V 0 da utu semua, Z, (x) x,. Ja {V, Z} aalss multresolus dar L (R), maa ada bass ortoormal utu L (R): / ( x ),, sehgga utu sembarag f L (R), yag dturua dar ψ(x) ( ) c,(x). Z P f P f f,,,. Z ;,, Z,yatu x Abat Bla adalah fugs sala yag membagu aalss multresolus da ψ(x) ( ) c,(x) maa deomposs e dalam wavelet ortoormal utu Z sembarag fl (R) dapat dlaua mead dega f c d ψ ( ) () o, o,,, x Z o Z o, f, o, d, f,,. c da 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 proyes f pada ruag V J dapat dtuls mead (P J f)(x)= c J, J, atau f J x cj, J, Z Z dega cj, f, J, f J, dx. 0 Berdasara deomposs fugs e dalam wavelet ortoormal (), maa utu sembarag fugs f L ( R) dperoleh f J o, o,,, x o Z c d ψ ( ) (3) J Z 6
4 Meda Statsta, Vol., No., Desember 009: dega c f = f x xdx da f o,, o, 0 o, d = f x x,,, 0, dx. Karea fugs regres f tda detahu maa estmator f pada ruag V J dapat dtuls sebaga f ˆ J x cˆ J, J, dega c ˆJ, y J, (x ) atau dega bas dar c Z J o, o,,, x o Z fˆ cˆ dˆ ψ ( ) (4) J Z da d cˆ o, Y o, ( x ) da d o,, ˆ, yag merupaa estmator ta, Y, ( x ). Estmator wavelet (4) damaa estmator wavelet ler Estmator Wavelet Shrage. Ja dbera data, dega model (), m da y ~ f, x y N. Mea da vara dar d, ˆ adalah E d, d, x ˆ da Var dˆ, maa, sehgga d ˆ ~ N(d,,, σ ). Jad oefse wavelet emprs d ˆ memuat seumlah ose, da haya relatf sedt yag memuat syal sgfa 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 J o, o,,, x o Z fˆ cˆ dˆ ψ ( ) (5) J Z dega meyataa fugs thresholdg atau fugs ambag dega la ambag atau threshold. Estmator (5) 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, vara utu seluruh da σ, maa estmator thresholdg dar ~ d, dˆ, d, adalah σ 6
5 Pemlha Threshold Optmal (Supart) sehgga estmator wavelet thresholdg adalah J dˆ fˆ x cˆ o, o, x o 0 dega, x, (6) ˆ : peduga oefse fugs sala c o, c o, dˆ, : peduga oefse wavelet d, : 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 λ (x) 0, x yagla Soft Thresholdg, x λ, x λ S λ (x) 0, x λ x λ, x λ dega λ merupaa parameter thresholdg. 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 thresholdg 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 J, meda dˆ J, σˆ 0,6745. Pemlha Parameter Thresholdg Pada estmas wavelet thresholdg, tgat emulusa estmator palg doma dtetua parameter threshold 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 estmas 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). 63
6 Meda Statsta, Vol., No., Desember 009: 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 Johstoe [3] (Tabel ). 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 bergatug level resolus. Dega dema ada emuga perbedaa la threshold λ yag dplh utu tap level. 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 λ arg m SURE d,t dega beraggotaa K oefse ddefsa sebaga SURE K K d, t K m d d t, /,, t t0 λ Sedaga la threshold top dtetua berdasara besar prosetase oefse yag aa dguaa dar eseluruha oefse wavelet yag ada []. Tabel. Nla Threshold Mmax berdasara Uura Sampel λ λ ,00,70,474,669, ,074,3,44,594,773,95 3,3 3,30 Pemlha parameter threshold optmal uversal, mmax, adapt, da top merupaa pemlha parameter threshold optmal stadar dalam estmas dega wavelet thresholdg da telah terseda dalam software S+Wavelet. Sela cara tersebut mash ada beberapa metode atau prosedur la utu medapata threshold optmal dalam estmas fugs wavelet thresholdg, dataraya dega prosedur u hpotesa multpel [9], prosedur False Dscovery Rate (FDR) [8] da prosedur cross valdas. 3.. Prosedur Peetua Parameter Threshold Optmal dega Metode Cross Valdas Meetua threshold optmal dega metode cross valdas adalah mecar yag memmala MISE (Mea Itegrated Squared Error) atara estmator wavelet thresholdg fˆ da fugs sebearya f yatu mecar yag memmala M ( ) E fˆ f dx (7) Pada data dsret, persamaa (7) mead M ( ) Efˆ x f x (8) 64
7 Pemlha Threshold Optmal (Supart) Dalam prateya, fugs sebearya f tda detahu (ds yag aa dcar estmatorya) sehgga M harus destmas. Selautya yag dmmala adalah estmas dar MISE. Prosedur era metode Cross Valdas dmula dega megeluara suatu tt data dar suatu hmpua data. Utu setap la parameter threshold, deluara sebuah tt data dar buah tt-tt data da ssaya - tt-tt data dguaa utu medapata estmas dar fugs regres da emuda dlaua preds dar tt data yag deluara tu. Uura ebaa d dalam preds dbera oleh CV y yˆ (9) dega ŷ meyataa preds dar y dega megguaa - tt-tt data dega meggala data e-. Pemlha threshold optmal yag memmala (9) dsebut prosedur cross valdas utu - tt data. Sedaga persamaa (9) dsebut Cross Valdas MSE (Mea Squared Error) yag merupaa estmas dar M pada (8). Memlh optmal yag memmala (9) euvale dega memlh optmal yag memmala ˆ CV y y (0) Persamaa (0) dsebut Cross Valdas Squared Error yag selautya dsebut Cross Valdas saa. Pemlha optmal yag memmala cross valdas membera la preds yag terdeat pada la data observas yag sebearya [4]. Metode cross valdas las meghtug la preds berdasara satu data deluara. Namu pada wavelet, area data dsaraa sebaya dega teger sehgga a satu data deluara, data yag terssa mead. I bua merupaa data pagat dar. Oleh area tu metode cross valdas las tda dapat lagsug dterapa. Naso [6] da Ogde [7] megembaga metode cross valdas dua lpata (Twofold Cross Valdato), yatu meghtug la preds dega megeluara setegah dar data. Prosedur cross valdas dua lpata (Twofold Cross Valdato) secara otomats memlh atau meyeles suatu threshold utu medapata estmator wavelet yag beera pada hmpua data yag bers sebaya M tt-tt data. Prosedur cross valdas dua lpata beera dega megeluara setegah dar M tt-tt data. Jad tggal ssaya M- tt-tt data yag emuda dguaa utu membetu estmator wavelet megguaa suatu threshold tertetu. Utu elasya, berut dbera algortmaya. Dbera data y, y,, y dega = M yag dasumsa mempuya Model (). Kemuda data berdasara desya delompoa mead baga yag beruura sama. Satu elompo bers data yag semuaya berdes geap da yag laya elompo data yag semuaya berdes gal. Data yag berdes geap aa dguaa utu preds data yag berdes gal da sebalya. Kemuda deluara semua data y yag berdes gal dar hmpua data tersebut. Jad tggal ssaya M tt-tt y yag semuaya berdes geap. Hmpua tt-tt data y yag berdes geap, ddes embal berdasar,...,, dyataa dega 65
8 Meda Statsta, Vol., No., Desember 009: E E E y, y,..., y dega M o o o. Selautya y, y,..., y meyataa des ulag utu E E E data yag berdes gal. Berdasara data y, y,..., y tu da megguaa suatu threshold tertetu dostrus estmator wavelet, msal ˆ. Jad ˆ merupaa lala estmas dar fugs regres f d tt e,4,,-,. Sedaga E f E f ˆ merupaa lala estmas dar fugs regres f d tt e,3,,- megguaa threshold. Megguaa data yag deluara tu, maa suatu vers terpolas dar data tersebut dbera oleh o o (fˆ, fˆ,),,,3,..., ~ o f,, utu data berdes gal da o o (fˆ, fˆ,), E E (fˆ, fˆ, ), ~ E f,, utu data berdes geap. E E (fˆ, fˆ,),,3,4,... Sehgga estmas peuh (full estmate) utu M adalah membadga estmator wavelet yag dterpolas da tt-tt data yag deluara tu, yag dbera oleh / ˆ ~ E ~ o M ( ) f, y f, y () Persamaa () merupaa fugs Cross Valdas megguaa / data.. Estmas M ˆ ( ) E bergatug pada dua estmas utu fˆ o da fˆ berdasara pada tt-tt data. Sehgga yag dperoleh dega memmala () merupaa optmal utu / data, dtuls. Pada threshold uversal, besar threshold optmal utu data adalah log. Besara membera suatu metode heurstc utu memperoleh threshold cross valdas yag coco utu tt-tt data. Karea threshold optmal utu data adalah tt data adalah log maa threshold optmal utu log () log 3.3. Cotoh Peerapa Utu meerapa metode wavelet dega metode Cross Valdas, dambl data smulas tubrua sepeda motor pada suatu PMTO (Post Mortem Huma Test Obect/ obye u pemersaa mayat mausa) [5]. Dalam hal varabel-varabelya adalah sebaga berut: Sebaga varabel respo, Y (percepata dalam g) meyataa percepata setelah tubrua yag dsmulasa. o f 66
9 Pemlha Threshold Optmal (Supart) Sebaga varabel predtor, X (watu dalam mlseo) meyataa watu setelah smulas tubrua. Dar data tersebut, dcar estmas regres wavelet thresholdg dega pemlha threshold optmal megguaa metode Cross Valdas. Dega megguaa program S+Wavelets dperoleh la dar fugs Cross Valdas da Threshold ( ) utu setegah data yag dapat dlhat pada Tabel. Berdasara Tabel, tampa bahwa la Cross Valdas yag terecl (optmal) sebesar dcapa pada la threshold bersar atara = 45,6 sampa dega = 46,47 sehgga threshold optmal dapat dplh salah satu dataraya yatu = 46,47. Karea dega pemlha optmal bersar atara 45,6 sampa dega 46,47 meghasla la cross valdas yag sama maa urva estmasya pu aa sama. Tabel. Cross Valdas pada Data Smulas Nla dar Fugs Cross Valdas Nla Threshold ( M ˆ ( ) ) ( ) 9779,78 45,5 45,6 45,7 45,8 45,30 45,35 45,40 45,45 45,50 45,55 45,65 45,75 45,85 45,95 46,05 46,5 46,35 46,45 46,46 46, ,78 46, ,78 46, ,78 46,50 Karea threshold optmal dar setegah data sebesar 46,47 maa dega megguaa Persamaa () dperoleh threshold optmal utu seluruh data sebesar 50,7. Plot data da plot estmas regres wavelet thresholdg pada threshold optmal = 50,7 dapat dlhat pada Gambar. 67
10 Meda Statsta, Vol., No., Desember 009: Keteraga : Gambar. Kurva Estmas Wavelet Thresholdg : plot data : estmas regres wavelet thresholdg 4. Kesmpula Metode cross valdas las dega megeluara satu data utu meghtug la preds tda dapat dterapa pada estmator regres wavelet, area pada regres wavelet data dsaraa sebaya dega teger sehgga a satu data deluara, data yag terssa bua data pagat dar. Oleh area tu metode cross valdas yag dguaa adalah cross valdas dua lpata (Twofold Cross Valdato), yatu meghtug la preds dega megeluara setegah dar data. Dar hasl smulas, threshold optmal yag dperoleh tda tuggal. Mespu threshold optmal yag dperoleh tda tuggal, tetap setelah dmasua pada estmas regres wavelet thresholdg meghasla estmas optmal yag tuggal. DAFTAR PUSTAKA. Bruce, A. ad Hog-Ye, G., Appled Wavelet Aalyss wth S-PLUS, Sprger, New Yor, 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: Hall, P. ad Patl, P., O Wavelet Methods for Estmatg Smooth Fuctos, Beroull 995, Vol., No. : Hardle, W., Appled Noparametrc Regresso, Cambrdge Uversty Press, New Yor, Naso, G.P., Choce of the threshold parameter wavelet fucto estmato. I Wavelets ad Statstcs. Atoads, A. ad Oppehem, G.(eds.), Sprger-Verlag, New Yor, Ogde, R.T., Essetal Wavelets for Statstcal Applcatos ad Data Aalyss, Brhauser, Bosto, Supart, Taro da Haryoo, Y., Pemlha Parameter Threshold Optmal dalam Estmator Regres Wavelet Thresholdg dega Prosedur False Dscovery Rate (FDR), Meda Statsta, 008, Vol., No. :
11 Pemlha Threshold Optmal (Supart) 9. Supart, Satoso, R. da Putra, S.W, Pemlha Threshold Optmal pada Estmator Regres Wavelet thresholdg dega Prosedur U Hpotess Multpel, Jural Sas & Matemata, 007, Vol. 5, No. 4: Supart da Subaar, H., Estmas Regres dega Metode Wavelet Shrage, Jural Sas & Matemata, 000, Vol. 8, No. 3:
12 Meda Statsta, Vol., No., Desember 009:
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciUKURAN GEJALA PUSAT DAN UKURAN LETAK
UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu
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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciDigraf eksentris dari turnamen kuat
Dgraf esetrs dar turame uat Hazrul Iswad Departeme Matemata da IPA MIPA) Uverstas Surabaya UBAYA), Jala Raya Kalrugut, Teggls, Surabaya, e-mal : us679@wolfubayaacd Abstra Esetrstas eu) suatu tt u d dgraf
Lebih 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 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 terperinciPenarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB
Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom
Lebih terperinciS2 MP Oleh ; N. Setyaningsih
S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal
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 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 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 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 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 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 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 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 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih 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 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 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 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 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 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 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 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 terperinci