MODEL SPASIAL SURVIVAL WEIBULL 3P DENGAN PENDEKATAN BAYESSIAN DAN APLIKASINYA PADA WINBUGS
|
|
- Harjanti Sugiarto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Model Sasial Survival Weibull 3 dengan Pendekatan Bayessian dan Alikasinya ada Winbugs MODEL SPASIAL SURVIVAL WEIBULL 3P DENGAN PENDEKATAN BAYESSIAN DAN APLIKASINYA PADA WINBUGS Diaz Fitra Aksioma Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Pesantren Tinggi Darul Ulum (Unidu) Jombang Komleks Pones Darul Ulum Rejoso Peterongan Jombang Jatim 648 dheaze_shaya@yahoo.co.id Abstrak Model survival meruakan suatu endekatan statistika yang seringkali dialikasikan dalam berbagai bidang, misalnya bidang kesehatan, biologi dan bahkan dalam bidang olitik. Model tersebut tidak hanya digunakan untuk menentukan faktor-faktor aa saja yang dominan memengaruhi terjadinya suatu eristiwa/event akan tetai juga mamu mengidentifikasi factor resiko berdasarkan erubahannya terhada waktu. Seringkali, terjadinya suatu event juga diengaruhi oleh lokasi dimana event tersebut terjadi. Prior CAR selanjutnya digunakan untuk memunculkan autokorelasi sasial ada efek random/frailty ada model survival tersebut. Distribusi eksonensial dan weibull-2 seringkali muncul sebagai distribusi dari waktu survival ada beberaa enelitian. Penelitian ini membahas tentang bagaimana distribusi weibull-3 digunakan sebagai distribusi dari waktu survival dalam model sasial survival beserta code rogramnya dalam oensource WinBUGS. Kata kunci: model survival, event, rior CAR, frailty, weibull-3, sasial survival dan WinBUGS. Abstract Survival model is a statistical aroach that is often alied in many fields, such as health, biology and even in olitics. The model is not only used to determine what factors influence the redominant occurrence of an event but will also be able to identify the risk factors based on changes through time. Often, the occurrence of an event is also influenced by the location where the event occurred. Prior CAR then used to bring the effects of satial autocorrelation in random / frailty in the survival models. Exonential distribution and Weibull-2 often occur as the distribution of survival time in some studies. This study discusses how Weibull-3 distribution is used as the distribution of the survival time and their survival in the satial model code oensource rogram in WinBUGS. Keywords: models of survival, event, rior CAR, frailty, Weibull-3, satial survival and WinBUGS. Pendahuluan Model survival meruakan suatu model matematis yang seringkali dialikasikan dalam berbagai enelitian, terutama enelitian dibidang biologi, Gamatika Vol. II No.2 Mei
2 Model Sasial Survival Weibull 3 dengan Pendekatan Bayessian dan Alikasinya ada Winbugs kesehatan dan bahkan daat ula dialikasikan ada bidang olitik. Model tersebut digunakan untuk menentukan nilai hazard atau resiko dari suatu kejadian, misalnya kemamuan bertahan seseorang terhada suatu enyakit serta laju kesembuhan terhada enyakit tersebut. Selain itu, model survival juga daat digunakan untuk menentukan faktor-faktor yang memengaruhi hazard atau resiko seseorang terhada suatu enyakit tertentu. Dalam bidang olitik misalnya, hazard atau resiko tersebut daat dikaitkan dengan waktu sejak seorang olitikus duduk di kursi arlemen hingga mencaai kursi iminan tertinggi suatu negara atau sejak seseorang memulai karir olitik hingga mencaai kursi arlemen serta faktor-faktor yang memengaruhinya. Model survival menurut Dohoo (2008) tidak hanya digunakan untuk melihat aakah suatu kejadian tertentu terjadi atau tidak sebagaimana yang berlaku ada model regresi logistik, akan tetai juga daat digunakan untuk mengidentifikasi faktor resiko kejadian tersebut serta menangani situasi ketika faktor resiko berubah terhada waktu. Berdasarkan keterangan tersebut maka ketika seorang eneliti memiliki tujuan untuk menentukan faktor-faktor yang memengaruhi terjadinya suatu hal/eristiwa berdasarkan faktor resiko kejadian tersebut terhada waktu maka model survival meruakan suatu alat yang akan lebih memadai. Pada kenyataannya,suatu kejadian seringkali berhubungan dengan daerah (lokasi) dimana kejadian tersebut berlangsung. Artinya, suatu kejadian mungkin saja terjadi akibat engaruh dari lokasi/daerah temat kejadian tersebut terjadi. Pengaruh faktor lokasi/daerah tersebut seringkali disebut sebagai faktor sasial. Faktor sasial tersebut secara umum daat dibedakan menjadi dua yaitu faktor sasial melalui endekatan geostatistik dan endekatan lattice (Banerjee, dkk., 2003). Pendekatan geostatistik yaitu ketika faktor sasial didekati melalui lokasi geografisnya, yaitu melalui garis lintang dan bujur (latitude dan longitude) sedangkan endekatan lattice yaitu ketika engaruh sasial dari suatu kejadian didekati melalui letak/osisi daerah temat kejadian tersebut relatif terhada daerah yang lain dalam hal ini juga disebut sebagai neighboring. Terdaat beberaa metode yang bisa digunakan untuk memberikan engaruh sasial tersebut dalam model survival, antara lain melalui endekatan bayesian. Menurut Banerjee, dkk (2003) endekatan bayesian digunakan untuk memunculkan deendensi sasial ada efek random/error dari daerah-daerah yang saling berdekatan. Deendensi sasial ini kemudian dinyatakan melalui rior conditionally autoregressive (CAR) yang sebelumnya dikembangkan oleh Besag, York dan Mollie. Melalui rior CAR ini, autokorelasi yang semula tidak boleh ada ada efek random model survival menjadi suatu hal yang dierbolehkan. Autokorealasi sasial tersebut selanjutnya menyatakan adanya hubungan antara daerah-daerah yang saling berdekatan yang dinyatakan melalui sebuah matriks adjacent (matriks ketetanggan). Banerjee, dkk (2003) menyatakan bahwa efek random sasial ertama kali ditambahkan ada model survival oleh Berry dan Star ada tahun 990 dan 99 yang menyatakan embobot kebergantungan/engaruh sasial dalam jumlah atauun roorsi dari daerah yang saling berdekatan. Pada tahun 2003, Banerjee dkk mengembangkan model survival hierarki yang menyertakan efek random (frailty) ada studi kasus kematian bayi lahir di minnesota, Amerika Serikat. Pada erkembangan selanjutnya, endekatan bayesian kemudian digunakan ada model survival dengan frailty hirarkhi menggunakan metode Markov Chain Monte Carlo Gamatika Vol. II No.2 Mei
3 Model Sasial Survival Weibull 3 dengan Pendekatan Bayessian dan Alikasinya ada Winbugs (MCMC) dengan algoritma Metroolis-Hasting (Carlin dan Louis, 2000). Darmofal (2008) mengalikasikan model sasial survival dengan frailty tersebut dalam ilmu olitik, yaitu memodelkan waktu hingga dikeluarkannya engumuman tentang susunan keanggotaan arlemen dalam emerintahan Amerika Serikat oleh NAFTA. Keseluruhan enelitian tersebut menggunakan distribusi weibull-2 ada distribusi waktu survivalnya. Akan tetai, tidak menutu kemungkinan jika ada suatu saat terdaat kejadian ketika distribusi waktu survival suatu kejadian adalah weibull-3 sehingga ada akhirnya memunculkan keingintahuan eneliti untuk menentukan model survival dengan frailty sasial menggunakan dsitribusi weibull-3 sebagai distribusi waktu survivalnya untuk selanjutnya menentukan rogramnya dalam oensource winbugs. 2. Model Survival Model survival meruakan suatu rosedur statistik yang digunakan untuk menganalisis data waktu survival yaitu data waktu hingga suatu kejadian/event tertentu terjadi dan seringkali disebut sebagai failure event (Kleinbaum, 2005). Tiga hal yang harus dierhatikan dalam menentukan waktu survival t, yaitu: ) time origin/starting oint atau titik awal, 2) failure time yaitu waktu berakhirnya failure event dan 3) measurement scale of time atau skala engukuran waktu. Dalam model survival dikenal data tersensor, yaitu ketika engamatan terhada waktu survival hanya sebagian atau engamatan tidak samai ada failure event. Tiga hal yang menyebabkan data tersensor, yaitu: ) lost of follow u yaitu jika obyek meninggal/indah, 2) dro out yaitu jika treatment harus dihentikan karena alasan tertentu dan 3) termination of study yaitu jika masa enelitian berakhir sebelum mencaai failure event. Model survival digunakan untuk menjelaskan bagaimana hazard (resiko) terjadinya suatu event/eristiwa tertentu ada suatu waktu tertentu diengaruhi oleh beberaa faktor (Darmofal, 2008). Pada kejadian tunggal, hazard rate dinyatakan sebagai resiko sesaat suatu obyek ada suatu waktu tertentu yang mamu bertahan, yaitu tidak mengalami failure event hingga waktu berakhir. Dalam model survival, yang enting untuk diingat adalah bagaimana baseline hazard di ukur. Baseline hazard dinyatakan sebagai resiko terjadinya suatu event tana memertimbangkan adanya efek faktor-faktor yang lain. Fungsi survival meruakan eluang seorang individu untuk bertahan lebih lama dari suatu waktu t sedangkan fungsi hazardnya meruakan reaksi sesaat ketika terjadi event ada waktu ke-t. Kleinbaum (2005) juga menyatakan bahwa fungsi hazard menaksir eluang obyek mengalami event ada waktu ke-t. Nilai rediktor (faktor-faktor yang berengaruh) ada model hazard roorsional dinyatakan oleh vektor x, dimana x x,x2,,x, fungsi baseline hazard dinyatakan sebagai h 0 ( t ) yang meruakan hazard tia individu ketika vektor x bernilai 0 sehingga model hazard roorsional diberikan dalam ersamaan () berikut ini. t h t ex β T x () h 0 3. Model Sasial Survival Time-to-event data atau data waktu hingga terjadinya suatu event menurut Banerjee, dkk (2003) seringkali dikelomokkan dalam strata /kelomok- Gamatika Vol. II No.2 Mei
4 Model Sasial Survival Weibull 3 dengan Pendekatan Bayessian dan Alikasinya ada Winbugs kelomok seerti wilayah geografis atau daerah bencana. Pada keadaan tersebut, endekatan hierarki melalui stratum-secific frailties seringkali cocok. Hal tersebut ertama kali dierkenalkan oleh Vauel dkk (979) dalam Banerjee dkk (2003) dimana terdaat mixed model dengan frailty mewakili status tia kelomok. Dalam model arametrik weibull-2, hazard rate diberikan melalui ersamaan (2) berikut, T h t ; x t ex β x (2) sedangkan ada model yang menyertakan frailty, ersamaan (2) dierluas menjadi ersamaan (3), T h t ; x t ex β x W (3) dimana j ( j, 2,,n ) meruakan waktu hingga event terjadi, i ( i, 2,, I ) i meruakan banyaknya strata/kelomok, t meruakan waktu kejadian/event, x menyatakan vektor kovariat, meruakan arameter bentuk baseline hazard dan β memiliki interse (Wall, 2004). Parameter menyatakan bentuk hazard rate dalam model weibull. Hazard rate monoton naik dinyatakan dan sebaliknya menyatakan hazard rate monoton turun, sedangkan menyatakan hazard konstan/datar (Box dan Jones, 2004 dalam Darmofal, 2008). Pada endekatan sasial survival, model dibentuk melalui data survival yang tersusun berdasarkan daerah yang saling berdekatan yang berarti bahwa frailties Wi dari daerah yang saling berdekatan menggambarkan kemungkinan bahwa daerah-daerah tersebut memiliki karakteristik yang miri (Banerjee, dkk., 2003 dan Darmofal, 2008). 4. Analisis Bayesian Pendekatan/estimasi yang digunakan dalam statistika klasik menggunakan inferensia hanya berdasar ada data samel dari oulasi sedangkan estimasi ada endekatan bayesian selain memanfaatkan informasi dari data samel juga memerhitungkan enggunaan suatu distribusi awal yang disebut sebagai distribusi rior (Ntzoufras, 2009). Selain itu, arameter ada endekatan statistika klasik bernilai teta (fixed) sedangkan ada endekatan bayesian meruakan variabel random yang memiliki distribusi dan disebut sebagai distribusi rior. Estimator ada endekatan bayesian adalah mean atau modus dari distribusi osteriornya. Distribusi osterior data diberikan melalui ersamaan (4) berikut ini (Congdon, 2003), l x x (4) x dimana xmeruakan dsitribusi osterior data, meruakan dsitribusi rior arameter data dan lx meruakan likelihood data samel sedangkan x adalah konstanta ternormalisasi (normalized constant). Secara umum osterior dinyatakan dalam ersamaan (5) berikut, x l x (5) i Gamatika Vol. II No.2 Mei
5 Model Sasial Survival Weibull 3 dengan Pendekatan Bayessian dan Alikasinya ada Winbugs 5. Markov Chain Monte Carlo (MCMC) Markov chain monte carlo (MCMC) menurut Ntzoufras (2009) meruakan suatu endekatan numerik untuk mengatasi kesulitan enentuan marginal osterior arameter, dimana dierlukan suatu roses integrasi yang sangat rumit dan cuku lama. MCMC ertama kali dierkenalkan dalam ilmu fisika oleh Metroolis dan ublikasi yang mencaku generalisasi dari algoritma Metroolis oleh Hastings ada tahun 970 dan selanjutnya diberikan enambahan gibbs samling oleh Geman ada 984. MCMC digunakan kembali oleh statistisi seerti Tanner dan Wong ada tahun 987 serta Gelfand dan Smith ada tahun 990 yang kemudian menjadi alat komutasi utama ada inferensi statistika modern. Ntzoufras (2009) menyatakan bahwa teknik MCMC dilakukan berdasarkan ada enyusunan Markov Chain yang konvergen secara ceat (stasioner/ equilibrium) ada distribusi target/distribusi osterior x yang meruakan embeda utama MCMC dari metode simulasi lainnya. MCMC membangkitkan data samel arameter yang memiliki distribusi tertentu melalui gibbs samling. Langkah terakhir yaitu iterasi (iterative methods) dimana nilai setia langkah bergantung ada satu langkah sebelumnya. 6. Pembobot Sasial Ketika berbicara tentang matriks ketetanggaan (adjacent), embobot sasial dari daerah-daerah yang saling bersinggungan dinyatakan melalui indeks diskret (Banerjee, dkk., 2003). Terdaat beberaa metode yang mendefinisikan hubungan kebersinggungan (contiguity) antar daerah (Aksioma dan Iriawan, 200) antara lain: ) linear contiguity meruakan ersinggungan tei kiri dan kanan, yaitu w = jika daerah j berada di tei kiri mauun kanan daerah i dan w =0 untuk yang lainnya, 2) rook contiguity yaitu kebersinggungan sisi dimana w = jika daerah i dan j saling bersisian dan w =0 untuk yang lainnya, 3) bisho contiguity yaitu kebersinggungan sudut dimana w = jika sudut dari daerah i dan j saling bertemu dan w =0 untuk yang lainnya, 4) double linear contiguity yaitu kebersinggungan dua tei yaitu tei kiri, kanan, atas dan bawah dimana w = jika daerah j berada di tei kiri, kanan, atas dan bawah daerah i dan w =0 untuk yang lainnya, 5) double rook contiguity yaitu kebersinggungan dua sisi dimana w = jika daerah i dan j saling bersisian dan w =0 untuk yang lainnya dan 6) queen contiguity yaitu gabungan dari ersinggungan sisi dan sudut dimana w = jika daerah i dan j saling bersisian serta sudut dari daerah i dan j saling bertemu dan w =0 untuk yang lainnya. 7. Hasil dan Pembahasan Sebelum membentuk model sasial survival maka langkah yang harus dilakukan adalah menentukan distribusi data waktu survivalnya, yaitu distribusi dari data hingga suatu event terjadi. Seringkali waktu survival suatu kejadian adalah berdistribusi eksonensial atauun weibull-2. Pada enelitian ini, akan dibahas mengenai model survival dengan frailty sasial dimana distribusi waktu survivalnya adalah weibull-3. Distribusi weibull 3-arameter memunyai fungsi keadatan eluang sebagaimana ditunjukkan ada ersamaan (6) berikut ini. f t abt c a ex bt c a dan fungsi distribusi kumulatifnya adalah, (6) Gamatika Vol. II No.2 Mei
6 Model Sasial Survival Weibull 3 dengan Pendekatan Bayessian dan Alikasinya ada Winbugs F t a t PT t abt c ex bt c c t c ex b a t c dbt c t ex b c a t c a Gamatika Vol. II No.2 Mei a dt ex b t c ; dengan t c dan a,b 0. Parameter a meruakan arameter bentuk, b meruakan arameter skala dan c meruakan arameter lokasi, dimana jika c = 0 maka distribusinya berubah menjadi weibull-2. Selanjutnya, setelah didaatkan fungsi distribusi kumulatifnya maka fungsi survival dari distribusi weibull-3 diberikan ada ersamaan (7) berikut ini, S t Ft ex bt c a Kemudian fungsi hazardnya adalah, t t (7) a t c ex bt c a ex bt c f ab a h t abt c (8) S Sehingga model weibull-3 yang terbentuk berdasarkan ersamaan (2) dan ersamaan (8) diberikan dalam ersamaan (9) berikut ini, h a t h t x x x abt c Selanjutnya, a 0 ex (9) h 0 t meruakan suatu fungsi yang nilainya bergantung ada nilai t sedangkan x x ex bebas dari nilai t sehingga arameter b daat dinyatakan sebagai berikut, b ex x x x (0) dan baseline hazardnya 0 0 t x h dinyatakan dalam ersamaan () berikut ini. a t at c h () Fungsi hazardnya kemudian dabarkan sebagai berikut, h a t at c ex 0 x 2x2 x a at c ex 0 ex x 2x2 x a a t c ex ex x x x 0 2 Berdasarkan bentuk full conditional distribution (distribusi bersyarat enuh) dari masing-masing arameter a, c dan i maka sebelum dilakukan estimasi terhada arameter tersebut harus ditentukan terlebih dahulu distribusi riornya yaitu sebagai berikut. a ~ Gamma (r,s) c ~ Normal (r,s) ~ Normal (v,w) i 2
7 Model Sasial Survival Weibull 3 dengan Pendekatan Bayessian dan Alikasinya ada Winbugs dimana enentuan distribusi rior tersebut dilakukan berdasarkan gabungan antara rior conjugate dan rior informatif. Berdasarkan model lattice frailty CAR, dimana γ menyatakan status enderita (misalnya 0 jika meninggal dan jika hidu), t meruakan waktu hingga kematian terjadi dan x meruakan vektor dari kovariat, maka join distribusi osteriornya adalah sebagai berikut,,a,c,λ t, x, γ L, W,a,c; t, x, γw ac W (2) dimana bentuk ertama ada ruas kanan meruakan likelihood untuk hazard weibull-3, bentuk kedua meruakan join distribusi dari frailty acak sedangkan sisanya adalah distribusi rior tia-tia arameter. Fungsi likelihoodnya kemudian delaskan dalam ersamaan (3) berikut ini. L, W,a,c; t, x, γ f t S t i j Selanjutnya, ketika t ersamaan (3) kemudian daat dabarkan menjadi L f dinyatakan sebagai fungsi dari h t dikali dengan t, W,a,c; t, x, γ f t S t i j h t S t S t i j I n i i j I n i i j h h t S t S t t S t. Selanjutnya, berdasarkan ersamaan (7) maka akan dieroleh, L, W,a,c; t, x, γ h t S t i j a T a a t c ex x Wi ex bt c i j (3) S maka a T T a a t c ex x Wi ex ex x Wi t c i j a T a T a t c ex x Wi ex t c ex x Wi i j Distribusi osterior marginal untuk masing-masing arameter a, c dan β i serta λ dilakukan dengan cara mengintegralkan keluar arameter-arameter yang bersangkutan (a, c, β i dan λ) dan delaskan sebagai berikut. a c,, i lt c,,,, c dc d d c d Gamatika Vol. II No.2 Mei
8 Model Sasial Survival Weibull 3 dengan Pendekatan Bayessian dan Alikasinya ada Winbugs c a,, i lt a,,,, a da d d a a,c, i lt a,c,,, a c da dc d a c a,c,, i lt a,c,, 2,, ac a c 2 da dc d d 2 d a,c,, lt a,c,,,, ac i a c da dc d d d Udate arameter di dalam model dilakukan melalui Gibbs Samling berdasarkan data samel dari bentuk distribusi bersyarat enuhnya (full conditional distribution) yang didaatkan berdasarkan ersamaan (2). Distribusi osterior tersebut cuku rumit sehingga estimasi terhada arameter-arameternya dilakukan melalui Gibbs Samling yang meruakan bentuk iterative samling dari setia distribusi kondisionalnya. Secara sederhana, estimasi arameter-arameter model melalui Gibbs Samling daat delaskan sebagai berikut.. Menentukan nilai awal (initial value) untuk masing-masing arameter a,c,,,, 2. Selanjutnya didaatkan urutan acak a t,c,,,, a dari c dari c t,a,,,, dari t,a,c,,, dari t,a,c,,,, dari t,a,c,,, 2, 3. Mengulangi langkah ke dua aabila dibutuhkan. Bentuk iterative samling dalam Gibbs Samling tersebut kemudian dialikasikan dalam rogram oensource WinBUGS untuk memudahkan estimasi arameter-arameter dalam model sasial survival dengan distribusi waktu survival weibull-3. Berikut ini meruakan salah satu contoh alikasi rogramnya. model; { for( i in : N ) { obs.t[i] ~ dweib3(alha[kab[i]],beta[kab[i]],gamma[kab[i]])i(t.cen[kab[i]],) beta[i] <- ex(b0[kab[i]]+b[kab[i]]*x[i]+b2[kab[i]]*x2[i]+b3[kab[i]]*x3[i]+b4_[kab[i]]*x4_[i]+b4_2[kab[i]]*x4_2[i]+b4 _3[Kab[i]]*X4_3[i]+b4_4[Kab[i]]*X4_4[i]+b4_5[Kab[i]]*X4_5[i]+b5_[Kab[i]]*X5_[i]+b5_2[Kab[i]]*X5_2[i]+b6[Kab [i]]*x6[i]+b7[kab[i]]*x7[i]+b8_[kab[i]]*x8_[i]+b8_2[kab[i]]*x8_2[i]+w[kab[i]]) } for (i in :nsum) {weights[i] <- } W[:regions] ~ car.normal(adj[], weights[], num[], tau) d d Gamatika Vol. II No.2 Mei 202 0
9 Model Sasial Survival Weibull 3 dengan Pendekatan Bayessian dan Alikasinya ada Winbugs for( i in : s ) {alha[i] ~ dgamma(,)} gamma[] ~ dunif(0,729) gamma[2] ~ dunif(0,244) gamma[3] ~ dunif(0,207).... gamma[35] ~ dunif(0,242) gamma[36] ~ dunif(0,0) gamma[37] ~ dunif(0,0) gamma[38] ~ dunif(0,200) for( i in : s ) {b0[i] ~ dnorm(5.0670,0.2784)} for( i in : s ) {b[i] ~ dnorm(-0.087,0.0239)} for( i in : s ) {b2[i] ~ dnorm(-0.003,0.0006)} for( i in : s ) {b3[i] ~ dnorm(-0.233,0.0502)} for( i in : s ) {b4_[i] ~ dnorm(0.626,0.2704)} for( i in : s ) {b4_2[i] ~ dnorm(0.488,0.2693)} for( i in : s ) {b4_3[i] ~ dnorm(0.606,0.2664)} for( i in : s ) {b4_4[i] ~ dnorm(0.693,0.2669)} for( i in : s ) {b4_5[i] ~ dnorm(-0.273,0.3349)} for( i in : s ) {b5_[i] ~ dnorm(0.38,0.0354)} for( i in : s ) {b5_2[i] ~ dnorm(0.287,0.023)} for( i in : s ) {b6[i] ~ dnorm(0.009,0.0008)} for( i in : s ) {b7[i] ~ dnorm(0.006,0.005)} for( i in : s ) {b8_[i] ~ dnorm(-0.063,0.037)} for( i in : s ) {b8_2[i] ~ dnorm(-0.056,0.0383)} for( i in : s ) {tau[i] ~ dgamma(,)} for( i in : s ) {sigma[i] <- sqrt(/tau[i])} } Initials tau[] alha[] b0[] b[] b2[] b3[] b4_[] b4_2[] b4_3[] b4_4[] b4_5[] b5_[] b5_2[] b6[] b7[] b8_[] b8_2[] END list(nsubj=507,regions=38, nsum=206, adj=c(3, 2, 28,, 0, 9, 4, 3,, 28, 0, 9, 4, 2,, 28, 27, 9, 8, 0, 9, 3, 2, 34, 33, 32, 2, 7, 37, 34, 32, 30, 36, 34, 33, 29, 26, 22, 2, 20, 5, 36, 33, 3, 29, 28, 26, 23, 5, 3, 9, 28, 8, 5, 3, 0, 8, 4, 3, 2, 28, 24, 3, 2,, 9, 4, 3, 2, 24, 2, 0, 2, 24, 3,, 0, 5, 4, 2, 0, 9, 8, 5, 3, 36, 3, 29, 25, 23, 4, 3, 9, 8, 35, 3, 25, 38, 35, 28, 27, 9, 4, 28, 27, 4, 33, 26, 7, 34, 7, 5, 36, 7, 36, 3, 29, 5, 8, 2,, 0, 36, 3, 6, 5, 33, 29, 28, 27, 20, 8, 7, 33, 28, 26, 9, 8, 4, 33, 29, 27, 26, 9, 8, 0, 9, 8, 4, 3, 2, 36, 33, 3, 28, 26, 23, 5, 8, 7, 37, 32, 6, Gamatika Vol. II No.2 Mei
10 Model Sasial Survival Weibull 3 dengan Pendekatan Bayessian dan Alikasinya ada Winbugs 36, 29, 25, 23, 6, 5, 8, 37, 34, 30, 6, 5, 34, 29, 28, 27, 26, 20, 8, 7, 5, 37, 33, 32, 2, 7, 6, 5, 7, 6, 3, 29, 25, 23, 22, 5, 8, 7, 34, 32, 30, 6, 7), num = c(2, 7, 6, 8, 5, 4, 9, 0, 9, 9, 4, 4, 6, 2, 9, 3, 2, 4, 3, 3, 3, 2, 5, 3, 4, 7, 6, 2, 9, 3, 7, 5, 9, 7, 2, 8, 4, ), obs.t = c(730,245,33,208,589,na, 58,NA, 374,347,99,24,396,730,NA, 549,536,449,40,383,348,325,493,220,402,730,374,NA, NA, 362,33,299,290,277,27,257,NA, 227,25,25,22,98,9,99,730,NA, 730,730,229,208,20,24), X = c(0,,,,,0,,0,0,,,,0,0,0,0,0,0,0,,0,0,,,0,,0,,0,0,0,,0,,,0,0,0,0,,0,0,0,,0,,0,0,,0,0,0,,,0,0,0,0,0,0,,0,,,0,0,0,,0,0), X2 = c(28.00,28.00,32.00,25.00,35.00,42.00,33.00,39.00,27.00,29.00,28.00,29.00,6.00, 30.00,28.00,38.00,27.00,37.00,35.00,29.00,3.00,46.00,34.00,29.00,26.00,25.00,38.00,22.00,44.00,34.00), X3 = c(0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,,0,0,0,0,0,0,0,0,0,0,0,0,,0,0,0,0,0,0,0,0,0,0,0,0,,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0), X4_ = c(0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,,0,0,0,0,0,0,,0,0), X4_2 = c(0,,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,,0,0,,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,,0,0,0,0,0,0,,0,0,0,0,0,0,0,0), X4_3 = c(0,0,,,,0,,,,0,0,,,0,,,0,0,,0,,0,0,,0,,0,,0,0,,0,0,0,,0,,,,,0,,,,,,,,,,,,,,0,,,0,,0,0,0,0,,0,0,,0,,), X4_4 = c(,0,0,0,0,,0,0,0,,,0,0,,0,0,,,0,,0,0,,0,0,0,,0,,,0,,,0,0,,0,0,0,0,,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,,0,,0,0,,0,,,0,0,0,0), X4_5 = c(0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0), X5_ = c(0,,,,0,0,0,0,,,,,0,0,0,0,0,0,,0,,,0,,,0,0,0,,0,0,0,0,,0,,0,0,0,,,0,0,,,0,0,,,,,,,,,0,,,0,,,,0,0,0,0,,,,), X5_2 = c(,0,0,0,0,0,0,0,0,0,0,0,0,,,,,,0,,0,0,,0,0,,0,,0,,,,,0,,0,0,0,,0,0,,,0,0,,,0,0,0,0,0,0,0,0,,0,0,0,0,0,0,,0,0,0,0,0,0,0), X6 = c(59,38,42,47,45,43, 7,55,50,40,52,4,,68,50,45,64,50,65,45,50,46,4,62,56,4,79,59,50,62,49,65,35,0,45,46,64,30,59,79,53,4,38,56,57,72,59,52,64,48,44,47,45,4,45,37,5), X7 = c(5.86,2.00, 3.87, 4.08, 49.60,3.60,.00, 3.00, 6.00,2.00, 3.70, 7.00,25.00,3.60, 2.00, 3.00,3.00, 9.00 Gamatika Vol. II No.2 Mei
11 Model Sasial Survival Weibull 3 dengan Pendekatan Bayessian dan Alikasinya ada Winbugs,7.00,.00, 3.00,2.00, 4.00, 2.00, 5.00, 3.00,.00,0.00,.00,.00), X8_ = c(0,0,0,,0,0,0,0,,,0,,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,,0,0,0), X8_2 = c(,,,0,,,0,,0,0,,0,,,,,,,,,,,0,,,,,0,,,,0,,,,,,,,,0,,,,,0,,,,,,,,,,,,,,,,,,,,,0,,,), Kab = c(, 2, 3, 3, 4, 4, 4, 4, 4, 4, 4, 4, 5, 6, 7, 7, 7, 7, 7, 7, 8, 8, 9, 9,0,,,2,3,3,3,3,3,3,3,3,4,4,4,4,4,4,4,5,5,5,5,5,5,5,5,5,5,5,5,5,6,6,6,6,7,7,7,7,8,9,9,20,20,20,20,20,20,2,2,2,2,2,2,2,2,2,2,22,22,22,22,22,22,23,23,23,23,24,25,25,25,25,25,25,25,25,25,25,25,25,25,25,25,25,25,25,25,25,25,25,25,25,25,26,26,26,26,26,26,27,27,28,29,29,29,29,30,30,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,32,32,33,33,33,33,33,33,34,34,34,34,34,34,34,34,34,34,35,35,35,35,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,36,37,37,37,37,38,38,38,38), t.cen = c(0, 0, 0, 0, 0,06, 0, 40, 0, 0, 0, 0, 0, 0, 34, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.., 0, 57, 52, 0, 0, 0, 0, 0, 0, 0, 6, 0, 0, 0, 0, 0, 0, 0, 0,89, 0, 0, 0, 0, 0, 0)) Code tersebut meruakan contoh alikasi model sasial survival dengan dsitribusi waktu survivalnya adalah weibull-3 dalam rogram oensource WinBUGS dengan jumlah daerah sebanyak 38 (kabuaten, misalnya), total ketetanggaan sebanyak 206 adjacent serta terdaat 507 data. 8. Penutu Berdasarkan hasil enurunan rumus terhada model survival weibull-2 dengan menambahkan satial frailty, maka daat disimulkan beberaa hal, antara lain:. Distribusi waktu survival weibull-3 daat dialikasikan ada model sasial survival dengan menambahkan frailty sasial. 2. Model sasial survival dengan distribusi waktu survivalnya weibull-3 lebih mudah dilakukan melalui endekatan Bayesian menggunakan gibbs samling. Gamatika Vol. II No.2 Mei
12 Model Sasial Survival Weibull 3 dengan Pendekatan Bayessian dan Alikasinya ada Winbugs 3. Pendekatan Bayesian melalui gibbs samling untuk melakukan estimasi arameter model sasial survival dengan waktu survival berdistribusi weibull- 3 dilakukan melalui code rogram oensource WinBUGS. Daftar Pustaka Aksioma, D. F., dan Iriawan, N., (200). Satial Autocorrelation of The DHF Outbreaks in The City of Surabaya. Proceedings of The Third International Conference on Mathematics and Natural Sciences (ICMNS) 200, Bandung: Banerjee, S., Wall, M. M., & Carlin, B. P., (2003). Frailty Modeling for Satially Correlated survival data, with alication to infant mortality ini Minnesota. Biostatistics, Carlin, B. P., & Louis, T. A., (2000). Bayes and Emirical Bayes Methods for Data Analysis (2 ed.). Boca Raton: FL: Chaman and Hall/CRC Press. Congdon, P., (2003). Alied Bayesian Modelling. London: John Wiley & Sons, Ltd. Darmofal, D., (2008). Bayesian Satial Survival Models for Political Event Processes. Deartment of Political Science, University of South Carolina. 350 Gambrell Hall. Columbia. Dohoo, I. R., (2008). Quantitative eidemiology: Progress and Challenges. Preventive Veterinary Medicine, 86, Kleinbaum, D., (2005). Survival Analysis, a Self-Learning Text. USA: Sringer Science+Bussiness Media, Inc. Ntzoufras, I., (2009). Bayesian modeling Using WinBUGS. USA: John Wiley & Sons, Inc. Wall, M. M., (2004). A Close Look at the Satial Structure Imlied by the CAR and SAR Models. Journal of Statistical Planning and Inference, 2, Gamatika Vol. II No.2 Mei
PENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE
PENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE Diah Ayu Novitasari *) *) Jurusan Manajemen, Fakultas Ekonomi Universitas Islam Lamongan Email
Lebih terperinciPENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE
PENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE Diah Ayu Novitasari * * Jurusan Manajemen, Fakultas Ekonomi Universitas Islam Lamongan Email :
Lebih terperinciSIMULASI STOKASTIK MENGGUNAKAN ALGORITMA GIBBS SAMPLING ABSTRACT
JURNAL GAUSSIAN, Volume, Nomor, Tahun 0, Halaman -30 Online di: htt://eournal-s.undi.ac.id/inde.h/gaussian SIMULASI STOKASTIK MENGGUNAKAN ALGORITMA GIBBS SAMPLING Ania, Moch. Abdul Mukid, Agus Rusgiyono
Lebih terperinciANALISIS BAYES UNTUK REGRESI SPLINE TERPENALTI STUDI KASUS: ANALISIS HUBUNGAN JUMLAH UANG BEREDAR DENGAN INFLASI DI INDONESIA
IndoMS Journal on Statistics Vol. 2, No. 2 (2014), Page 63-69 ANALISIS BAYES UNTUK REGRESI SPLINE TERPENALTI STUDI KASUS: ANALISIS HUBUNGAN JUMLAH UANG BEREDAR DENGAN INFLASI DI INDONESIA Rika Fitriani,
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN
ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated
Lebih terperinciMODEL REGRESI WEIBULL DENGAN ADDITIVE FRAILTIES PADA DATA SURVIVAL. Universitas Hasanuddin
MODEL REGRESI WEIBULL DENGAN ADDITIVE FRAILTIES PADA DATA SURVIVAL 1 Rima Ruktiari, 2 Sri Astuti Thamrin, 3 Armin Lawi 1,2,3 Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciANALISIS REGRESI LOGISTIK DENGAN METODE PENDUGA BAYES UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN BAYI BERAT BADAN LAHIR RENDAH
Jurnal Matematika UNAND Vol. 4 No. 1 Hal. 53 60 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI LOGISTIK DENGAN METODE PENDUGA BAYES UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI
Lebih terperinciPEMODELAN KETERTINGGALAN DAERAH DI INDONESIA MENGGUNAKAN ANALISIS DISKRIMINAN
M-20 PEMODELAN KETERTINGGALAN DAERAH DI INDONESIA MENGGUNAKAN ANALISIS DISKRIMINAN Titi Purwandari, Yuyun Hidayat 2,2) Deartemen Statistika FMIPA Universitas Padjadjaran, email : titiurwandari@yahoo.com,
Lebih terperinciSKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN
SKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN Oleh : Rengganis L. N. R 302 00 046 PENDAHULUAN Latar Belakang Penduduk
Lebih terperinciDhiva Ryan Hardine 1), Aisyah Abdullah 2), Muhammad Ikbal 3), Nur Chamidah 4)
PEMODELAN KADAR GULA DARAH DAN EKANAN DARAH PADA REMAJA PENDERIA DIABEES MELIUS IPE II DENGAN PENDEKAAN REGRESI NONPARAMERIK BIRESPON BERDASARKAN ESIMAOR SPLINE Dhiva Ryan Hardine 1), Aisyah Abdullah 2),
Lebih terperinciESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang)
BIAStatistics (215) Vol. 9, No. 2, hal. 1-6 ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang) 1 Didin Astriani P, 2 Jadi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi adalah suatu metode yang digunakan untuk menganalisa hubungan antara variabel respon dan variabel prediktor. Pada umumnya analisis regresi
Lebih terperinciOleh : Maylita Hasyim ( ) Dosen Pembimbing : Prof. Drs. Nur Iriawan, M.Ikom,PhD
MODEL MIXTURE SURVIVAL SPASIAL DENGAN FRAILTY BERDISTRIBUSI CONDITIONALLY AUTOREGRESSIVE (CAR) PADA KASUS KEJADIAN DEMAM BERDARAH DENGUE (DBD) DI KABUPATEN PAMEKASAN Oleh : Maylita Hasyim (1310 201 002)
Lebih terperinciESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang)
ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang) Didin Astriani P 1, Jadi Suprijadi 2, Zulhanif 3 Program Pendidikan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Persoalan jalur terendek (Shortest Path) meruakan suatu jaringan engarahan erjalanan dimana seseorang engarah jalan ingin menentukan jalur terendek antara dua kota
Lebih terperinciBab I Pendahuluan. I.1 Latar Belakang Masalah
Bab I Pendahuluan I. Latar Belakang Masalah Dalam beberaa tahun terakhir ini, roses emonitoran kestabilan barisan matriks korelasi mendaatkan erhatian yang amat serius dalam literatur, terutama dalam literatur
Lebih terperinciUNIVERSITAS NEGERI SEMARANG
ANALISIS MODEL PERSAMAAN REGRESI COX PROPORTIONAL HAZARD PADA DATA STATUS GIZI BALITA UNTUK MENGETAHUI FAKTOR-FAKTOR PENYEBAB TERJADINYA KEKURANGAN GIZI Skrisi disusun sebagai salah satu syarat untuk memeroleh
Lebih terperinciRegresi Rasio Prevalensi dengan Model Log-Binomial: Isu Ketakkonvergenan. Netti Herawati 1) Alfian Futuhul Hadi 2)
BIAStatistika (2) Vol. 4, No., hal. 35 45 Regresi Rasio Prevalensi dengan Model Log-Binomial: Isu Ketakkonvergenan Netti Herawati ) Alfian Futuhul Hadi 2) ) Jurusan Matematika FMIPA Universitas Lamung
Lebih terperinciPerluasan Geographically Weighted Regression Menggunakan Fungsi Polinomial
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 17, Hal. 15- -ISSN: 58-4596; e-issn: 58-46X Halaman 15 Perluasan Geograhically Weighted Regression Menggunakan
Lebih terperinciBAB III MODEL EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC IN MEAN (EGARCH-M)
30 BAB III MODEL EXPOETIAL GEERALIZED AUTOREGRESSIVE CODITIOAL HETEROSCEDASTIC I MEA (EGARCH-M) 3.1 Proses EGARCH Exonential GARCH (EGARCH) diajukan elson ada tahun 1991 untuk menutui kelemahan model ARCH/GARCH
Lebih terperinciII. TINJAUAN PUSTAKA
II. TIJAUA PUSTAKA Portofolio Saham Portofolio berarti sekumulan investasi, untuk kasus saham, berarti sekumulan investasi dalam bentuk saham. Proses embentukan orfolio saham terdiri dari mengidentifikasi
Lebih terperinciPENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON
E-Jurnal Matematika Vol., No., Mei 013, 49-53 ISSN: 303-1751 PENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON I PUTU YUDANTA EKA PUTRA 1, I PUTU EKA
Lebih terperinciMODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK BAYESIAN
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 128 133 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE
Lebih terperinciPemodelan Hazard Proporsional dengan Perkalian Gamma Frailty Menggunakan Pendekatan Bayesian
Pemodelan Hazard Proporsional dengan Perkalian Gamma Frailty Menggunakan Pendekatan Bayesian 1 Ismi Try Amalia Jaya, 2 Armin Lawi, dan 3 Sri Astuti Thamrin 1,2,3 Jurusan Matematika, Fakultas Matematika
Lebih terperincioleh YUANITA KUSUMA WARDANI M
ESTIMASI PARAMETER MODEL REGRESI PROBIT SPASIAL MENGGUNAKAN SOFTWARE R DENGAN ALGORITME GIBBS SAMPLING oleh YUANITA KUSUMA WARDANI M0111083 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3. Prosedur Pengumulan Data 3.. Sumber Data Data yang digunakan dalam enelitian ini meruakan data sekunder yang diambil dari Deartemen Keuangan, BAPEPAM, dan IAPI. Data-data
Lebih terperinciPETA KENDALI R ADAPTIF SEBAGAI ALTERNATIF PETA KENDALI R SHEWHART DALAM MENDETEKSI PERGESERAN KECIL PADA VARIANS
PETA KENDALI R ADAPTIF SEBAGAI ALTERNATIF PETA KENDALI R SHEWHART DALAM MENDETEKSI PERGESERAN KECIL PADA VARIANS Adative R Control Chart as Alternative Shewhart R Control Chart in Detecting Small Shifts
Lebih terperinciIntegral dan Persamaan Diferensial
Sudaryatno Sudirham Studi Mandiri Integral dan Persamaan Diferensial ii Darublic BAB 3 Integral (3) (Integral Tentu) 3.. Luas Sebagai Suatu Integral. Integral Tentu Integral tentu meruakan integral yang
Lebih terperinciIV PEMBAHASAN. 4.1 Penentuan Titik Tetap Model Dinamika Virus HIV Titik tetap persamaan (3.1) diperoleh dengan menentukan dt 0, dt *
6 IV PEMBAHASAN 4. Penentuan Titik Teta Model Dinamika Titik teta ersamaan (3. dieroleh dengan menentukan dt, dt dan dv. Sehingga menurut ersamaan tersebut dieroleh titik teta s d N s dt T, T, V, T, kn
Lebih terperinciPEMODELAN REGRESI COX DAN REGRESI WEIBULL WAKTU SEMBUH DIARE PADA BALITA
Jurnal UJMC, Volume 2, Nomor 1, Hal. 50-55 pissn : 2460-3333 eissn : 2579-907X PEMODELAN REGRESI COX DAN REGRESI WEIBULL WAKTU SEMBUH DIARE PADA BALITA Siti Alfiatur Rohmaniah 1 dan Danardono 2 1 Universitas
Lebih terperinciMODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang.
MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL Winda Faati Kartika 1, Triastuti Wuryandari 2 1, 2) Program Studi Statistika Jurusan Matematika FMIPA Universitas Diponegoro
Lebih terperinciEstimasi Hazard Rate Temporal Point Process
Vol. 9, No.1, 33-38, Juli 2012 Estimasi Hazard Rate Temporal Point Process Nurtiti Sunusi 1 Abstrak Point process adalah suatu model stokastik yang dapat menerangkan fenomena alam yang sifatnya acak baik
Lebih terperinciDika Dwi Muharahman*, Nurul Gusriani, Elis Hertini. Departemen Matematika, Universitas Padjadjaran *E mail:
Perubahan Perilaku Pengguna nstant Messenger dengan Menggunakan Analisis Koresondensi Bersama (Studi Kasus Mahasiswa di Program Studi S-1 Matematika FMPA Unad) Dika Dwi Muharahman*, Nurul Gusriani, Elis
Lebih terperinciPenerapan Kurva Eliptik Atas Zp Pada Skema Tanda Tangan Elgamal
A7 : Peneraan Kurva Elitik Atas Z... Peneraan Kurva Elitik Atas Z Pada Skema Tanda Tangan Elgamal Oleh : Puguh Wahyu Prasetyo S Matematika, Universitas Gadjah Mada, Yogyakarta Email : uguhw@gmail.com Muhamad
Lebih terperinciDiterima 30 Januari 2014, direvisi 26 April 2014 ABSTRAK
296 NATURAL B, Vol. 2, No. 3, Aril 2014 Pemodelan Geograhically Weighted Regression dengan Pembobot Fixed Gaussian Kernel ada Data Sasial (Studi Kasus Ketahanan Pangan di Kabuaten Tanah Laut Kalimantan
Lebih terperinciBAB VI KESIMPULAN DAN SARAN. adalah banyaknya hari hujan.
BAB VI KESIMPULAN DAN SARAN 6.1 Kesimpulan Berdasarkan analisis data dan pembahasan, dapat diambil beberapa kesimpulan yaitu sebagai berikut : 1. Modul Neo-Normal dapat diaplikasikan ke dalam WinBUGS karena
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3. Kerangka Pemikiran Penelitian ini dimulai dengan adanya ermasalahan yang ditemukan oleh enulis yakni mengenai validitas CAPM di dalam engalikasiannya terhada engukuran
Lebih terperinciBAB II TINJAUAN PUSTAKA. untuk berkunjung ke suatu negara. Permintaan pariwisata biasanya diukur dari segi
BAB II TINJAUAN PUSTAKA 2.1 Permintaan Pariwisata Pariwisata mamu mencitakan ermintaan yang dilakukan oleh wisatawan untuk berkunjung ke suatu negara. Permintaan ariwisata biasanya diukur dari segi jumlah
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada masa sekarang ini, berada di lingkungan bisnis yang kompleks menuntut perusahaan untuk mampu bersaing dengan para kompetitornya. Perubahan-perubahan radikal yang
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Pemilahan Data
BAB 3 PEMBAHASAN 3.1 Pemilahan Data Pemilahan data dilakukan untuk menentukan data mana saja yang akan diolah. Dalam enelitian ini, data yang diikutsertakan dalam engolahan ditentukan berdasarkan teori
Lebih terperinciBAB III ANALISIS RANTAI MARKOV PADA PERAMALAN PANGSA PASAR
BAB III ANALISIS RANTAI MARKOV PADA PERAMALAN PANGSA PASAR Berdasarkan ada bab sebelumnya, ada bab ini akan dijelaskan enetaan atribut-atribut (keseakatan istilah) yang akan digunakan, serta langkah-langkah
Lebih terperinciESTIMASI PARAMETER DISTRIBUSI LOG-LOGISTIK PADA DATA SURVIVAL TERSENSOR TIPE II
ESTIMASI PARAMETER DISTRIBUSI LOG-LOGISTIK PADA DATA SURVIVAL TERSENSOR TIPE II Ryndha, Anna 2, Nasrah 3 ABSTRAK Data survival adalah data yang menunjukkan waktu suatu individu atau objek dapat bertahan
Lebih terperinciBAB I PENDAHULUAN. Tahun 1997 negara-negara di Kawasan Asia mengalami krisis ekonomi,
BAB I PENDAHULUAN A. Latar Belakang Tahun 997 negara-negara di Kawasan Asia mengalami krisis ekonomi, seerti Korea Selatan, Thailand, Filiina, Malaysia, Singaura, Indonesia. Penyebaran krisis di kawasan
Lebih terperinciMODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 33 41 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Lebih terperinciPETA KENDALI X DENGAN UKURAN SAMPEL DAN INTERVAL PENGAMBILAN SAMPEL YANG BERVARIASI
JURNAL TEKNIK INDUSTRI VOL. 2, NO. 2, DESEMBER 2: 72-83 PETA KENDALI X DENGAN UKURAN SAMPEL DAN INTERVAL PENGAMBILAN SAMPEL YANG BERVARIASI Pauline Astari Singgih Dosen Fakultas Teknologi Industri, Jurusan
Lebih terperinciAnalisis Pengaruh Kualitas Layanan, Kepuasan Pelanggan, dan Kepercayaan terhadap Loyalitas Pelanggan Flexi Mobile Broadband
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 212) ISSN: 231-928X D-248 Analisis Pengaruh Kualitas Layanan, Kepuasan Pelanggan, dan Kepercayaan terhadap Loyalitas Pelanggan Flexi Mobile Broadband di
Lebih terperinciSIMULASI PENAKSIRAN PARAMETER DISTRIBUSI WEIBULL CAMPURAN UNTUK DATA SURVIVAL HETEROGEN DENGAN PENDEKATAN BAYESIAN
IndoMS Journal on Statistics Vol. 2, No. 2 (2014), Page 37-46 SIMULASI PENAKSIRAN PARAMETER DISTRIBUSI WEIBULL CAMPURAN UNTUK DATA SURVIVAL HETEROGEN DENGAN PENDEKATAN BAYESIAN Sri Astuti Thamrin 1, Armin
Lebih terperinciEstimasi MCMC untuk Model GARCH(1,1) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 25 Estimasi MCMC untuk Model GARCH(,) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR Fransisca Cynthia Salim ), Didit Budi Nugroho 2), Bambang
Lebih terperinciAlgoritma Jaringan Syaraf Tiruan Hopfield
2.6. Jaringan Saraf Tiruan Hofield Jaringan syaraf Tiruan Hofield termasuk iterative autoassociative network yang dikembangkan oleh Hofield ada tahun 1982, 1984. Dalam aringan Hofield, semua neuron saling
Lebih terperinciESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO
ESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO Yessy Okvita 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika
Lebih terperinciPendugaan Hazard Rate Kematian Di Provinsi Dki Jakarta Dengan Metode Single Decrement Pendekatan Likelihood
Pendugaan Hazard Rate Kematian Di Provinsi Dki Jakarta Dengan Metode Single Decrement Pendekatan Likelihood Khoirun Nisa Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri Jakarta khoirunnisakhn@gmailcom
Lebih terperinciMASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG)
MASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) Shaifudin Zuhdi, Dewi Retno Sari Saputro Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPENDUGAAN DATA HILANG DENGAN MENGGUNAKAN DATA AUGMENTATION. Abstract
Pendugaan Data Hilang Mesra Nova) PENDUGAAN DATA HILANG DENGAN MENGGUNAKAN DATA AUGMENTATION Mesra Nova 1, Moch. Abdul Mukid 2 1 Alumni Program Studi Statistika UNDIP 2 Staf Pengajar Program Studi Statistika
Lebih terperinciPeramalan Nilai Tukar (Kurs) Rupiah Terhadap Dolar Tahun 2017 dengan Menggunakan Metode Arima Box-Jenkins
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017, Hal. 253-261 -ISSN: 2580-4596; e-issn: 2580-460X Halaman 253 Peramalan Nilai Tukar (Kurs) Ruiah Terhada
Lebih terperinciPENDEKATAN MODEL MULTILEVEL UNTUK DATA REPEATED MEASURES
PENDEKATAN MODEL MULTILEVEL UNTUK DATA REPEATED MEASURES Bertho Tantular 1 S-1 1 Jurusan Statistika FMIPA Universitas Padjadjaran 1 bertho@unpad.ac.id Abstrak Data yang diperoleh dari pengukuran berulang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan teknik statistik untuk investigasi dan pemodelan hubungan antar variabel. Hubungan antara dua variabel dapat dilihat dengan analisis
Lebih terperinciPenerapan Generalized Additive Model (GAM) pada Rata-rata Lama Sekolah Provinsi Jawa Tengah
Peneraan Generalized Additive Model (GAM) ada Rata-rata Lama Sekolah Provinsi Jawa Tengah Rosalinda Nainggolan 1, Yudhie Andriyana 2, Achmad Bachrudin 3 Deartemen Statistika, Universitas Padjajaran, Bandung
Lebih terperinciAnalisis Survival Parametrik Pada Data Tracer Study Universitas Sriwijaya
Analisis Survival Parametrik Pada Data Tracer Study Universitas Sriwijaya Alfensi Faruk Jurusan Matematika, Fakultas MIPA, Universitas Sriwijaya e-mail: alfensifaruk@unsri.ac.id Abstract: In this study,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis data survival yaitu kumpulan dari beberapa metode untuk menganalisis data yang terjadi dari titik asal sampai terjadinya event. Pada analisis survival terdapat
Lebih terperinciPemodelan Biaya Tak Langsung Proyek Konstruksi di PT Wijaya Karya (Studi Kasus: Proyek Konstruksi Di Provinsi Kalimantan Timur)
Pemodelan Biaya Tak Langsung Proyek Konstruksi di PT Wijaya Karya (Studi Kasus: Proyek Konstruksi Di Provinsi Kalimantan Timur) Odik Fajrin Jayadewa, Dr. Irhamah, S.Si, M.Si, dan 3 Dwi Endah Kusrini, S.Si,
Lebih terperinci270 o. 90 o. 180 o PENDAHULUAN
PENDAHULUAN Latar Belakang Perkembangan analisis data saat ini masih bertumu ada analisis untuk data linear. Disisi lain, untuk kasus-kasus tertentu engukuran dilakukan secara sirkular. Beberaa ilustrasi
Lebih terperinciHasil Kali Dalam Berbobot pada Ruang L p (X)
Hasil Kali Dalam Berbobot ada Ruang L () Muhammad Jakfar, Hendra Gunawan, Mochammad Idris 3 Universitas Negeri Surabaya, muhammadjakfar@unesa.ac.id Institut Teknologi Bandung, hgunawan@math.itb.ac.id 3
Lebih terperinciMULTIPATH FADING RAYLEIGH MENGGUNAKAN MODEL AUTOREGRESSIVE DAN INTERPOLATOR
MULTIPATH FADING RAYLEIGH MENGGUNAKAN MODEL AUTOREGRESSIVE DAN INTERPOLATOR Aryo Baskoro Utomo Jurusan Teknik Elektro, Fakultas Teknik, Universitas Negeri Semarang Kamus UNNES Sekaran Gunungati, Semarang
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis survival adalah analisis data yang memanfaatkan informasi kronologis dari suatu kejadian atau peristiwa (event). Respon yang diperhatikan adalah waktu sampai
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis survival adalah suatu metode yang berhubungan dengan waktu, mulai dari time origin atau start point sampai terjadinya suatu kejadian khusus atau end point.
Lebih terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih terperinciJurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN
Perbandingan Metode Klasifikasi Regresi Logistik Dengan Jaringan Saraf Tiruan (Studi Kasus: Pemilihan Jurusan Bahasa dan IPS ada SMAN 2 Samarinda Tahun Ajaran 2011/2012) Comarison of Classification Methods
Lebih terperinciPENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION (HB SAE) DALAM MENGESTIMASI ANGKA MELEK HURUF KECAMATAN DI KABUPATEN INDRAMAYU
PENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION (HB SAE) DALAM MENGESTIMASI ANGKA MELEK HURUF KECAMATAN DI KABUPATEN INDRAMAYU Ari Shobri B 1), Septiadi Padmadisastra 2), Sri Winarni 3) 1) Mahasiswa
Lebih terperinciPROSEDUR PENAKSIRAN PARAMETER MODEL MULTILEVEL MENGGUNAKAN TWO STAGE LEAST SQUARE DAN ITERATIVE GENERALIZED LEAST SQUARE
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 PROSEDUR PENAKSIRAN PARAMETER MODEL MULTILEVEL MENGGUNAKAN TWO STAGE LEAST
Lebih terperinciPROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2011 ISBN:
161 STRUCTURAL EQUATION MODELLING (SEM) DENGAN MODEL STRUKTURAL REGRESI SPASIAL Tisti Ilda Prihandini 1, Sony Sunaryo 2 1) Mahasiswa Magister Jurusan Statistika ITS 2) Dosen Jurusan Statistika ITS Abstrak
Lebih terperinciSUMMARY HUBUNGAN FAKTOR PERILAKU DAN LINGKUNGAN LUAR RUMAH DENGAN KEJADIAN MALARIA DI DESA KAIDUNDU KECAMATAN BULAWA KABUPATEN BONE BOLANGO TAHUN 2013
SUMMARY HUBUNGAN FAKTOR PERILAKU DAN LINGKUNGAN LUAR RUMAH DENGAN KEJADIAN MALARIA DI DESA KAIDUNDU KECAMATAN BULAWA KABUPATEN BONE BOLANGO TAHUN 2013 Ariyanto Pakaya NIM 811409138 Program study Kesehatan
Lebih terperinciSIMULASI INTENSITAS SENSOR DALAM PENDUGAAN PARAMATER DISTRIBUSI WEIBULL TERSENSOR KIRI. Abstract
ISBN: 978-602-71798-1-3 SIMULASI INTENSITAS SENSOR DALAM PENDUGAAN PARAMATER DISTRIBUSI WEIBULL TERSENSOR KIRI Widiarti 1), Ayu Maidiyanti 2), Warsono 3) 1 FMIPA Universitas Lampung widiarti08@gmail.com
Lebih terperinciPenerapan Metode Bayes dalam Menentukan Model Estimasi Reliabilitas Pompa Submersible pada Rumah Pompa Wendit I PDAM Kota Malang
JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, 2017 2337-3520 2301-928X Print A33 Penerapan Metode Bayes dalam Menentukan Model Estimasi Reliabilitas Pompa Submersible pada Rumah Pompa Wendit I PDAM Kota Malang
Lebih terperinciPenggunaan Metode Nonparametrik Untuk Membandingkan Fungsi Survival Pada Uji Gehan, Cox Mantel, Logrank, Dan Cox F
Penggunaan Metode Nonparametrik Untuk Membandingkan Fungsi Survival Pada Uji Gehan, Cox Mantel, Logrank, Dan Cox F Used of Non Parametric Method to Compare Survival Function on Gehan Test, Cox Mantel,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.. Kerangka Pikir Penelitian ini dilakukan untuk mengetahui aakah terdaat engaruh dan hubungan antara total nilai aset reksa dana dengan risiko asar reksa dana (beta), standar
Lebih terperinciTINJAUAN PUSTAKA. merupakan nilai peubah bebas ke-p pada merupakan nilai koefisien peubah penjelas merupakan galat acak pengamatan ke-i.
TINJAUAN PUSTAKA Model egresi Berganda egresi linier adalah persamaan matematika yang menggambarkan hubungan antara peubah respon y dan peubah bebas X X X2 Xp. Hubungan antara kedua peubah tersebut dinyatakan
Lebih terperinciMODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER
MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER Etis Sunandi 1), Khairil A Notodiputro 2), Anik Djuraidah 2) 1) Jurusan Matematika FMIPA Universitas Bengkulu 2) Jurusan Statistika,
Lebih terperincioleh seperangkat variabel X, maka persamaan di atas dinamakan persamaan struktural, dan modelnya disebut model struktural.
ANALISIS JALUR A. PENGERTIAN ANALISIS JALUR Telaah statistika menyatakan bahwa untuk tujuan eramalan/ endugaan nilai Y atas dasar nilai-nilai X 1, X,., X i, ola hubungan yang sesuai adalah ola hubungan
Lebih terperinciBAB II KAJIAN TEORI. Analisis survival atau analisis ketahanan hidup adalah metode yang
BAB II KAJIAN TEORI BAB II KAJIAN TEORI A. Analisis Survival Analisis survival atau analisis ketahanan hidup adalah metode yang berhubungan dengan jangka waktu, dari awal pengamatan sampai suatu kejadian
Lebih terperinciPERLUASAN REGRESI COX DENGAN PENAMBAHAN PEUBAH TERIKAT-WAKTU
E-Jurnal Matematika Vol. 3 3), Agustus 2014, pp. 86-91 ISSN: 2303-1751 PERLUASAN REGRESI COX DENGAN PENAMBAHAN PEUBAH TERIKAT-WAKTU Luh Putu Ari Dewiyanti 1, Ni Luh Putu Suciptawati 2, I Wayan Sumarjaya
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR INFORMATIF 1. PENDAHULUAN
ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR INFORMATIF Dina Ariek Prasdika, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika Fakultas Matematika
Lebih terperinciPEMODELAN STATISTICAL DOWNSCALLING DENGAN PENDEKATAN MARKOV CHAIN MONTE CARLO PCA (STUDI KASUS : DATA GCM STASIUN AMBON)
Prosiding FMIPA Universitas Pattimura 013 ISBN: 978-60-975-0-5 PEMODELAN STATISTICAL DOWNSCALLING DENGAN PENDEKATAN MARKOV CHAIN MONTE CARLO PCA (STUDI KASUS : DATA GCM STASIUN AMBON) Ferry Kondo Lembang
Lebih terperinciEstimasi Parameter pada Regresi Spatial Error Model (SEM) yang Memuat Outlier menggunakan Iterative Z Algorithm
PRISMA 1 (2018) https://journal.unnes.ac.id/sju/index.php/prisma/ Estimasi Parameter pada Regresi Spatial Error Model (SEM) yang Memuat Outlier menggunakan Iterative Z Algorithm Yulia Sari, Nur Karomah
Lebih terperinciANALISIS FAKTOR RISIKO KEJADIAN BBLR DI RSKDIA SITI FATIMAH MAKASSAR 2016
ANALISIS FAKT RISIKO KEJADIAN BBLR DI RSKDIA SITI FATIMAH MAKASSAR 2016 Rahmawati STIKES Nani Hasanuddin Makassar Alamat koresondensi: Rahmaq320@gmail.com/085395118181 ABSTRAK BBLR adalah bayi dengan berat
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Secara umum, analisis survival dapat didefinisikan sebagai seperangkat metode yang digunakan untuk menganalisis data di mana variabel outputnya berupa lama
Lebih terperinciADLN- PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB 1 PENDAHULUAN. metode yang bisaanya digunakan dalam estimasi parameter yakni Ordinary Least
BAB 1 PENDAHULUAN 1.1 Latar Belakang Data populasi dalam suatu penelitian berguna untuk mengetahui karakteristik objek yang akan menghasilkan gambaran akurat mengenai karakteristik objek tersebut. Statistik
Lebih terperinciKAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN SIX SIGMA. Victoria Dwi Murti 1, Sudarno 2, Suparti 3
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 241-248 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK PENDUGAAN MUTU. Sandra 1)
Alikasi Jaringan Syaraf Tiruan (Sandra) APLIKASI JARINGAN SYARAF TIRUAN UNTUK PENDUGAAN MUTU MANGGA SEGAR SECARA NON-DESTRUKTIF Sandra 1) 1) Staf Pengajar Fakultas Pertanian, Universitas Andalas Padang
Lebih terperinciPenerapan Multivariate Exponentially Weighted Moving Average Control Chart Pada Proses Pembuatan Boiler di PT. ALSTOM ESI Surabaya
1 Peneraan Multivariate Exonentially Weighted Moving Average Control Chart Pada Proses Pembuatan Boiler di PT. ALSTOM ESI Surabaya R. Candra Dewantara (1), Dr. Muhammad Mashuri, M.T. () Jurusan Statistika,
Lebih terperinciESTIMASI INTERVAL KEPERCAYAAN (CONFIDENCE INTERVAL) PARAMETER MODEL PROSES GEOMETRIK WEIBULL PADA ANALISIS UJI HIDUP UNTUK DATA TERSENSOR TIPE II
ESTIMASI INTERVAL KEPERCAYAAN (CONFIDENCE INTERVAL) PARAMETER MODEL PROSES GEOMETRIK WEIBULL PADA ANALISIS UJI HIDUP UNTUK DATA TERSENSOR TIPE II Asep Solih A 1* Rini Cahyandari 2 Tarkinih 3 123 Program
Lebih terperinciRESIDUAL COX-SNELL DALAM MENENTUKAN MODEL TERBAIK DALAM ANALISIS SURVIVAL
Jurnal Dinamika, September 204, halaman - ISSN 2087-7889 Vol. 05. No. 2 RESIDUAL COX-SNELL DALAM MENENTUKAN MODEL TERBAIK DALAM ANALISIS SURVIVAL Rahmat Hidayat Program Studi Matematika, Fakultas Sains
Lebih terperinciSTRUCTURAL EQUATIO MODELLI G (SEM) DE GA MODEL STRUKTURAL REGRESI SPASIAL. Tisti Ilda Prihandini 1, Sony Sunaryo 2
STRUCTURAL EQUATIO MODELLI G (SEM) DE GA MODEL STRUKTURAL REGRESI SPASIAL Tisti Ilda Prihandini 1, Sony Sunaryo 2 1) Mahasiswa Magister Jurusan Statistika ITS, 2) Dosen Jurusan Statistika ITS Abstrak Suatu
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 781-790 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS KETAHANAN HIDUP PENDERITA TUBERKULOSIS DENGAN MENGGUNAKAN
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Banyak jenis data memiliki struktur hirarki, tercluster, atau bersarang (nested). Hirarki tersebut dapat hadir secara alami dalam pengamatan observasional
Lebih terperinciPEMODELAN PENJADWALAN MATA PELAJARAN DENGAN INTEGER PROGRAMMING
PEMODELAN PENJADWALAN MATA PELAJARAN DENGAN INTEGER PROGRAMMING Dian Permata Sari, Sri Setyaningsih, dan Fitria Virgantari. Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis data survival merujuk pada sekumpulan metode statistika digunakan untuk menganalisis data antar kejadian, dimana variabel outputnya berupa lama waktu
Lebih terperinciKajian Partial Least Squares (Studi Kasus: Regresi Cox-PLS)
J. Sains Dasar 0 3() 6-68 Kaian Partial Least Squares (Studi Kasus: Regresi Cox-PLS) [A Study of Partial Least Squares (Case Study: Cox-PLS Regression)] Retno Subekti dan Rosita Kusumawati Jurdik Matematika,
Lebih terperinciInformasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG)
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Informasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG) Aulia Nugrahani
Lebih terperinciSIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS
SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Analisis Survival
BAB 2 LANDASAN TEORI Pada bab ini akan dipaparkan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan bab selanjutnya dan pembahasan utama dalam penelitian
Lebih terperinci