2-RP RENCANA PEMBELAJARAN. Semester : VI Hal: 1 dari 5. No.Revisi : 00. tim. Regresi Nonparametrik. Deskripsi. Kemampuan. lokal).

Transkripsi

1 RP S1 SP 14 A. CAPAIAN PEMBELAJARAN : CP 11.1 : Mampu memodelkan data kuantitatif univariat linier nonlinier. CP15.2 : Mampu mengelola berja dalam tim CP15.4 : Bertanggung jawab atas hasil rja mandiri lompok Hal: 1 dari 5 B. Untuk mencapai CP di atas diperlukan POKOKK BAHASAN sebagai berikut : Review parametrik dasar dasar filosofinya, konsep dasar perbedaanya dengan parametrik, Pengertian tentang Fungsi Spline, Kernel, Deret Fourier, Polinomial Lokal, memodelkan perilaku data berdasarkan pendekatan yang sesuai. C. Mata kuliah Prasyarat : Analisis Regresi D. i CP secara umumm KKNI Level 6 : Kemampuan Penguasaan pengetahuan Kemampuan rja Kemampuan manjerial Sikap tata nilai 6.1 Mampu memahami konsep dasar parametrik, (Spline, Kernel, Deret fourierr Polinomial lokal). 6.2 Mampu membedakan parametrik, serta penggunaannya dalam pemodelan.. Mampu memodelkan data berpasangan menggunakan model yang sesuai dengan pola data, serta mampu memilih model terbaik. Mampu mengambil putusan yang tepat menggunakan berbagai metode sesuai dengan pola data. Mampu berkoordinasi sesama teman dalam berbagi tugas secara lompok. Bertanggung jawab pada perjaan mandiri lompok. Memiliki Etika Profesi, menghargai orang lain, patuh aturan, cerdas amanah kreatif. t prosedur 6.Format / ts Form

2 Hal: 2 dari Mampu memahami konsep Konsep dasar parametrik mampu membedakan parametrik 2. Mampu melakukan Spline. 1. Mampu menyelidiki pola data yang berpola tertentu tidak berpola. 2. Mampu mengidentifikasi data yang mengikuti model parametrik model l. 1. Mampu mencari estimasi parameter model spline dengan metode LS, PLS, MLE ataupun PL. 2. Mampu mencari estimasi model spline.. Konsep dasar parametrik, serta perbedaan dengan parametrik. Estimasi kurva dengan pendekatan Spline. [1], Bab 1-7 [3], Bab 2-3 [1], Bab 3-7 [6], Bab 2 Tugas Soal Tugas Soal 10% / 10% 15% / 25% Mampu melakukan Kernel. Mampu mencari estimasii kurva Kernel Estimasi kurva dengan pendekatan Kernel. [3] Bab 3-4 [4], Bab % / 35% t prosedur 6.Format / ts Form

3 Mampu melakukan Deret Fourier. Mampu mencari estimasi model Deret Fourier Estimasi kurva dengan pendekatan Deret Fourier. Hal: 3 dari 5 15% / 50% Mampu melakukan Polinomial Lokal Mampu mencari estimasi model Polinomial Lokal Estimasi kurva dengan pendekatan Polinomial Lokal [5], Bab 7 10% / 60% ETS Mampu memahami konsep dasar tentang titik knot parameter penghalus (bandwith) dalam spline, rnel, deret fourier polinomial lokal. Mampu memahami peran konsep dasar tentang : 1. Titik knot. 2. Parameter penghalus (bandwith) Konsep dasar tentang titik knot parameter penghalus (bandwith) dalam spline, rnel, deret fourier polinomial lokal. [5], Bab 4 [4], Bab 3 10% / 70% t prosedur 6.Format / ts Form

4 Mampu memilih titik knot parameter penghalus (bandwith) optimal dalam dengan berbagai metode. 8. Mampu memodelkan berbagai hubungan pola data dalam berbagai big ilmu menggunakann pendekatan. Mampu menggunakan metode: 1. GCV 2. CV 3. GML 4. UBR Dalam memilihan titik knot parameter penghalus (bandwith) optimal dalam Mampu memodelkan berbagai hubungan pola data dalam dunia nyata menggunakan : 1. Spline, 2. Kernel, 3. Deret Fourier 3. Polinomial Lokal. Pemilihan titik knot parameter penghalus (bandwith) optimal dalam dengan berbagai metode Aplikasi model Spline, Kernel, Deret Fourierr Polinomial Lokal. [5], Bab 4 [4], Bab 4 [5] Bab 4 [4], Bab 3-4 Hal: 4 dari 5 10% / 80% 10% / 90% Mampu mengembangkan model sederhana, menjadi model Mampu mengembangkan model sederhana menjadi model- model : Model multivariabel, multirespon Data longitudinal, serta semiparametrik. [5], Bab 5 10% / 100% t prosedur 6.Format / ts Form

5 29-30 yang lebih kompleks. 1. Model multivariabel, 2. Model multirespon 3. Model untuk Data longitudinal 4. Model Semiparametrik. EAS Hal: 5 dari 5 Pustaka : 1. Eubank, R.L., 1988, Spline Smoothing and nparametric Regression, Marcel Dekr Ins, New York. 2. Green, P.J. and Silverman, B.W., 1994, nparametric Regression and Generalized Linear Models, Chapman and Hall, London. 3. Hardle, W., 1990, Applied nparametric Regression, Cambridge University Press, New York. 4. Hardle, W., 1991, Smoothing Techniques With Implementation in S, Spinger Verlag, New York. 5. Rupert, D., Wand, M.P, and Carrol, R.J., 2003, Semiparametric Regression, Cambridge University Presss, New York 6. Wahba, G., 1990, Spline Models for Observational Data, SIAM: Pensylvania. t prosedur 6.Format / ts Form