PENAKSIR RATA-RATA DISTRIBUSI EKSPONENSIAL TERPOTONG. Agustinus Simanjuntak ABSTRACT

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENAKSIR RATA-RATA DISTRIBUSI EKSPONENSIAL TERPOTONG. Agustinus Simanjuntak ABSTRACT"

Transkripsi

1 PENAKSIR RATA-RATA DISTRIBUSI EKSPONENSIAL TERPOTONG Agustinus Simanjuntak Mahasiswa Program Studi S1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Bina Widya Pekanbaru 28293, Indonesia ABSTRACT This article discusses mean estimator of truncated exponential distribution published by Al-athari [Journal of Mathematics and Statistics, 4 (2008), ] using Maximum Likelihood Estimator (MLE) and Modified Maximum Likelihood Estimator (MMLE). Both of estimators will be determined accurate estimator by calculated Mean Square Error (MSE) with numerical simulation. Result of simulation explain that M M LE is better to estimate of mean of truncated exponential distribution. Keywords: Truncated exponential distribution, MLE, MMLE, MSE, Converge in distribution ABSTRAK Artikel ini membahas tentang penaksir rata-rata distribusi eksponensial terpotong yang dipublikasikan oleh Al-athari [Journal of Mathematics and Statistics, 4 (2008), ] menggunakan Maximum Likelihood Estimator (MLE) dan Modified Maximum Likelihood Estimator (MMLE). Kedua estimator akan ditentukan estimator yang akurat dengan menghitung Mean Square Error (MSE) menggunakan simulasi numerik. Hasil simulasi menjelaskan MMLE lebih baik dalam menaksir rata-rata distribusi eksponensial terpotong. Kata kunci: Distribusi eksponensial terpotong, MLE, MMLE, MSE, konvergen dalam peluang 1. PENDAHULUAN Pendugaan parameter adalah bagian dari statistik inferensi yang merupakan suatu cara untuk memprediksi karakteristik dari suatu populasi berdasarkan sampel yang diambil. Secara umum pendugaan parameter digolongkan menjadi dua yaitu pendugaan titik dan pendugaan selang. Beberapa metode pendugaan titik yang digunakan untuk menduga parameter diantaranya adalah metode momen, metode 1

2 kuadrat terkecil, M LE dan metode Bayes. M LE merupakan suatu estimator pendugaan parameter yang memaksimalkan fungsi likelihood yang diperkenalkan oleh seorang ahli genetika dan statistik Sir R. A. Fisher antara tahun 1912 sampai 1922 [8]. M LE adalah estimator yang paling populer dari estimasi parameter dan merupakan alat untuk banyak teknik pemodelan statistik, khususnya dalam pemodelan non-linear dengan data non-normal. Dalam kasus sederhana persamaan maximum likelihood, untuk menemukan perkiraan parameter dapat diselesaikan dengan menetapkan derivatif pertama ke nol. Kasus lainnya tidak dapat diselesaikan dalam situasi dimana model adalah kompleks dan melibatkan banyak parameter. Mengevaluasi setiap likelihood untuk semua nilai parameter menjadi sulit dilakukan, bahkan dengan komputer modern. Inilah sebabnya digunakan algoritma optimasi untuk statistik. Tujuan dari optimasi algoritma untuk menemukan secepat mungkin nilai-nilai parameter data yang diamati diperoleh. Ada banyak algoritma tersedia seperti metode Newton Raphson dan algoritma EM. Dalam menemukan sebuah estimator yang lebih mungkin dari M LE, diberikan modifikasi terhadap M LE yaitu M M LE sehingga memenuhi kelayakan pada parameter yang akan ditaksir. Clifford dan Betty [3] melakukan penelitian mengenai modifikasi momen dan M LE untuk pendugaan tiga parameter distribusi gamma dan distribusi Weibull. Dalam penelitian ini M LE dan M M LE digunakan untuk penaksir rata-rata distribusi ekponensial terpotong. 2. DISTRIBUSI EKSPONENSIAL TERPOTONG Salah satu distribusi probabilitas kontinu adalah distribusi eksponensial. Variabel random X dikatakan berdistribusi eksponensial dengan parameter θ mempunyai fkp sebagai berikut [4, h. 194] f(x; θ) = θe θx, x > 0, θ > 0. (1) Ekspektasi dan variansi dari distribusi eksponensial adalah E(X)= 1 dan θ V ar(x) = 1. θ 2 Distribusi eksponensial telah banyak digunakan sebagai model di berbagai bidang. Mulai dari studi umur suatu barang produksi [7], studi kelangsungan hidup dan remisi penyakit kronis [9]. Dalam beberapa situasi, diperlukan perkiraan ratarata antara unsur-unsur dari kelompok populasi tertentu. Sebagai contoh, dalam pengujian masalah distribusi eksponensial adalah estimasi yang terpisah dari rata-rata umur hidup lampu yang bertahan dalam mendekati kurang dari waktu suatu konstanta. Dalam kasus seperti ini, keluarga distribusi terpotong memberikan pemodelan untuk populasi tersebut, kemudian Al-athari [1] memberikan distribusi eksponensial terpotong (truncated exponential distribution). Penelitian ini membahas tentang penaksiran parameter distribusi eksponensial terpotong yang merupakan kajian dari artikel Al-athari [1]. Distribusi ini merupakan 2

3 distribusi eksponensial dengan nilai variabel random X terbatas pada interval [a, b] atau a X b. Titik a adalah titik terpotong di sebelah kiri dan titik b adalah titik terpotong kanan. Penelitian hanya membahas titik terpotong di sebelah kanan (b). Distribusi terpotong muncul dalam statistika dalam kasus di mana kemampuan untuk merekam kejadian terbatas pada nilai-nilai yang berada di atas atau di bawah ambang batas tertentu atau dalam kisaran tertentu. Misalkan X adalah variabel random dengan fungsi kepadatan probabilitas eksponensial dari rata-rata (1/θ) pada persamaan (1), maka fkp dari variabel random Y versi terpotong di sebelah kanan dari X sebagai berikut f(y; θ) = { θe θy (1 e θb ) 1, jika 0 < y b 0, lainnya. dengan b adalah bilangan konstan yang diketahui dan θ > 0. Distribusi eksponensial terpotong mempunyai fungsi kumulatif, ekspektasi dan variansi berturut - turut sebagai berikut (2) F (x) = e θx + 1. (3) 1 e θb E(Y ) = 1 θ b(eθb 1) 1. (4) V ar(y ) = 1 θ 2 b2 [ e θb 1 ] 1 b 2 [ e θb 1 ] 2. Selanjutnya akan dibahas penaksir rata-rata dari distribusi eksponensial terpotong menggunakan MLE dan MMLE. 3. PENAKSIR DARI MLE DAN MMLE Misalkan Y 1, Y 2,..., Y n merupakan sampel random dari distribusi eksponensial terpotong dengan fkp pada persamaan (2) maka fungsi likelihood dari distribusi eksponensial terpotong menjadi L(y; θ) = θ n e θ n i=1 y i [ 1 e θb] n. (5) Rata-rata sampel ȳ = y i, diperoleh fungsi log-likelihood sebagai berikut n ln L(y; θ) = n ln θ n ln ( 1 e θb) θnȳ. (6) Untuk memperoleh penaksir parameter θ dilakukan dengan mencari turunan pertama dari persamaan (6) terhadap θ sehingga diperoleh ( 1 ln L(y; θ) = n θ θ [ be θb 1 e θb] ) 1 ȳ. (7) 3

4 Untuk mendapatkan ˆθ maka persamaan (7) disamakan dengan nol, maka diperoleh ˆθ = 1 b (e θb 1) 1 + ȳ. (8) Solusi ˆθ sulit secara analitik atau dengan kata lain tidak diperolehnya ˆθ secara eksak, hal ini dikarenakan bentuk solusi persamaan yang sangat kompleks. Dalam penelitian ini digunakan Pendekatan limit untuk menyelesaikan solusi ˆθ yaitu dengan menggunakan aturan L Hopital. Karena fungsi log-likelihood terdefinisi dan terdeferensial pada interval (0, ), nilai maksimum dari L(y; θ) ada. Dari pengaturan ln L(y; θ)/ θ = 0 persamaan (7) menjadi sebagai berikut 1 θ b [ e θb 1 ] 1 ȳ = 0. (9) Sisi kiri Persamaan (9) merupakan persamaan yang monoton turun di θ. Jika θ 0, cenderung menuju ke b ȳ. Jika θ, cenderung menuju -ȳ. Oleh karena 2 sisi kiri persamaan (9) monoton turun maka solusi persamaannya adalah unik, jika dan hanya jika 0 < ȳ < b/2. Pada saat 0 < ȳ < b/2, terdapat titik stasioner yaitu θ dengan ln L(y; θ)/ θ = 0 dan tidak terjadi pada sembarang titik batas dari interval (0, ). Rata-rata sampel yaitu ȳ yang diperoleh memberikan representasi yang memadai untuk rata-rata populasi yaitu Ȳ. MLE dari parameter θ adalah { θ ˆθ, jika = Ȳ < b/2 tidak ada, jika Ȳ b/2. Jika n, Ȳ konvergen dalam peluang rata-rata µ(θ) dari fkp distribusi eksponensial terpotong diberikan dalam persamaan (2). Fkp distribusi eksponensial terpotong (2) adalah monoton menurun, argumen geometris sederhana menunjukkan bahwa rata-rata harus terletak di kiri setengah dari interval (0, b) dan µ(θ) < b/2. Jika n maka P (Ȳ < b/2) 1 sehingga MLE θ ada dengan peluang mendekati 1 dengan n. Oleh karena itu, MLE katakan ˆµ 1 dari µ(θ) sebagai berikut {Ȳ, jika Ȳ < b/2 ˆµ 1 = tidak ada, jika Ȳ b/2. (10) Al-athari [1] memberikan modifikasi dari M LE yang diberikan dalam persamaan (10) yaitu didasarkan dengan menemukan sebuah estimator yang sedekat mungkin ke MLE ˆµ 1 dan lebih mungkin untuk memenuhi Kondisi kelayakan 0 < µ(θ) < b/2. Hal ini menunjukkan MMLE katakan ˆµ 2 sebagai berikut {Ȳ, jika Ȳ < b/2 ˆµ 2 = b/2, jika Ȳ b/2. (11) 4

5 MMLE dari parameter θ katakan θ adalah { θ θ, jika = Ȳ < b/2 0, jika Ȳ b/2. Penaksir rata-rata distribusi eksponensial terpotong dengan M M LE diberikan pada persamaan (11). Untuk menentukan penaksir terbaik antara penaksir dari MLE dan penaksir dari MMLE dilakukan perbandingan MSE dari kedua estimator. 4. MEAN SQUARE ERROR (MSE) Penaksir terbaik antara penaksir yang diperoleh dari M LE dan penaksir yang diperoleh dari M M LE didapatkan setelah sifat dari penaksir tersebut diketahui. Sifat penaksir yang digunakan adalah penaksir bias dan penaksir tak bias. Jika penaksir merupakan penaksir tak bias maka dicari variansi, namun jika penaksir adalah penaksir bias dicari M SE penaksir tersebut. Berikut diberikan Teorema MSE: Teorema 1 [2, h. 309] Jika ˆθ adalah penaksir dari θ maka MSE(ˆθ) = V ar(ˆθ) + [ b(ˆθ)] 2. Bukti: Pembuktian dari Teorema 1 dapat dilihat pada buku Bain [2, h. 309]. 5. SIMULASI Nilai sampel random distribusi eksponensial terpotong dapat diperoleh dengan metode transformasi invers fungsi kumulatif distribusi. Dengan menggunakan fkp distribusi eksponensial terpotong pada persamaan (2) dan U i adalah variabel random distribusi Uniform (0,1) diperoleh Y i = 1 θ log [ 1 U i (1 e θb ) ]. (12) Setelah mendapatkan nilai sampel random pada persamaan (12), selanjutnya akan dicari M SE dari M LE dan M M LE. Software yang digunakan adalah M atlab [5] versi Simulasi dilakukan dengan menggunakan ukuran sampel n= 5, 20, 80 dan 150. Nilai parameter θ= 0.05, 0.25, 0.5, 1, batas kanan terpotong b=1 serta pengulangan(replace) sebanyak R=30. Dari Tabel 1 dapat dilihat bahwa pada saat nilai-nilai θ yang berbeda, nilai MSE( θ) lebih kecil dibandingkan dengan nilai MSE(ˆθ). Untuk θ=0.05 ukuran sampel 5, maka diperoleh nilai MSE(ˆθ)= dan nilai MSE( θ)= Pada ukuran sampel 20 nilai MSE(ˆθ)= dan MSE( θ)= Hingga pada 5

6 Tabel 1: MSE dari MLE dan MMLE dengan b=1, θ=0.05, 0.25, 0.5 dan 1. n MSE(ˆθ) θ = 0.05 θ = 0.25 MSE( θ) Selisih Nilai MSE(ˆθ) MSE( θ) Selisih Nilai n MSE(ˆθ) θ = 0.5 θ = 1 MSE( θ) Selisih Nilai MSE(ˆθ) MSE( θ) Selisih Nilai ukuran sampel 80 nilai MSE(ˆθ) dan MSE( θ) semakin naik yaitu dan serta pada ukuran sampel 150 nilai MSE(ˆθ) menjadi dan Selisih nilai MSE untuk ukuran sampel 5 yaitu , hingga pada ukuran sampel 150 selisih nilai M SEnya menurun mencapai Ketika θ=1 ukuran sampel yang diambil 5 nilai MSE(ˆθ)= dan nilai MSE( θ)= Sampai pada ukuran yang besar yaitu 150 nilai MSE(ˆθ) adalah sedangkan nilai MSE( θ) bernilai Hal ini menunjukkan bahwa nilai MSE(ˆθ) akan mendekati nilai MSE( θ) untuk ukuran sampel yang besarnya tak hingga. Penaksir rata-rata menggunakan M M LE memiliki nilai M SE lebih kecil dari nilai M SE penaksir M LE. Untuk setiap nilai θ berbeda, semakin besar ukuran sampel maka selisih dari nilai dan akan mendekati nol. Hal ini menunjukan bahwa nilai akan mendekati nilai untuk ukuran sampel yang semakin kecil. 6. KESIMPULAN Berdasarkan hasil pembahasan bab-bab sebelumnya, maka diperoleh kesimpulan bahwa estimasi rata-rata distribusi eksponensial terpotong telah didapatkan dari MLE dan MMLE. Penyelesaian ˆθ pada MLE diselesaikan dengan pendekatan limit yaitu aturan L Hopital. Selanjutnya M M LE diberikan oleh Al-athari [1] dengan memodifikasi M LE sehingga memenuhi nilai kelayakan untuk penaksir rata-rata distribusi eksponensial terpotong. Simulasi dilakukan dengan menggunakan ukuran sampel n = 5, 20, 80 dan 150. Nilai parameter θ adalah 0.05, 0.25, 0.5 dan 1. Hasil simulasi menunjukkan bahwa nilai M SE M M LE lebih kecil dibanding nilai M SE M LE. Beberapa keunggulan M M LE yaitu estimatornya selalu ada, cepat dan mudah untuk menghitung dan lebih mungkin untuk menghasilkan nilai layak untuk estimasi rata-rata. Jadi dapat disimpulkan penaksir M M LE lebih baik dari M LE untuk penaksir rata-rata distribusi eksponensial terpotong. 6

7 Ucapan Terimakasih Penulis mengucapkan terima kasih kepada dosen Pembimbing Drs. Sigit Sugiarto, M.Si. dan Bapak Drs. Bustami, M.Si. yang telah memberikan arahan dan bimbingan dalam penulisan skripsi penulis yang menjadi acuan artikel ini. 7

8 DAFTAR PUSTAKA [1] F. M. Al-athari, Estimation of the mean of truncated exponential distribution, Journal of Mathematics and Statistics, 4 (2008), [2] L. J. Bain dan M. Engelhardt, Introduction to Probability and Mathematical Statistics, Second Edition, Duxbury, USA, [3] A. C. Cohen dan B. Whitten, Modified maximum likelihood and modified moment estimators for the three-parameter weibull distribution, Communications in Statistics - Theory and Methods, 11 (1982), [4] J. L. Devore dan K. N. Berk, Modern Mathematical Statistics with Applications, Duxbury, California, [5] E. P. Enander, A. Sjoberg dan P. Isaksson, The MATLAB, Addison Wesley, Longman, [6] R. V. Hogg dan T. C. Allen, Introduction to Mathematical Statistics, Fifty Edition, Prentice-Hall, New Jersey, [7] J. F. Lawless, Statistical Models and Methods for Lifetime Data, Second Edition, John Wiley and Sons, Inc., Hoboken, New Jersey, [8] K. M. Ramachandran dan C. P. Tsokos, Mathematical Statistics with Applications, Elsevier Academic Press, San Diego, USA, [9] R. Shanker, H. Fesshaye dan S. Selvaraj, On modeling of lifetimes data using exponential and lindley distributions, Biometrics & Biostatistics International Journal, 2 (2015), [10] R. E. Walpole, R. H. Myers, S. L. Myers dan K. Ye, Ilmu Peluang dan Statistika untuk insiyur dan Ilmuwan, Edisi Keempat, Terj. dari Probability and Statistics for Engineers and Scientists, Fourty Edition, oleh R. E. Walpole dan R. H. Myers, Penerbit ITB, Bandung,

PENAKSIR PARAMETER DISTRIBUSI INVERS MAXWELL UKURAN BIAS SAMPEL MENGGUNAKAN METODE BAYESIAN. Rince Adrianti 1, Haposan Sirait 2 ABSTRACT ABSTRAK

PENAKSIR PARAMETER DISTRIBUSI INVERS MAXWELL UKURAN BIAS SAMPEL MENGGUNAKAN METODE BAYESIAN. Rince Adrianti 1, Haposan Sirait 2 ABSTRACT ABSTRAK PENAKSIR PARAMETER DISTRIBUSI INVERS MAXWELL UKURAN BIAS SAMPEL MENGGUNAKAN METODE BAYESIAN Rince Adrianti, Haposan Sirait Mahasiswa Program Studi S Matematika Dosen Matematika, Jurusan Matematika Fakultas

Lebih terperinci

OLEH : Riana Ekawati ( ) Dosen Pembimbing : Dra. Farida Agustini W, M.S

OLEH : Riana Ekawati ( ) Dosen Pembimbing : Dra. Farida Agustini W, M.S OLEH : Riana Ekawati (1205 100 014) Dosen Pembimbing : Dra. Farida Agustini W, M.S Salah satu bagian penting dari statistika inferensia adalah estimasi titik. Estimasi titik mendasari terbentuknya inferensi

Lebih terperinci

PENAKSIR RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KURTOSIS PADA SAMPLING ACAK SEDERHANA

PENAKSIR RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KURTOSIS PADA SAMPLING ACAK SEDERHANA PENAKSIR RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KURTOSIS PADA SAMPLING ACAK SEDERHANA Erpan Gusnawan 1, Arisman Adnan 2, Haposan Sirait 2 1 Mahasiswa Program Studi S1 Matematika

Lebih terperinci

MODEL 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. 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 terperinci

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER 1 ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN

Lebih terperinci

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER 1 ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER A. Musdalifa, Raupong, Anna Islamiyati Abstrak Estimasi parameter adalah merupakan hal

Lebih terperinci

Sarimah. ABSTRACT

Sarimah. ABSTRACT PENDETEKSIAN OUTLIER PADA REGRESI LOGISTIK DENGAN MENGGUNAKAN TEKNIK TRIMMED MEANS Sarimah Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas

Lebih terperinci

PENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM

PENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM BIAStatistics (2015) Vol. 9, 2, hal. 28-32 PENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM Munawar Jurusan Matematika FMIPA Universitas Syiah

Lebih terperinci

DEFICIENCY PENAKSIR PARAMETER PADA DISTRIBUSI GAMMA

DEFICIENCY PENAKSIR PARAMETER PADA DISTRIBUSI GAMMA digilib.uns.ac.id DEFICIENCY PENAKSIR PARAMETER PADA DISTRIBUSI GAMMA oleh ANIS TELAS TANTI M0106003 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika

Lebih terperinci

BAB 1 PENDAHULUAN Latar Belakang

BAB 1 PENDAHULUAN Latar Belakang BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam pembicaraan statistik, jawaban yang diinginkan adalah jawaban untuk ruang lingkup yang lebih luas, yakni populasi. Tetapi objek dari studi ini menggunakan sampel

Lebih terperinci

PENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 23 28 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD FEBY RIDIANI Program

Lebih terperinci

ESTIMASI PARAMETER UNTUK DISTRIBUSI HALF LOGISTIK. Jl. A. Yani Km. 36 Banjarbaru, Kalimantan Selatan

ESTIMASI PARAMETER UNTUK DISTRIBUSI HALF LOGISTIK. Jl. A. Yani Km. 36 Banjarbaru, Kalimantan Selatan Jurnal Matematika Murni dan Terapan εpsilon Vol. 07, No.01, 201, Hal. 45 52 ESTIMASI PARAMETER UNTUK DISTRIBUSI HALF LOGISTIK Rizqi Elmuna Hidayah 1, Nur Salam 2 dan Dewi Sri Susanti 1,2, Program Studi

Lebih terperinci

ESTIMATOR BAYES UNTUK RATA-RATA TAHAN HIDUP DARI DISTRIBUSI RAYLEIGH PADA DATA DISENSOR TIPE II

ESTIMATOR BAYES UNTUK RATA-RATA TAHAN HIDUP DARI DISTRIBUSI RAYLEIGH PADA DATA DISENSOR TIPE II UJM 3 (2) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm ESTIMATOR BAYES UNTUK RATA-RATA TAHAN HIDUP DARI DISTRIBUSI RAYLEIGH PADA DATA DISENSOR TIPE II Roudlotin Ni mah,

Lebih terperinci

KAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN SIX SIGMA. Victoria Dwi Murti 1, Sudarno 2, Suparti 3

KAJIAN 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 terperinci

PENAKSIR MAKSIMUM LIKELIHOOD DENGAN METODE ITERASI NEWTON - RAPHSON

PENAKSIR MAKSIMUM LIKELIHOOD DENGAN METODE ITERASI NEWTON - RAPHSON PENAKSIR MAKSIMUM LIKELIHOOD DENGAN METODE ITERASI NEWTON - RAPHSON Haposan Sirait 1 dan Rustam Efendi 2 1,2 Dosen Program Studi Matematika FMIPA Universitas Riau. Abstrak: Makalah ini menyajikan tentang

Lebih terperinci

UJI LIKELIHOOD RASIO UNTUK PARAMETER DISTRIBUSI WEIBULL

UJI LIKELIHOOD RASIO UNTUK PARAMETER DISTRIBUSI WEIBULL UJI LIKELIHOOD RASIO UNTUK PARAMETER DISTRIBUSI WEIBULL Sartika 1) Wayan Somayasa 2) Rahmaliah Sahupala 2) 1) Mahasiswa Program Studi Matematika 2) Dosen Program Studi Matematika Jurusan Matematika F-MIPA

Lebih terperinci

METODE ITERASI BARU BERTIPE SECANT DENGAN KEKONVERGENAN SUPER-LINEAR. Rino Martino 1 ABSTRACT

METODE ITERASI BARU BERTIPE SECANT DENGAN KEKONVERGENAN SUPER-LINEAR. Rino Martino 1 ABSTRACT METODE ITERASI BARU BERTIPE SECANT DENGAN KEKONVERGENAN SUPER-LINEAR Rino Martino 1 1 Mahasiswa Program Studi S1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Binawidya

Lebih terperinci

Algoritma Expectation-Maximization(EM) Untuk Estimasi Distribusi Mixture

Algoritma Expectation-Maximization(EM) Untuk Estimasi Distribusi Mixture Vol. 4, No., Oktober 04 Algoritma Expectation-Maximization(EM) Untuk Estimasi Distribusi Mixture Tomy Angga Kusuma ), Suparman ) ) Program Studi Matematika FMIPA UAD ) Program Studi Pend. Matematika UAD

Lebih terperinci

Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar

Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Vol.14, No. 2, 159-165, Januari 2018 Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Sutrianah Burhan 1, Andi Kresna Jaya 1

Lebih terperinci

PERBANDINGAN KUASA WILCOXON RANK SUM TEST DAN PERMUTATION TEST DALAM BERBAGAI DISTRIBUSI TIDAK NORMAL

PERBANDINGAN KUASA WILCOXON RANK SUM TEST DAN PERMUTATION TEST DALAM BERBAGAI DISTRIBUSI TIDAK NORMAL Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 139 146 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN KUASA WILCOXON RANK SUM TEST DAN PERMUTATION TEST DALAM BERBAGAI DISTRIBUSI TIDAK NORMAL

Lebih terperinci

SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS

SIMULASI 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 terperinci

ESTIMASI 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 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 terperinci

MODIFIKASI METODE CAUCHY DENGAN ORDE KONVERGENSI EMPAT. Masnida Esra Elisabet ABSTRACT

MODIFIKASI METODE CAUCHY DENGAN ORDE KONVERGENSI EMPAT. Masnida Esra Elisabet ABSTRACT MODIFIKASI METODE CAUCHY DENGAN ORDE KONVERGENSI EMPAT Masnida Esra Elisabet Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Riau Kampus

Lebih terperinci

MASALAH 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) 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 terperinci

Penaksiran Parameter Model Kalibrasi Linier yang Berdistribusi Skew-Normal dengan Algoritma-EM

Penaksiran Parameter Model Kalibrasi Linier yang Berdistribusi Skew-Normal dengan Algoritma-EM Vol. 12, No. 1, 36-47, Juli 2015 Penaksiran Parameter Model Kalibrasi Linier yang Berdistribusi Skew-Normal dengan Algoritma-EM Try Widyaiswara Hairil 1, Anna Islamiyati 1, Raupong 1 Abstrak Sebuah penelitian

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Kesehatan merupakan bagian yang penting dalam kehidupan manusia karena kesehatan memengaruhi aktifitas hidup manusia. Dengan tubuh yang sehat manusia dapat menjalankan

Lebih terperinci

LANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel

LANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel 5 II. LANDASAN TEORI 2.1 Model Regresi Poisson Analisis regresi merupakan metode statistika yang populer digunakan untuk menyatakan hubungan antara variabel respon Y dengan variabel-variabel prediktor

Lebih terperinci

Kata Kunci: Model Regresi Logistik Biner, metode Maximum Likelihood, Demam Berdarah Dengue

Kata Kunci: Model Regresi Logistik Biner, metode Maximum Likelihood, Demam Berdarah Dengue Jurnal Matematika UNAND Vol. VI No. 1 Hal. 9 16 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN DBD (DEMAM BERDARAH DENGUE) MENGGUNAKAN REGRESI LOGISTIK

Lebih terperinci

Pengantar Statistika Matematika II

Pengantar Statistika Matematika II Pengantar Statistika Matematika II Distribusi Sampling Atina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com Bila sampling berasal dari populasi yang

Lebih terperinci

Pemodelan Data Curah Hujan Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process

Pemodelan Data Curah Hujan Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process Prosiding Statistika ISSN: 2460-6456 Pemodelan Data Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process 1 Novi Tri Wahyuni, 2 Sutawatir Darwis, 3 Teti Sofia Yanti 1,2,3 Prodi

Lebih terperinci

APLIKASI METODE BESARAN PIVOTAL DALAM PENENTUAN SELANG KEYAKINAN TAKSIRAN PARAMETER POPULASI. Agus Rusgiyono Jurusan Matematika FMIPA UNDIP.

APLIKASI METODE BESARAN PIVOTAL DALAM PENENTUAN SELANG KEYAKINAN TAKSIRAN PARAMETER POPULASI. Agus Rusgiyono Jurusan Matematika FMIPA UNDIP. APLIKASI METODE BESARAN PIVOTAL DALAM PENENTUAN SELANG KEYAKINAN TAKSIRAN PARAMETER POPULASI. Agus Rusgiyono Jurusan Matematika FMIPA UNDIP Abstraks Diberikan populasi dengan densitas dengan parameter,

Lebih terperinci

MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES

MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES Hartayuni Saini 1 1 Jurusan Matematika, FMIPA-UNTAD. e-mail: yunh3_chendist@yahoo.co.id Abstrak Untuk menaksir nilai µ dari N(µ, ) umumnya digunakan

Lebih terperinci

CADANGAN ASURANSI PENDIDIKAN MENGGUNAKAN DISTRIBUSI PARETO DENGAN TINGKAT BUNGA VASICEK. Reinhard Sianipar 1, Hasriati 2 ABSTRACT

CADANGAN ASURANSI PENDIDIKAN MENGGUNAKAN DISTRIBUSI PARETO DENGAN TINGKAT BUNGA VASICEK. Reinhard Sianipar 1, Hasriati 2 ABSTRACT CADANGAN ASURANSI PENDIDIKAN MENGGUNAKAN DISTRIBUSI PARETO DENGAN TINGKAT BUNGA VASICEK Reinhard Sianipar, Hasriati 2 Mahasiswa Program Studi S Matematika 2 Dosen Jurusan Matematika Jurusan Matematika

Lebih terperinci

Perbandingan Estimasi Parameter Pada Distribusi Eksponensial Dengan Menggunakan Metode Maksimum Likelihood Dan Metode Bayesian

Perbandingan Estimasi Parameter Pada Distribusi Eksponensial Dengan Menggunakan Metode Maksimum Likelihood Dan Metode Bayesian Perbandingan Estimasi Parameter Pada Distribusi Eksponensial Dengan Menggunakan Metode Maksimum Likelihood Dan Metode Bayesian Rado Yendra 1, Elsa Tria Noviadi 2 1,2 Jurusan Matematika, Fakultas Sains

Lebih terperinci

SIMULASI INTENSITAS SENSOR DALAM PENDUGAAN PARAMATER DISTRIBUSI WEIBULL TERSENSOR KIRI. Abstract

SIMULASI 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 terperinci

STATISTIKA UNIPA SURABAYA

STATISTIKA UNIPA SURABAYA MATEMATIKA STATISTIKA (MATHEMATICAL STATISTICS) GANGGA ANURAGA Materi : Distribusi variabel random Teori Himpunan Fungsi Himpunan Fungsi Himpunan Peluang Variabel Random Fungsi Kepadatan Peluang Fungsi

Lebih terperinci

ESTIMASI PARAMETER REGRESI RANK BERDISTRIBUSI EKSPONENSIAL DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL TERBOBOTI

ESTIMASI PARAMETER REGRESI RANK BERDISTRIBUSI EKSPONENSIAL DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL TERBOBOTI ESTIMASI PARAMETER REGRESI RANK BERDISTRIBUSI EKSPONENSIAL DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL TERBOBOTI Megawati 1, Anisa 2, Raupong. 3 Abstrak Regresi kuadrat terkecil berdasarkan plot peluang,

Lebih terperinci

ESTIMASI PARAMETER MODEL MIXTURE AUTOREGRESSIVE (MAR) MENGGUNAKAN ALGORITMA EKSPEKTASI MAKSIMISASI (EM) Abstract

ESTIMASI PARAMETER MODEL MIXTURE AUTOREGRESSIVE (MAR) MENGGUNAKAN ALGORITMA EKSPEKTASI MAKSIMISASI (EM) Abstract Estimasi Parameter (Mika Asrini) ESTIMASI PARAMETER MODEL MIXTURE AUTOREGRESSIVE (MAR) MENGGUNAKAN ALGORITMA EKSPEKTASI MAKSIMISASI (EM) Mika Asrini 1, Winita Sulandari 2, Santoso Budi Wiyono 3 1 Mahasiswa

Lebih terperinci

PENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA

PENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 53 61 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA OLIVIA ATINRI,

Lebih terperinci

BAB I PENDAHULUAN. Waktu hidup adalah waktu terjadinya suatu peristiwa. Peristiwa yang

BAB I PENDAHULUAN. Waktu hidup adalah waktu terjadinya suatu peristiwa. Peristiwa yang BAB I PENDAHULUAN 1.1 Latar Belakang Waktu hidup adalah waktu terjadinya suatu peristiwa. Peristiwa yang dimaksud di sini adalah peristiwa kegagalan yang dapat berupa tidak berfungsinya benda tersebut

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Metode statistika adalah prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis, dan penafsiran data. Metode statistika dibagi ke dalam dua kelompok

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi

Lebih terperinci

ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK

ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK Adri Arisena 1, Anna Chadidjah 2, Achmad Zanbar Soleh 3 Departemen Statistika Universitas Padjadjaran 1 Departemen Statistika

Lebih terperinci

Distribusi Weibull Power Series

Distribusi Weibull Power Series Distribusi Weibull Power Series Maulida Yanti 1, Sarini S.Si.,M.Stats 2 1 Mahasiswa Departemen Matematika, FMIPA UI, Kampus UI Depok, 16424 2 Staff Pengajar Departemen Matematika, FMIPA UI, Kampus UI Depok,

Lebih terperinci

KAJIAN RELIABILITAS DAN AVAILABILITAS PADA SISTEM KOMPONEN PARALEL. Riana Ayu Andam P. 1, Sudarno 2, Suparti 3

KAJIAN RELIABILITAS DAN AVAILABILITAS PADA SISTEM KOMPONEN PARALEL. Riana Ayu Andam P. 1, Sudarno 2, Suparti 3 ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 2, Tahun 2014, Halaman 243-252 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KAJIAN RELIABILITAS DAN AVAILABILITAS PADA SISTEM KOMPONEN PARALEL

Lebih terperinci

ESTIMASI CONFIDENCE INTERVAL BOOTSTRAP UNTUK ANALISIS DATA SAMPEL TERBATAS

ESTIMASI CONFIDENCE INTERVAL BOOTSTRAP UNTUK ANALISIS DATA SAMPEL TERBATAS ESTIMASI CONFIDENCE INTERVAL BOOTSTRAP UNTUK ANALISIS DATA SAMPEL TERBATAS Asep Solih A* Abstrak Dalam analisis data seringkali peneliti ingin mengetahui karakteristik data penelitian seperti jenis distribusi,

Lebih terperinci

DISTRIBUSI ERLANG DAN PENERAPANNYA. Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS

DISTRIBUSI ERLANG DAN PENERAPANNYA. Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS DISTRIBUSI ERLANG DAN PENERAPANNYA Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS nia.rini.purita2316@gmail.com, getut.uns@gmail.com ABSTRAK

Lebih terperinci

BAB I PENDAHULUAN. penerbangan, kedokteran, teknik mesin, software komputer, bahkan militer

BAB I PENDAHULUAN. penerbangan, kedokteran, teknik mesin, software komputer, bahkan militer BAB I PENDAHULUAN A. Latar Belakang Statistika merupakan salah satu ilmu matematika yang terus berkembang dari waktu ke waktu. Di dalamnya mencakup berbagai sub pokok-sub pokok materi yang sangat bermanfaat

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data antar kejadian (time-to-event data) adalah data lama waktu sampai suatu peristiwa terjadi atau sering disebut data survival. Untuk memperoleh data antar

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di zaman sekarang, kemajuan sains dan teknologi sangat berkembang pesat. Salah satu ilmu yang berkembang adalah matematika yang merupakan induk dari semua ilmu

Lebih terperinci

Pengantar Statistika Matematika II

Pengantar Statistika Matematika II Bab 3: Statistika FMIPA Universitas Islam Indonesia Bila sampling berasal dari populasi yang digambarkan melalui fungsi peluang f X (x θ), pengetahuan tentang θ menghasilkan karakteristik mengenai keseluruhan

Lebih terperinci

PERLUASAN DISTRIBUSI CHEN (DISTRIBUSI XTG)

PERLUASAN DISTRIBUSI CHEN (DISTRIBUSI XTG) PERLUASAN DISTRIBUSI CHEN (DISTRIBUSI XTG) Ana Zuliastuti 1, Sarini 2 1 Mahasiswa Departemen Matematika, FMIPA UI, Kampus UI Depok, 16424 2 Staff Pengajar Departemen Matematika, FMIPA UI, Kampus UI Depok,

Lebih terperinci

Estimasi Titik. (Point Estimation) Minggu ke 1-3. Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada

Estimasi Titik. (Point Estimation) Minggu ke 1-3. Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada Estimasi Titik (Point Estimation) Minggu ke 1-3 Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada 2014 Prof. Dr. Sri Haryatmi, M. Sc. (UGM) Daftar Isi 2014 1 / 33 DAFTAR ISI 1 Minggu 1 Pertemuan 1

Lebih terperinci

Sampling dengan Simulasi Komputer

Sampling dengan Simulasi Komputer Modul Sampling dengan Simulasi Komputer PENDAHULUAN Sutawanir Darwis M etode statistika merupakan alat untuk menyelesaikan masalah apabila solusi analitik tidak mungkin diperoleh. Dengan metode statistika

Lebih terperinci

ESTIMASI PARAMETER DISTRIBUSI LOGLOGISTIK PADA DATA TERSENSOR PROGRESSIVE TIPE II DENGAN MENGGUNAKAN ALGORITMA EM SKRIPSI

ESTIMASI PARAMETER DISTRIBUSI LOGLOGISTIK PADA DATA TERSENSOR PROGRESSIVE TIPE II DENGAN MENGGUNAKAN ALGORITMA EM SKRIPSI ESTIMASI PARAMETER DISTRIBUSI LOGLOGISTIK PADA DATA TERSENSOR PROGRESSIVE TIPE II DENGAN MENGGUNAKAN ALGORITMA EM SKRIPSI ANNAS RIEZKI ROMADHONI PROGRAM STUDI S-1 MATEMATIKA DEPARTEMEN MATEMATIKA FAKULTAS

Lebih terperinci

PERKIRAAN SELANG KEPERCAYAAN UNTUK PARAMETER PROPORSI PADA DISTRIBUSI BINOMIAL

PERKIRAAN SELANG KEPERCAYAAN UNTUK PARAMETER PROPORSI PADA DISTRIBUSI BINOMIAL PERKIRAAN SELANG KEPERCAYAAN UNTUK PARAMETER PROPORSI PADA DISTRIBUSI BINOMIAL Jainal, Nur Salam, Dewi Sri Susanti Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lambung

Lebih terperinci

BAB IV KESIMPULAN DAN SARAN. maka dapat disimpulkan sebagai berikut: 1. Langkah-langkah dalam menentukan model EGARCH pada pemodelan data

BAB IV KESIMPULAN DAN SARAN. maka dapat disimpulkan sebagai berikut: 1. Langkah-langkah dalam menentukan model EGARCH pada pemodelan data BAB IV KESIMPULAN DAN SARAN A. Kesimpulan Berdasarkan uraian dan pembahasan pada bab-bab sebelumnya, maka dapat disimpulkan sebagai berikut: 1. Langkah-langkah dalam menentukan model EGARCH pada pemodelan

Lebih terperinci

MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI LOG-LOGISTIK ABSTRAK

MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI LOG-LOGISTIK ABSTRAK JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 83-92 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI LOG-LOGISTIK Ibnu

Lebih terperinci

Penerapan Model Frailty Weibull-Eksponensial pada Data Tabel Mortalitas Indonesia Tahun 1999

Penerapan Model Frailty Weibull-Eksponensial pada Data Tabel Mortalitas Indonesia Tahun 1999 Prosiding Statistika ISSN: 2460-6456 Penerapan Model Frailty Weibull-Eksponensial pada Data Tabel Mortalitas Indonesia Tahun 1999 1 Anjalina Kusumawardhani, 2 Aceng Komarudin Mutaqin, 3 Lisnur Wachidah

Lebih terperinci

FAMILI METODE ITERASI BEBAS TURUNAN DENGAN ORDE KONVERGENSI ENAM. Oktario Anjar Pratama ABSTRACT

FAMILI METODE ITERASI BEBAS TURUNAN DENGAN ORDE KONVERGENSI ENAM. Oktario Anjar Pratama ABSTRACT FAMILI METODE ITERASI BEBAS TURUNAN DENGAN ORDE KONVERGENSI ENAM Oktario Anjar Pratama Mahasiswa Program Studi S Matematika Dosen Jurusan Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan

Lebih terperinci

MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL SKRIPSI

MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL SKRIPSI MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL SKRIPSI Oleh : WINDA FAATI KARTIKA J2E 006 039 PRODI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

Lebih terperinci

KAJIAN MODEL MARKOV WAKTU DISKRIT UNTUK PENYEBARAN PENYAKIT MENULAR PADA MODEL EPIDEMIK SIR. Oleh: RAFIQATUL HASANAH NRP.

KAJIAN MODEL MARKOV WAKTU DISKRIT UNTUK PENYEBARAN PENYAKIT MENULAR PADA MODEL EPIDEMIK SIR. Oleh: RAFIQATUL HASANAH NRP. TUGAS AKHIR KAJIAN MODEL MARKOV WAKTU DISKRIT UNTUK PENYEBARAN PENYAKIT MENULAR PADA MODEL EPIDEMIK SIR Oleh: RAFIQATUL HASANAH NRP. 1208 100 021 Dosen Pembimbing: Dra. Laksmi Prita Wardhani, M.Si. Drs.

Lebih terperinci

Catatan Kuliah. MA4183 Model Risiko Forecast, assess, and control your risk. Dosen: Khreshna I.A. Syuhada, MSc. PhD.

Catatan Kuliah. MA4183 Model Risiko Forecast, assess, and control your risk. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Catatan Kuliah MA4183 Model Risiko Forecast, assess, and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA4183

Lebih terperinci

Catatan Kuliah. MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.

Catatan Kuliah. MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Catatan Kuliah MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2018

Lebih terperinci

Analisis Survival Parametrik Pada Data Tracer Study Universitas Sriwijaya

Analisis 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 terperinci

PENGGUNAAN ANALISIS KETAHANAN HIDUP UNTUK PENENTUAN PERIODE GARANSI DAN HARGA PRODUK PADA DATA WAKTU HIDUP LAMPU NEON

PENGGUNAAN ANALISIS KETAHANAN HIDUP UNTUK PENENTUAN PERIODE GARANSI DAN HARGA PRODUK PADA DATA WAKTU HIDUP LAMPU NEON ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 463-476 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENGGUNAAN ANALISIS KETAHANAN HIDUP UNTUK PENENTUAN PERIODE

Lebih terperinci

(M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT

(M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT Univeitas Padjadjaran, 3 November 00 (M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT Vita Ratnasari, Purhadi, Ismaini, Suhartono Mahasiswa S3 Jurusan Statistika

Lebih terperinci

BAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur

BAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur BAB I PENDAHULUAN 1.1 Latar Belakang Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis dan interpretasi data. Statistika

Lebih terperinci

INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT. Oleh : ADE CANDRA SISKA NIM: J2E SKRIPSI

INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT. Oleh : ADE CANDRA SISKA NIM: J2E SKRIPSI INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT Oleh : ADE CANDRA SISKA NIM: J2E 006 002 SKRIPSI Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains Pada

Lebih terperinci

Pengantar Statistika Matematika II

Pengantar Statistika Matematika II Bab 4: Metode Evaluasi Estimator Statistika FMIPA Universitas Islam Indonesia Penggunaan metode estimasi yang berbeda dapat menghasilkan estimator yang sama maupun berbeda Dari hasil estimator yang berbeda,

Lebih terperinci

MODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON

MODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON MODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON Ade Susanti, Dewi Retno Sari Saputro, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak

Lebih terperinci

INDEKS KEMAMPUAN PROSES BERDASARKAN PROPORSI PERSESUAIAN UNTUK DISTRIBUSI NON NORMAL

INDEKS KEMAMPUAN PROSES BERDASARKAN PROPORSI PERSESUAIAN UNTUK DISTRIBUSI NON NORMAL J. Math. and Its Appl. ISSN: 1829-605X Vol. 7, No. 2, November 2010, 47 55 INDEKS KEMAMPUAN PROSES BERDASARKAN PROPORSI PERSESUAIAN UNTUK DISTRIBUSI NON NORMAL Laksmi P Wardhani 1, Resty Z Fahrida, Nur

Lebih terperinci

PENDUGAAN PARAMETER STATISTIK INDUSTRI 1

PENDUGAAN PARAMETER STATISTIK INDUSTRI 1 PENDUGAAN PARAMETER STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Mengetahui populasi dan membuat pernyataan peluang mengenai elemen yang diambil dari populasi tersebut Tidak mengetahui distribusi

Lebih terperinci

DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN. Sudarno Jurusan Matematika FMIPA UNDIP. Abstrak

DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN. Sudarno Jurusan Matematika FMIPA UNDIP. Abstrak DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN Sudarno Jurusan Matematika FMIPA UNDIP Abstrak Dalam proses stokhastik yang mana kejadian dapat muncul kembali membentuk proses pembahauruan. Proses pembaharuan

Lebih terperinci

ESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP

ESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP ESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP PADA DATA PASIEN HIPERKOLESTEROLEMIA DI BALAI LABORATORIUM KESEHATAN YOGYAKARTA Fransiska Grase S.W, Sri Sulistijowati H.,

Lebih terperinci

ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN

ESTIMASI 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 terperinci

Pertemuan 8 STATISTIKA INDUSTRI 2 08/11/2013. Introduction to Linier Regression. Introduction to Linier Regression. Introduction to Linier Regression

Pertemuan 8 STATISTIKA INDUSTRI 2 08/11/2013. Introduction to Linier Regression. Introduction to Linier Regression. Introduction to Linier Regression Pertemuan 8 STATISTIKA INDUSTRI 2 TIN 4004 Outline: Regresi Linier Sederhana dan Korelasi (Simple Linier Regression and Correlation) Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and Probability

Lebih terperinci

ANALISA KEANDALAN PADA PERALATAN UNIT PENGGILINGAN AKHIR SEMEN UNTUK MENENTUKAN JADWAL PERAWATAN MESIN (STUDI KASUS PT. SEMEN INDONESIA PERSERO TBK.

ANALISA KEANDALAN PADA PERALATAN UNIT PENGGILINGAN AKHIR SEMEN UNTUK MENENTUKAN JADWAL PERAWATAN MESIN (STUDI KASUS PT. SEMEN INDONESIA PERSERO TBK. ANALISA KEANDALAN PADA PERALATAN UNIT PENGGILINGAN AKHIR SEMEN UNTUK MENENTUKAN JADWAL PERAWATAN MESIN (STUDI KASUS PT. SEMEN INDONESIA PERSERO TBK.) I Gusti Ngr. Rai Usadha 1), Valeriana Lukitosari 2),

Lebih terperinci

ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL

ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL 1) Program Studi Matematika Universitas Ahmad Dahlan dian@math.uad.ac.id

Lebih terperinci

Azzakiy Fiddarain ABSTRACT

Azzakiy Fiddarain ABSTRACT IDENTIFIKASI TITIK HIGH LEVERAGE PADA MODEL REGRESI LOGISTIK DENGAN METODE ROBUST LOGISTIC DIAGNOSTIC Azzakiy Fiddarain Mahasiswa Program Studi S1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam

Lebih terperinci

BAB I PENDAHULUAN Latar Belakang Masalah

BAB I PENDAHULUAN Latar Belakang Masalah BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Distribusi probabilitas binomial adalah distribusi probabilitas diskrit yang paling sering digunakan untuk merepresentasikan kejadian dalam kehidupan sehari-hari.

Lebih terperinci

PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL

PENERAPAN 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu

Lebih terperinci

II. TINJAUAN PUSTAKA. Analisis survival (survival analysis) atau analisis kelangsungan hidup bertujuan

II. TINJAUAN PUSTAKA. Analisis survival (survival analysis) atau analisis kelangsungan hidup bertujuan II. TINJAUAN PUSTAKA 2.1 Analisis Survival Analisis survival (survival analysis) atau analisis kelangsungan hidup bertujuan menduga probabilitas kelangsungan hidup, kekambuhan, kematian, dan peristiwaperistiwa

Lebih terperinci

METODE ITERASI ORDE EMPAT DAN ORDE LIMA UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR. Imaddudin ABSTRACT

METODE ITERASI ORDE EMPAT DAN ORDE LIMA UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR. Imaddudin ABSTRACT METODE ITERASI ORDE EMPAT DAN ORDE LIMA UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR Imaddudin Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas

Lebih terperinci

KEKUATAN KONVERGENSI DALAM PROBABILITAS DAN KONVERGENSI ALMOST SURELY

KEKUATAN KONVERGENSI DALAM PROBABILITAS DAN KONVERGENSI ALMOST SURELY KEKUATAN KONVERGENSI DALAM PROBABILITAS DAN KONVERGENSI ALMOST SURELY Joko Sungkono* Abstrak : Tujuan yang ingin dicapai pada tulisan ini adalah mengetahui kekuatan konvergensi dalam probabilitas dan konvergensi

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang

BAB I PENDAHULUAN 1.1. Latar Belakang BAB I PENDAHULUAN 1.1. Latar Belakang Regresi Poisson telah mendapat banyak perhatian dalam literatur sebagai model untuk mendeskripsikan data hitungan yang mengasumsikan nilai bilangan bulat sesuai dengan

Lebih terperinci

KAJIAN FUNGSI nls( ) DAN fsrr( ) TERHADAP MODEL MICHEALIS-MENTEN PADA REGRESI NONLINIER. Sudarno 1. Abstrak

KAJIAN FUNGSI nls( ) DAN fsrr( ) TERHADAP MODEL MICHEALIS-MENTEN PADA REGRESI NONLINIER. Sudarno 1. Abstrak UNIVERSITAS DIPONEGORO 0 ISBN: --0-- KAJIAN FUNGSI nls( ) DAN fsrr( ) TERHADAP MODEL MICHEALIS-MENTEN PADA REGRESI NONLINIER Sudarno ) Program Studi Statistika FMIPA Undip dsghani@gmail.com Abstrak Model

Lebih terperinci

KARAKTERISTIK DISTRIBUSI KELUARGA TRANSFORMASI KHI-KUADRAT. Oleh : Entit Puspita. Dosen Jurusan pendidikan Matematika

KARAKTERISTIK DISTRIBUSI KELUARGA TRANSFORMASI KHI-KUADRAT. Oleh : Entit Puspita. Dosen Jurusan pendidikan Matematika KARAKTERISTIK DISTRIBUSI KELUARGA TRANSFORMASI KHI-KUADRAT Oleh : Entit Puspita Dosen Jurusan pendidikan Matematika FPMIPA Universitas Pendidikan Indonesia Abstrak Dalam Keluarga eksponensial satu parameter

Lebih terperinci

KELUARGA BARU METODE ITERASI BERORDE LIMA UNTUK MENENTUKAN AKAR SEDERHANA PERSAMAAN NONLINEAR. Rio Kurniawan ABSTRACT

KELUARGA BARU METODE ITERASI BERORDE LIMA UNTUK MENENTUKAN AKAR SEDERHANA PERSAMAAN NONLINEAR. Rio Kurniawan ABSTRACT KELUARGA BARU METODE ITERASI BERORDE LIMA UNTUK MENENTUKAN AKAR SEDERHANA PERSAMAAN NONLINEAR Rio Kurniawan Mahasiswa Program Studi S Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas

Lebih terperinci

Catatan Kuliah. MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.

Catatan Kuliah. MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Catatan Kuliah MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2018

Lebih terperinci

ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR INFORMATIF 1. PENDAHULUAN

ESTIMASI 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 terperinci

ESTIMASI PARAMETER DISTRIBUSI RAYLEIGH TUNGGAL DAN DISTRIBUSI RAYLEIGH DUA CAMPURAN TUGAS AKHIR. Oleh : ISMA NETI

ESTIMASI PARAMETER DISTRIBUSI RAYLEIGH TUNGGAL DAN DISTRIBUSI RAYLEIGH DUA CAMPURAN TUGAS AKHIR. Oleh : ISMA NETI ESTIMASI PARAMETER DISTRIBUSI RAYLEIGH TUNGGAL DAN DISTRIBUSI RAYLEIGH DUA CAMPURAN TUGAS AKHIR Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Sains Pada Jurusan Matematika Oleh : ISMA

Lebih terperinci

MA4183 MODEL RISIKO Control your Risk!

MA4183 MODEL RISIKO Control your Risk! Catatan Kuliah MA4183 MODEL RISIKO Control your Risk! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4183 Model Risiko A. Jadwal

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN digilib.uns.ac.id BAB III METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah kajian pustaka dari buku referensi karya ilmiah. Karya ilmiah yang digunakan adalah hasil penelitian serta

Lebih terperinci

RENCANA PEMBELAJARAN SEMESTER (RPS)

RENCANA PEMBELAJARAN SEMESTER (RPS) RENCANA PEMBELAJARAN SEMESTER (RPS) MUG2D3 PROBABILITAS DAN STATISTIKA Disusun oleh: INDWIARTI FAKULTAS INFORMATIKA TELKOM UNIVERSITY 1 LEMBAR PENGESAHAN Rencana Pembelajaran Semester (RPS) ini telah disahkan

Lebih terperinci

BAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol

BAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel

Lebih terperinci

Pengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat)

Pengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat) Statistika, Vol. 14 No. 2, 69 76 November 2014 Pengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat) Jurusan Matematika, Fakultas Sains dan

Lebih terperinci

BAB II KAJIAN TEORI. Analisis survival atau analisis ketahanan hidup adalah metode yang

BAB 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 terperinci

Kontrak Kuliah Metode Statistika 2

Kontrak Kuliah Metode Statistika 2 Kontrak Kuliah Metode Statistika 2 Ayundyah K., M.Si. PROGRAM STUDI STATISTIKA UNIVERSITAS ISLAM INDONESIA 2015 Deskripsi Mata Kuliah Nama Mata Kuliah : Metode Statistika 2 Semester/SKS : I / 3 SKS Kompetensi

Lebih terperinci