ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREYS 1. PENDAHULUAN
|
|
- Iwan Dharmawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREYS Firda Amalia, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika FMIPA Abstrak. Metode Bayesian merupakan metode yang dapat digunakan untuk mengestimasi parameter model regresi multivariat. Dalam metode Bayesian terdapat dua distribusi yaitu distribusi prior dan posterior. Distribusi prior Jeffreys merupakan jenis distribusi prior noninformatif, yaitu distribusi prior yang digunakan ketika tidak diketahui informasi parameter. Penelitian ini bertujuan untuk mengestimasi parameter model regresi multivariat menggunakan metode Bayesian dengan distribusi prior noninformatif Jeffreys. Distribusi prior noninformatif Jeffreys dikalikan dengan informasi data sampel menggunakan teorema Bayes yang hasilnya proporsional dengan distribusi posterior yang digunakan untuk mengestimasi parameter. Berdasarkan hasil dan pembahasan, estimasi parameter merupakan nilai ekspektasi dari distribusi posterior marginalnya. Namun dalam perhitungan estimasi parameter melibatkan integral fungsi yang sulit ditentukan nilai integralnya sehingga digunakan pengambilan sampel dengan algoritme Markov chain Monte Carlo MCMC) Gibbs sampling sebagai pendekatan dalam mengestimasi parameternya. Kata kunci: model regresi multivariat, metode Bayesian, prior noninformatif Jeffreys, Gibbs sampling 1. PENDAHULUAN Model regresi adalah model yang digunakan untuk mendapatkan suatu bentuk hubungan antara variabel respon dengan variabel prediktor yang dipengaruuhi oleh parameter yang tidak diketahui dalam model. Model regresi dengan satu variabel respon disebut model regresi univariat, sedangkan model regresi dengan dua atau lebih variabel respon yang saling berkorelasi disebut model regresi multivariat Mendeṣ [1]). Pada model regresi terdapat parameter yang merupakan karakteristik populasi. Untuk mendapatkan nilai parameter dilakukan estimasi parameter. Menurut Bolstad [6], jika dalam mengestimasi parameter hanya ada informasi sampel, maka digunakan metode klasik. Namun, jika informasi distribusi awal sampel dijadikan faktor pertimbangan dalam estimasi parameter, maka digunakan metode Bayesian. Dalam metode Bayesian informasi sampel yang digunakan adalah fungsi likelihood dan informasi distribusi awal sampel sebagai distribusi prior. Fungsi likelihood adalah fungsi probabilitas bersama dari sampel random. Metode Bayesian didasarkan pada teorema Bayes. Menurut Harris et al. [9] perhitungan pada metode Bayesian adalah mengalikan fungsi likelihood dengan distribusi prior yang hasilnya proporsional dengan distribusi posterior. Distribusi posterior dipengaruhi oleh pemilihan distribusi prior. Pemilihan distribusi prior secara umum berdasarkan diketahui atau tidaknya informasi parameter Iswari dkk. [10]). Jika informasi parameter diketahui, maka 1
2 digunakan distribusi prior informatif. Sebaliknya, jika informasi parameter tidak diketahui, maka digunakan distribusi prior noninformatif. Menurut Yang and Berger [16], terdapat empat jenis distribusi prior noninformatif yaitu uniform, Jeffreys, reference, dan informasi data maksimal. Distribusi prior noninformatif Jeffreys merupakan pengembangan distribusi prior noninformatif uniform. Distribusi prior noninformatif uniform digunakan oleh Sinay and Hsu [13] untuk mengestimasi parameter model regresi multivariat Bayesian. Berbeda dengan Sinay and Hsu [13] pada penelitian ini digunakan distribusi prior noninformatif Jeffreys yang dapat mengatasi masalah invariant yang tidak dapat diatasi menggunakan distribusi prior noninformatif uniform. Distribusi prior noninformatif Jeffreys merupakan prior noninformatif yang biasa digunakan pada model regresi multivariat Bayesian Sun and Berger [14]). Penelitian tentang distribusi prior noninformatif Jeffreys sebelumnya dilakukan oleh Amalia dkk. [1] yang menggunakan distribusi prior noninformatif Jeffreys untuk menentukan estimasi parameter model regresi linier sederhana. Pada tahun 017 Amalia et al. [] mengembangkan penelitian Amalia dkk. [1] dengan menggunakan distribusi prior noninformatif Jeffreys untuk menentukan estimasi parameter model regresi multivariat, namun tidak dilakukan penerapannya. Dalam penelitian ini dilakukan estimasi parameter model regresi multivariat menggunakan metode Bayesian dengan distribusi prior noninformatif Jeffreys serta penerapannya.. MODEL REGRESI MULTIVARIAT Menurut Johnson and Wichern [11], model regresi multivariat adalah model regresi yang memiliki m variabel respon Y 1, Y,..., Y m dan r variabel prediktor X 1, X,..., X r dengan observasi sebanyak n. Model regresi multivariat adalah Y 1 β 01 + β 11 X 1 + β 1 X β r1 X r + ε 1 Y β 0 + β 1 X 1 + β X β r X r + ε. Y m β 0m + β 1m X 1 + β m X β rm X r + ε m..1) Model regresi.1) dikonstruksikan dalam bentuk matriks sebagai Y j m X j r+1) β r+1) m + ε j m..) Berdasarkan model.), ε adalah sisaan yang memiliki asumsi E[ε] 0, V ar[ε] Σ, dan Σ adalah matriks variansi berukuran m m. Berdasarkan persamaan.) diperoleh X j 1, X j1,..., X jr ) sebagai variabel prediktor pada observasi ke-j, diberikan Y j Y j1, Y j,..., Y jm ) sebagai variabel respon pada observasi ke-j, dengan j 1,,..., n. Y j merupakan variabel random sehingga memiliki fungsi densitas probabilitas yang diasumsikan berdistribusi normal multivariat Y j 017
3 N m X j β, Σ) dengan fungsi densitas probabilitasnya adalah fy j β, Σ) π) m Σ 1 exp 1 Y j X j β) Σ 1 Y j X j β))..3) 3. METODE BAYESIAN Inti perhitungan metode Bayesian adalah menentukan fungsi likelihood dan distribusi prior yang kemudian dikalikan dan hasilnya proporsional dengan distribusi posterior yang digunakan untuk mengestimasi parameter. Fungsi distribusi prior dinotasikan sebagai fθ) dengan θ adalah parameter. Sedangkan fungsi likelihood dinotasikan sebagai fy θ) yaitu fungsi probabilitas bersama dari sampel random Y apabila θ diketahui. Menurut Gelman et al. [8] fungsi distribusi posterior merupakan fungsi probabilitas bersyarat θ dengan Y diketahui. Fungsi distribusi posterior dinyatakan sebagai fθ Y ) fθ, Y ) fy ) fθ)fy θ) fy ) fθ)fy θ). 3.1) 4. HASIL DAN PEMBAHASAN Pada pembahasan ini diuraikan tentang fungsi likelihood untuk model regresi multivariat, distribusi prior noninformatif Jeffreys, distribusi posterior, dan estimasi parameter. Setelah dilakukan penjabaran secara teoritis, dilakukan penerapan estimasi parameter model regresi multivariat Bayesian dengan distribusi prior noninformatif Jeffreys pada data posisi simpanan masyarakat di Provinsi Papua dan Papua Barat Fungsi Likelihood. Menurut Bain and Engelhardt [4], fungsi likelihood merupakan fungsi kepadatan probabilitas bersama dari j variabel random Y j1, Y j,..., Y jm dengan j 1,,..., n dan dinotasikan sebagai fy θ) n fy j θ) fy 1 θ)fy θ)...fy n θ). j1 Berdasarkan fungsi densitas probabilitas.3) dikonstruksi fungsi kepadatan probabilitas bersama fungsi likelihood) untuk n observasi dengan parameter β dan Σ. Fungsi likelihood untuk model regresi multivariat adalah n fy β, Σ) π) m 1 1 Σ exp Y j X j β) Σ 1 Y j X j β)) dengan Ȳ 1 n j1 nȳ X j β) Ȳ X j β)))) π) nm Σ n exp tr n Ȳ X j β) Σ 1 Ȳ X j β) 1 Σ 1 S n j1 Y j dan S n j1 Y j Ȳ ) Y j Ȳ ) ))
4 4.. Distribusi Prior Noninformatif. Menurut Harris et al. [9] pengetahuan tentang distribusi prior dapat diperoleh dari pendapat para ahli atau menggunakan kembali distribusi posterior penelitian sebelumnya. Tetapi jika pengetahuan tentang distribusi prior tidak pasti, hilang, atau diabaikan, maka digunakan distribusi prior noninformatif. Distribusi prior Jeffreys merupakan salah satu jenis distribusi prior noninformatif dan merupakan akar kuadrat informasi Fisher yang ditulis sebagai fθ) Iθ), dengan Iθ) adalah informasi Fisher Yang and Berger [16]). [ Berdasarkan ] Bain and Engelhardt [4] informasi Fisher ditulis sebagai Iθ) E logfy θ) θ. θ Terdapat empat langkah dalam menentukan fungsi distribusi prior Jeffryes. Langkah pertama adalah menentukan fungsi ln likelihood, yaitu lnfy β, Σ) nm lnπ) n ln Σ n Ȳ X j β) Σ 1 Ȳ X j β) 1 Σ 1 S. Langkah kedua adalah menentukan fungsi distribusi prior noninformatif Jeffreys untuk β, yaitu [ ] fβ) E logfy β, Σ) β E [ Σ 1] Σ 1 Diberikan model regresi multivariat dengan m dimensi sehingga fungsi distribusi prior Jeffreys untuk β adalah fβ) fβ 1,..., β m ) fβ 1 )... fβ m ) Σ 1... Σ 1 Σ m. Langkah ketiga adalah menentukan fungsi distribusi prior noninformatif Jeffreys untuk Σ, yaitu [ ] fσ) E logfy β, Σ) Σ E [ Ȳ X j β) Σ 3 Ȳ X j β) ] Σ 1. Langkah keempat menentukan fungsi distribusi prior noninformatif Jeffreys untuk fθ) dengan θ β, Σ) diasumsikan β dan Σ independen, untuk model regresi multivariat m dimensi, fungsi distribusi prior noninformatif Jeffreys untuk model regresi multivariat adalah fθ) fβ)fσ) Σ m Σ 1 Σ m Distribusi Posterior. Setelah diperoleh fungsi likelihood dan distribusi prior ditentukan distribusi posterior. Persamaan 3.1) diterapkan untuk menentukan distribusi posterior untuk model regresi multivariat dengan parameter θ β, Σ). Fungsi distribusi posterior untuk model regresi multivariat adalah fβ, Σ Y ) fβ, Σ)fY β, Σ) Σ m+ π) nm Σ n exp tr n Ȳ X j β) Σ 1 Ȳ X j β) 1 Σ 1 S )) 4 017
5 fβ, Σ Y ) Σ n 1 exp tr 1 ) ))) 1 Σ Ȳ X j β) Ȳ X j β) n Σ n+m exp tr 1 ))) SΣ 1 4.1) Berdasarkan karakteristik 4.1) fungsi distribusi posterior marginal untuk β dinyatakan sebagai fβ Y ) Σ 1 exptr 1Ȳ X n j β) ) Σ 1 n Ȳ Xj β))) dan fungsi distribusi posterior marginal untuk Σ dinyatakan sebagai fσ Y ) Σ n+m exptr 1 SΣ 1) ). Setelah diperoleh fungsi distribusi posterior marginal, ditentukan estimasi parameternya Estimasi Parameter. Estimasi parameter ditentukan dari nilai ekspektasi variabel random fungsi distribusi posterior marginal dan berupa estimasi titik untuk mean β dan variansi Σ Diana dan Soehardjoepri [7]). Diberikan β adalah matriks parameter regresi berukuran r+1) m sehingga estimasi parameter untuk β adalah ˆβ E[β Y ] E[β 01, β 11,..., β r+1) m ]... β Σ 1 n exp tr 1 ) )) 1 Σ Ȳ X j β) Ȳ X j β) n dβ r+1) m...dβ 11 dβ 01 4.) dan estimasi parameter untuk Σ adalah ˆΣ E[Σ Y ] E[Σ 11, Σ 1,..., Σ mm ]... Σ Σ n+m exp tr 1 )) SΣ 1 dσ mm...dσ 1 dσ ) Pada persamaan 4.) dan 4.3) terlihat bahwa untuk mengestimasi parameter β dan Σ melibatkan integral fungsi yang sulit ditentukan nilai integralnya. Oleh karena itu diperlukan pendekatan dengan melakukan pembangkitan sampel random yang sesuai dengan karakteristik distribusi posterior marginal masing-masing parameter menggunakan algoritme MCMC Gibbs sampling. Menurut Walsh [15] MCMC digunakan untuk membangkitkan sampel random dari distribusi posterior. Terdapat dua algoritme MCMC yaitu algoritme Metropilis- Hasting dan Gibbs sampling. Algoritme Gibbs sampling merupakan kejadian khusus dari Metropolis-Hastings karena parameter yang diestimasi lebih dari satu Asriadi [3]). Pada model regresi multivariat Bayesian terdapat dua parameter yang diestimasi sehingga algoritme yang digunakan adalah algoritme Gibbs sampling
6 Pada metode Bayesian, parameter dianggap sebagai variabel random sehingga memiliki sebaran data dan dapat didekati dengan suatu distribusi tertentu. Berdasarkan karakteristik dari fungsi distribusi posterior marginal fβ Y ) dapat dilakukan pendekatan terhadap fungsi densitas probabilitas normal multivariat sehingga diperoleh β Y ) N m Ȳ, Σ ). Sedangkan fungsi distribusi posterior marginal fσ Y ) dilakukan pendekatan terhadap distribusi invers Wishart n sehingga diperoleh Σ Y ) IW S 1, n). Langkah selanjutnya adalah membangkitkan sampel random dari distribusi posterior marginal dengan menggunakan algoritme MCMC Gibbs sampling. Nilai estimasi parameter merupakan nilai rata-rata sampel random hasil bangkitan dari distribusi posterior marginal. Berikut algoritme MCMC Gibbs sampling 1) mengkonstruksi model regresi multivariat sehingga diperoleh β dan Σ, ) melakukan inisialisasi nilai β 0) dan Σ 0) berdasarkan nilai β dan Σ yang diperoleh dari langkah 1, 3) menentukan nilai Y 1) N m Xβ 0), Σ 0) ), 4) membangkitkan β 1) Y 1) N m Ȳ, Σ n β0) ), 5) membangkitkan Σ 1) Y 1) IW S 1, n Σ 0) ), dan 6) mengulangi langkah 3, 4, dan 5 sebanyak M pengulangan hingga diperoleh sampel bangkitan β M) Y M) N m Ȳ, Σ n βm 1) ) dan Σ M) Y M) IW S 1, n Σ M 1) ). Hasil algoritme MCMC Gibbs sampling adalah sampel bangkitan berupa barisan matriks β 1), β ),..., β M) ) dan Σ 1), Σ ),..., Σ M) ). Estimasi parameter untuk ˆβ 1 M M i1 βi) dan estimasi parameter untuk ˆΣ 1 M M i1 Σi) Penerapan. Pada penelitian ini dilakukan estimasi parameter model regresi multivariat Bayesian pada data posisi simpanan masyarakat dalam rupiah di Provinsi Papua dan Papua Barat dari Januari 010 hingga April 017 yang bersumber dari website Bank Indonesia [5]. Variabel respon pada penelitian ini adalah posisi simpanan masyarakat dalam rupiah di Provinsi Papua sebagai Y 1 dan posisi simpanan masyarakat dalam rupiah di Provinsi Papua Barat sebagai Y. Sedangkan variabel prediktornya adalah faktor-faktor yang memengaruhi posisi simpanan masyarakat, yaitu kurs rupiah terhadap dolar sebagai X 1, banyaknya uang kartal yang beredar sebagai X, dan suku bunga bank sebagai X 3. Sebelum dilakukan estimasi parameter, dilakukan uji asumsi model regresi multivariat yaitu kelinieran, korelasi antar variabel respon, dan uji normal multivariat untuk variabel respon. Telah dilakukan uji asumsi model regresi multivariat dan diperoleh kesimpulan bahwa data posisi simpanan masyarakat dalam rupiah di Provinsi Papua dan Papua Barat dari Januari 010 hingga April 017 memenuhi asumsi kelinieran, korelasi antar variabel respon, dan uji normal multivariat untuk variabel respon. Oleh karena itu data baik dimodelkan menggunakan model regresi multivariat
7 Estimasi Parameter. Setelah semua asumsi regresi multivariat terpenuhi ditentukan estimasi parameter β dan Σ menggunakan algoritme MCMC Gibbs sampling. Diberikan nilai awal atau inisialisasi β 0) dan Σ 0) dengan ) β 0) ) dan Σ 0) Selanjutnya membangkitkan sampel random dari distribusi posterior marginal untuk β i) Y i) N Ȳ, Σ n βi 1) ) dan Σ i) Y i) IW S 1, n Σ i 1) ) dengan i 1,,..., Dari sampel hasil bangkitan, ditentukan nilai rata-rata untuk β i) Y i) dan Σ i) Y i) yang merupakan nilai estimasi parameternya. Nilai estimasi parameternya diberikan pada Tabel 1. Tabel 1. Nilai estimasi parameter dan interval kofidensi untuk β dan Σ Parameter Estimasi Persentil.5 Persentil 97.5 Keterangan ˆβ Signifikan ˆβ Signifikan ˆβ Signifikan ˆβ Signifikan ˆβ Signifikan ˆβ Signifikan ˆβ Signifikan ˆβ Signifikan ˆΣ Signifikan ˆΣ Signifikan ˆΣ Signifikan Berdasarkan Tabel 1, nampak bahwa semua estimasi parameter pada model regresi multivariat signifikan, yang artinya bahwa semua parameter mempunyai pengaruh yang signifikan terhadap variabel respon. Estimasi parameter β dan Σ ditulis sebagai β ˆβ01 ˆβ11 ˆβ1 ˆβ31 ˆβ 0 ˆβ1 ˆβ ˆβ3 dan Σ ) ˆΣ11 ˆΣ1 ˆΣ ) ) ˆΣ dengan ˆΣ 1 ˆΣ 1. Hasil estimasi parameter tersebut dikonstruksikan dalam model regresi multivariat.1) dan ditulis sebagai Ŷ X X X 3 Ŷ X X X 3 ) 7 017
8 Berdasarkan sistem persamaan model regresi multivariat tersebut dapat disimpulkan bahwa kenaikan nilai kurs dan banyaknya uang kartal akan meningkatkan simpanan rupiah masyarakat di Papua dan Papua Barat, namun meningkatnya suku bunga akan menurunkan simpanan rupiah masyarakat di Papua dan Papua Barat. 5. Kesimpulan Estimasi parameter model regresi multivariat menggunakan metode Bayesian diperoleh dengan menentukan nilai ekspektasi dari variabel random fungsi distribusi posterior marginal fβ Y) dan fσ Y). Namun dalam perhitungan estimasi parameter melibatkan integral fungsi yang sulit ditentukan peyelesaiannya sehingga digunakan pengambilan sampel dengan algoritme MCMC Gibbs sampling sebagai pendekatan dalam mengestimasi parameternya. Hasil algoritme MCMC Gibbs sampling diperoleh sampel bangkitan berupa barisan matriks β 1), β ),..., β M) ) dan Σ 1), Σ ),..., Σ M) ). Estimasi parameter untuk ˆβ 1 M M i1 βi) dan estimasi parameter untuk ˆΣ 1 M M i1 Σi). DAFTAR PUSTAKA [1] Amalia, F., D.R.S. Saputro, dan T.J.Parmaningsih, Estimasi Parameter Model Regresi Linier Sederhana Bayes dengan Distribusi Prior Noninformatif, Seminar Nasional 016 Matematika dan Pendidikan Matematika, 016. [] Amalia, F., D.R.S. Saputro, and P. Widyaningsih, Parameter Estimation of Multivariate Multiple Regression Model using Bayesian with Noninformative Jeffreys Prior, International Conference on Science, Mathematics, Environment, and Education ICoSMEE), 017, under review). [3] Asriadi, A., Simulasi Stokastik menggunakan Algoritma Metropolis Hastings, JMAP Jurnal Matematika dan Pembelajaran) Jurusan Matematika FMIPA UNJ 6 007), no, pp [4] Bain, L. J. and M. Engelhardt, Introduction to Probability and Mathematical Statistics, second ed., Buxbury Press, Inc., California, 199. [5] Bank Indonesia, [Bank Indonesia], Statistik Ekonomi dan Keuangan Indonesia, Jakarta, 017 [6] Bolstad, W. M., Introduction to Bayesian Statistics, ed., New Jersey: Wiley, 007. [7] Diana, E.M. dan Soehardjoepri, Pendekatan Metode Bayesian untuk Kajian Estimasi Parameter Distribusi Log-Normal untuk Non-Informatif Prior, Jurnal Sains dan Seni ITS 5 016), no, pp [8] Gelman,A., J.B.Carlin, H.S.Stern, D.B.Dunson, A.Vehtari, and D.B.Rubin, Bayesian Data Analysis, ed., New York: Chapman and Hall, 004. [9] Harris, P., M. Cox, C. Matthews, I. Smith, and L. Wrigh, A Guide to Bayesian Inference for Regression Problems, European Metrologu Research Programme EMRP), 015), pp [10] Iswari, A.A.I.A.C., I.W.Sumarjaya, dan I.G.A.M.Srinadi, Analisis Regresi Bayes Linear Sederhana dengan Prior Noninformatif, E-Jurnal Matematika 3 014), no., pp [11] Johnson, R. and D.W.Wichern, Applied Multivariate Statistical Analysis, 6 ed., Pearson Education, Inc., America, 007. [1] Mendeṣ, M., Multivariate Multiple Regression Analysis Based on Principal Component Scores to Study Relationships between Some Pre- and Post-slaughter Traits of Broilers, Jurnal of Agricultural Sciences, ), pp [13] Sinay, M.S. and J.S.J. Hsu, Bayesian Inferensi of a Multivariate Regression Model, Jurnal of Probability and Statistics, ), pp [14] Sun, D. and J.O.Berger, Objective Priors for the Multivariate Normal Model, ISBA 8th World Meeting on Bayesian Statistics, 006. [15] Walsh, B., Markov Chain Monte Carlo and Gibbs Sampling, Lecture Notes for EEB 581, 004. [16] Yang, R. and J.O.Berger, A Catalog of Noninformative Priors, Technical Report, Dake University, ISDS 97-4,
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 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 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 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 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 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 terperinciESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN
ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN Vania Mutiarani a, Adi Setiawan b, Hanna Arini Parhusip c a Program Studi Matematika FSM UKSW Jl. Diponegoro 52-6
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 terperinciDISTRIBUSI STASIONER RANTAI MARKOV UNTUK PREDIKSI CURAH HUJAN DI WILAYAH JAWA BARAT
DISTRIBUSI STASIONER RANTAI MARKOV UNTUK PREDIKSI CURAH HUJAN DI WILAYAH JAWA BARAT Firdaniza, Nurul Gusriani, Emah Suryamah Departemen Matematika Universitas Padjadjaran firdaniza@unpad.ac.id Abstrak:
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 terperinciESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC)
ESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC) Radite Astana Murti 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika
Lebih terperinciPENAKSIR 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 terperinciTeknik Ensemble dengan Additive Noise pada Estimasi Parameter Model Autoregressive Spasial
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Teknik Ensemble dengan Additive Noise pada Estimasi Parameter Model Autoregressive Spasial Sulistiyaningsih 1, Dewi Retno Sari Saputro 2, Purnami Widyaningsih
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 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 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 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 terperinciBAB 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 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 terperinci(DS.4) MODEL OTOREGRESIF SIMULTAN BAYES UNTUK ANALISIS DATA KEMISKINAN
(DS.4) MODEL OTOREGRESIF SIMULTAN BAYES UNTUK ANALISIS DATA KEMISKINAN Safaat Yulianto 1, Anik Djuraidah 2, Aji Hamim Wigena 2 1Akademi Statistika Muhammadiyah Semarang 2Jurusan Statistika, Institut Pertanian
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
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 IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Pada bab ini dibahas model regresi probit spasial, dan algoritme Gibbs sampling. Selanjutnya algoritme Gibbs sampling tersebut diterapkan untuk estimasi nilai parameter model
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 terperinciPEMODELAN BAYESIAN KONSUMSI RUMAH TANGGA AGREGAT MENGGUNAKAN PRIOR ZELLNER. Muhammad Fajar Staf BPS Kabupaten Waropen. Abstrak
PEMODELAN BAYESIAN KONSUMSI RUMAH TANGGA AGREGAT MENGGUNAKAN PRIOR ZELLNER Muhammad Fajar Staf BPS Kabupaten Waropen Abstrak Dalam perkembangan statistika terdapat dua pandangan terhadap parameter, yaitu
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 terperinciESTIMASI PARAMETER MODEL INAR(1) MENGGUNAKAN METODE BAYES
ESTIMASI PARAMETER MODEL INAR(1) MENGGUNAKAN METODE BAYES oleh NURMALITASARI M0106054 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika JURUSAN
Lebih terperinciINFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF
INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl
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 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 terperinciESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) DENGAN METODE FISHER SCORING
ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS RLOTG DENGAN METODE FISHER SCORING Aulia Nugrahani Putri, Purnami Widyaningsih, dan Dewi Retno Sari Saputro Program Studi Matematika
Lebih terperinciESTIMASI 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 terperinciMODEL 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 terperinciPENENTUAN 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 terperinciPENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN
PENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN A. Rofiqi Maulana; Suci Astutik Universitas Brawijaya; arofiqimaulana@gmail.com ABSTRAK. Filariasis (Penyakit Kaki Gajah) adalah penyakit
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 563-572 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS PENGARUH INFLASI, KURS, DAN SUKU BUNGA SERTIFIKAT BANK
Lebih terperinciSarimah. 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 terperinciMODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA. 1. Pendahuluan
MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA Kornelius Ronald Demu, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika FMIPA
Lebih terperinciPENAKSIRAN 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 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 terperinciINFERENSI PARAMETER SIMPANGAN BAKU POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF
INFERENSI PARAMETER SIMPANGAN BAKU S - POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Fakultas Sains dan Matematika Universitas Kristen Satya Wacana, Jl Diponegoro
Lebih terperinciBAB 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 terperinciPENAKSIR RATA-RATA DISTRIBUSI EKSPONENSIAL TERPOTONG. Agustinus Simanjuntak ABSTRACT
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
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 terperinciPENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM INFERENSI PARAMETER POPULASI SERAGAM
PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM INFERENSI PARAMETER POPULASI SERAGAM Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro 52-6
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 terperinciKata Kunci: Analisis Regresi Linier, Penduga OLS, Penduga GLS, Autokorelasi, Regresor Bersifat Stokastik
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 168 176 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN PENDUGA ORDINARY LEAST SQUARES (OLS) DAN GENERALIZED LEAST SQUARES (GLS) PADA MODEL REGRESI
Lebih terperinciESTIMATOR 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 terperinciPERMASALAHAN AUTOKORELASI PADA ANALISIS REGRESI LINIER SEDERHANA
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 26 34 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERMASALAHAN AUTOKORELASI PADA ANALISIS REGRESI LINIER SEDERHANA NADIA UTIKA PUTRI, MAIYASTRI, HAZMIRA
Lebih terperinciPERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI. Abstrak
PERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI Dwi Yuli Rakhmawati, Muhammad Mashuri 2,2) Institut Teknologi Sepuluh Nopember dwiyuli_rakhmawati@yahoo.com,
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 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 terperinciII. TINJAUAN PUSTAKA. Kata Kunci Kemiskinan, Kualitas Kesehatan, Kualitas Ekonomi, CFA, Bayesian, Kabupaten Jombang
1 Penentuan Indikator Kemiskinan Berdasarkan Dimensi Kualitas Kesehatan dan Kualitas Ekonomi Menggunakan Confirmatory Factor Analysis (CFA) dengan Pendekatan Bayesian di Kabupaten Jombang Farisca Susiani
Lebih terperinciMENAKSIR 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 terperinciSTATISTIKA 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 terperinciSTATISTIKA NONPARAMETRIK: PENGGABUNGAN DIAGRAM POHON POLYA YANG BERHINGGA
Jurnal Euclid, Vol.4, No.2, pp. 689 STATISTIKA NONPARAMETRIK: PENGGABUNGAN DIAGRAM POHON POLYA YANG BERHINGGA Asri Ode Samura Tadris Matematika, IAIN Ternate, Asri22samura@gmail.com Abstrak Sebuah pendekatan
Lebih terperinciPENDEKATAN BAYESIAN SPASIAL EKONOMETRIKA PADA PEMODELAN MIGASI PENDUDUK DI JAWA BARAT. Oleh : Priyono
PENDEKATAN BAYESIAN SPASIAL EKONOMETRIKA PADA PEMODELAN MIGASI PENDUDUK DI JAWA BARAT Oleh : Priyono Dosen Pembimbing : Dr. Ir. Setiawan, MS Dr. Sutikno, M.Si PROGRAM MAGISTER JURUSAN STATISTIKA FMIPA
Lebih terperinciESTIMASI MCMC UNTUK RETURN VOLATILITY DALAM MODEL ARCH DENGAN RETURN ERROR BERDISTRIBUSI T-STUDENT
ESTIMASI MCMC UNTUK RETURN VOLATILITY DALAM MODEL ARCH DENGAN RETURN ERROR BERDISTRIBUSI T-STUDENT Imam Malik Safrudin. 1), Didit Budi Nugroho 2) dan Adi Setiawan 2) 1),2), 3) Program Studi Matematika
Lebih terperinciAzzakiy 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 terperinciKEKUATAN 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 terperinciPERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA
PERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA Febriani Astuti, Kartiko, Sri Sulistijowati Handajani Jurusan Matematika
Lebih terperinciPENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
Lebih terperinciINFERENSI 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Banyak cabang ilmu statistika yang digunakan dalam berbagai bidang, contohnya seperti ekonometri, biostatistika, psikometri, dan masih banyak yang lain. Ekonometri
Lebih terperinciBOOTSTRAP RESAMPLING OBSERVASI PADA ESTIMASI PARAMETER REGRESI MENGGUNAKAN SOFTWARE R
BOOTSTRAP RESAMPLING OBSERVASI PADA ESTIMASI PARAMETER REGRESI MENGGUNAKAN SOFTWARE R Joko Sungkono* Abstrak : Pada tulisan ini, algoritma metode bootstrap resampling observasi dipaparkan secara detail
Lebih terperinciPENGUJIAN HIPOTESIS DENGAN METODE BAYESIAN OBYEKTIF. Adi Setiawan
PENGUJIAN HIPOTESIS DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl Diponegoro 5-6 Salatiga
Lebih terperinciS 10 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis)
PROSIDING ISBN : 978 979 6353 6 3 S 0 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis) Wirayanti ), Adi Setiawan ), Bambang Susanto
Lebih terperinciAlgoritma 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 terperinciBAB II LANDASAN TEORI. landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di
5 BAB II LANDASAN TEORI Bab ini membahas pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di bahas adalah sebagai berikut: A.
Lebih terperinciPEMODELAN SEEMINGLY UNRELATED REGRESSION DENGAN PENDEKATAN BAYESIAN PADA SEKTOR UTAMA DI JAWA TIMUR
PEMODELAN SEEMINGLY UNRELATED REGRESSION DENGAN PENDEKATAN BAYESIAN PADA SEKTOR UTAMA DI JAWA TIMUR Agus Budhi Santosa 1, Nur iriawan 2, Seiawan 3, Mohammad Dokhi 4 S - 3 1,2,3 Jurusan Statistika FMIPA-ITS,
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 terperinciPENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI. Oleh : Pramita Elfa Diana Santi J2E
PENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI Oleh : Pramita Elfa Diana Santi JE 005 40 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciALGORITMA 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 terperinciPEMILIHAN MODEL REGRESI TERBAIK DENGAN BAYESIAN INFORMATION CRITERION (BIC) oleh NURUL KUSTINAH M
PEMILIHAN MODEL REGRESI TERBAIK DENGAN BAYESIAN INFORMATION CRITERION (BIC) oleh NURUL KUSTINAH M0106057 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains
Lebih terperinciKata 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 terperinciSKRIPSI. Disusun Oleh: MARTA WIDYASTUTI
ANALISIS PENGARUH INFLASI, KURS, DAN SUKU BUNGA SERTIFIKAT BANK INDONESIA TERHADAP INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN REGRESI LINIER BERGANDA BAYES SKRIPSI Disusun Oleh: MARTA WIDYASTUTI 24010211130068
Lebih terperinciDeteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013)
Deteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013) Dwiningrum Prihastiwi, Dadang Juandi, Nar Herrhyanto
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 terperinciBAB 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 terperinciPREDIKSI KEBUTUHAN BERAS DI PROVINSI SUMATERA UTARA TAHUN DENGAN METODE FUZZY REGRESI BERGANDA. Ristauli Pakpahan, Tulus, Marihat Situmorang
Saintia Matematika Vol 1, No 4 (2013), pp 313 324 PREDIKSI KEBUTUHAN BERAS DI PROVINSI SUMATERA UTARA TAHUN 2013-2015 DENGAN METODE FUZZY REGRESI BERGANDA Ristauli Pakpahan, Tulus, Marihat Situmorang Abstrak
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Berawal dari kebutuhan analisis data untuk memprediksi suatu nilai bila diberikan suatu nilai-nilai variabel prediktor (x) pada beberapa kasus, maka metode regresi
Lebih terperinciSelamat Datang.. Dalam zona
Selamat Datang.. Dalam zona ANALISIS PEUBAH GANDA 334H1203 (oleh M. Saleh AF) DEPARTEMEN MATEMATIKA PRODI STATISTIKA FMIPA UNHAS 2014 Deskripsi Matakuliah APG : Konsep dasar analisis multivariate, vektor,
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 terperinciANALISIS TAHAN HIDUP PENDERITA DEMAM BERDARAH DENGUE
ANALISIS TAHAN HIDUP PENDERITA DEMAM BERDARAH DENGUE (DBD) DI KABUPATEN KARANGANYAR DENGAN PENDEKATAN BAYESIAN Titian Peramu Cahyani, Sri Subanti dan Purnami Widyaningsih Jurusan Matematika Fakultas Matematika
Lebih terperinciBAB 2 LANDASAN TEORI DAN KAJIAN PUSTAKA
BAB 2 LANDASAN TEORI DAN KAJIAN PUSTAKA 2.1 Estimasi Bayes Definisi 1 Estimasi Bayes yang paling mungkin dari suatu nilai kebenaran θ 0 yang tidak diketahui pada parameter θ adalah nila ˆθ yang meminimumkan
Lebih terperinciKONVOLUSI DISTRIBUSI EKSPONENSIAL DENGAN PARAMETER BERBEDA
Jurnal Matematika UNAND Vol. No. 4 Hal. 9 ISSN : 33 9 c Jurusan Matematika FMIPA UNAND KONVOLUSI DISTRIBUSI EKSPONENSIAL DENGAN PARAMETER BERBEDA MARNISYAH ANAS Program Studi Magister Matematika, Fakultas
Lebih terperinciModel Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur M.Fariz Fadillah Mardianto,
Lebih terperinciANALISIS ESTIMASI PARAMETER REGRESI KUANTIL DENGAN METODE BOOTSTRAP
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 125 130 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS ESTIMASI PARAMETER REGRESI KUANTIL DENGAN METODE BOOTSTRAP MESI OKTAFIA, FERRA YANUAR, MAIYASTRI
Lebih terperinciMODEL BLACK LITTERMAN DENGAN PENDEKATAN TEORI SAMPLING
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 MODEL BLACK LITTERMAN DENGAN PENDEKATAN TEORI SAMPLING Retno Subekti Jurusan
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 terperinciJMP : Volume 6 Nomor 1, Juni 2014, hal REGRESI LINEAR BIVARIAT SIMPEL DAN APLIKASINYA PADA DATA CUACA DI CILACAP
JMP : Volume 6 Nomor 1, Juni 014, hal. 45-5 REGRESI LINEAR BIVARIAT SIMPEL DAN APLIKASINYA PADA DATA CUACA DI CILACAP Saniyah dan Budi Pratikno Program Studi Matematika Fakultas Sains dan Teknik Universitas
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 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 terperinciKorelasi Kendall (τ) untuk Estimasi Parameter Distribusi Clayton-copula Bivariat
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Korelasi Kendall (τ) untuk Estimasi Parameter Distribusi Clayton-copula Bivariat S - 9 Apriliana Wiji Nurcahyani, Dewi Retno Sari Saputro,
Lebih terperinciBagan Kendali Rasio Likelihood dan Aplikasinya pada Data Kurs Mata Uang dan Industri
Vol. 10, No. 1, 26-34, Juli 2013 Bagan Kendali Rasio Likelihood dan Aplikasinya pada Data Kurs Mata Uang dan Industri Andi Fitri Ayu 1, Erna Tri Herdiani 1, M. Saleh AF 1, Anisa 1, Nasrah Sirajang 1 Abstrak
Lebih terperinciPEMODELAN DATA PANEL SPASIAL MENGGUNAKAN MODEL SUR-SAR DENGAN PENDEKATAN BAYESIAN HILMAN DWI ANGGANA
PEMODELAN DATA PANEL SPASIAL MENGGUNAKAN MODEL SUR-SAR DENGAN PENDEKATAN BAYESIAN HILMAN DWI ANGGANA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
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 terperinciAplikasi Model Black Litterman dengan Pendekatan Bayes (Studi kasus : portofolio dengan 4 saham dari S&P500) 1. Retno Subekti 2
Aplikasi Model Black Litterman dengan Pendekatan Bayes (Studi kasus : portofolio dengan 4 saham dari S&P5) 1 Retno Subekti 2 retnosubekti@uny.ac.id Abstrak Model Black Litterman (BLM), model yang berkembang
Lebih terperinciSTATISTIKA MATEMATIKA
STATISTIKA MATEMATIKA Penulis: Prof. Subanar, Ph.D Edisi Pertama Cetakan Pertama, 2013 Hak Cipta 2013 pada penulis, Hak Cipta dilindungi undang-undang. Dilarang memperbanyak atau memindahkan sebagian atau
Lebih terperinciPROSES PERCABANGAN PADA DISTRIBUSI POISSON
PROSES PERCABANGAN PADA DISTRIBUSI POISSON Nur Alfiani Santoso, Respatiwulan, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak. Proses percabangan merupakan suatu proses stokastik
Lebih terperinci