Penerapan Generalized Additive Model (GAM) pada Rata-rata Lama Sekolah Provinsi Jawa Tengah
|
|
- Sri Tedja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Peneraan Generalized Additive Model (GAM) ada Rata-rata Lama Sekolah Provinsi Jawa Tengah Rosalinda Nainggolan 1, Yudhie Andriyana 2, Achmad Bachrudin 3 Deartemen Statistika, Universitas Padjajaran, Bandung 1,2,3 rosalinda16001@mail.unad.ac.id ABSTRAK Untuk mengetahui hubungan antara variabel reson dan variabel rediktor dibutuhkan adanya suatu emodelan statistika yang teat. Model statistika meruakan ersamaan matematika untuk menggambarkan kondisi nyata suatu set data. Model linier adalah emodelan statistika yang umum digunakan untuk melihat hubungan antar variabal. Namun model linier memiliki beberaa kelemahan diantaranya yaitu asumsi normalitas ada variabel reson dan hubungan linier antar variabel yang diteliti. Oleh karena kondisi sesungguhnya daat bertolak belakang, maka Hastie dan Tibshirani (1986) memerkenalkan Generalized Additive Model (GAM). Metode tersebut daat dialikasikan ada set data yang tidak membutuhkan asumsi kenonlinearan dalam hubungan antara variabel reson dan rediktor serta tidak membatasi distribusi variabel reson hanya ada distribusi normal saja akan tetai distribusi-distribusi lain dalam keluarga eksonensial daat diergunakan dalam model ini. Selain itu GAM daat mengontrol sifat smooth suatu kurva, sehingga kurva terhindar dari sifat rigid dan over-fitting. Metode ini akan diterakan ada data rata-rata lama sekolah terhada variabel-variabel rediktornya dikarenakan ola hubungan yang terjadi berbeda-beda dan sulit diresifikasi. Kata kunci: RLS, GAM, Inverse Gaussian 1. PENDAHULUAN Rata-rata Lama Sekolah (RLS) sebagai salah satu indikator enyusun IPM daat mencerminkan caaian endidikan suatu wilayah, baik dari sarana rasarana, akses, hingga kualitas endidikan. RLS adalah rata-rata jumlah tahun belajar enduduk usia 25 tahun ke atas yang telah diselesaikan dalam endidikan formal (tidak termasuk tahun yang mengulang) [1]. Dalam uaya eningkatan angka RLS di suatu wilayah tentunya harus diketahui faktor-faktor aa yang memengaruhi RLS sehingga daat diambil suatu kebijakan yang teat sasaran untuk meningkatkan angka RLS seerti rasio beban ketergantungan, rasio murid guru SLTA, rasio murid sekolah SLTA, rasio jenis kelamin, PBRD er kaita, dan ersentase enduduk miskin. Dari enam rovinsi yang berada di ulau jawa, dimensi embentuk IPM rovinsi Jawa Tengah yaitu Rata-rata Lama Sekolah (RLS) dan Haraan Lama Sekolah (HLS) menduduki urutan terbawah, Angka Haraan Hidu (AHH) menduduki urutan ke-2, dan engeluaran er kaita di Jawa Tengah menduduki urutan ke-5. Penjelasan diatas menunjukan bahwa dimensi endidikan Provinsi Jawa Tengah menduduki osisi terendah dibandingkan dengan lima rovinsi lainnya di ulau Jawa. Artinya emerintah Provinsi Jawa Tengah erlu kerja keras untuk mengejar ketertinggalannya aalagi untuk memenuhi standar rata-rata lama sekolah yang disarankan UNDP sebesar 15 tahun. Data RLS di Jawa Tengah tahun 2016 terhada variabel rediktornya menunjukan adanya sebaran yang berbeda-beda. Dari resesifikasi yang dilakukan melalui scatter lot, sebaran data rasio beban ketergantungan terhada RLS menunjukan arah menurun, yang mengindikasikan bahwa beban ketergantungan yang rendah menyebabkan ersentase RLS yang semakin tinggi. Sebaran rasio murid guru, rasio murid sekolah, dan rasio jenis kelamin terhada 327
2 RLS menunjukan ola yang menyebar, sedangkan PRDB er kaita menumuk ada sisi kiri bawah. Dengan ola data seerti itu dierlukan fungsi emulus yang daat menjadikan kurva mengikuti ola data yang ada. Pola sebaran data yang sedemikian rua meruakan ermasalahan yang menjadikan metode linear biasa tidak cuku untuk memodelkan data RLS di Jawa Tengah tahun Perlu adanya metode yang daat mencaku fungsi emulus bagi variabel rediktor. Salah satu metode yang daat menangani hal tersebut adalah melalui metode Generalized Additive Models (GAM). Berdasarkan erumusan masalah diatas, adaun yang menjadi tujuan enelitian ini adalah menerakan Generalized Additive Models (GAM) untuk memodelkan rata-rata lama sekolah (RLS) tahun 2016 di Provinsi Jawa Tengah. Manfaat dari eneraan ini adalah dierolehnya engetahuan statistik mengenai Generalized Additive Models (GAM) dalam emodelan hubungan variabel reson dan beberaa variabel rediktor yang diduga kuat tidak memiliki hubungan linier. 2. METODE PENELITIAN 2.1 Generalized Linear Model (GLM) Dalam beberaa kasus di laangan menyatakan bahwa distribusi reson tidak selalu berdistribusi normal, meskiun saling bebas. Kondisi seerti ini daat diatasi dengan melakukan transformasi dari reson. Nelder dan Wedderburn (1972) mengembangkan model linier yang dikenal dengan Generalized Linear Model (GLM). Model ini memunyai cakuan distribusi yang lebih luas dibandingkan NLM, yaitu mengasumsikan bahwa reson berdistribusi keluarga eksonensial, termasuk distribusi normal [2]. GLM terdiri dari 3 komonen, yaitu: 1. Komonen acak, menentukan distribusi bersyarat dari variabel reson, dimana Y i saling bebas atau indeenden. Distribusi dari Y i adalah anggota dari keluarga eksonensial, seerti distribusi Normal, Binomial, Poisson, Gamma, atau distribusi dari keluarga Inverse-Gaussian. 2. Prediktor linier,untuk observasi i, i = 1,, n, misalkan x ij adalah nilai dari variabel enjelas x j, j = 1,,. Maka x i = x i1,, x i. Prediktor linear dari GLM menghubungkan arameter η i berhubungan dengan E(Y i ) keada variabel ejelas x 1,, x menggunakan kombinasi linear, sehingga η i = j=1 β j x ij, i = 1,, n. j=1 β j x ij sebagai rediktor linier yang mencerminkan bahwa ersamaan tersebut linier dalam arameter. 3. Fungsi link, yaitu fungsi yang mentransformasikan eksektasi dari variabel reson, μ i = E(Y i ), i = 1,, n dengan rediktor linier. Sehingga model GLM daat ditulis sebagai berikut: Y iid i Keluarga Eksonesial(μ ~ i, ) dengan g(μ i ) = η i = β 0 + β 1 x i1 + + β x i ; i = 1,, n, dan adalah arameter disersi. Kemudian model diatas daat ditulis kembali dalam bentuk vektor: Y iid ~ Keluarga Eksonesial(μ, ) η = g(μ) = Xβ Berdasarkan uraian diatas, GLM memiliki keterbatasan yaitu hanya mamu mencocokkan model dengan variabel reson berdistribusi keluarga eksonensial dengan rediktor linier. 328
3 2.2 Generalized Additive Model (GAM) GAM ertama kali dikembangkan oleh Hastie dan Tibshirani ada tahun 1986 (Hastie dan Tibshirani) [3]. GAM meruakan erluasan model aditif umum dengan memodelkan Y sebagai kombinasi aditif fungsi univariat dari variabel enjelas. Metode ini mengakomodasi adanya engaruh nonlinear dari variabel rediktor tana harus mengetahui bentuk engaruh secara ekslisit. Pengaruh nonlinear tersebut daat dierbaiki dengan melakukan emulusan ada struktur hubungan antara variabel reson dan variabel rediktor. Selain meruakan erluasan dari model aditif GAM juga erluasan dari GLM yang mengasumsikan variabel reson Y berdistribusi keluarga eksonensial yang memiliki fungsi keekatan eluang: f(y i ; θ i ; φ) = ex ( y iθ i c(θ i ) + d(y a(φ) i, φ)) dimana θ i disebut arameter kanonik dan disebut φ disebut arameter disersi. Jika a(φ) = 1, d(y i, φ) = d(y i ), maka dimiliki bentuk natural distribusi keluarga eksonensial f(y i ; θ i ) = ex d(y i ) ex [y i θ i c(θ i )]. E(y i x i ) = μ i = c (θ i ), ini menyatakan hubungan yang enting antara θ i dan μ i yaitu θ i = (c ) 1 (μ i ) = g(μ i ) kemudian dihubungkan dengan variabel rediktor melalui fungsi enghubung (link function) η i, sehingga dieroleh bentuk umum GAM adalah sebagai berikut: Y iid i EF(μ ~ i, ) g(μ i ) = η i = β 0 + f 1 (x i1 ) + + f j (x ij ) + ε i ; i = 1,2, n ; j = 1,2,, (1) dimana f j adalah fungsi enghalus nonarametrik ada kovariat x j, untuk j = 1,..., dan EF menunjukkan berasal dari distribusi keluarga eksonensial. Persamaan (1) juga daat dituliskan secara umum sebagai: g(μ) = η = β 0 + f j (X j ) + ε ; j = 1,2,, j=1 Regresi Kubik Slines Menurut Fan dan Yao [4] Slines meruakan otongan olinomial yang tersegmen terhubung ada titik yang menunjukkan terjadinya erubahan-erubahan erilaku kurva ada interval-interval yang berbeda. Titik enghubung tersebut disebut knot. Secara umum sline dengan orde m=0,1,2, dan 3 yang masing-masing disebut constant, linier, quadratic dan cubic. Sehingga fungsi cubic sline dengan titik-titik knot k 1, k 2,, k s, secara umum daat disajikan sebagai berikut: f(x i ) = β 0 + β 1 x i + + β m x i m + + β ms (x i k s ) + m untuk i = 1,2,, n Maka secara umum, jika dimiliki model Y = f(x) + ε, diformulasikan: s fungsi cubic sline f(x) b k (x)β k k=1 Dimana s adalah banyaknya knot; b k (x) adalah fungsi basis ke-k untuk regresi sline kubik, dan β k adalah arameter yang tidak diketahui. Sehingga f (x) = s k=1 b k (x)β k = b (x) T β Dimana b (x) adalah vektor turuan kedua dari fungsi basis. Ketika f (x) adalah skalar maka akan sama dengan nilai transosenya, sehingga [f (x)] 2 = β T b (x)t b (x)β = β T S(x)β (2) Oleh karenanya J(f) = β T S(x)dx β = β T H β, sehingga dengan dimilikinya suatu basis, kita akan selalu daat mengevaluasi matrik koefisien H yang mengijinkan enalti J(f) 329
4 ditulis sebagai bentuk kudratik dari vektor b (dimana matriks H tidak bergantung ada nilai b). Kemudian masalah estimasi adalah daat dicaai dengan meminimumkan n {y i f(x i )} 2 + λ f (x) 2 i=1 Dimana λ adalah arameter yang mengatur erimbangan (trade-off) antara data dan kemulusan model. Memilih basis untuk f menjadikan desain matrik X dan matriks enalti H dihitung seerti yang dijelaskan sebelumnya. Sehingga ermasalahan fitting daat ditulis: y Xb 2 + λβ T H β Generalized Additive Model Cubic Slines Model umum GAM ada ersamaan (1.4) dan Cubic Sline untuk satu variabel ada ersamaan (1.5), ditulis kembali g(μ) = η = β 0 + j=1 f j (X j ) + ε ; j = 1,2,,, maka dengan menginut unsur basis maka daat dituliskan menjadi: l 1 g(μ) = η = β 0 + b k (x)β k + + b k (x)β k + ε ; j = 1,2,, (3) k=1 l j k=1 Kemudian model diatas daat ditulis kembali dalam bentuk vektor: Y iid ~ Keluarga Eksonesial(μ, ) η = g(μ) = Xβ X adalah desain matriks untuk model aditif yang dibentuk seerti ada ersamaan (3) dengan menggunakan emulus, g adalah fungsi link emulus monoton. Kemudian ermasalahan fitting diatas daat diselesaikan dengan memaksimumkan enalized-log likelihood [5]: l = l(y; β) 1 2 λ jβ j T H j β j n i=1 j=1 Dimana λ j > 0 dan l(y; β) = {[y i η i + c(η i )] + d(y i )}, η i adalah elemen ke-i dari g(μ) = η dan menurut ersamaan (2) H j = b (x)t b (x). Wood (2002) menyatakan solusi untuk memaksimumkan enalized likelihood daat dicaai dengan menggunakan iteratively reweighted least square (IRLS) sehingga dieroleh nilai estimasi β [5] : β [t+1] = {[X T W [t] X S] 1 X T W [t] z [t] } dengan W [t] adalah matriks enimbang yang memunyai elemen w ii 1 V(μ i [t] )g (μi [t] ), S = blockdiag(0, λ 1 H 1,, λ H ), dan z [t] = Xβ [t] + g (μ i [t] ) (y μ t ) Tahaan Penelitian Tahaan enelitian yang dilakukan untuk menyelesaikan tujuan enelitian adalah sebagai berikut: 1. Memersiakan data, yaitu menentukan variabel reson dan variabel rediktor yang akan digunakan. 2. Membuat scatter lot yang menjelaskan hubungan antar variabel reson dan variabel rediktor. 3. Menentukan distribusi bagi variabel reson secara emiris dengan nilai AIC terkecil dari seluruh ilihan distribusi yang berada ada rentang (0,tak hingga)[6]. Dengan dasar AIC terkecil hasil emodelan diyakini adalah model terbaik. 330
5 4. Menentukan resesifikasi model berdasarkan ola data ada scatter lot. 5. Pembentukan model melalui tahaan: a. Membentuk basis ada masing-masing rediktor dengan knot fixed. b. Basis yang terbentuk ada setia variabel rediktor diberikan enalti. c. Mengkombinasikan setia variabel rediktor yang sudah diberikan erlakuan emulusan sehingga terbentuk model Generalized Additive Model (GAM) cubic sline. 6. Mengestimasi arameter koefisien model bagi setia variabel rediktor. 7. Memilih model terbaik berdasarkan ukuran AIC dan MSE terkecil. 3. HASIL PENELITIAN DAN PEMBAHASAN 3.1 Sumber Data Data yang digunakan dalam enelitian ini adalah data sekunder yang dieroleh dari ublikasi Badan Pusat Statistika (BPS) tahun Pada enelitian ini yang dijadikan unit observasi adalah Kabuaten/Kota di Provinsi Jawa Tengah sebanyak 35 Kabuaten/Kota. Data yang digunakan adalah RLS sebagai variabel reson (Y) dan faktor-faktor endukung seerti rasio beban ketergantungan, rasio murid guru SLTA, rasio jenis kelamin, rasio murid sekolah SLTA, PBRD er kaita, dan ersentase enduduk miskin di kabuaten/kota di Provinsi Jawa Tengah sebagai variabel rediktor (X). 3.2 Rata-Rata Lama Sekolah Rata-rata lama sekolah adalah jumlah tahun belajar enduduk usia 25 tahun ke atas yang telah diselesaikan dalam endidikan formal (tidak termasuk tahun yang mengulang) [1]. Ratarata angka RLS di Jawa Tengah adalah sebesar 7,45 tahun. Artinya enduduk yang berusia 25 tahun keatas di Jawa Tengah rata-rata lama bersekolah 7 samai dengan 8 tahun. Namun terdaat tiga kota yang nilainya jauh berada diatas nilai kabuaten/kota yang lain. Ketiga kota tersebut adalah kota Magelang, kota Surakarta dan kota Semarang, dengan angka masing-masing sebesar 10,29, 10,37, dan 10,49 tahun. (a) (b) Gambar 1. a) Boxlot Rata-rata lama sekolah ; b) scatter lot hubungan variabel ekslantori dan variabel reson 331
6 3.3 Pemodelan Pemodelan Generalized Additive Models (GAM) dilakukan dengan terlebih dahulu mengetahui aakah suatu variabel reson mengikuti distribusi keluarga eksonensial. Sesuai dengan tahaan enelitian akan untuk mengetahui variabel reson berdistribusi keluarga eksonensial adalah dengan menggunakan cara embentukan model regresi sederhana melalui distribusi yang akan memberikan Akaike Information Criterion (AIC) terkecil [6]. Adaun hasil olah dieroleh hasil seerti ada tabel 1. Tamak bahwa distribusi Inverse Gaussian memberikan hasil AIC terkecil, mengindikasikan bahwa variabel reson mengikuti distribusi inverse gaussian akan memberikan hasil model yang terbaik. Inverse Gaussian adalah distribusi yang termasuk dalam distribusi keluarga eksonensial sehingga metode GAM daat diterakan ada data. Selanjutnya adalah menetakan knot untuk masing-masing variabel reditor. Karena dilakukannya enalized regression sline maka ermasalahan enematan knot daat dihindari [5]. Dalam hal ini enulis menentakan knot bagi setia variabel rediktor adalah sama yaitu sebanyak 4 knot equidistant. Penetaan knot disini akan dilanjutkan dengan otimasi ada nilai enalti yaitu arameter emulus untuk setia variabel rediktor. Kemudian emodelan GAM daat dilakukan yang selanjutnya akan dieroleh nilai nilai estimasi β. Tabel 1. Ukuran AIC dari model regresi berdasarkan distribusi reson dengan rentang [0, ] Distribusi AIC Inverse Gaussian 81,5428 Weibull 85,5407 Gamma 86,0569 Log Normal 86,2892 Inverse Gamma 86,5491 Generalized Gamma 87,3044 Generalized Inverse Gaussian 88,1313 Normal 91,2495 Exonential 223,9910 Pareto 226,2534 Pada enelitian ini selain menerakan Generalized Additive Models (GAM) dilakukan ula emodelan dengan menggunakan metode Normal Linear Model (NLM) dan Generalized Linear Model (GLM) sebagai erbandingan. Adaun hasil emodelan ditunjukan ada tabel dibawah: Table 2. Nilai MSE dan R-Square ada reduced model Metode MSE R-Square AIC (1) (2) (3) (4) LM 0,5602 0, ,0412 GLM 0,4400 0, ,8673 GAM 0,2856 0, ,7458 Tabel 2. Menunjukkan bahwa GAM adalah model terbaik berdasarkan ukuran-ukuran emilihan model. Melalui rosedur stewise, hanya emat variabel saja yang daat dimasukkan ke dalam model GAM yang terbentuk. Ke-emat variabel tersebut adalah rasio beban ketergantungan, rasio murid guru ada tingkat SLTA, rasio jenis kelamin, dan PDRB er kaita 332
7 Dalam Eubank (1988) disebutkan bahwa ukuran kinerja enduga fungsi regresi daat ditentukan diantaranya dengan rataan kuadrat sisaan (MSE) [7]. Tamak bahwa MSE terkecil dihasilkan dengan menggunakan metode Generalized Additive Models yaitu sebesar 0,2856. R- Square yang dihasilkan juga lebih besar dari kedua metode lainnya yaitu sebesar 0,8573, artinya bahwa ke-emat variabel yang masuk dalam model mamu menjelaskan hubungannya terhada rata-rata lama sekolah sebesar 85,73%. 4. KESIMPULAN Pada enelitian ini disimulkan bahwa kinerja Generalized Additive Models lebih otimal dibandingkan dengan Generalized Linear Model dan Linear Model. Ini dibuktikan erbandingan nilai MSE Generalized Additive Models lebih kecil dariada MSE Generalized Linear Model dan Linear Model. Ini dikarenakan endekatan Generalized Additive Models daat mengatasi data yang memunyai sebaran tidak linier dan variabel reson yang berdistribusi keluarga eksonensial. Adaun yang menjadi saran untuk enelitian selanjutnya adalah daat membandingkan beberaa basis emulus untuk mendaatkan model yang terbaik dan daat ula memertimbangkan adanya engaruh dari arameter scale dan shae dalam hal ini adalah varians dan skewness serta kurtosis dengan menggunakan metode Generalized Additive Model Location, Scale and Shae (GAMLSS) 5. DAFTAR PUSTAKA [1] htt://im.bs.go.id/age/im [2] Nelder, J.A. dan Wedderburn, R.W.M., Generalized linear models, Journal of the Royal Statistical Society, A135, [3] Hastie, T. J. dan Tibshirani. Generalized Additive Model 4th ed. Chaman dan Hall, London [4] Fan, J dan Yao, Q. Nonliniear Time Series Nonarametric and Parameteric Method. Canada: Sringer Science [5] Wood, Simon N dan Augustin, Nicole H., GAMs with integrated model selection using enalized regression slines and alications to environmental modelling. Ecological Modelling [6] Stasinooulos DM, Rigby RA,et al, Flexible Regression and Smoothing Using GAMLSS in R, CRC Press [7] Eubank, R. Sline Smoothing and Nonarametric Regression. Marcel Dekker, New York
ANALISIS BAYES UNTUK REGRESI SPLINE TERPENALTI STUDI KASUS: ANALISIS HUBUNGAN JUMLAH UANG BEREDAR DENGAN INFLASI DI INDONESIA
IndoMS Journal on Statistics Vol. 2, No. 2 (2014), Page 63-69 ANALISIS BAYES UNTUK REGRESI SPLINE TERPENALTI STUDI KASUS: ANALISIS HUBUNGAN JUMLAH UANG BEREDAR DENGAN INFLASI DI INDONESIA Rika Fitriani,
Lebih terperinciJurnal MIPA 40 (2) (2017): Jurnal MIPA.
Jurnal MIPA 40 (2) (2017): 134-140 Jurnal MIPA htt://journal.unnes.ac.id/nju/index.h/jm Pemodelan Kemiskinan di Provinsi Bengkulu Menggunakan Small Area Estimation dengan Pendekatan Semiarametrik Penalized
Lebih terperinciAPLIKASI REGRESI PARTIAL LEAST SQUARE UNTUK ANALISIS HUBUNGAN FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN MANUSIA DI KOTA YOGYAKARTA
-ISSN 979 3693 e-issn 2477 0647 MEDIA STATISTIKA 9(2) 206: 75-84 htt://eournal.undi.ac.id/index.h/media_statistika APLIKASI REGRESI PARTIAL LEAST SQUARE UNTUK ANALISIS HUBUNGAN FAKTOR-FAKTOR YANG MEMPENGARUHI
Lebih terperinciDhiva Ryan Hardine 1), Aisyah Abdullah 2), Muhammad Ikbal 3), Nur Chamidah 4)
PEMODELAN KADAR GULA DARAH DAN EKANAN DARAH PADA REMAJA PENDERIA DIABEES MELIUS IPE II DENGAN PENDEKAAN REGRESI NONPARAMERIK BIRESPON BERDASARKAN ESIMAOR SPLINE Dhiva Ryan Hardine 1), Aisyah Abdullah 2),
Lebih terperinciPENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON
E-Jurnal Matematika Vol., No., Mei 013, 49-53 ISSN: 303-1751 PENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON I PUTU YUDANTA EKA PUTRA 1, I PUTU EKA
Lebih terperinciSKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN
SKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN Oleh : Rengganis L. N. R 302 00 046 PENDAHULUAN Latar Belakang Penduduk
Lebih terperinciPerluasan Geographically Weighted Regression Menggunakan Fungsi Polinomial
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 17, Hal. 15- -ISSN: 58-4596; e-issn: 58-46X Halaman 15 Perluasan Geograhically Weighted Regression Menggunakan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3. Prosedur Pengumulan Data 3.. Sumber Data Data yang digunakan dalam enelitian ini meruakan data sekunder yang diambil dari Deartemen Keuangan, BAPEPAM, dan IAPI. Data-data
Lebih terperinciPENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE
PENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE Diah Ayu Novitasari * * Jurusan Manajemen, Fakultas Ekonomi Universitas Islam Lamongan Email :
Lebih terperinciPENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE
PENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE Diah Ayu Novitasari *) *) Jurusan Manajemen, Fakultas Ekonomi Universitas Islam Lamongan Email
Lebih terperinciBAB II TINJAUAN PUSTAKA. untuk berkunjung ke suatu negara. Permintaan pariwisata biasanya diukur dari segi
BAB II TINJAUAN PUSTAKA 2.1 Permintaan Pariwisata Pariwisata mamu mencitakan ermintaan yang dilakukan oleh wisatawan untuk berkunjung ke suatu negara. Permintaan ariwisata biasanya diukur dari segi jumlah
Lebih terperinciPemodelan Biaya Tak Langsung Proyek Konstruksi di PT Wijaya Karya (Studi Kasus: Proyek Konstruksi Di Provinsi Kalimantan Timur)
Pemodelan Biaya Tak Langsung Proyek Konstruksi di PT Wijaya Karya (Studi Kasus: Proyek Konstruksi Di Provinsi Kalimantan Timur) Odik Fajrin Jayadewa, Dr. Irhamah, S.Si, M.Si, dan 3 Dwi Endah Kusrini, S.Si,
Lebih terperinciBAB III MODEL EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC IN MEAN (EGARCH-M)
30 BAB III MODEL EXPOETIAL GEERALIZED AUTOREGRESSIVE CODITIOAL HETEROSCEDASTIC I MEA (EGARCH-M) 3.1 Proses EGARCH Exonential GARCH (EGARCH) diajukan elson ada tahun 1991 untuk menutui kelemahan model ARCH/GARCH
Lebih terperinciPENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1)
PENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1) Anang Kurnia Departemen Statistika FMIPA IPB Jl. Meranti, Wing 22 Level 4 Kampus IPB Darmaga, Bogor Email: anangk@ipb.ac.id
Lebih terperinciPEMODELAN KETERTINGGALAN DAERAH DI INDONESIA MENGGUNAKAN ANALISIS DISKRIMINAN
M-20 PEMODELAN KETERTINGGALAN DAERAH DI INDONESIA MENGGUNAKAN ANALISIS DISKRIMINAN Titi Purwandari, Yuyun Hidayat 2,2) Deartemen Statistika FMIPA Universitas Padjadjaran, email : titiurwandari@yahoo.com,
Lebih terperinciOLS, LASSO dan PLS Pada data Mengandung Multikolinearitas. OLS, LASSO dan PLS Pada data Mengandung Multikolinearitas
Jurnal ILMU DASAR Vol. 11 No. 1, Januari 010 : 83 91 83, dan Pada data Mengandung Multikolinearitas, dan Pada data Mengandung Multikolinearitas Yuliani Setia Dewi Jurusan Matematika FMIPA Universitas Jember
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dengan semakin majunya peradaban, banyak pihak dalam berbagai bidang memerlukan suatu alat untuk memodelkan suatu data ke dalam suatu fungsi yang dapat dipergunakan
Lebih terperinciPEMODELAN PENJADWALAN MATA PELAJARAN DENGAN INTEGER PROGRAMMING
PEMODELAN PENJADWALAN MATA PELAJARAN DENGAN INTEGER PROGRAMMING Dian Permata Sari, Sri Setyaningsih, dan Fitria Virgantari. Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciII. TINJAUAN PUSTAKA 2.1 Metode Regresi 2.2 Model Aditif Terampat ( Generalized additive models , GAM)
II. TINJAUAN PUSTAKA. Metode Regresi Analisis regresi merupakan bagian dalam analisis statistika yang digunakan untuk memodelkan hubungan antara peubah tidak bebas (respon) dengan satu atau beberapa peubah
Lebih terperinciTRANSFORMASI AFFIN PADA BIDANG
Jurnal Matematika Vol. No. November 03 [ : 8 ] TRANSFORMASI AFFIN PADA BIDANG Gani Gunawan dan Suwanda Program Studi Matematika, Fakultas MIPA, Universitas Islam Bandung Prgram Studi Statistika, Fakultas
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dengan semakin majunya peradaban zaman, banyak pihak dalam berbagai bidang memerlukan suatu alat untuk memodelkan suatu data kedalam suatu fungsi yang dapat dipergunakan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Persoalan jalur terendek (Shortest Path) meruakan suatu jaringan engarahan erjalanan dimana seseorang engarah jalan ingin menentukan jalur terendek antara dua kota
Lebih terperinciForum Statistika dan Komputasi : Indonesian Journal of Statistics Lasso ISSN : : Solusi Alternatif Seleksi Peubah Dan Penyusutan
Forum Statistika dan Komutasi : Indonesian Journal of Statistics Lasso ISS : : 0853-8115 Solusi Alternatif Seleksi Peubah Dan Penyusutan Koefisien Vol. 18 o.1, Model Aril Regresi 013, Linier : 1-7 available
Lebih terperinciIV PEMBAHASAN. 4.1 Penentuan Titik Tetap Model Dinamika Virus HIV Titik tetap persamaan (3.1) diperoleh dengan menentukan dt 0, dt *
6 IV PEMBAHASAN 4. Penentuan Titik Teta Model Dinamika Titik teta ersamaan (3. dieroleh dengan menentukan dt, dt dan dv. Sehingga menurut ersamaan tersebut dieroleh titik teta s d N s dt T, T, V, T, kn
Lebih terperinciPENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 58 65 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA
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 terperinciDiterima 30 Januari 2014, direvisi 26 April 2014 ABSTRAK
296 NATURAL B, Vol. 2, No. 3, Aril 2014 Pemodelan Geograhically Weighted Regression dengan Pembobot Fixed Gaussian Kernel ada Data Sasial (Studi Kasus Ketahanan Pangan di Kabuaten Tanah Laut Kalimantan
Lebih terperinciPENENTUAN MODEL REGRESI SPLINE TERBAIK. Agustini Tripena 1
PENENTUAN MODEL REGRESI SPLINE TERBAIK Agustini Tripena 1 1) Program Studi Matematika, Fakultas Sains dan Teknik, Univesitas Jenderal Soedirman, Purwokerto tripena1960@yahoo.co.id Abstrak Pada paper ini
Lebih terperinciDika Dwi Muharahman*, Nurul Gusriani, Elis Hertini. Departemen Matematika, Universitas Padjadjaran *E mail:
Perubahan Perilaku Pengguna nstant Messenger dengan Menggunakan Analisis Koresondensi Bersama (Studi Kasus Mahasiswa di Program Studi S-1 Matematika FMPA Unad) Dika Dwi Muharahman*, Nurul Gusriani, Elis
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Pemilahan Data
BAB 3 PEMBAHASAN 3.1 Pemilahan Data Pemilahan data dilakukan untuk menentukan data mana saja yang akan diolah. Dalam enelitian ini, data yang diikutsertakan dalam engolahan ditentukan berdasarkan teori
Lebih terperinciRegresi Rasio Prevalensi dengan Model Log-Binomial: Isu Ketakkonvergenan. Netti Herawati 1) Alfian Futuhul Hadi 2)
BIAStatistika (2) Vol. 4, No., hal. 35 45 Regresi Rasio Prevalensi dengan Model Log-Binomial: Isu Ketakkonvergenan Netti Herawati ) Alfian Futuhul Hadi 2) ) Jurusan Matematika FMIPA Universitas Lamung
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan salah satu metode statistika yang luas penggunaanya dalam berbagai bidang dan telah diterapkan untuk berbagai jenis pengujian serta penelitian.
Lebih terperinciJurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN
Perbandingan Metode Klasifikasi Regresi Logistik Dengan Jaringan Saraf Tiruan (Studi Kasus: Pemilihan Jurusan Bahasa dan IPS ada SMAN 2 Samarinda Tahun Ajaran 2011/2012) Comarison of Classification Methods
Lebih terperinciPEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 74 82 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Statistika adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data. Singkatnya, statistika adalah
Lebih terperinciPermodelan Proporsi Pengeluaran Makanan Rumah Tangga di Kota Jayapura
Permodelan Proporsi Pengeluaran Makanan Rumah Tangga di Kota Jayapura Pendekatan Regresi Kuantil Aditif Doni Hermawan 1, Yudhie Andriyana 2, Sri Winarni 3 Prodi Magister Statistik UNPAD 1 Prodi Magister
Lebih terperinciPEMODELAN HARGA CABAI DI KOTA SEMARANG TERHADAP HARGA INFLASI MENGGUNAKAN REGRESI SEMIPARAMETRIK POLINOMIAL LOKAL
PEMODELAN HARGA CABAI DI KOTA SEMARANG TERHADAP HARGA INFLASI MENGGUNAKAN REGRESI SEMIPARAMETRIK POLINOMIAL LOKAL Alan Prahutama, Suparti, Departemen Statistika, Fakultas Sains dan Matematika,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 terperinciJurnal Dinamika, April 2015, halaman Vol. 06. No. 1 ISSN
Jurnal Dinamika, April 2015, halaman 61-66 Vol. 06. No. 1 ISSN 2087-7889 SIMULASI PERBANDINGAN METODE PERAMALAN MODEL GENERALIZED SEASONAL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (GSARIMA) DENGAN SEASONAL
Lebih terperinciGENERALIZED CROSS VALIDATION DALAM REGRESI SMOOTHING SPLINE
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 3 (2013), hal 191 196. GENERALIZED CROSS VALIDATION DALAM REGRESI SMOOTHING SPLINE Andi Sayuti, Dadan Kusnandar, Muhlasah Novitasari Mara
Lebih terperinciPEMILIHAN PARAMETER PENGHALUS DALAM REGRESI SPLINE LINIER. Agustini Tripena Br.Sb.
JMP : Volume 3 Nomor 1, Juni 2011 PEMILIHAN PARAMETER PENGHALUS DALAM REGRESI SPLINE LINIER Agustini Tripena Br.Sb. Fakultas Sains dan Teknik, Universitas Jenderal Soedirman Purwokerto, Indonesia ABSTRAK.
Lebih terperinci270 o. 90 o. 180 o PENDAHULUAN
PENDAHULUAN Latar Belakang Perkembangan analisis data saat ini masih bertumu ada analisis untuk data linear. Disisi lain, untuk kasus-kasus tertentu engukuran dilakukan secara sirkular. Beberaa ilustrasi
Lebih terperinciUNNES Journal of Mathematics
UJM 6(2) (2017) UNNES Journal of Mathematics htt://journal.unnes.ac.id/sju/index.h/ujm PERBANDINGAN METODE PARTIAL LEAST SQUARE (PLS) DAN PRINCIPAL COMPONENT REGRESSION (PCR) UNTUK MENGATASI MULTIKOLINEARITAS
Lebih terperinciD-109 JURNAL SAINS DAN SENI ITS Vol. 4, No.1, (2015) ( X Print)
D-9 JURNAL SAINS DAN SENI ITS Vol 4 No 25 2337-352 23-928X Print Pemodelan Log Linier dan Regresi Logistik Biner Bivariat ada Hasil Medical Check-U Pegawai Negeri Siil PNS Institut Teknoi Seuluh Noember
Lebih terperinciBAB II TINJAUAN PUSTAKA. variabel prediktor terhadap variabel respons. Hubungan fungsional
BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Dalam ilmu statistika, metode yang dapat digunakan untuk menganalisis pola hubungan antara satu variabel atau lebih dengan satu variabel atau lebih lainnya
Lebih terperinciPEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2 INDONESIA (SUMATERA)
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 116 124 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2
Lebih terperinciAPLIKASI DISCOUNTED CASH FLOW PADA KONTROL INVENTORY DENGAN BEBERAPA MACAM KREDIT PEMBAYARAN SUPPLIER
Program Studi MMT-ITS, Surabaya Agustus 9 APLIKASI ISOUNTE ASH FLOW PAA KONTROL INVENTORY ENGAN BEBERAPA MAAM KREIT PEMBAYARAN SUPPLIER Hansi Aditya, Rully Soelaiman Manajemen Teknologi Informasi MMT -
Lebih terperinciBAB I PENDAHULUAN. Tahun 1997 negara-negara di Kawasan Asia mengalami krisis ekonomi,
BAB I PENDAHULUAN A. Latar Belakang Tahun 997 negara-negara di Kawasan Asia mengalami krisis ekonomi, seerti Korea Selatan, Thailand, Filiina, Malaysia, Singaura, Indonesia. Penyebaran krisis di kawasan
Lebih terperinciII. TINJAUAN PUSTAKA
II. TIJAUA PUSTAKA Portofolio Saham Portofolio berarti sekumulan investasi, untuk kasus saham, berarti sekumulan investasi dalam bentuk saham. Proses embentukan orfolio saham terdiri dari mengidentifikasi
Lebih terperinciMODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA PRODUK DOMESTIK REGIONAL BRUTO TERHADAP INVESTASI DI KABUPATEN TUBAN
MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA PRODUK DOMESTIK REGIONAL BRUTO TERHADAP INVESTASI DI KABUPATEN TUBAN Amalia Ma rufa, Sri Subanti, Titin Sri Martini Program Studi Matematika FMIPA UNS
Lebih terperinciBAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR)
BAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) 3.1 Regresi Poisson Regresi Poisson merupakan suatu bentuk analisis regresi yang digunakan untuk memodelkan data
Lebih terperinciE-Jurnal Matematika Vol. 3 (3), Agustus 2014, pp ISSN:
E-Jurnal Matematika Vol. 3 3), Agustus 2014, pp. 107-115 ISSN: 2303-1751 PERBANDINGAN REGRESI BINOMIAL NEGATIF DAN REGRESI GENERALISASI POISSON DALAM MENGATASI OVERDISPERSI Studi Kasus: Jumlah Tenaga Kerja
Lebih terperinciMODEL REGRESI NONPARAMETRIK DENGAN PENDEKATAN DERET FOURIER PADA KASUS TINGKAT PENGANGGURAN TERBUKA DI JAWA TIMUR
UNIVERSITAS DIPONEGORO 01 ISBN: -0-1-0-1 MODEL REGRESI NONPARAMETRIK DENGAN PENDEKATAN DERET FOURIER PADA KASUS TINGKAT PENGANGGURAN TERBUKA DI JAWA TIMUR Alan Prahutama Dosen Jurusan Statistika Undip
Lebih terperinciKARAKTERISASI SEBARAN BINOMIAL NEGATIF
Jurnal Matematika UNAND Vol. 5 No. 2 Hal. 65 70 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND KARAKTERISASI SEBARAN BINOMIAL NEGATIF DEBY HANDAYANI Program Studi Magister Matematika, Fakultas Matematika
Lebih terperinciPeramalan Nilai Tukar (Kurs) Rupiah Terhadap Dolar Tahun 2017 dengan Menggunakan Metode Arima Box-Jenkins
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017, Hal. 253-261 -ISSN: 2580-4596; e-issn: 2580-460X Halaman 253 Peramalan Nilai Tukar (Kurs) Ruiah Terhada
Lebih terperinciMasalah Overdispersi dalam Model Regresi Logistik Multinomial
Statistika, Vol. 16 No. 1, 29 39 Mei 2016 Masalah Overdispersi dalam Model Regresi Logistik Multinomial Annisa Lisa Nurjanah, Nusar Hajarisman, Teti Sofia Yanti Prodi Statistika, Fakultas Matematika dan
Lebih terperinciModifikasi Hydrograf Satuan Sintetik SCS Sungai Serayu Dengan Metoda Optimasi
Modifikasi Hydrograf Satuan Sintetik SCS Sungai Serayu Dengan Metoda Otimasi Ariani Budi Safarina ABSTRAK Metoda hydrograf satuan sintetik dierlukan untuk menentukan arameter banjir di daerah aliran sungai
Lebih terperinciPenerapan Kurva Eliptik Atas Zp Pada Skema Tanda Tangan Elgamal
A7 : Peneraan Kurva Elitik Atas Z... Peneraan Kurva Elitik Atas Z Pada Skema Tanda Tangan Elgamal Oleh : Puguh Wahyu Prasetyo S Matematika, Universitas Gadjah Mada, Yogyakarta Email : uguhw@gmail.com Muhamad
Lebih terperinciAnalisis Pengelompokan Mengenai Perubahan Struktur Kependudukan Dalam Menghadapi Era Bonus Demografi Di Kabupaten/Kota Provinsi Jawa Timur
D-486 JURNAL SAINS DAN SENI ITS Vol. 5 No. (06) 337-350 (30-98X Print) Analisis Pengelomokan Mengenai Perubahan Struktur Keendudukan Dalam Menghadai Era Bonus Demografi Di Kabuaten/Kota Provinsi Jawa Timur
Lebih terperinciAnalisis Regresi Spline Kuadratik
Analisis Regresi Spline Kuadratik S 2 Oleh: Agustini Tripena Program Studi Matematika, Fakultas Sains dan Teknik, Univesitas Jenderal Soedirman, Purwokerto tripena1960@yahoo.co.id Abstrak Regresi spline
Lebih terperinciGENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI
GENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI Agus Supriatna 1), Riaman 2), Sudradjat 3), Tari Septiyani 4) Departemen Matematika, FMIPA Unpad Jalan Raya Bandung-Sumedang
Lebih terperinciMODEL REGRESI NONPARAMETRIK BERDASARKAN ESTIMATOR POLINOMIAL LOKAL KERNEL PADA KASUS PERTUMBUHAN BALITA
MODEL REGRESI NONPARAMETRIK BERDASARKAN ESTIMATOR POLINOMIAL LOKAL KERNEL PADA KASUS PERTUMBUHAN BALITA 1 Mifta Luthfin Alfiani, 2 Indah Manfaati Nur, 3 Tiani Wahyu Utami 1,2,3 Program Studi Statistika,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Penelitian tentang hubungan diantara fenomena-fenomena real merupakan dasar dari tujuan sains dan memainkan peranan penting dalam kehidupan seharihari. Saat ini analisis
Lebih terperincioleh seperangkat variabel X, maka persamaan di atas dinamakan persamaan struktural, dan modelnya disebut model struktural.
ANALISIS JALUR A. PENGERTIAN ANALISIS JALUR Telaah statistika menyatakan bahwa untuk tujuan eramalan/ endugaan nilai Y atas dasar nilai-nilai X 1, X,., X i, ola hubungan yang sesuai adalah ola hubungan
Lebih terperinciBab I Pendahuluan. I.1 Latar Belakang Masalah
Bab I Pendahuluan I. Latar Belakang Masalah Dalam beberaa tahun terakhir ini, roses emonitoran kestabilan barisan matriks korelasi mendaatkan erhatian yang amat serius dalam literatur, terutama dalam literatur
Lebih terperinciPEMODELAN KURS RUPIAH TERHADAP MATA UANG EURO DENGAN PENDEKATAN REGRESI SPLINE. Sulton Syafii Katijaya 1, Suparti 2, Sudarno 3.
PEMODELAN KURS RUPIAH TERHADAP MATA UANG EURO DENGAN PENDEKATAN REGRESI SPLINE Sulton Syafii Katijaya 1, Suparti 2, Sudarno 3 1 Mahasiswa Jurusan Statistika FSM UNDIP 2,3 Staff Pengajar Jurusan Statistika
Lebih terperinci5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS
5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS Pendahuluan Pada model VARX hubungan peubah penjelas dengan peubah respon bersifat parametrik. Stone (1985) mengemukakan pemodelan yang bersifat fleksibel
Lebih terperinciBAB III REGRESI SPLINE = + dimana merupakan fungsi pemulus yang tidak spesifik, dengan adalah
BAB III REGRESI SPLINE 3.1 Fungsi Pemulus Spline yaitu Fungsi regresi nonparametrik yang telah dituliskan pada bab sebelumnya = + dimana merupakan fungsi pemulus yang tidak spesifik, dengan adalah faktor
Lebih terperinciSeleksi Variabel Dalam Analisis Regresi Multivariat Multipel. Neneng Sunengsih. Staf Jurusan Statistika FMIPA UNPAD. Abstrak
S-7 Seleksi Variabel Dalam Analisis Regresi Multivariat Multiel Neneng Sunengsih Staf Jurusan Statistika FMIPA UNPAD Abstrak Salah satu tujuan analisis regresi adalah untuk tujuan rediksi. Semakin banyak
Lebih terperinciBAB I PENDAHULUAN. Y dikatakan linear jika untuk setiap x, Diberikan ruang Hilbert X atas lapangan F dan T B( X ), operator T
BAB I PENDAHULUAN. Latar Belakang dan Permasalahan Bidang ilmu analisis meruakan salah satu cabang ilmu matematika yang di dalamnya banyak membicarakan konse, aksioma, teorema, lemma disertai embuktian
Lebih terperinciANALISIS REGRESI NONPARAMETRIK SPLINE MULTIVARIAT UNTUK PEMODELAN INDIKATOR KEMISKINAN DI INDONESIA
E-Jurnal Matematika Vol. 5 (3), Agustus 2016, pp. 111-116 ISSN: 2303-1751 ANALISIS REGRESI NONPARAMETRIK SPLINE MULTIVARIAT UNTUK PEMODELAN INDIKATOR KEMISKINAN DI INDONESIA Desak Ayu Wiri Astiti 1, I
Lebih terperinciREGRESI SPLINE BIRESPON UNTUK MEMODELKAN KADAR GULA DARAH PENDERITA DIABETES MELITUS
REGRESI SPLINE BIRESPON UNTUK MEMODELKAN KADAR GULA DARAH PENDERITA DIABETES MELITUS Dhina Oktaviana P, I Nyoman Budiantara Mahasiswa Jurusan Statistika ITS Surabaya, Dosen Jurusan Statistika ITS Surabaya
Lebih terperinciProsiding Statistika ISSN:
Prosiding Statistika ISSN: 460-6456 Penggunaan Princial Comonent Analysis untuk Membuat Indeks Lingkungan dalam Mengukur Tingkat Kesejahteraan Use of Princial Comonent Analysis to Create an Environment
Lebih terperinciAnalisis Regresi Nonlinear (I)
9 Oktober 2013 Topik Inferensi dalam Regresi Nonlinear Contoh Kasus Regresi linear berganda secara umum sesuai untuk kebanyakan kasus. Namun, banyak kasus peubah respons dan bebas berhubungan melalui fungsi
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya. Analisa Kestabilan Lyapunov
Institut Teknologi Seuluh Noember Surabaya Analisa Kestabilan Lyaunov Contoh Soal Ringkasan Latihan Contoh Soal Ringkasan Latihan Sistem Keadaan Kesetimbangan Kestabilan dalam Arti Lyaunov Penyajian Diagram
Lebih terperinciPETA KENDALI R ADAPTIF SEBAGAI ALTERNATIF PETA KENDALI R SHEWHART DALAM MENDETEKSI PERGESERAN KECIL PADA VARIANS
PETA KENDALI R ADAPTIF SEBAGAI ALTERNATIF PETA KENDALI R SHEWHART DALAM MENDETEKSI PERGESERAN KECIL PADA VARIANS Adative R Control Chart as Alternative Shewhart R Control Chart in Detecting Small Shifts
Lebih terperinciKompleksitas Algoritma Quick Sort
Komleksitas Algoritma Quick Sort Fachrie Lantera NIM: 130099 Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung Jln. Ganesha 10, Bandung E-mail : if099@students.if.itb.ac.id
Lebih terperinciPROSIDING ISSN: PM-32 ANALISI KESULITAN MAHASISWA DALAM MENYELESAIKAN MASALAH PERSAMAAN DIFERENSIAL
PM-32 ANALISI KESULITAN MAHASISWA DALAM MENYELESAIKAN MASALAH PERSAMAAN DIFERENSIAL Sumargiyani 1), Muhammad Iqna Hibatallah 2), Universitas Ahmad Dahlan 1),2) sumargiyani04@yahoo.om, iqnaunyu@gmail.om
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini diuraikan beberapa tinjauan pustaka sebagai landasan teori pendukung penulisan penelitian ini. 2.1 Analisis Regresi Suatu pasangan peubah acak seperti (tinggi, berat)
Lebih terperinciPROSIDING ISSN: PM-20 ANALISIS KESULITAN MAHASISWA DALAM MENYELESAIKAN MASALAH PERSAMAAN DIFERENSIAL
PM-20 ANALISIS KESULITAN MAHASISWA DALAM MENYELESAIKAN MASALAH PERSAMAAN DIFERENSIAL Sumargiyani 1) Muhammad Iqna Hibatallah 2) Universitas Ahmad Dahlan 1)2) sumargiyani04@yahoo.om iqnaunyu@gmail.om Abstrak
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode analisis data yang telah diterapkan
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan metode analisis data yang telah diterapkan secara luas pada berbagai bidang penelitian, sebagai contoh penelitian-penelitian dalam ilmu pengetahuan
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 terperinciIntegral dan Persamaan Diferensial
Sudaryatno Sudirham Studi Mandiri Integral dan Persamaan Diferensial ii Darublic BAB 3 Integral (3) (Integral Tentu) 3.. Luas Sebagai Suatu Integral. Integral Tentu Integral tentu meruakan integral yang
Lebih terperinciBAB I PENDAHULUAN. menganalisis hubungan fungsional antara variabel prediktor ( ) dan variabel
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan suatu metode yang digunakan untuk menganalisis hubungan fungsional antara variabel prediktor ( ) dan variabel respon ( ), dimana
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Secara umum, analisis survival dapat didefinisikan sebagai seperangkat metode yang digunakan untuk menganalisis data di mana variabel outputnya berupa lama
Lebih terperinciPENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 11-16 ISSN: 2303-1751 PENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA NI MADE SEKARMINI 1, I KOMANG GDE SUKARSA
Lebih terperinciBiaya Modal (Cost of Capital)
Bahan Ajar : Manajemen Keuangan II Digunakan untuk melengkai buku wajib Disusun oleh: Nila Firdausi Nuzula Biaya Modal (Cost of Caital) Caital Budgeting dan Cost of Caital (CoC) meruakan dua konse yang
Lebih terperinciPEMODELAN KASUS KEMISKINAN DI JAWA TENGAH MENGGUNAKAN REGRESI NONPARAMETRIK METODE B-SPLINE ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 11-20 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN KASUS KEMISKINAN DI JAWA TENGAH MENGGUNAKAN REGRESI
Lebih terperinciDwi Rohmadi Mustofa, Ide Lia Marzuki,Ihsan Mustofa Jl. Raya Wonokriyo Gadingrejo Pringsewu Abstract.
PENINGKATAN KINERJA GURU MELALUI SUPERVISI PENGAWAS SATUAN PENDIDIKAN DAN KEPEMIMPINAN KEPALA SEKOLAH (STUDI KASUS PADA SMA MA ARIF NU 5 PURBOLINGGO KABUPATEN LAMPUNG TIMUR) Dwi Rohmadi Mustofa, Ide Lia
Lebih terperinciTINJAUAN PUSTAKA. Menurut Hardle (1994) analisis regresi adalah suatu metode analisis data yang
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Menurut Hardle (1994) analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan antara variabel respon dengan satu atau beberapa variabel
Lebih terperinciPemodelan Data Cacahan (Count Data) dalam GLM. Dr. Kusman Sadik, M.Si Sekolah Pascasarjana Departemen Statistika IPB Semester Genap 2017/2018
Pemodelan Data Cacahan (Count Data) dalam GLM Dr. Kusman Sadik, M.Si Sekolah Pascasarjana Departemen Statistika IPB Semester Genap 2017/2018 Pendahuluan Pada model linear klasik, seperti regresi linear,
Lebih terperinciSeminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri 2017 ISSN ITN Malang, 4 Pebruari 2017
Seminar Nasional Inovasi Dan Alikasi Teknologi Di Industri 207 ISSN 2085-428 ITN Malang, 4 Pebruari 207 ANALISA PEMILIHAN ALTERNATIF EKSEKUSI PROYEK PENINGKATAN KINERJA FASILTAS PENGUJIAN SUMUR MINYAK
Lebih terperinciBAB I PENDAHULUAN. mengetahui fenomena yang akan terjadi pada periode mendatang akan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pada kehidupan sehari-hari, adanya ketidakmampuan manusia untuk mengetahui fenomena yang akan terjadi pada periode mendatang akan mengakibatkan kurang tepatnya
Lebih terperinci3.7 Further Results and Technical Notes. Yenni Angraini-G
3.7 Further Results and Technical Notes Yenni Angraini-G161150051 Outline Nonlinear Gauss-Seidel Algorithm (NLGSA) Sifat asimtotik dari penduga Penalized Generalized Weighted Least Squares (PGWLS) Mean
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teori statistika telah mempengaruhi hampir semua aspek kehidupan. Hal ini disebabkan statistika merupakan salah satu disiplin ilmu yang berperan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bagian pertama bab ini diberikan tinjauan pustaka yang berisi penelitian sebelumnya yang mendasari penelitian ini Pada bagian kedua bab ini diberikan teori penunjang yang berisi
Lebih terperinciModifikasi Hydrograf Satuan Sintetik Nakayasu Sungai Cisangkuy Dengan Metoda Optimasi
Modifikasi Hydrograf Satuan Sintetik Nakayasu Sungai Cisangkuy Dengan Metoda Otimasi Ariani Budi Safarina ABSTRAK Metoda hydrograf satuan sintetik dierlukan untuk menentukan arameter banjir di daerah aliran
Lebih terperinciREGRESI SEMIPARAMETRIK SPLINE TRUNCATED DENGAN SOFTWARE R. Abstract. Keywords: Spline Truncated, GCV, Software R.
REGRESI SEMIPARAMETRIK SPLINE TRUNCATED DENGAN SOFTWARE R Tiani Wahyu Utami 1), Alan Prahutama 2) 1 Program studi Statistika, FMIPA, Universitas Mumammadiyah Semarang email: tianiutami@unimus.ac.id 2 Departemen
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 terperinciAplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri
Vol. 6, No.1, 0-8, Juli 009 Aplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri Wahidah Sanusi Abstrak Penelitian ini dilakukan untuk mengestimasi model pertumbuhan
Lebih terperinci