ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN
|
|
- Irwan Cahyadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 Salatiga, vania.mutiarani@yahoo.com b Program Studi Matematika FSM UKSW Jl. Diponegoro 52-6 Salatiga, adi_setia_3@yahoo.com c Program Studi Matematika FSM UKSW Jl. Diponegoro 52-6 Salatiga, hannaariniparhusip@yahoo.co.id ABSTRAK Regresi linier berganda merupakan model regresi linier dengan satu variabel dependen dan lebih dari satu variabel independen. Dalam makalah ini, diambil data SUSENAS (Survey Sosial Ekonomi Nasional) tahun 211 dari BPS Salatiga yaitu pendapatan sebagai variabel dependen dan pengeluaran masyarakat Salatiga (pengeluaran untuk konsumsi makanan dan pengeluaran untuk konsumsi non makanan) sebagai variabel independen dengan sampel n = 135. Hubungan antar variabel tersebut membentuk garis lurus yang tidak dapat ditentukan secara tepat dan membutuhkan taksiran parameter yang dapat dicari menggunakan model regresi linier Bayesian yaitu dengan merancang rantai Markov dari distribusi posterior (dari model regresi linier Bayesian) dengan bantuan Gibbs sampling. Sehingga dengan mencari rata-rata dari sebanyak 45 nilai Gibbs sampler diperoleh hasil taksiran parameter yaitu ς 2 =.32, β = 1.44, β 1 =.355, dan β 2 =.493 dan dihasilkan pula fungsi densitasnya. Dari fungsi densitas tersebut dihasilkan interval kredibel 95% untuk masing-masing taksiran parameter ς 2, β, β 1, dan β 2 berturut-turut yaitu (.25,.41), (.596, 2.271), (.176,.543) dan (.365,.621). Kata Kunci : model regresi linier berganda Bayesian, estimasi parameter, interval kredibel. ABSTRACT Multiple linear regression is a linear regression model using one dependent variable and more than one independent variable. In this paper, data are taken SUSENAS (National Socio- Economic Survey) from BPS Salatiga in 211. The income is supposed as the dependent variable and expenditure of Salatiga society (expenditure for food consumption and non-food consumption expenditure) as an independent variable with sample size of n = 135. The relationship between these variables form a straight line that can not be precisely determined and requires estimates of parameters using the Bayesian linear regression model. Markov chain design can be constructed based on the posterior distribution (Bayesian linear regression model) using Gibbs sampling. So by finding the average of the 45 of the Gibbs sampler values, point estimation of parameters can be found i.e. ς 2 =.32, β = 1.44, β 1 =.355, and β 2 =.493 and also its density function. Based on the density function can be found 95% credible intervals for each parameter estimates ς 2, β, β 1, and β 2 respectively are (.25,.41), (.596, 2.271), (.176,.543) and (.365,.621). Keywords : Bayesian multiple linear regression model, parameter estimates, credible intervals. SENDIKMAD 212 1
2 Pendahuluan dan β 1 =.78 sehingga persamaan Analisis regresi merupakan alat statistik yang banyak digunakan dalam berbagai bidang yang bertujuan untuk mengetahui hubungan antara variabel garis regresi dugaan : y i = x i dengan y i adalah dugaan untuk pendapatan masyarakat dan x i adalah pengeluaran masyarakat. Dari nilai-nilai dependen dan variabel independen Gibbs sampler yang telah didapatkan, (Suwarno, 29). Hubungan antara dihasilkan fungsi densitas untuk masingmasing variabel dependen dan independen parameter sehingga interval membentuk garis lurus yang disebut juga garis regresi yang tidak dapat ditentukan secara tepat sehingga diperlukan taksiran kepercayaan Bayesian (interval kredibel) 95% untuk taksiran parameter ς 2 adalah (.34,.97), untuk β yaitu (1.67, parameter untuk model regresi linier. 2.61) dan (.6282,.7879) untuk Untuk memperoleh taksiran parameter tersebut, biasanya dicari dengan metode kuadrat terkecil. Namun, ada cara lain parameter β 1. Dalam penelitian ini dilakukan pengembangan dari makalah sebelumnya yaitu dengan model regresi linier yaitu dengan model regresi linier Bayesian. berganda. Regresi linier berganda Pada makalah terdahulu merupakan model regresi linier dengan (Mutiarani dkk., 212) telah dijelaskan tentang penerapan model regresi linier Bayesian untuk mengestimasi parameter satu variabel dependen dan lebih dari satu variabel independen. Dalam makalah ini akan digunakan model regresi linier dan interval kredibel dengan mengambil berganda dalam konteks Bayesian. data SUSENAS tahun 211 yang Dengan mengambil data SUSENAS diperoleh dari BPS Salatiga yaitu (Survey Sosial Ekonomi Nasional) tahun pendapatan dan pengeluaran masyarakat Salatiga dengan sampel n = 3. Untuk mengestimasi parameter garis regresi dengan model regresi linier Bayesian, dirancang rantai Markov dari distribusi 211 dari BPS Salatiga yaitu pendapatan dan pengeluaran masyarakat Salatiga (pengeluaran untuk konsumsi makanan dan pengeluaran untuk konsumsi non makanan) dengan sampel n = 135, akan posterior yaitu dengan bantuan Gibbs dijelaskan bagaimana mengestimasi sampling sebanyak 5 iterasi dan parameter dan interval kepercayaan diperoleh taksiran parameter yang Bayesian (interval Kredibel) dengan merupakan rata-rata dari nilai Gibbs model regresi linier berganda Bayesian. sampler yaitu ς 2 =.57, β = 2.11 SENDIKMAD 212 2
3 Dasar Teori 1. Regresi Linier Berganda Bayesian Dalam statistik, regresi linier Bayesian merupakan pendekatan untuk regresi linier dimana analisis statistik yang dilakukan dalam konteks inferensi Bayesian (Web 1). Saat model regresi memiliki error yang berdistribusi normal, dan jika bentuk khusus dari distribusi prior diasumsikan, hasil eksplisit tersedia untuk distribusi probabilitas posterior dari parameter model. Analisis regresi linier berganda adalah pengembangan dari analisis regresi linier sederhana. Analisis regresi linier berganda ialah suatu alat analisis peramalan nilai pengaruh dua atau lebih variabel independen terhadap variabel dependen untuk membuktikan ada atau tidaknya hubungan fungsi atau hubungan kausal antara dua variabel atau lebih X 1, X 2, X 3,, X n dengan satu variabel dependen (Suwarno, 29). Persamaan regresi ganda dengan dua variabel bebas dirumuskan: y i = β + β 1 x 1i + β 2 x 2i + ε i dengan i = 1, 2,, n dan galat ε i ~N(, ς 2 ). Fungsi likelihood : p y X, β, ς 2 ς 2 n/2 exp 1 2ς 2 y Xβ T y Xβ. dengan X = 1 x 1i x 2i ; β = β, β 1, β 2 T Distribusi Prior Konjugat Prior konjugat adalah suatu prior yang jika dikombinasikan dengan fungsi likelihood akan menghasilkan suatu posterior dengan distribusi yang sama dengan distribusi prior (Gelman, 26). Dengan β = β, β 1, β 2 T, bentuk untuk prior : p β, ς 2 = p ς 2 p β ς 2 dengan ς 2 berdistribusi Inv Gamma(a, b ) dengan a = v /2 dan b = v s 2 dengan v = 1 dan s 2 = 1. Kepadatan prior ditulis sebagai p ς 2 ς 2 v /2+1 exp v s 2 2ς 2. Lebih lanjut, prior bersyarat β ς 2 berdistribusi N(μ, ς 2 Λ 1 ). Pada makalah ini, μ = β (), β1 (), β2 T =,, T, Λ = I dan memiliki kepadatan prior bersyarat : p(β ς 2 ) ς 2 k/2 exp 1 2ς 2 β μ T Λ β μ dengan β μ T Λ β μ yang dijabarkan sebagai berikut : β β 1 β 2 β β 1 β 2 T I 3 3 β β 1 β 2 = β β, β1 β 1, β2 β 2 I3 3 β β 1 β 2 β β β 1 β 1 β 2 β 2 = β β 2 + β 1 β β 2 β 2 2 Sehingga kepadatan prior bersyarat menjadi : SENDIKMAD 212 3
4 p(β ς 2 ) ς 2 k/2 exp 1 2ς 2 β β + β 1 β β 2 β Distribusi Posterior Posterior dapat dinyatakan sebagai distribusi normal dikalikan dengan distribusi invers-gamma dan diparameterisasi sebagai berikut : p(β, ς 2 y, X) p(β ς 2, y, X)p ς 2 y, X dengan kedua faktor sesuai dengan kepadatan dari distribusi N μ n, ς 2 X T X + Λ 1 2 dan Inv Gamma(a n, b n ) dengan parameternya diberikan oleh a n = 1 2 (n + v ), (pada makalah ini v = 1 dan n = 135) b n = b (yt y + μ T Λ μ μ n T Λ n μ n ), μ n = X T X + Λ 1 X T y + Λ μ, Λ = I. Pada makalah ini, X T X bertipe 3 3 sehingga Λ bertipe 3 3 yaitu I MCMC (Markov Chain Monte Carlo) Salah satu cara untuk merancang rantai Markov yaitu dari distribusi posterior dengan p ς 2 y, X ~Inv Gamma(a n, b n ) dan p β ς 2, y, X ~N μ n, ς 2 X T X + Λ 1 yaitu dengan Gibbs Sampling yang menghasilkan rantai Markov oleh sampling dari distribusi bersyarat. Jika ς 2 ~Inv Gamma(a n, b n ), maka : ς 2 y, X~Inv Gamma 1 2 n + v, b yt y + μ T Λ μ μ n T Λ n μ n (*) Jika β β 1 β 2 ~N 3 μ 1 μ 2 μ 3, Σ 11 Σ 12 Σ 21 Σ 22, (Jennings et al., 21) maka distribusi dari β bersyarat pada β 1, β2 : 1 β β 1, β 2 ~N μ 1 + Σ 12 Σ β 1 22 μ 2 β μ, 3 2 Σ 11 Σ 12 Σ 1 22 Σ 12. (**) dengan Σ 11 = ς 11, Σ 12 = ς 12 ς 13, Σ 22 = ς 22 ς 23 ς 23 ς 33. Diberikan ς 2 dan vektor β yang tidak diketahui : β = β, β 1, β 2 T 1. Dipilih nilai awal ς 2(), β, β 1, β Sampel ς 2(1) dari p ς 2(1) y, X sehingga ς 2(1) y, X memenuhi (*). Sampel β 1 p β 1 ς 2 (1), β 1, β2, y, X dari sehingga β 1 ς 2 1, β 1, β2 memenuhi (**). 3. Langkah 2 diulangi sebanyak bilangan besar B, misalnya 5 kali. 4. Akhirnya didapatkan sampel dari p ς 2 y, X dan p(β ς 2, y, X) dalam bentuk rantai Markov Interval Kredibel (Interval Kepercayaan Bayesian) Dalam statistik Bayesian, interval kredibel 1 α 1% merupakan SENDIKMAD 212 4
5 interval di dalam domain dari distribusi probabilitas posterior yang digunakan untuk penaksiran interval (Web 2). Salah satu metode untuk mengestimasi interval kredibel yang paling mudah digunakan adalah interval kredibel dua ekor (Johnson, 29). Interval kredibel dua ekor disusun dengan menemukan kuantil α/2 dan 1 α/2 dengan tingkat signifikansi α. Metode Penelitian Data yang digunakan dalam penelitian adalah nilai logaritma dari data SUSENAS (Survey Sosial Ekonomi Nasional) masyarakat Salatiga tahun 211 dari BPS Salatiga yaitu pendapatan sebagai variabel dependen y terhadap pengeluaran untuk konsumsi makanan sebagai variabel independen X 1 dan pengeluaran untuk konsumsi non makanan sebagai variabel independen X 2 dengan sampel n = 135. Dalam melakukan perhitungan, digunakan alat bantu program WinBUGS Langkah-langkah penyelesaian untuk mengestimasi parameter dan interval kredibel menggunakan model regresi linier Bayesian sebagai berikut : 1. Merancang rantai Markov dari distribusi posterior p(β, ς 2 y, X) p ς 2 y, X p(β ς 2, y, X) dengan p ς 2 y, X ~Inv Gamma(a n, b n ) dan p(β ς 2, y, X)~N(μ n, ς 2 X T X + Λ 1 ) yaitu dengan Gibbs Sampling yang menghasilkan 4 rantai Markov dengan iterasi sebanyak 5 yaitu untuk taksiran parameter ς 2, β, β 1 dan β Taksiran parameter ς 2, β, β 1 dan β 2 diperoleh dengan mencari rata-rata dari nilai Gibbs sampler. 3. Dari nilai-nilai Gibbs sampler tersebut, dihasilkan fungsi densitas untuk ς 2 berdistribusi invers-gamma dan β, β 1 dan β 2 berdistribusi normal. 4. Mencari interval kredibel 95% untuk masing-masing taksiran parameter berdasarkan pada fungsi densitas dengan tingkat signifikansi α =.5. Hasil dan Pembahasan Pada Gambar 1 diperlihatkan diagram pencar untuk data logaritma pendapatan (y) terhadap data logaritma pengeluaran untuk konsumsi makanan ( X 1 ), sedangkan Gambar 2 merupakan diagram pencar untuk data logaritma pendapatan (y) terhadap data logaritma pengeluaran untuk konsumsi non makanan (X 2 ). SENDIKMAD 212 5
6 Gambar 1. Diagram Pencar Data Logaritma Pendapatan (y) Terhadap Data Logaritma Pengeluaran Untuk Konsumsi Makanan (X 1 ) ς 2 X T X + Λ 1 = yaitu dengan Gibbs sampling sebanyak 5 iterasi. 1. Taksiran Parameter ς 2 dan Interval Kredibel ς 2 Untuk mendapatkan taksiran parameter ς 2 yang berdistribusi invers-gamma, dilakukan Gibbs sampling sebanyak 5 iterasi dengan memilih nilai awal ς 2 = 1. Kemudian 5 iterasi pertama dipotong dan diperoleh rantai Markov yang konvergen pada Gambar Gambar 2. Diagram Pencar Data Logaritma Pendapatan (y) Terhadap Data Logaritma Pengeluaran Untuk Konsumsi Non Makanan (X 2 ) Selanjutnya untuk mendapatkan estimasi parameter ς 2 dan β = β, β 1, β T 2 dengan model regresi linier berganda Bayesian, dirancang rantai Markov dari distribusi posterior p(β, ς 2 y, X) p ς 2 y, X p(β ς 2, y, X) dengan p ς 2 y, X ~Inv Gamma(a n, b n ) dan p(β ς 2, y, X)~N(μ n, ς 2 X T X + Λ 1 ) Gambar 3. Rantai Markov untuk Taksiran Parameter ς 2 Diperoleh hasil taksiran parameter ς 2 =.32 dengan mencari rata-rata dari 45 nilai Gibbs sampler. Dari nilai Gibbs sampler tersebut dihasilkan fungsi densitas pada Gambar 4 sehingga interval kredibel 95% untuk taksiran ς 2 adalah (.25,.41). dengan μ n = 1.431,.355,.494 T dan kovarians SENDIKMAD 212 6
7 Gambar 6 sehingga interval kredibel 95% adalah (.596, 2.271). Gambar 4. Fungsi Densitas Taksiran Parameter ς 2 2. Taksiran Parameter β dan Interval Kredibel β Dengan memilih nilai awal β =, lalu dilakukan Gibbs sampling sebanyak 5 iterasi. Setelah memotong 5 iterasi pertama untuk taksiran β yang berdistribusi normal, didapatkan rantai Markov yang konvergen pada Gambar 5. Gambar 6. Fungsi Densitas Taksiran Parameter β 3. Taksiran Parameter β 1 dan Interval Kredibel β 1 Untuk memperoleh taksiran parameter β 1 yang berdistribusi normal, dipilih nilai awal β 1 = kemudian dengan melakukan Gibbs sampling sebanyak 5 iterasi dan memotong 5 iterasi pertama, diperoleh rantai Markov yang konvergen pada Gambar 7. Gambar 5. Rantai Markov untuk Taksiran Parameter β Dengan mencari rata-rata dari 45 nilai Gibbs sampler yang ada, diperoleh hasil taksiran β = 1.44 dan dihasilkan fungsi densitas pada Gambar 7. Rantai Markov untuk Taksiran Parameter β 1 Dari 45 nilai Gibbs sampler yang ada pada Gambar 7 di atas, setelah dicari rata-ratanya didapat hasil SENDIKMAD 212 7
8 taksiran β 1 =.355. Nilai-nilai Gibbs sampler tersebut menghasilkan fungsi densitas pada Gambar 8 sehingga interval kredibel 95% adalah (.176,.543). ada, diperoleh hasil taksiran β 2 =.493. berdasarkan nilai-nilai Gibbs sampler tersebut dihasilkan fungsi densitas pada Gambar 1 dan interval kredibel 95% (.365,.621). Gambar 8. Fungsi Densitas Taksiran Parameter β 1 4. Taksiran Parameter β 2 dan Interval Kredibel β 2 Dipilih nilai awal untuk β 2 =. Kemudian dilakukan Gibbs sampling sebanyak 5 iterasi, dan memotong 5 iterasi pertama sehingga diperoleh rantai Markov yang konvergen pada Gambar 9. Gambar 9. Rantai Markov untuk Taksiran Parameter β 2 Selanjutnya dengan mencari rata-rata dari 45 nilai Gibbs sampler yang Gambar 1. Fungsi Densitas Taksiran Parameter β 2 Dengan estimasi parameter yang telah diperoleh yaitu β = 1.44,.355,.493 T dibentuk persamaan garis regresi linier berganda dugaan : y i = x 1i x 2i. Gambaran penggunaan: Dipilih nilai x 1 = 6.15 dan x 2 = 5.96, kemudian nilai-nilai tersebut disubstitusikan ke dalam persamaan regresi linier berganda di atas, sehingga didapatkan hasil dugaan y = Artinya, dalam nilai logaritma, dengan pengeluaran untuk konsumsi makanan sebesar 6.15 dan pengeluaran untuk konsumsi non makanan sebesar 5.96, dugaan untuk pendapatan sebesar 6.56 atau Rp ,183. Sedangkan SENDIKMAD 212 8
9 pendapatan pada data asli sebesar Rp 3.55., sehingga error (galat) dalam persamaan garis regresi dugaan pada titik data tersebut yaitu e = y y = = = atau sebesar 2.64 %. Sebagai perbandingan, dengan program R , diperoleh hasil estimasi sebagai berikut : Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) *** x *** x e-12 *** --- Signif. codes: ***.1 **.1 * Jadi, hasil estimasi parameter β, β 1, dan β 2 signifikan karena berdasarkan uji t, nilai p masing-masing parameter lebih kecil dari tingkat signifikansi α =.5. Kesimpulan Berdasarkan pembahasan, dengan mengambil data SUSENAS masyarakat Salatiga tahun 211 dari BPS Salatiga dengan sampel n = 135 sebagai simulasi, dapat disimpulkan bahwa: 1. Dengan merancang rantai Markov dari distribusi posterior dengan bantuan Gibbs sampling sebanyak 5 iterasi, lalu memotong 5 iterasi pertama agar tidak mengacaukan hasil taksiran dan diperoleh hasil taksiran untuk masing-masing parameter yang tidak diketahui, yaitu ς 2 =.32, β = 1.44, β 1 =.355, dan β 2 = Dari sebanyak 45 nilai Gibbs sampler yang ada, dihasilkan fungsi densitas untuk taksiran parameter ς 2 berdistribusi invers-gamma dan taksiran parameter β, β 1, dan β 2 berdistribusi normal. Sehingga dengan tingkat signifikansi α =.5, diperoleh interval kredibel 95% untuk taksiran parameter ς 2, β, β 1, dan β 2 berturut-turut yaitu (.25,.41), (.596, 2.271), (.176,.543) dan (.365,.621). Pustaka Gelman, A. 26. Bayesian Analysis. Department of Statistics and Department of Political Science : Columbia University. Hair, J. F. 21. Multivariate Data Analysis Seventh Edition. USA : Pearson Prentice Hall. Johnson, M. S. 29. Introduction to Bayesian Statistics with WinBUGS. New York : Columbia University. Johnson, R. A. and Wichern, Dean W Applied Multivariate Statistical Analysis. New Jersey : Prentice Hall. Mutiarani, V., Setiawan, A., & Parhusip, H. A Penerapan Model Regresi Linier Bayesian Untuk Mengestimasi Parameter Dan Interval Kredibel. Prosiding Seminar Nasional Matematika dan Pendidikan Matematika UNY tanggal 1 November 212. Supranto. 24. Analisis Multivariat: Arti dan Interpretasi. Jakarta : Rineka Cipta. SENDIKMAD 212 9
10 Suwarno, B. 29. Rumus dan Data dalam Analisis Statistika. Bandung : Alfabeta. Widyaningsih, N. 21. Statistika dan Probabilitas. Universitas Mercu Buana : Fakultas Teknik Sipil dan Perencanaan. Pustaka Internet Jennings, R., Wakeman-Linn, M., & Zhao, Xin. 21. Multivariate Normal Distribution tersedia di cs/morey/7818/jointdensity/notes OnMultivariateNormal/Multivaria te%2normal%2distribution_w akeman-linnjenningszhao.pdf. Diakses tanggal 12 November 212. Web 1 : Bayesian_linear_regression Bayesian Linear Regression Diunduh pada 28 Agustus 212 Web 2 : Credible_interval Credible Interval Diunduh pada 5 September 212 Wijayanto, A. 23. Analisis Regresi Linear Berganda tersedia di IS_REGRESI_LINEAR_BERGA NDA/, Diakses tanggal 21 November 212. SENDIKMAD 212 1
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih 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 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 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 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 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 terperinciStudi Simulasi Grafik Pengendali Non Parametrik Berdasarkan Fungsi Distribusi Empirik
Studi Simulasi Grafik Pengendali Non Parametrik Berdasarkan Fungsi Empirik S 6 Jantini Trianasari Natangku 1), Adi Setiawan ), Lilik Linawati ) 1) Mahasiswa Program Studi Matematika FSM-UKSW Email : n4n4_00190@yahoo.co.id
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 terperinciESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR INFORMATIF 1. PENDAHULUAN
ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR INFORMATIF Dina Ariek Prasdika, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika Fakultas Matematika
Lebih terperinciProsiding ISBN :
Penggunaan Metode Bayesian Subyektif dalam Pengkonstruksian Grafik Pengendali-c Sekar Sukma Asmara a, Adi Setiawan b, Tundjung Mahatma c a Mahasiswa Program Studi Matematika Fakultas Sains Matematika Universitas
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 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 terperinciPROSIDING ISBN :
S - 10 APLIKASI METODE FULL INFORMATION MAXIMUM LIKELIHOOD (FIML) PADA PENYELESAIAN SISTEM PERSAMAAN SIMULTAN (Studi Kasus : Data Stok Uang, PDRB, dan Konsumsi Rumah Tangga Di DIY) Eka Septiana 1, Retno
Lebih terperinciUji Independensi Statistik Bartlett Terhadap Nilai Saham Untuk Mengetahui Kebergantungan Saham-Saham Pada Beberapa Sektor Saham di BEJ
Uji Independensi Statistik Bartlett Terhadap Nilai Saham Untuk Mengetahui Kebergantungan Saham-Saham Pada Beberapa Sektor Saham di BEJ Alberth Roy Kota a, Adi Setiawan b, Lilik Linawati c a Mahasiswa Program
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 terperinciKAJIAN FUNGSI nls( ) DAN fsrr( ) TERHADAP MODEL MICHEALIS-MENTEN PADA REGRESI NONLINIER. Sudarno 1. Abstrak
UNIVERSITAS DIPONEGORO 0 ISBN: --0-- KAJIAN FUNGSI nls( ) DAN fsrr( ) TERHADAP MODEL MICHEALIS-MENTEN PADA REGRESI NONLINIER Sudarno ) Program Studi Statistika FMIPA Undip dsghani@gmail.com Abstrak Model
Lebih 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 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 terperincioleh YUANITA KUSUMA WARDANI M
ESTIMASI PARAMETER MODEL REGRESI PROBIT SPASIAL MENGGUNAKAN SOFTWARE R DENGAN ALGORITME GIBBS SAMPLING oleh YUANITA KUSUMA WARDANI M0111083 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciBAB 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 terperinciPenggunaan Metode Bootstrap dalam Regresi Cox Proportional Hazards pada Ketahanan Hidup Pasien Diabetes mellitus
Penggunaan Metode Bootstrap dalam Regresi Cox Proportional Hazards pada Ketahanan Hidup Pasien Diabetes mellitus Ninuk Rahayu a, Adi Setiawan b, Tundjung Mahatma c a,b,c Program Studi Matematika Fakultas
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan tingkat
BAB 2 LANDASAN TEORI 2.1 Pengertian Analisis Regresi dan Korelasi 2.1.1 Analisis Korelasi Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan tingkat hubungan Y dan X dalam bentuk
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 terperinciJURNAL GAUSSIAN, Volume 2, Nomor 3, Tahun 2013, Halaman Online di:
JURNAL GAUSSIAN, Volume 2, Nomor 3, Tahun 2013, Halaman 209-218 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENGAMBILAN SAMPEL BERDASARKAN PERINGKAT PADA ANALISIS REGRESI LINIER SEDERHANA
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 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 terperinciSTUDI SIMULASI GRAFIK PENGENDALI BERDASARKAN ESTIMASI FUNGSI DENSITAS KERNEL BIVARIAT
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, Juni 0 STUDI SIMULASI GRAFIK PENGENDALI BERDASARKAN ESTIMASI FUNGSI DENSITAS KERNEL BIVARIAT
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Regresi pertama kali digunakan sebagi konsep statistika pada tahun 1877 oleh sir Francis Galton.
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Regresi Regresi pertama kali digunakan sebagi konsep statistika pada tahun 1877 oleh sir Francis Galton. Beliau memperkenalkan model peramalan, penaksiran, atau pendugaan,
Lebih terperinciMENENTUKAN MODEL KOEFISIEN REGRESI MULTIPLE VARIABEL DENGAN MENGGUNAKAN MAKSIMUM LIKELIHOOD SKRIPSI BENNY SOFYAN SAMOSIR
MENENTUKAN MODEL KOEFISIEN REGRESI MULTIPLE VARIABEL DENGAN MENGGUNAKAN MAKSIMUM LIKELIHOOD SKRIPSI BENNY SOFYAN SAMOSIR 080823004 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
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 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 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 terperinciESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREYS 1. PENDAHULUAN
ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREYS Firda Amalia, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika FMIPA Abstrak.
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 PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PADA PENENTUAN PROPORSI RUMAH TANGGA MISKIN DI KABUPATEN KLUNGKUNG
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 35-39 ISSN: 2303-1751 PENERAPAN METODE PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PADA PENENTUAN PROPORSI RUMAH TANGGA MISKIN DI KABUPATEN KLUNGKUNG PUTU
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada masa sekarang ini, berada di lingkungan bisnis yang kompleks menuntut perusahaan untuk mampu bersaing dengan para kompetitornya. Perubahan-perubahan radikal yang
Lebih terperinciBAB 2 LANDASAN TEORI. berkenaan dengan studi ketergantungan dari suatu varibel yaitu variabel tak bebas (dependent
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Istilah regresi pertama kali diperkenalkan oleh Francis Galton. Menurut Galton, analisis regresi berkenaan dengan studi ketergantungan dari suatu varibel yaitu
Lebih terperinciPENDUGAAN ANGKA PUTUS SEKOLAH DI KABUPATEN SEMARANG DENGAN METODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIK PADA MODEL PENDUGAAN AREA KECIL SKRIPSI
PENDUGAAN ANGKA PUTUS SEKOLAH DI KABUPATEN SEMARANG DENGAN METODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIK PADA MODEL PENDUGAAN AREA KECIL SKRIPSI Disusun Oleh: NANDANG FAHMI JALALUDIN MALIK NIM. J2E 009
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 terperinciBAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut
Lebih terperinciPEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN. Mike Susmikanti *
PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN Mike Susmikanti * ABSTRAK PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN. Pemodelan dalam penelitian berbagai bidang khususnya bidang industri, merupakan kebutuhan
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 terperinciNon Linear Estimation and Maximum Likelihood Estimation
Non Linear Estimation and Maximum Likelihood Estimation Non Linear Estimation and Maximum Likelihood Estimation Non Linear Estimation We have studied linear models in the sense that the parameters are
Lebih terperinciSTATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 8 Outline: Simple Linear Regression and Correlation Multiple Linear Regression and Correlation Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and
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 terperinciESTIMASI PARAMETER PADA MULTIPLE REGRESI MENGGUNAKAN MAKSIMUM LIKELIHOOD SKRIPSI SITI MAISAROH RITONGA
ESTIMASI PARAMETER PADA MULTIPLE REGRESI MENGGUNAKAN MAKSIMUM LIKELIHOOD SKRIPSI SITI MAISAROH RITONGA 070823013 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA
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 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Analisis Regresi Linier Analisis regresi merupakan teknik yang digunakan dalam persamaan matematik yang menyatakan hubungan fungsional antara variabel-variabel. Analisis regresi linier
Lebih terperinciBAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n<<p DAN TERDAPAT KEKOLINEARAN-GANDA
BAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n
Lebih terperinciANALISIS REGRESI KUANTIL
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 103 107 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI KUANTIL SAIDAH, FERRA YANUAR, DODI DEVIANTO Program Studi Magister Matematika, Fakultas
Lebih terperinciPEMODELAN REGRESI HECKIT UNTUK KONSUMSI SUSU DI PROVINSI JAWA TENGAH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman 303-311 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN REGRESI HECKIT UNTUK KONSUMSI SUSU DI PROVINSI JAWA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi yang berarti peramalan, penaksiran, atau pendugaan pertama kali diperkenalkan pada tahun 1877 oleh Sir Francis Galton (1822-1911) sehubungan dengan penelitiannya
Lebih terperinciBAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur
BAB I PENDAHULUAN 1.1 Latar Belakang Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis dan interpretasi data. Statistika
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS)
FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS) Yuditia Ari Prabowo, Yuliana Susanti, dan Santoso Budi Wiyono
Lebih terperinciBAB 2 LANDASAN TEORI
14 BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Analisis Regresi Kata regresi (regression) diperkenalkan pertama kali oleh Francis Dalton pada tahun 1886. Menurut Dalton, analisis regresi berkenaan dengan studi
Lebih terperinciBAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel
BAB LANDASAN TEORI.1 Pengertian Regresi Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut dengan
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 terperinciESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER
ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER 1 ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN
Lebih terperinciPERBANDINGAN REGRESI KOMPONEN UTAMA DAN ROBPCA DALAM MENGATASI MULTIKOLINEARITAS DAN PENCILAN PADA REGRESI LINEAR BERGANDA
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 1-5 ISSN: 2303-1751 PERBANDINGAN REGRESI KOMPONEN UTAMA DAN ROBPCA DALAM MENGATASI MULTIKOLINEARITAS DAN PENCILAN PADA REGRESI LINEAR BERGANDA NI WAYAN
Lebih terperinciBAB 2 LANDASAN TEORI. 1. Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan
BAB 2 LANDASAN TEORI 2.1 Defenisi Analisis Regresi dan Korelasi 1. Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan kuatnya atau derajat hubungan linier antara dua variabel atau
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 terperinciBAB 2 LANDASAN TEORI. bebas X yang dihubungkan dengan satu peubah tak bebas Y.
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Regresi linier sederhana merupakan suatu prosedur untuk mendapatkan hubungan matematis dalam bentuk suatu persamaan antara variabel tak bebas tunggal dengan
Lebih terperinciUji Normalitas Menggunakan Statistik Jarque-BeraBerdasarkan Metode Bootstrap
Uji Normalitas Menggunakan Statistik Jarque-BeraBerdasarkan Metode Bootstrap Dian Christiani Kabasarang a, Adi Setiawan b, Bambang Susanto c a,b,c Program Studi Matematika Fakultas Sains dan Matematika,
Lebih terperinciSILABUS PERKULIAHAN METODE STATISTIKA MULTIVARIAT 3 SKS KODE :
SILABUS PERKULIAHAN METODE STATISTIKA MULTIVARIAT 3 SKS KODE : JURUSAN PENDIDIKAN MATEMATIKA FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA 2005-2006 MATAKULIAH
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 terperinciAnalisis Data Panel Tidak Lengkap Model Komponen Error Dua Arah dengan Metode Minimum Variance Quadratic Unbiased Estimation (MIVQUE) SKRIPSI
Analisis Data Panel Tidak Lengkap Model Komponen Error Dua Arah dengan Metode Minimum Variance Quadratic Unbiased Estimation (MIVQUE) (Studi Kasus Model Return Saham Di BEJ) SKRIPSI Oleh: RATIH DWI ASTUTI
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi merupakan bentuk analisis hubungan antara variabel prediktor
8 BAB 2 LANDASAN TEORI 2.1 Pengertian Analisis Regresi Analisis regresi merupakan bentuk analisis hubungan antara variabel prediktor (variabel independent) dengan variabel outcome (variabel dependen) untuk
Lebih terperinciMedan, Juli Penulis
9. Seluruh teman-teman seperjuangan di Ekstensi Matematika Statistika, dan semua pihak yang turut membantu menyelesaikan skripsi ini. Sepenuhnya penulis menyadari bahwa dalam penulisan skripsi ini masih
Lebih terperinciESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER
1 ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER A. Musdalifa, Raupong, Anna Islamiyati Abstrak Estimasi parameter adalah merupakan hal
Lebih 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 terperinciJurnal Gradien Vol. 10 No. 1 Januari 2014 : 957-962 Analisis Model Regresi Linear Berganda dengan Metode Response Surface * Henoh Bayu Murti, Dian Kurniasari, Widiarti Jurusan Matematika, Fakultas Matematika
Lebih terperinciPENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI
PENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI Ni Made Metta Astari 1, Ni Luh Putu Suciptawati 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas
Lebih terperinciMODEL KOREKSI KESALAHAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA-KOTA DI PAPUA (KOTA JAYAPURA, KOTA SORONG DAN MANOKWARI)
MODEL KOREKSI KESALAHAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA-KOTA DI PAPUA (KOTA JAYAPURA, KOTA SORONG DAN MANOKWARI) ERROR CORRECTION MODEL FOR TIME SERIES DATA OF CONSUMER PRICE INDEX OF
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 terperinciANALISIS KORELASI KANONIK PERILAKU BELAJAR TERHADAP PRESTASI BELAJAR SISWA SMP (STUDI KASUS SISWA SMPN I SUKASARI PURWAKARTA)
Prosiding Seminar Matematika dan Pendidikan Matematika ISBN: 978-60-61-0-9 hal 693-703 November 016 ANALISIS KORELASI KANONIK PERILAKU BELAJAR TERHADAP PRESTASI BELAJAR SISWA SMP (STUDI KASUS SISWA SMPN
Lebih terperinciANALISIS PENGARUH KURS RUPIAH TERHADAP INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN DISTRIBUTED LAG MODEL
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 221-227 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS PENGARUH KURS RUPIAH TERHADAP INDEKS HARGA SAHAM GABUNGAN
Lebih terperinciBAB 2 LANDASAN TEORI. digunakan sebagai konsep statistik pada tahun 1877 oleh Sir Francis Galton. Dia
10 BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Dalam ilmu statistika teknik yang umum digunakan untuk menganalisa hubungan antara dua variabel atau lebih adalah analisa regresi linier. Regresi pertama
Lebih terperinciBAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel
8 BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut
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 terperinciAnalisis Model Regresi Linear Berganda dengan Metode Response Surface
Jurnal Gradien Vol. 10 No. 1 Januari 2014 : 957-962 Analisis Model Regresi Linear Berganda dengan Metode Response Surface * Henoh Bayu Murti, Dian Kurniasari, Widiarti Jurusan Matematika, Fakultas Matematika
Lebih terperinci(R.10) ESTIMASI TOTAL POPULASI DENGAN MENGGUNAKAN PENAKSIR GENERALIZED REGRESSION (GREG)
(R.10) ESTIMASI TOTAL POPULASI DENGAN MENGGUNAKAN PENAKSIR GENERALIZED REGRESSION (GREG) 1Agus Muslim, 2 Sutawanir Darwis, 3 Achmad Zanbar Soleh 1Mahasiswa Magister Statistika Terapan, Universitas Padjadjaran,
Lebih terperinciBAB II METODE ANALISIS DATA. memerlukan lebih dari satu variabel dalam membentuk suatu model regresi.
10 BAB II METODE ANALISIS DATA 2.1 Pengertian Regresi Berganda Banyak data pengamatan yang terjadi sebagai akibat lebih dari dua variabel, yaitu memerlukan lebih dari satu variabel dalam membentuk suatu
Lebih terperinciPENDUGAAN AREA KECIL TERHADAP PENGELUARAN PER KAPITA DI KABUPATEN SRAGEN DENGAN PENDEKATAN KERNEL SKRIPSI
PENDUGAAN AREA KECIL TERHADAP PENGELUARAN PER KAPITA DI KABUPATEN SRAGEN DENGAN PENDEKATAN KERNEL SKRIPSI Disusun Oleh : BITORIA ROSA NIASHINTA 24010211120021 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
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 terperinciOLEH : Riana Ekawati ( ) Dosen Pembimbing : Dra. Farida Agustini W, M.S
OLEH : Riana Ekawati (1205 100 014) Dosen Pembimbing : Dra. Farida Agustini W, M.S Salah satu bagian penting dari statistika inferensia adalah estimasi titik. Estimasi titik mendasari terbentuknya inferensi
Lebih terperinciJURNAL GAUSSIAN, Volume 2, Nomor 2, April 2013, Halaman Online di:
JURNAL GAUSSIAN, Volume, Nomor, April 013, Halaman 119-18 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN KOEFISIEN KORELASI KANONIK DAN INTERPRETASI FUNGSI KANONIK MULTIVARIAT Muhamad
Lebih terperinciPERAMALAN DINAMIS PRODUKSI PADI DI JAWA TENGAH MENGGUNAKAN METODE KOYCK DAN ALMON
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 91-97 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN DINAMIS PRODUKSI PADI DI JAWA TENGAH MENGGUNAKAN METODE
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 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 terperinciPertemuan 10 STATISTIKA INDUSTRI 2. Multiple Linear Regression. Multiple Linear Regression. Multiple Linear Regression 19/04/2016
19/04/016 Pertemuan 10 STATISTIKA INDUSTRI TIN 4004 Outline: and Correlation Non Linear Regression Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and Probability for Engineers, 5 th Ed. John
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD
ESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD Fitra1, Saleh2, La Podje3 Mahasiswa Program Studi Statistika, FMIPA Unhas 2,3 Dosen Program Studi Statistika,
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 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 terperinciBAB 2 LANDASAN TEORI. 1. Analisis korelasi adalah metode statistika yang digunakan untuk menentukan
7 BAB 2 LANDASAN TEORI 2.1 Defenisi Analisis Regresi dan Korelasi 1. Analisis korelasi adalah metode statistika yang digunakan untuk menentukan kuatnya atau derajat hubungan linier antara dua variabel
Lebih terperinciPertemuan 8 STATISTIKA INDUSTRI 2 08/11/2013. Introduction to Linier Regression. Introduction to Linier Regression. Introduction to Linier Regression
Pertemuan 8 STATISTIKA INDUSTRI 2 TIN 4004 Outline: Regresi Linier Sederhana dan Korelasi (Simple Linier Regression and Correlation) Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and Probability
Lebih terperinciREGRESI ROBUST MM-ESTIMATOR UNTUK PENANGANAN PENCILAN PADA REGRESI LINIER BERGANDA
REGRESI ROBUST MM-ESTIMATOR UNTUK PENANGANAN PENCILAN PADA REGRESI LINIER BERGANDA SKRIPSI Disusun Oleh : SHERLY CANDRANINGTYAS J2E 008 053 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
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 terperinciKAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN SIX SIGMA. Victoria Dwi Murti 1, Sudarno 2, Suparti 3
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 241-248 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi pertama kali digunakan sebagai konsep statistika pada tahun 1877 oleh sir Francis Galton. Beliau memperkenalkan model peramalan, penaksiran, atau pendugaan,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Konsep Dasar Statistika Statistik adalah ilmu yang mempelajari tentang seluk beluk data, yaitu tentang pengumpulan, pengolahan, penganalisisa, penafsiran, dan penarikan kesimpulan
Lebih terperinci