ESTIMASI MODEL REGRESI SEMIPARAMETRIK DISKRIT
|
|
- Doddy Atmadjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal UJMC, Volume 2, Nomor 1, Hal. 1-7 pissn : eissn : X ESTIMASI MODEL REGRESI SEMIPARAMETRIK DISKRIT Baiq Diah Fitasari 1, Sri Haryatmi 2, dan Zulaela 2 1 Universitas Islam Al-Azhar Mataram, baiq diah itasari@yahoo.com, 2 Universitas Gadjah Mada, s kartiko@yahoo.com, 3 Universitas Gadjah Mada, zulaela@ugm.ac.id Abstract. Approaches that are used to estimate the regression unction are parametric regression model approaching and nonparametric regression model approaching. Semiparametric regression is association o parametric regression and nonparametric regression. Semiparametric regression is used i the relation pattern between independent variables and dependent variables has the known pattern and also has the unknown pattern. Estimating the unknown regression approaching and in this case is using the Nadaraya Watso estimator. Semiparametric estimator is better than nonparametric estimator or the data which have the unknown relationpattern between dependent and independent variable and also has the unknown relation pattern between dependent and independent variable by using the MSE value. Keywords: estimator, parametric, Nadaraya-Watson estimator, semiparametric estimator. Abstrak. Pendekatan yang digunakan untuk mengestimasi ungsi regresi ada dua jenis yaitu pendekatan model regresi parametrik dan pendekatan model regresi nonparametrik. Regresi semiparametrik merupakan gabungan antara regresi parametrik dan nonparametrik. Regresi semiparametrik digunakan jika pola hubungan antara sekumpulan variabel independen terhadap variabel dependen ada yang polanya diketahui dan ada pula yang polanya tidak dapat diketahui. Mengestimasi ungsi regresi yang tidak diketahui dapat menggunakan pendekatan estimator kernel dalam hal ini mengunakan estimator Nadaraya-Watson. Estimator semiparametrik lebih baik dibandingkan dengan estimator nonparametrik untuk data yang sebagian pola hubungan variabel dependen dan independennya diketahui dan sebagian polanya tidak diketahui dapat dilihat dari nilai MSE yang lebih kecil. estimator, parametrik, estimator Nadaraya-Watson, estimator semi- Kata Kunci: parametrik. 1 Pendahuluan Analisis regresi merupakan alat statistik yang banyak digunakan dalam berbagai bidang, yang bertujuan untuk mengetahui hubungan antara variabel dependen dan variabel independen 3]. Pendekatan model regresi semiparametrik merupakan pendekatan model baru dalam regresi yang menggabungkan antara regresi parametrik dan nonparametrik, dalam artian sebagian variabel independennya bersiat parametrik dan sebagian lain bersiat nonparametrik. Regresi semiparametrik digunakan jika pola hubungan antara sekumpulan variabel independen terhadap variabel dependen ada yang polanya diketahui dan ada pula yang polanya tidak dapat diketahui 8]. Mengestimasi ungsi regresi yang tidak diketahui dapat menggunakan pendekatan estimator kernel 9]. Kernel merupakan suatu ungsi yang mewakili 1
2 Unisda Journal o Mathematics and Computer Science variabel-variabel independen yang bersiat nonparametrik. Estimator kernel memiliki bentuk yang lebih leksibel dan perhitungan matematisnya mudah disesuaikan. Estimasi model regresi semiparametrik dapat dilakukan dengan berbagai metode yang ada misalnya metode kuadrat terkecil, metode likelihood, metode Mean Square Error (MSE), Root Mean Squared Error (RMSE) dan lain-lain 5], 6]. Variabel diskrit merupakan variabel yang hasil pengukurannya (kodomai berupa bilangan bulat. Variabel diskrit sering juga dinyatakan sebagai variabel kategori. Contoh variabel diskrit dikotomi adalah jenis kelamin, status perkawinan, sedangkan variabel diskrit polikotomi contohnya yaitu tingkat pendidikan. Untuk beberapa model regresi semiparametrik kontinu telah dibahas oleh 4] dan 7]. Berdasarkan uraian di atas penulis tertarik untuk mengkaji tentang estimasi model regresi semiparametrik diskrit dan simulasinya menggunakan program R. 2 MODEL REGRESI SEMIPARAMETRIK Bentuk dari model regresi semiparametrik dideinisikan sebagai berikut 8]: Y i = m(x i ) + ε i, i = 1, 2,.., n (1) dengan Y i adalah nilai variabel dependen ke-i, X i adalah nilai variabel independen ke-i, m adalah ungsi regresi yang tidak diketahui untuk diestimasi dan ε i adalah error dengan mean E(ε i ) = 0 dan variansi V ar(ε i ) = σ 2 <, serta m(x) = r(x; β)ω(x) (2) =: m ω (x; β), untuk x N d dengan r(x; β) adalah ungsi parametrik yang tergantung pada parameter yang tidak diketahui β = (β 1,, β p ) T dan ω(.) ungsi koreksi perkalian nonparametrik. 2.1 Komponen Parametrik Bentuk dari model linier dideinisikan sebagai berikut 3]: Y i = β 0 + β 1 X i + ε i, i = 1, 2,, n (3) dengan Y i adalah nilai variabel dependen ke-i, X i adalah nilai variabel independen ke-i dan ε i adalah error dengan mean E(ε i ) = 0 dan variansi V ar(ε i ) = σ 2 <. Berdasarkan Persamaan 3 dan dengan menggunakan metode kuadrat terkecil akan diperoleh estimator untuk β 0 dan β 1 sebagai berikut: ˆβ 0 = Ȳ β 1 X (4) ˆβ 1 = n n i=1 X i Y i n i=1 X i ni=1 Y i n n i=1 X 2 i ( n i=1 X i ) 2 (5) 2
3 2.2 Komponen Nonparametrik Unisda Journal o Mathematics and Computer Science Gabungan Kernel Diskrit Dalam metode gabungan kernel diskrit ungsi kernel K x,h ( ) merupakan ungsi massa probabilitas (.m.p) dengan support S x yang tidak tergantung pada h dan x S x. Selain itu, diberlakukan dua asumsi sebagai berikut 2]: lim E(K x,h) = x (6) h 0 lim V ar(k x,h) = 0 (7) h 0 dimana K x,h adalah variabel acak diskrit dengan.m.p adalah K x,h ( ) Estimasi Regresi Nonparametrik Diketahui estimator Nadaraya- Watson sebagai berikut 5]: ni=1 Y i K x,h (X i ) m n (x) = nj=1 K x,h (X j ), x N (8) dengan h = h( > 0 adalah urutan sebarang parameter smoothing yang memenuhi lim n h( = 0 dan K x,h ( ) adalah gabungan ungsi kernel diskrit. Teorema 1. Misalkan merupakan.m.p dari variabel acak diskrit X yang dideinisikan pada N. Diasumsikan bahwa (x) = P (X = x) > 0 untuk x N. Selanjutnya, andaikan bandwidth h = h( > 0 memenuhi lim n h = 0 dan kernel diskrit K x,h ( ) memenuhi asumsi 6 dan 7, maka bias dan variansi dari m n (x) yaitu: Bias m n (x)] = m (2) (x) + 2m (1) (x) V ar m n (x)] = ( (1) ) ] ( V ar(kx,h ) 1 (x) + O + o(h) (9) 2 V ar(y X = x) P (K x,h = x)] 2 + o( 1 n(x) n ) (10) dengan (1), m (1) dan m (2) merupakan turunan hingga. Bukti. Estimator regresi nonparametrik pada Persamaan 8, dapat ditulis sebagai: m n (x) = N n(x; h) (11) D n (x; h) dengan D n (x; h) = n 1 n j=1 K x,h (X j ) dan N n (x; h) = n 1 n i=1 Y i K x,h (X i ). Konvergensi dari D n (x; h) ke (x) ditentukan menurut 1] dan dengan cara yang sama konvergensi dari N n (x; h) ke m(x) dapat diperoleh. Kemudian, berdasarkan deret Taylor dapat ditulis sebagai berikut: m n (x) = m(x) + 1 (x) N n(x; h) (m)(x)] (m)(x) 2 (x) D n(x; h) (x)] 1 2 (x) N n(x; h) (m)(x)]d n (x; h) (x)] + N n(x; h) 3 (x) D n(x; h) (x)] o(1)]a.s (12) 3
4 Ekspektasi dari D n (x; h) dapat didekati dengan Unisda Journal o Mathematics and Computer Science ED n (x; h)] = E(K x,h )] V ar(k x,h) (2) (x) + o(h), h 0 Dengan cara yang sama, untuk ekspektasi dari N n (x; h) diperoleh: EN n (x; h)] = (m)e(k x,h )] V ar(k x,h)(m) (2) (x) + o(h) (13) Dengan demikian, berdasarkan asumsi 6 dari gabungan kernel diskrit, diperoleh: dan BiasD n (x; h)] = ED n (x; h)] (x) = 1 2 V ar(k x,h) (2) (x) + o(h) (14) BiasN n (x; h)] = EN n (x; h)] (m)(x) = 1 2 V ar(k x,h)(m) (2) (x)+o(h) (15) Selanjutnya, ] E N n (x; h)d n (x; h) (x)] 2 sehingga diperoleh = O(1/ 2 + O(1/ + ED n (x; h) (x)] 2 EN n (x; h)] (16) (m) (2) (x) E m n (x)] m(x) = (x) dan m (2) ] (x) V ar(kx,h ) + O(1/ + o(h) (x) 2 MSE(x) = V ar m n (x)] + Bias 2 m n (x)] ( = m (2) (x) + 2m (1) (1) ) ] 2 V ar 2 (K x,h ) (x) (x) 4 = E(Y 1 2 X 1 = x) (x)e 2 (Y 1 X 1 = x) P (K x,h = x)] 2 n(x) ( +o h ) n (17) 3 ESTIMASI REGRESI SEMIPARAMETRIK Bentuk estimator semiparametrik dari m dapat ditulis sebagai: ˆm n (x) = r 0 (x) ω n (x) = n i=1 Y i K x,h (X i ) nj=1 K x,h (X j ) r 0(x) r 0 (X i ), x N (18) 4
5 Unisda Journal o Mathematics and Computer Science Teorema 2. Misalkan diberikan x titik di N yang memenuhi (x) = P (X = x) > 0. Diasumsikan bahwa ungsi regresi memenuhi m(x) = r 0 (x)ω(x) dengan r 0 (x) = r(x; β 0 ) sebagai awal tetap. Maka, dengan syarat h = h( 0 untuk n, estimator ˆm n (x) membuktikan Bias ˆm n (x)] = r 0 (x)ω (2) (x) + 2r 0 (x)ω (1) (x) ( (1) ) ] V ar(kx,h ) (x) 2 ( 1 +O + o(h) (19) V ar ˆm n (x)] = ( V ar(y X = x) 1 P (K x,h = x)] 2 + o n(x) dengan (1), ω (1) dan ω (2) merupakan beda hingga. (20) Bukti. Bukti dari teorema ini diperoleh dengan cara yang sama pada Teorema 1. Estimator semiparametrik ˆm n (x) dapat ditulis sebagai ˆm n (x) = H n(x; h) F n (x; h) dan dengan deret Taylor diperoleh persamaan yang sama seperti Persamaan 12 dengan H n (x; h) = n 1 n i=1 r 0 (x)/r 0 (X i )]Y i K x,h (X i ) dan F n (x; h) = n 1 n j=1 K x,h (X j ) = D n (x; h). Nilai ekspektasi dari ˆm n (x) yaitu EH n (x; h)] = (m)(x) V ar(k x,h)r 0 (x)(ω) 2 (x) + o(h) (21) dan nilai biasnya adalah sebagai berikut BiasH n (x; h)] = EH n (x; h)] (m)(x) = 1 2 V ar(k x,h)r 0 (x)(ω) 2 (x) + o(h) Kemudian untuk variansi, V arh n (x; h)] = n 1 r 0 (x) (E(ω) 2 (K 2x,h)) ] (E(ω)(K x,h )) 2 Untuk mendapatkan bias ˆm n (x) dan Var ˆm n (x), menggunakan argumen yang sama seperti dalam bukti Teorema 1. 4 STUDI KASUS Dalam penelitian ini akan digunakan data sekunder. Data sekunder yang digunakan merupakan inormasi data yang diperoleh dari SMA Muhammadiyah Kecamatan Masbagik Kabupaten Lombok Timur Provinsi Nusa Tenggara Barat. Data tersebut berupa data pembelajaran kooperati tipe jigsaw dan dan aktivitas belajar siswa terhadap prestasi belajar siswa kelas X tahun pelajaran 2011/2012. Data ini digunakan untuk studi kasus dalam mengestimasi model 5
6 Unisda Journal o Mathematics and Computer Science regresi semiparametrik diskrit dan untuk melakukan analisis data menggunakan program R. Pada penelitian ini yang menjadi variabel independen adalah pembelajaran kooperati tipe jigsaw dan aktivitas belajar siswa dengan variabel independen adalah prestasi belajar siswa, serta yang menjadi sampel pada penelitian ini adalah kelas X.3 yaitu sebanyak 28 orang siswa. Analisis data menggunakan program R. Dari hasil analisis data diperoleh hasil sebagai berikut: 1. Komponen Parametrik Dengan menggunakan regresi linier diperoleh nilai ˆβ0 = 19, dan ˆβ 1 = 0, Komponen Nonparametrik Dengan menggunakan estimator Nadaraya-Watson diperoleh nilai M SE = 4605, Komponen Semiparametrik Dengan menggunakan hasil estimator yang pada sub bab 3 diperoleh nilai MSE = 88, KESIMPULAN Berdasar atas hasil dan pembahasan dapat diambil kesimpulan sebagai berikut: 1. Estimator model regresi semiparametrik diskrit diperoleh sebagai berikut: ˆm n (x) = r 0 (x) ω n (x) = n i=1 Y i K x,h (X i ) nj=1 K x,h (X j ) r 0(x) r 0 (X i ), x N 2. Bias asimtotik dan variansi asimtotik dari estimator model regresi semiparametrik diskrit diperoleh sebagai berikut: Bias ˆm n (x)] = r 0 (x)ω (2) (x) + 2r 0 (x)ω (1) (x) ( 1 +O + o(h) ( (1) ) ] V ar(kx,h ) (x) 2 V ar ˆm n (x)] = ( V ar(y X = x) 1 P (K x,h = x)] 2 + o n(x) 3. Nilai MSE dari model regresi semiparametrik diskrit adalah MSE=88,74602 lebih kecil dibandingkan dengan nilai MSE dari model regresi nonparametrik MSE=4605,595. Jadi, dapat dikatakan bahwa dalam hal ini estimator regresi semiparametrik diskrit lebih baik dibandingkan dengan estimator regresi nonparametrik. Datar Pustaka 1] Abdous, B., Kokonendji, C. C., dan Senga Kiesse, T On Semiparametric Regression or Count Explanatory Variables Journal o Statistical Planning dan Inerence. 6:
7 Unisda Journal o Mathematics and Computer Science 2] Kokonendji, C. C., dan Senga Kiesse, T Discrete Associated Kernels Method and Extensions. Statistical Methodology. 8: ] Draper, R. N., dan Smith, H Applied Regression Analysis. Johan Wiley dan Sons, Inc. 4] Fan, J., Wu, Y., dan Feng, Y Local Quasi-Likelihood with a Parametric Guide. The Annals o Statistics. 37: ] Hardle, W Smoothing Techniques with Implementation in S. SpringerVerlag. New York. 6] Hastie, T. J., dan Tibshirani Generalized Additive Model 4th ed. Chapman dan Hall. London. 7] Martins-Filho, C., Mishra, S., dan Ullah, A A Class o Improved Parametrically Guided Nonparametric Regression Estimators. Econometrics Reviews. 27: ] Ruppert, D., Wand, M. P., dan Carrol, R. J Semiparametric Regression. Cambridge University. United Kingdom. 9] Wand, M. P., dan Jones, M. C Kernel Smoothing. Chapman dan Hall. London. 7
PERBANDINGAN 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan salah satu analisis statistik yang sering digunakan untuk menyelidiki pola hubungan fungsional antara variabel prediktor dan variabel respon
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 terperinciKEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
KEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT Ro fah Nur Rachmawati Mathematics & Statistics Department, School of Computer Science, Binus
Lebih terperinciPEMODELAN REGRESI SPLINE (Studi Kasus: Herpindo Jaya Cabang Ngaliyan)
PEMODELAN REGRESI SPLINE (Studi Kasus: Herpindo Jaya Cabang Ngaliyan) I Made Budiantara Putra 1, I Gusti Ayu Made Srinadi 2, I Wayan Sumarjaya 3 1 Jurusan Matematika, Fakultas MIPA - Universitas Udayana
Lebih terperinciPREDIKSI INFLASI DI PROVINSI JAWA TENGAH DENGAN MENGGUNAKAN REGRESI KERNEL
PREDIKSI INFLASI DI PROVINSI JAWA TENGAH DENGAN MENGGUNAKAN REGRESI KERNEL Firmanti Suryandari, Sri Subanti, Bowo Winarno Program Studi Matematika FMIPA UNS ABSTRAK. Inflasi merupakan proses meningkatnya
Lebih terperinciBAB 3 MODEL ESTIMASI REGRESI NONPARAMETRIK
BAB 3 MODEL ESTIMASI REGRESI NONPARAMETRIK Dalam melakukan estimasi pada suatu kasus regresi nonparametrik, ada banyak metode yang dapat digunakan. Yasin (2009) dalam makalahnya melakukan estimasi regresi
Lebih terperinciSKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
MODEL REGRESI SEMIPARAMETRIK SPLINE DAN PENERAPANNYA PADA FAKTOR YANG MEMENGARUHI KEPADATAN PENDUDUK DI JAWA TENGAH oleh YOHANI DEVI SUMANTARI M0112095 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen (respon) dengan satu atau lebih variabel independen (variabel penjelas), dengan
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 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 terperinciSIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS
SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan
5 II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan antara variabel respon dengan satu atau beberapa variabel prediktor. Misalkan
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 terperinciBAB 1 PENDAHULUAN. hubungan antara variabel respon dengan satu atau beberapa variabel prediktor.
BAB 1 PENDAHULUAN A. Latar Belakang Masalah Analisis regresi merupakan metode analisis data yang menggambarkan hubungan antara variabel respon dengan satu atau beberapa variabel prediktor. Misalkan X adalah
Lebih terperinci2-RP RENCANA PEMBELAJARAN. Semester : VI Hal: 1 dari 5. No.Revisi : 00. tim. Regresi Nonparametrik. Deskripsi. Kemampuan. lokal).
RP S1 SP 14 A. CAPAIAN PEMBELAJARAN : CP 11.1 : Mampu memodelkan data kuantitatif univariat linier nonlinier. CP15.2 : Mampu mengelola berja dalam tim CP15.4 : Bertanggung jawab atas hasil rja mandiri
Lebih terperinciPEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP. Tarno. Jurusan Matematika FMIPA UNDIP Semarang. Subanar Jurusan Matematika FMIPA UGM Yogyakarta
PEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP Tarno Jurusan Matematika FMIPA UNDIP Semarang Subanar Jurusan Matematika FMIPA UGM Yogyakarta Abstrak Tulisan ini membicarakan tentang penerapan bootstrap
Lebih terperinciESTIMASI KURVA REGRESI SEMIPARAMETRIK PADA DATA LONGITUDINAL BERDASARKAN ESTIMATOR POLINOMIAL LOKAL
Statistika Vol 1 No 1 Mei 213 ESTIMASI KURVA REGRESI SEMIPARAMETRIK PADA DATA LONGITUDINAL BERDASARKAN ESTIMATOR POLINOMIAL LOKAL Tiani Wahyu Utami 1 Program Studi S1 Statistika Universitas Muhammadiyah
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan salah satu alat statistika yang banyak digunakan untuk mengetahui hubungan antara sepasang variabel atau lebih. Misalkan X adalah variabel
Lebih terperinciADLN-PERPUSTAKAAN UNIVERSITAS AIRLANGGA ESTIMASI MODEL REGRESI SEMIPARAMETRIK BIRESPON PADA DATA LONGITUDINAL BERDASARKAN ESTIMATOR LOKAL LINIER
ESTIMASI MODEL REGRESI SEMIPARAMETRIK BIRESPON PADA DATA LONGITUDINAL BERDASARKAN ESTIMATOR LOKAL LINIER SKRIPSI DIAJUKAN UNTUK MEMENUHI SEBAGIAN PERSYARATAN DALAM MEMPEROLEH GELAR SARJANA STATISTIKA DEPARTEMEN
Lebih terperinciPENAKSIR RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KURTOSIS PADA SAMPLING ACAK SEDERHANA
PENAKSIR RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KURTOSIS PADA SAMPLING ACAK SEDERHANA Erpan Gusnawan 1, Arisman Adnan 2, Haposan Sirait 2 1 Mahasiswa Program Studi S1 Matematika
Lebih terperinciSMALL AREA ESTIMATION UNTUK PEMETAAN ANGKA MELEK HURUF DI KABUPATEN REMBANG. Program Studi Statistika, UNIMUS
SMALL AREA ESTIMATION UNTUK PEMETAAN ANGKA MELEK HURUF DI KABUPATEN REMBANG Moh Yamin Darsyah 1, Iswahyudi Joko Suprayitno 2 1 Program Studi Statistika, UNIMUS Email: mydarsyah@unimus.ac.id 2 Program Studi
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 terperinciAPLIKASI REGRESI SPLINE UNTUK MEMPERKIRAKAN TINGKAT FERTILITAS WANITA BERDASARKAN UMUR
APLIKASI REGRESI SPLINE UNTUK MEMPERKIRAKAN TINGKAT FERTILITAS WANITA BERDASARKAN UMUR Oleh : Isnia Dwimayanti (0 09 06) Pembimbing : DR Drs I Nyoman Budiantara, MS ABSTRAK Tingginya tingkat fertilitas
Lebih terperinciESTIMASI PENGELUARAN PER KAPITA DI KABUPATEN REMBANG DENGAN PENDEKATAN SAE-NONPARAMETRIK. Program Studi Pendidikan Matematika, UNIMUS 2
ESTIMASI PENGELUARAN PER KAPITA DI KABUPATEN REMBANG DENGAN PENDEKATAN SAE-NONPARAMETRIK Iswahyudi Joko Suprayitno 1, Moh Yamin Darsyah 2, Budiharto 3 1 Program Studi Pendidikan Matematika, UNIMUS 2 Program
Lebih terperinciPenaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar
Vol.14, No. 2, 159-165, Januari 2018 Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Sutrianah Burhan 1, Andi Kresna Jaya 1
Lebih 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 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 terperinciLampiran 1. Beberapa Definisi dan Lema Teknis
Lampiran 1. Beberapa Definisi dan Lema Teknis Ruang Contoh, Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam kondisi yang sama, yang hasilnya tidak dapat diprediksi dengan tepat tetapi kita
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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan Estimasi fungsi survival atau biasa disebut regresi fungsi survival merupakan bagian penting dari analisis survival. Estimasi ini biasa digunakan dalam
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 oleh FEBRIANI ASTUTI M0111036 SKRIPSI ditulis dan diajukan untuk memenuhi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI. Regresi Non-Parametrik Statistik nonparametrik disebut juga statistik bebas sebaran. Statistik nonparametrik tidak mensyaratkan bentuk sebaran parameter populasi. Statistik nonparametrik
Lebih terperinciESTIMASI KURVA REGRESI PADA DATA LONGITUDINAL DENGAN WEIGHTED LEAST SQUARE
ESTIMASI KURVA REGRESI PADA DATA LONGITUDINAL DENGAN WEIGHTED LEAST SQUARE Dian Ragil P.. Abstrak Model varying-coefficient pada data longitudinal akan dikaji dalam proposal ini. Hubungan antara variabel
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 terperinciPEMILIHAN BANDWIDTH PADA ESTIMATOR NADARAYA-WATSON DENGAN TIPE KERNEL GAUSSIAN PADA DATA TIME SERIES
PEMILIHAN BANDWIDTH PADA ESTIMATOR NADARAYA-WATSON DENGAN TIPE KERNEL GAUSSIAN PADA DATA TIME SERIES (Studi Kasus: Penutupan Indeks Harga Saham Harian Jakarta Islamic Index (JII) Periode 1 Januari 2016
Lebih terperinciPENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL
PENDUGAAN FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT MENGGUNAKAN METODE TIPE KERNEL Ro fah Nur Rachmawati Jurusan Matematika, Fakultas Sains dan Teknologi, Binus University Jl.
Lebih terperinciPENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM
BIAStatistics (2015) Vol. 9, 2, hal. 28-32 PENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM Munawar Jurusan Matematika FMIPA Universitas Syiah
Lebih 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 terperinciPENDUGAAN MODEL REGRESI SEMIPARAMETRIK MENGGUNAKAN PENDUGA KERNEL [SKRIPSI] KOMPETENSI STATISTIKA
PENDUGAAN MODEL REGRESI SEMIPARAMETRIK MENGGUNAKAN PENDUGA KERNEL [SKRIPSI] KOMPETENSI STATISTIKA oleh: NI PUTU PERDINA 0808405003 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciUniversitas Sumatera Utara
Kakanda Misiani, S.Si selaku Staf Administrasi Program Studi Magister Matematika FMIPA USU yang telah banyak memberikan pelayanan yang baik kepada penulis selama mengikuti perkuliahan. Pihak Pemerintah
Lebih terperinciESTMATOR LINIER LOKAL PADA MODEL REGRESI POISSON TERGENERALISIR
KNM VI 3-6 Juli 2012 UNPAD, Jatinangor ESTMATOR LINIER LOKAL PADA MODEL REGRESI POISSON TERGENERALISIR ERNI TRI ASTUTI 1, I NOMAN BUDIANTARA 2, SON SUNARO 3 MOHAMMAD DOKHI 4 1 Mahasiswa Program S3, Jurusan
Lebih terperinciSMALL AREA ESTIMATION UNTUK PENDUGAAN TINGKAT PARTISIPASI ANGKATAN KERJA DI PROVINSI MALUKU DENGAN PENDEKATAN KERNEL-BOOTSTRAP
Jurnal Ilmu Matematika dan Terapan Maret 2016 Volume 11 Nomor 1 Hal. 17-23 SMALL AREA ESTIMATION UNTUK PENDUGAAN TINGKAT PARTISIPASI ANGKATAN KERJA DI PROVINSI MALUKU DENGAN PENDEKATAN KERNEL-BOOTSTRAP
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 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 terperinciBAB III METODE PENELITIAN
33 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Penelitian ini dilakukan berdasarkan data series bulan yang dipublikasikan oleh Bank Indonesia (BI) dan Badan Pusat Statistik (BPS), diantaranya adalah
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 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 terperinciEstimasi Titik. (Point Estimation) Minggu ke 1-3. Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada
Estimasi Titik (Point Estimation) Minggu ke 1-3 Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada 2014 Prof. Dr. Sri Haryatmi, M. Sc. (UGM) Daftar Isi 2014 1 / 33 DAFTAR ISI 1 Minggu 1 Pertemuan 1
Lebih terperinciSTUDI PERBANDINGAN METODE ORDINARY LEAST SQUARE (OLS) DAN METODE THEIL DALAM MODEL PENENTUAN REGRESI LINIER SEDERHANA
STUDI PERBANDINGAN METODE ORDINARY LEAST SQUARE (OLS) DAN METODE THEIL DALAM MODEL PENENTUAN REGRESI LINIER SEDERHANA USWATUN HASANAH HARAHAP 090823072 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciANALISIS ESTIMASI PARAMETER REGRESI KUANTIL DENGAN METODE BOOTSTRAP
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 125 130 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS ESTIMASI PARAMETER REGRESI KUANTIL DENGAN METODE BOOTSTRAP MESI OKTAFIA, FERRA YANUAR, MAIYASTRI
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan salah satu teknik analisis statistika yang paling banyak digunakan. Pada kejadian sehari hari terdapat hubungan sebab akibat yang muncul,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Model regresi yang baik memerlukan data yang baik pula. Suatu data dikatakan baik apabila data tersebut berada di sekitar garis regresi. Kenyataannya, terkadang terdapat
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Regresi merupakan salah satu teknik analisis statistika yang paling banyak digunakan. Banyak sekali teknik analisis statistika yang diturunkan atau didasarkan pada
Lebih terperinciESTIMASI RASIO MENGGUNAKAN KOEFISIEN REGRESI DAN KORELASI PADA PRODUKSI KACANG TANAH DI PROVINSI JAWA TENGAH
ESTIMASI RASIO MENGGUNAKAN KOEFISIEN REGRESI DAN KORELASI PADA PRODUKSI KACANG TANAH DI PROVINSI JAWA TENGAH Ramadhani Kusuma Putra, Isnandar Slamet, dan Mania Roswitha Jurusan Matematika Fakultas Matematika
Lebih terperinciADLN Perpustakaan Universitas Airlangga
PERBANDINGAN METODE GENERALIZED CROSS VALIDATION DAN GENERALIZED MAXIMUM LIKELIHOOD DALAM REGRESI NONPARAMETRIK SPLINE UNTUK MEMPERKIRAKAN JUMLAH LEUKOSIT PADA TERSANGKA FLU BURUNG DI JAWA TIMUR RINGKASAN
Lebih terperinciESTIMATOR KERNEL DALAM MODEL REGRESI NONPARAMETRIK
Jurnal Matematika Vol. 2 No. 1, Juni 2012. ISSN : 1693-1394 ESTIMATOR KERNEL DALAM MODEL REGRESI NONPARAMETRIK I Komang Gede Sukarsa e-mail: sukarsakomang@yaoo.com I Gusti Ayu Made Srinadi e-mail: srinadiigustiayumade@yaoo.co.id
Lebih terperinciANALISIS PENGARUH JUMLAH UANG BEREDAR DAN NILAI TUKAR RUPIAH TERHADAP INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN PEMODELAN REGRESI SEMIPARAMETRIK KERNEL
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 373-382 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS PENGARUH JUMLAH UANG BEREDAR DAN NILAI TUKAR RUPIAH
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 terperinciHukum Iterasi Logaritma
Hukum Iterasi Logaritma Sorta Purnawanti 1, Helma 2, Dodi Vionanda 3 1 Mathematics Department State University of Pag, Indonesia 2,3 Lecturers of Mathematics Department State University of Pag, Indonesia
Lebih terperinciPelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi. Bertho Tantular 1)
Pelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi S-28 Bertho Tantular 1) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD berthotantular@gmail.com Abstrak Secara umum model
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 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK
BAB 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK 3. Perumusan Penduga Misalkan N adalah proses Poisson non-homogen pada interval 0, dengan fungsi intensitas yang tidak diketahui. Fungsi intensitas
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan fungsional antara variabel respon dengan satu atau beberapa variabel prediktor.
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 terperinciPENDUGA RASIO PADA PENGAMBILAN SAMPEL ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KURTOSIS, DAN KORELASI
PENDUGA RASIO PADA PENGAMBILAN SAMPEL ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KURTOSIS, DAN KORELASI oleh EKO BUDI SUSILO M0110022 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciKata Kunci: Analisis Regresi Linier, Penduga OLS, Penduga GLS, Autokorelasi, Regresor Bersifat Stokastik
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 168 176 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN PENDUGA ORDINARY LEAST SQUARES (OLS) DAN GENERALIZED LEAST SQUARES (GLS) PADA MODEL REGRESI
Lebih 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 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 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 terperinciAPLIKASI MODEL REGRESI SEMIPARAMETRIK SPLINE TRUNCATED (Studi Kasus: Pasien Demam Berdarah Dengue (DBD) di Rumah Sakit Puri Raharja)
E-Jurnal Matematika Vol 6 (1), Januari 2017, pp 65-73 ISSN: 2303-1751 APLIKASI MODEL REGRESI SEMIPARAMETRIK SPLINE TRUNCATED (Studi Kasus: Pasien Demam Berdarah Dengue (DBD) di Rumah Sakit Puri Raharja)
Lebih terperinciPerbandingan Metode Bootstrap Dan Jackknife Resampling Dalam Menentukan Nilai Estimasi Dan Interval Konfidensi Parameter Regresi
Perbandingan Metode Bootstrap Dan Jackknife Resampling Dalam Menentukan Nilai Estimasi Dan Interval Konfidensi Parameter Regresi Comparison of Bootstrap and Jackknife Resampling Methods in Determining
Lebih terperinciPEMODELAN DATA INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN REGRESI PENALIZED SPLINE
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 603-612 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN DATA INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN REGRESI
Lebih terperinciPENDUGA RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA PENGAMBILAN SAMPEL ACAK SEDERHANA
PENDUGA RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA PENGAMBILAN SAMPEL ACAK SEDERHANA oleh FATIMAH MUTIARA SARI M0111032 SKRIPSI ditulis dan diajukan untuk memenuhi
Lebih terperinciPENERAPAN METODE REGRESI GULUD DAN REGRESI KOMPONEN UTAMA DALAM MENGATASI PENYIMPANGAN MULTIKOLINEARITAS PADA ANALISIS REGRESI LINEAR BERGANDA
PENERAPAN METODE REGRESI GULUD DAN REGRESI KOMPONEN UTAMA DALAM MENGATASI PENYIMPANGAN MULTIKOLINEARITAS PADA ANALISIS REGRESI LINEAR BERGANDA Sri Siska Wirdaniyati 1), Edy Widodo ) 1) Mahasiswa Prodi
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 terperinciEFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH
EFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH May Cristanti, Yuliana Susanti, dan Sugiyanto Program Studi Matematika FMIPA UNS ABSTRAK.
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 terperinciAPLIKASI SPLINE ESTIMATOR TERBOBOT
APLIKASI SPLINE ESTIMATOR TERBOBOT I Nyoman Budiantara) APLIKASI SPLINE ESTIMATOR TERBOBOT I Nyoman Budiantara Dosen Fakultas Matematika dan Ilmu Pengetahuan Alam, Jurusan Statistika Institut Teknologi
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 terperinciPEMODELAN MEAN SEA LEVEL (MSL) DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK DERET FOURIER
PEMODELAN MEAN SEA LEVEL (MSL) DI KOTA SEMARANG DENGAN PENDEKATAN REGRESI NONPARAMETRIK DERET FOURIER 1 Tiani Wahyu Utami, 2 Indah Manfaati Nur 1,2 Program Studi Statistika, Fakultas Matematika dan Ilmu
Lebih terperinciESTIMATOR SPLINE KUBIK
Bimafika, 011, 3, 30-34 ESTIMATOR SPLINE KUBIK Johannis Takaria * Staff Pengajar Fakultas Keguruan Dan Ilmu Pendidikan Universitas Pattimura Ambon Diterima 10-1-010; Terbit 31-06-011 ABSTRACT Consider
Lebih terperinciEFISIENSI RELATIF ESTIMATOR FUNGSI KERNEL GAUSSIAN TERHADAP ESTIMATOR POLINOMIAL DALAM PERAMALAN USD TERHADAP JPY
UJM 2 (2) (2013) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm EFISIENSI RELATIF ESTIMATOR FUNGSI KERNEL GAUSSIAN TERHADAP ESTIMATOR POLINOMIAL DALAM PERAMALAN USD TERHADAP
Lebih terperinciE-Jurnal Matematika Vol. 4 (2), Mei 2015, pp ISSN:
PENERAPAN REGRESI PROBIT BIVARIAT UNTUK MENDUGA FAKTOR-FAKTOR YANG MEMENGARUHI KELULUSAN MAHASISWA (Studi Kasus: Mahasiswa Fakultas MIPA Unversitas Udayana) Ni Gusti Ketut Trisna Pradnyantari 1, I Komang
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar belakang
BAB I PENDAHULUAN 1.1 Latar belakang Analisis regresi merupakan salah satu metode statistika yang digunakan untuk mengetahui hubungan antara variabel Y(variabel dependen, respon, tak bebas, outcome) dengan
Lebih terperinciESTIMASI RASIO MENGGUNAKAN KOEFISIEN REGRESI DAN KORELASI PADA PRODUKSI KACANG TANAH DI PROVINSI JAWA TENGAH
ESTIMASI RASIO MENGGUNAKAN KOEFISIEN REGRESI DAN KORELASI PADA PRODUKSI KACANG TANAH DI PROVINSI JAWA TENGAH oleh RAMADHANI KUSUMA PUTRA M0110069 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciPERBANDINGAN HASIL PEMODELAN ARTIFICIAL NEURAL NETWORKS DAN KERNEL SMOOTHING PADA DATA REGRESI NON LINIER
TUGAS AKHIR - ST 1325 PERBANDINGAN HASIL PEMODELAN ARTIFICIAL NEURAL NETWORKS DAN KERNEL SMOOTHING PADA DATA REGRESI NON LINIER ADITYA HIDAYAT JATI NRP 1302100044 Dosen Pembimbing Dra. Kartika Fitriasari,
Lebih terperinciPERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI. Abstrak
PERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI Dwi Yuli Rakhmawati, Muhammad Mashuri 2,2) Institut Teknologi Sepuluh Nopember dwiyuli_rakhmawati@yahoo.com,
Lebih terperinciPENAKSIRAN RATAAN DAN VARIANSPOPULASI PADA SAMPEL ACAK TERSTRATIFIKA DENGAN AUXILIARY VARIABLE
Vol. 12, No. 1, 9-18, Juli 2015 PENAKSIRAN RATAAN DAN VARIANSPOPULASI PADA SAMPEL ACAK TERSTRATIFIKA DENGAN AUXILIARY VARIABLE Raupong, M. Saleh AF, Hasruni Satya Taruma Abstrak Penaksiran rataan dan variansi
Lebih terperinciBAB II LANDASAN TEORI. Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan
BAB II LANDASAN TEORI 2.1 Data Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan datum yang berisi fakta-fakta serta gambaran suatu fenomena yang dikumpulkan, dirangkum, dianalisis, dan
Lebih terperinciJURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume, Nomor, Tahun 0, Halaman 93-0 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian ANALISIS INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN MODEL REGRESI KERNEL Icha
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 terperinciPENERAPAN HIERARCHICAL LINEAR MODELING UNTUK MENGANALISIS DATA MULTILEVEL
Jurnal UJMC, Volume 2, Nomor 1, Hal. 16-21 pissn:2460-3333 eissn:2579-907x PENERAPAN HIERARCHICAL LINEAR MODELING UNTUK MENGANALISIS DATA MULTILEVEL Dewi Wulandari 1, Ali Shodiqin 2, dan Aurora Nur Aini
Lebih terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Analisis regresi merupakan salah satu metode analisis dalam statistika yang sangat familiar bagi kalangan akademis dan pekerja. Analisis regresi dapat
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 527-532 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN REGRESI NONPARAMETRIK DATA LONGITUDINAL MENGGUNAKAN
Lebih terperinciBAB VI ANALISIS REGRESI LINEAR GANDA
BAB VI ANALISIS REGRESI LINEAR GANDA 1. Pendahuluan Analisis regresi merupakan suatu analisis antara dua variabel yaitu variabel independen (Prediktor) yaitu variabel X dan variabel dependent (Respon)
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam
Lebih terperinciPERSEMBAHAN. Karya ini kupersembahkan untuk. kedua orang tuaku ibu Menik, bapak Slamet Suseno, ketiga kakakku Ani, Oky dan Pe i
ABSTRAK Ary Yunita. 2016. PERBANDINGAN KEAKURATAN PENDUGA RASIO VARIANSI POPULASI MENGGUNAKAN MEDIAN DAN KOEFISIEN VARIASI-MEDIAN VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA. Fakultas Matematika
Lebih terperinci