Azzakiy Fiddarain ABSTRACT
|
|
- Yuliani Lesmono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 IDENTIFIKASI TITIK HIGH LEVERAGE PADA MODEL REGRESI LOGISTIK DENGAN METODE ROBUST LOGISTIC DIAGNOSTIC Azzakiy Fiddarain Mahasiswa Program Studi S1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Bina Widya Pekanbaru 28293, Indonesia ABSTRACT This article discusses the robust logistic diagnostic method for the identification of high leverage points in logistic regression model which is a review of article from Syaiba and Habshah [Journal of Applied Sciences, 10 (2010), ]. On first stage, robust estimator used to identify suspect high leverage points by computing the robust Mahalanobis distance based on minimum covariance determinant and minimum volume ellipsoid. On the second stage, the group deleted based on the distance from the mean for logistic regression model is computed. Then the effectiveness of this method is investigated through the simulation of data using software R version Keywords: Logistic regression model, outlier, high leverage, robust Mahalanobis distance, minimum covariance determinants, minimum volume ellipsoid ABSTRAK Artikel ini membahas metode robust logistic diagnostic untuk mengidentifikasi titik high leverage pada model regresi logistik yang merupakan kajian ulang dari artikel Syaiba dan Habshah [Journal of Applied Sciences, 10 (2010), ]. Pada tahap pertama penaksir robust digunakan untuk mengidentifikasi pengamatan yang diduga sebagai titik high leverage dengan menghitung jarak Mahalanobis robust berdasarkan determinan kovarian minimum dan elipsoid volume minimum. Pada tahap kedua, hitung kelompok dihapus berdasarkan metode jarak dari ratarata pada model regresi logistik. Kemudian keefektifitasan metode ini diselidiki melalui simulasi data menggunakan software R versi Kata kunci: Model regresi logistik, outlier, high leverage, jarak Mahalanobis robust, determinan kovarian minimum, elipsoid volume minimum 1
2 1. PENDAHULUAN Regresi logistik digunakan untuk menganalisis kasus-kasus penelitian dengan tujuan mendapatkan model terbaik dan sederhana untuk menjelaskan hubungan di antara variabel respon (Y ) dengan variabe-variabel prediktor (X) [6, h. 63]. Agresti [1, h.188] menyatakan bahwa variabel respon dalam regresi logistik dapat berupa kategori atau kualitatif. Masalah yang sering muncul dalam analisis regresi adalah ditemukannya satu atau beberapa titik data berada jauh dari pola data pada umumnya atau yang biasa disebut sebagai outlier. Diagnosa outlier leverage pada regresi logistik merupakan bagian penting ketika menganalisis data karena outlier leverage dapat menyebabkan penaksir parameter menjadi bias. Rousseeuw [10] menyatakan bahwa titik high leverage tidak sesuai dengan model sama sekali dan titik ini lebih berbahaya dari outlier karena memiliki pengaruh paling besar pada regresi linear klasik. Imon [7] menunjukkan bahwa titik high leverage tidak hanya menyebabkan penaksir parameter menjadi salah, tetapi juga membentuk efek masking dan swamping. Efek masking terjadi pada saat pengamatan outlier tidak terdeteksi karena adanya pengamatan outlier lain yang berdekatan sedangkan efek swamping terjadi saat pengamatan baik teridentifikasi sebagai outlier. Dalam artikel ini untuk mengidentifikasi titik high leverage dalam model regresi logistik digunakan metode Robust Logistic Diagnostic (RLGD). Metode RLGD menggabungkan metode DM teknik yang diusulkan oleh Imon [7] dengan metode Diagnostic-Robust Generalized Potential (DRGP) yang diusulkan oleh Habsah et al. [4]. Pada tahap pertama, titik high leverage diidentifikasi dengan penaksir robust Minimum Covariance Determinant (MCD) atau Minimum Volume Ellipsoid (MVE) yang diperkenalkan oleh Rousseeuw [9]. Kemudian, pendekatan diagnostik digunakan untuk mengkonfirmasi high leverage. 2. PENAKSIRAN PARAMETER REGRESI LOGISTIK, OUTLIER, HIGH LEVERAGE Pada bagian ini dibahas mengenai model regresi logistik, penaksiran parameter model regresi logistik dengan metode maximum likelihood dan metode Newton- Raphson, outlier dan titik high leverage. Model Regresi Logistik Regresi logistik merupakan salah satu bagian dari analisis regresi. Regresi logistik digunakan untuk menganalisis kasus-kasus penelitian dengan tujuan untuk mencari pola hubungan antara sekumpulan variabel prediktor dengan suatu variabel respon bertipe katagorik atau kualitatif secara simultan. Variabel Y pada model regresi logistik merupakan variabel biner yang mempunyai dua nilai (0 atau 1). 2
3 Secara umum model regresi logistik dengan melibatkan lebih dari satu variabel prediktor dapat diformulasikan sebagai berikut: π(x i ) = exp (β 0 + β 1 x i1 + β 2 x i2 + + β k x ik ) 1 + exp (β 0 + β 1 x i1 + β 2 x i2 + + β k x ik ). (1) Hosmer dan Lemewshow [6, h. 6] menyebutkan bahwa untuk memudahkan dalam menaksir parameter pada persamaan regresi logistik dapat digunakan transformasi logit. Bentuk logit π(x i ) dinyatakan sebagai g(x i ), yaitu: g(x i ) = k β p x ip. (2) p=0 β 0 = konstanta, yang lazim disebut intercept β 1, β 2,..., β k = koefesien regresi variabel prediktor x i0, x i1,..., x ik = variabel prediktor yang pengaruhnya akan diteliti dengan x i0 = 1. Metode yang biasa dipakai untuk menaksir parameter dalam model regresi logistik adalah metode maximum likelihood. Pada dasarnya metode Maximum likelihood memberikan nilai estimasi β untuk memaksimumkan fungsi likelihood. secara sistematis fungsi likelihood untuk model regresi logistik dikotomus dapat ditulis sebagai berikut ( ) ni f(y; β) = π y i i (1 π i) n i y i, (3) y i dan fungsi log-likelihood untuk model regresi logistik adalah N ( ( ( k )) ( ( k )) ln L(β) = y i exp β p x ip ) n i ln 1 + exp β p x ip i=1 + log ( ni y i p=0 p=0 )). (4) Untuk memperoleh nilai taksiran ˆβ p, p = 0, 1,, k yang memaksimumkan nilai fungsi ln L(β) adalah dengan mendifferensialkan ln L(β) terhadap β p dan hasilnya disamakan dengan nol. Differensial pertama adalah ln L(β) β p = sedangkan differensial kedua bentuk umumnya adalah N i=1 (y i x ip n i π i x ip ), (5) 2 ln L(β) β p β p N = n i x ip π i (1 π i ) x ip. (6) i=1 3
4 Fungsi log-likelihood untuk model regresi logistik adalah cepat mencapai konvergen dan ada nilai taksiran untuk parameter. Akan tetapi fungsi tersebut adalah fungsi yang non-linear untuk menaksir β dengan menggunakan metode maximum likelihood, sehingga dibutuhkan penyelesaian iterasi Newton-Raphson, yaitu suatu metode yang digunakan untuk menyelesaikan persamaan-persamaan non-linear [1, h. 143]. Bentuk persamaan dari metode Newton-Raphson untuk menetukan maximum likelihood yang berasal dari differensial pertama dan kedua dari fungsi log-likelihood untuk mendapatkan nilai taksiran parameter yang optimal adalah β (t+1) =β (t) + [ (X T V X) ] 1 X T (y ˆµ), (7) proses iterasi ini berjalan sampai tidak ada perubahan secara esensial di antara elemen-elemen β dari satu iterasi ke iterasi lain. Pada tahap ini, penaksir maksimum likelihood sudah dapat dikatakan konvergen. Outlier pada Model Regresi Logistik Draper dan Smith [3, h. 75] mendefinisikan outlier sebagai sisaan dimana nilai mutlaknya jauh lebih besar daripada sisaan-sisaan lainnya dan bisa jadi terletak tiga atau empat simpangan baku atau lebih jauh lagi dari sisaan lainnya. Pengaruh outlier dalam analisis data yang dideteksi pada artikel ini adalah outlier yang berasal dari peubah prediktornya (x-outlier; titik leverage). Untuk tiap kasus, leverage menginformasikan seberapa jauh kasus tersebut dari nilai ratarata himpunan data variabel independen. Outlier dalam regresi linear dideteksi menggunakan hat matriks. Elemen diagonal dari hat matriks memberikan informasi tentang data observasi yang mempunyai nilai leverage yang besar. Menggunakan metode weighted least square pada regresi linear sebagai model, Pregibon [8] mendefenisikan hat matriks pada regresi logistik adalah H = V 1/2 X(X T V X) 1 X T V 1/2, (8) V adalah matrik diagonal berukuran n n dengan elemen v j = m j ˆπ j (1 ˆπ j ). Elemen diagonal dari H berisi nilai-nilai leverage yang didefinisikan sebagai: h j = m j ˆπ j (1 ˆπ j )x T j (X T V X) 1 x j. (9) Nilai rata-rata dari h j adalah (p + 1)/n, dengan n merupakan banyaknya data, dan p merupakan jumlah koefesien (β p ) variabel independen ditambah 1 sebagai konstanta (β 0 ). Titik yang memiliki nilai h j besar pada umumnya dianggap sebagai titik high leverage. Pada tahun 1978 Hoaglin dan Welsch (lihat Imon [7]) menganggap observasi menjadi tidak biasa ketika h j melebihi 2(p + 1)/n yang umumnya dikenal sebagai aturan dua kali rata-rata (2M: twice the mean). Pada tahun 1981 Vellman dan Welsch (lihat Imon [7]) menganjurkan mempertimbangkan aturan tiga kali rata-rata (3M) dimana h j dianggap sebagai high leverage ketika 4
5 melebihi 3(p+1)/n. Pada tahun 1981 Huber (lihat Habshah et al. [4]) menyarankan agar membagi interval h j, (0 h j 1), menjadi 3 interval. Nilai h j 0, 2 nilai yang aman, nilai antara 0, 2 dan 0, 5 beresiko, dan nilai di atas 0, 5 harus dihindari. Meskipun metode di atas dirancang untuk mendeteksi titik high leverage pada regresi linear, namun dapat juga digunakan pada regresi logistik. 3. IDENTIFIKASI TITIK HIGH LEVERAGE PADA MODEL REGRESI LOGISTIK DENGAN METODE ROBUST LOGISTIC DIAGNOSTIC Metode Jarak dari Rata-rata Menggunakan defenisi hat matriks pada persamaan (8), nilai leverage ke j didefinisikan sebagai h j = m j ˆπ j (1 ˆπ j )x T j (X T V X) 1 x j = v j b j. Jika kovariat ke j adalah titik yang ektrim, nilai x T j yang bersesuaian akan menjadi sangat dekat dengan 0 atau 1, yang menghasilkan nilai m j ˆπ j (1 ˆπ j ) yang sangat kecil. Oleh karena itu titik yang paling ektrim dalam ruang kovariat mungkin memiliki nilai leverage paling kecil. Namun, kuantitas yang meningkat dengan jarak dari rata-rata adalah b j = x T j (X T V X) 1 x j. (10) Kuantitas dari jarak rata-rata inilah yang selanjutnya digunakan untuk pengidentifikasian titik high leverage yang dalam artikel ini disebut sebagai metode DM. Hosmer & Lemeshow [6, h. 172] menganjurkan agar fokus pada b j untuk pengukuran jarak tersebut. b j dianggap pengamatan yang lebih besar apabila: dengan b j > median(b j ) + cmad(b j ), (11) MAD(b j ) = median { b j median(b j ) } /0.6745, (12) c adalah konstanta 2 atau 3. Bentuk ini sama dengan kepercayaan untuk parameter lokasi dan dispersi, dimana rata-rata dan standar deviasi yang tidak robust diganti dengan median dan median absolute deviation (MAD). Metode Robust Logistic Diagnostic Pendeteksian titik high leverage pada metode Robust Logistic Diagnostic (RLGD) menggabungkan pendekatan diagnostik dan penaksir robust. Pendekatan diagnostik dapat dilakukan melalui uji statistik formal, tetapi lebih sering juga menyangkut evaluasi yang kurang formal mengenai tabel dari nilai statistik tertentu atau melalui gambaran secara grafik atau plot dari nilai-nilai tersebut. Tahapan pertama pendeteksian titik high leverage adalah dengan menggunakan jarak Mahalanobis robust (robust Mahalanobis distance). Bentuk dari persamaan jarak Mahalanobis robust adalah RMD i = (x i T (X)) T S(X) 1 (x i T (X)). (13) 5
6 Pada dasarnya tujuan dari penaksiran robust adalah mengkontruksi secara penuh efisiensi penyesuaian taksiran. Suatu pendekatan untuk mengidentifikasi outlier yaitu menggunakan penaksir yang robust pada T (X) dan S(X). Sehingga metode ini meminimumkan pengaruh outlier dalam penaksiran kecocokan model. Rousseeuw [9] menganjurkan metode Minimum Covariance Determinant (MCD) dan Minimum Volume Ellipsoid (MVE) untuk memperoleh penaksir yang robust pada T (X) dan S(X). Setelah menghitung robust multivariat dan parameter scale dengan metode MCD atau MVE, selanjutnya hitung RMD dengan menggunakan persamaan (13). RMD i dianggap high leverage apabila dengan RMD i > median (RMD i ) + cmad (RMD i ) (14) MAD(RMD i ) = median { RMD i median(rmd i ) } /0.6745, (15) Metode Robust Logistic Diagnostic Tahapan selanjutnya dari metode RLGD adalah menggunakan konsep group-deleted. Diasumsikan pengamatan d diantara himpunan pengamatan n akan dihapus. Akan ditunjukkan R menjadi himpunan kasus yang tersisa dalam penganalisaan dan D menjadi himpunan kasus yang dihapus. Oleh karena itu, R berisi kasus (n d) setelah kasus d dihapus. Dengan mengasumsikan bahwa pengamatan ini adalah baris d terakhir dari X, Y dan V sehingga: [ ] [ X X = R, Y = X D Y R Y D, dan V = ] [ ] V R 0. 0 V D Misalkan ˆβ ( D) vektor yang sesuai pada keofesien penaksir setelah kasus D dihapus. Nilai kecocokan untuk seluruh data didefinisiskan dengan: ( ) exp x (T ) ˆπ ( D) i ˆβ ( D) i = ( ), i = 1, 2,..., n (16) 1 + exp ˆβ ( D) v ( D) j x (T ) i dengan variansi dan pola kovariatnya: ( ) ( D) ( D) = m j ˆπ i 1 ˆπ i. j = 1, 2,..., J (17) Selanjutnya, berdasarkan persamaan (10), misalkan: maka bisa ditunjukkan ˆX = V (1/2) X (18) b j = x T j ( ˆX T ˆX) 1 x j. (19) Dengan demikian, jarak dari rata-rata untuk kelompok dihapus kasus D adalah b ( D) j = x T j ( ˆX T R ˆX R ) 1 x j (20) 6
7 Hal ini memberikan hubungan sederhana antara nilai potensial yang diusulkan oleh Hadi [5] dan persamaan (20) yaitu: j = x T j ( ˆX R T ˆX R + x j x T j ) 1 x j = b( D) j. (21) 1 + b ( D) j b ( D+j) Berdasarkan index kelompok dihapus kasus pada D, dengan mengadopsi jarak dari rata-rata, kelompok dihapus potensial dinotasikan dengan: { ( ) ( D) b p ( D) j / 1 + b ( D) j ; j R jj = (22) b ( D) j ; j D. Karena distribusi p ( D) jj tidak diketahui, titik cutoff yaitu pembatasan suatu ruang distribusi mayoritas data dari suatu pengamatan outlier ditetapkan berdasarkan median dan MAD untuk p ( D) jj seperti yang disarankan oleh Hadi [5]. Untuk setiap pengamatan yang lebih besar dari nilai titik cutoff dengan p ( D) jj ( > median p ( D) jj ) ( + cmad p ( D) jj { MAD(p ( D) p ( D) jj ) = median jj median(p ( D) jj ) ) (23) } /0.6745, (24) dinyatakan sebagai high leverage. Langkah identifikasi titik high leverage dengan metode robust logistic diagnostic diringkas sebagai berikut: 1. Untuk setiap titik ke-i, hitung RMD i menggunakan metode penaksir robust MCD atau MVE, 2. Untuk setiap titik ke-i dengan RMD i > Median(RMD i ) + cmad(rmd i ) terdeteksi sebagai titik high leverage kelompokan pada kelompok dihapus D. Titik-titik lainnya pada kelompok R, 3. Hitung p ( D) jj, 4. Nilai p ( D) jj > median high leverage. 4. Simulasi Data ( p ( D) jj ) ( + cmad p ( D) jj ) dinyatakan sebagai titik Data penelitian ini berupa data simulasi yang dibangkitkan dengan bantuan program R versi untuk 100 data pengamatan. Nilai variabel dependen (Y ) dibangkitkan dari data berdistribusi binomial, variabel X1 dibangkitkan dari data berdistribusi Uniform dan variabel X2 dibangkitkan dari data berdistribusi Normal sebanyak 90% ditambah 10% data berdistribusi Uniform. Untuk melihat karakteristik sebaran data dilakukan plot data pada variabel Y, variabel X1 dan variabel X2. Hasil plot sebaran data ditampilkan pada Gambar (1). Gambar (2), Gambar (3) dan Gambar (4) merupakan index plot metode hat matriks, Metode DM dan metode RLGD. 7
8 Gambar 1: Scatter Plot X1 dan X2 Gambar 2: Index Plot Hat Matriks Gambar 3: Index Plot Metode DM 8
9 Gambar 4: Index Plot Metode RLGD Hasil plot data Gambar (1) menunjukkan pengamatan 5,87,99,6,34,42,57,93, diduga sebagai titik high leverage karena letaknya yang tidak berada pada kumpulan data. Berdasarkan nilai hat matriks pada Gambar (2) megidentifikasi pengamatan ke-5,34,42,57,87,93 sebagai titik high leverage tetapi mengalami efek masking yaitu pengamatan yang merupakan outlier tidak terdeteksi sebagai outlier pada pengamatan 6 dan 99. Dari Gambar (2) terlihat pengamatan ke-6 dan 99 berada dekat dengan nilai cutoff yang ditentukan. Berdasarkan Metode DM Gambar (3) mengidentifikasi pengamatan 5,34,42,57,87,93,99 sebagai titik high leverage. Hasil tersebut mengidentifikasi seluruh pengamatan berdasarkan nilai hat matriks dan pengamatan ke-99 yang sebelumnya tidak terdeteksi berdasarkan nilai hat matriks dengan metode DM pengamatan tersebut terdeteksi sebagai titik high leverage tetapi tidak fokus pada pengamatan ke-6. Dari Gambar (3) pengamatan ke-6 berada sangat dekat dengan nilai cutoff. Berdasarkan metode RLGD(MCD) Gambar (4) mengidentifikasi pengamatan ke-5,6,34,42,57,87, 93,99. Dari Gambar (4) terlihat bahwa dengan metode RLGD plot data tergambar lebih baik dari kedua metode sebelumnya, dimana data yang merupakan high leverage berada jauh di atas nilai cutoff -nya, dan tidak ada pengamatan yang berada di sekitar nilai cutoff. 5. KESIMPULAN Berdasarkan pembahasan yang telah dikemukakan sebelumnya, titik high leverage tidak hanya menyebabkan penaksir parameter menjadi salah, tetapi juga dapat membentuk efek masking dan swamping. Berdasarkan simulasi data pendeteksian titik high leverage berdasarkan hat matriks dan metode DM mengalami efek masking dimana data yang merupakan titik high leverage tidak terdeteksi oleh kedua metode tersebut. Sedangkan metode RLGD lebih efektif dalam mendeteksi titik high leverage dan tidak terjadi efek masking maupun efek swamping. secara umum dapat disimpulkan metode RLGD lebih efisien dalam mendeteksi titik high leverage dibandingkan pendeteksian berdasarkan hat matriks maupun metode DM. 9
10 Ucapan Terima Kasih Ucapan terima kasih diberikan kepada Bapak Dr. M. D. H Gamal, M.Sc yang telah membimbing dan memberikan arahan dalam penulisan artikel ini. DAFTAR PUSTAKA [1] A. Agresti, Categorical Data Analysis. Wiley, New York, [2] L. J. Bain dan M. Engelhardt, Introduction To Probability and Mathematical Statistics, Second Edition, Duxbury Press, California, [3] N. R. Draper dan H. Smith, Applied Regression Analiysis, Third Edition, Wiley, New York, [4] M. Habshah, M. R. Norazan dan A. H. M. R. Imon, The Performance of Diagnostic-Robust Generalized Potential for the Identification of Multiple High Leverage Points in Linear Regression. Journal Applied Statistics, 36 (2009), [5] A. S. Hadi, A New Measure of Overall Potential Influence in Linear Regression, Journal Computational Statistics and Data Analysis, 14 (1992), [6] D. W. Hosmer dan S. Lemeshow. Applied Logistic Regression, Second Edition, Wiley, New York, [7] A. H. M. R. Imon, Identification of High Leverage Points in Logistic Regression, Pakistan Journal of Statistics, 22 (2006), [8] D. Pregibon, Logistic Regression Diagnostic, The Annals of Statistics, 9 (1981), [9] P. J. Rousseeuw, Least Median of Squares Regression, Journal of American Statistical Association, 79 (1984), [10] P. J. Rousseeuw, A Diagnostic Plot for Regression Outlier and Leverage Points, Journal Computational Statistics and Data Analysis, 11 (1991), [11] B. A. Syaiba dan M. Habshah, Robust Logistic Diagnostic for the Identification of High Leverage Points in Logistic Regression Model, Journal Applied Sciences, 10 (2010),
Sarimah. ABSTRACT
PENDETEKSIAN OUTLIER PADA REGRESI LOGISTIK DENGAN MENGGUNAKAN TEKNIK TRIMMED MEANS Sarimah Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan suatu metode yang digunakan untuk mengetahui hubungan satu arah antara variabel prediktor dan variabel respon yang umumnya dinyatakan
Lebih terperinciKAJIAN TELBS PADA REGRESI LINIER DENGAN KASUS PENCILAN
KAJIAN TELBS PADA REGRESI LINIER DENGAN KASUS PENCILAN Nurul Gusriani 1), Firdaniza 2), Novi Octavianti 3) 1,2,3) Departemen Matematika FMIPA Universitas Padjadjaran, Jalan Raya Bandung- Sumedang Km. 21
Lebih terperinciBAB I PENDAHULUAN. Beberapa penelitian sering sekali melibatkan banyak variabel. Hal ini
BAB I PENDAHULUAN 1.1 Latar belakang Beberapa penelitian sering sekali melibatkan banyak variabel. Hal ini bertujuan agar mendekati kebenaran kesimpulan yang diperoleh dari nilai taksiran sementara (hipotesis).
Lebih terperinci(R.14) METODE MINIMUM COVARIANCE DETERMINANT PADA ANALISIS REGRESI LINIER BERGANDA DENGAN KASUS PENCILAN
(R.14) MEODE MINIMUM COVARIANCE DEERMINAN PADA ANALISIS REGRESI LINIER BERGANDA DENGAN KASUS PENCILAN Dini Aderlina, Firdaniza, Nurul Gusriani Jurusan Matematika FMIPA Universitas Padjadjaran Jl. Raya
Lebih terperinciPERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENAKSIR M DALAM MENGATASI PERMASALAHAN DATA PENCILAN
Saintia Matematika Vol. 1, No. 1 (2013), pp. 73 85. PERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENAKSIR M DALAM MENGATASI PERMASALAHAN DATA PENCILAN Sri Wulandari, Sutarman, Open Darnius Abstrak. Analisis
Lebih terperinciPENERAPAN METODE LEAST MEDIAN SQUARE-MINIMUM COVARIANCE DETERMINANT (LMS-MCD) DALAM REGRESI KOMPONEN UTAMA
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 6-10 ISSN: 2303-1751 PENERAPAN METODE LEAST MEDIAN SQUARE-MINIMUM COVARIANCE DETERMINANT (LMS-MCD) DALAM REGRESI KOMPONEN UTAMA I PUTU EKA IRAWAN 1, I KOMANG
Lebih terperinciPERBANDINGAN METODE COEFFICIENT OF DETERMINATION RATIO DAN REGRESI DIAGNOSTIK DALAM MENDETEKSI OUTLIER PADA ANALISIS REGRESI LINIER BERGANDA
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 153 158. PERBANDINGAN METODE COEFFICIENT OF DETERMINATION RATIO DAN REGRESI DIAGNOSTIK DALAM MENDETEKSI OUTLIER PADA ANALISIS
Lebih terperinciTINJAUAN PUSTAKA. Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan
4 II. TINJAUAN PUSTAKA 2.1 Definisi Pencilan Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan yang bervariasi (beragam). Keberagaman data ini, di satu sisi sangat dibutuhkan dalam
Lebih terperinciBAB II LANDASAN TEORI. metode kuadrat terkecil (MKT), outlier, regresi robust, koefisien determinasi,
BAB II LANDASAN TEORI Beberapa teori yang diperlukan untuk mendukung pembahasan diantaranya adalah regresi linear berganda, pengujian asumsi analisis regresi, metode kuadrat terkecil (MKT), outlier, regresi
Lebih terperinciPERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA
PERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA Ni Luh Putu Ratna Kumalasari 1, Ni Luh Putu Suciptawati 2,, Made Susilawati
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 terperinciForum Statistika dan Komputasi, Oktober 2009 p : ISSN :
, Oktober 2009 p : 26-34 ISSN : 0853-8115 Vol 14 No.2 METODE PENDUGAAN MATRIKS RAGAM-PERAGAM DALAM ANALISIS REGRESI KOMPONEN UTAMA (RKU) (Variance-Covariance Matrix Estimation Method for Principal Component
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan Dalam banyak proses industri, selalu ada variabilitas dasar sebanyak tertentu. Apabila variabilitas dasar suatu proses relatif kecil akan dipandang sebagai
Lebih terperinciPENERAPAN BOOTSTRAP DALAM METODE MINIMUM COVARIANCE DETERMINANT (MCD) DAN LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI LINIER BERGANDA
PENERAPAN BOOTSTRAP DALAM METODE MINIMUM COVARIANCE DETERMINANT (MCD) DAN LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI LINIER BERGANDA Ni Putu Iin Vinny Dayanti 1, Ni Luh Putu Suciptawati 2, Made
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 terperinciMODEL REGRESI LOGISTIK BINER DENGAN METODE PENALIZED MAXIMUM LIKELIHOOD. Edi Susilo, Anna Islamiyati, Muh. Saleh AF. ABSTRAK
MODEL REGRESI LOGISTIK BINER DENGAN METODE PENALIZED MAXIMUM LIKELIHOOD Edi Susilo, Anna Islamiyati, Muh. Saleh AF. ABSTRAK Analisis regresi logistik biner dengan metode penalized maximum likelihood digunakan
Lebih terperinciBAB III MINIMUM VOLUME ELLIPSOID PADA ANALISIS KOMPONEN UTAMA ROBUST. Pada bab ini akan dikaji bahasan utama yaitu pencilan dan analisis
BAB III MINIMUM VOLUME ELLIPSOID PADA ANALISIS KOMPONEN UTAMA ROBUST Pada bab ini akan dikaji bahasan utama yaitu pencilan dan analisis komponen utama robust sebagai konsep pendukung serta metode Minimum
Lebih terperinciMetode Minimum Covariance Determinan Pada Analisis Regresi Linier Berganda Dengan Kasus Pencilan
Metode Minimum Covariance Determinan Pada Analisis Regresi Linier Berganda Dengan Kasus Pencilan Minimum Covariance Determinants Method On Multiple Linear Regression Analysis The Case Outliers Sifriyani
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 terperinciBAB II TINJAUAN PUSTAKA. satu peubah prediktor dengan satu peubah respon disebut analisis regresi linier
BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Linier Berganda Analisis regresi pertama kali dikembangkan oleh Sir Francis Galton pada abad ke-19. Analisis regresi dengan satu peubah prediktor dan satu peubah
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 terperinciKETEPATAN PENGKLASIFIKASIAN FUNGSI DISKRIMINAN LINIER ROBUST DUA KELOMPOK DENGAN METODE FAST MINIMUM COVARIATE DETERMINANT (FAST MCD)
KETEPATAN PENGKLASIFIKASIAN FUNGSI DISKRIMINAN LINIER ROBUST DUA KELOMPOK DENGAN METODE FAST MINIMUM COVARIATE DETERMINANT (FAST MCD) Budyanra Jurusan Statistika, Sekolah Tinggi Ilmu Statistik, Jakarta
Lebih terperinciGeneralized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017
Prosiding Statistika ISSN: 2460-6456 Generalized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017 Generalized Ordinal Logistic
Lebih terperinci1. PENDAHULUAN PADA PRODUKSI JAGUNG DI JAWA TENGAH
MODEL REGRESI ROBUST ESTIMASI DENGAN PEMBOBOT FAIR PADA PRODUKSI JAGUNG DI JAWA TENGAH Oktaviana Wulandari, Yuliana Susanti, dan Sri Sulistijowati Handajani Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) DENGAN METODE FISHER SCORING
ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS RLOTG DENGAN METODE FISHER SCORING Aulia Nugrahani Putri, Purnami Widyaningsih, dan Dewi Retno Sari Saputro Program Studi Matematika
Lebih terperinciBAB 2 TINJAUAN PUSTAKA = (2.2) =
BAB 2 TINJAUAN PUSTAKA 2.1. Regresi Linear Berganda Regresi linear berganda adalah regresi dimana variabel terikatnya dihubungkan atau dijelaskan dengan lebih dari satu variabel bebas,,, dengan syarat
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA A. Keberhasilan Belajar 1. Pengertian Keberhasilan Belajar Dalam kamus besar bahasa Indonesia, keberhasilan itu sendiri adalah hasil yang telah dicapai (dilakukan, dikerjakan dan
Lebih terperinciBAB I PENDAHULUAN. untuk membentuk model hubungan antara variabel dependen dengan satu atau
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linier merupakan teknik dalam statistika yang digunakan untuk membentuk model hubungan antara variabel dependen dengan satu atau lebih variabel independen.
Lebih terperinciMETODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 3 (2014), hal 163-168. METODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Lebih terperinciBAB I PENDAHULUAN. menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi linier berganda merupakan analisis yang digunakan untuk menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah respon Y yang
Lebih terperinciPERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN
E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751 PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN NI PUTU NIA IRFAGUTAMI 1, I GUSTI
Lebih terperinciPengaruh Outlier Terhadap Estimator Parameter Regresi dan Metode Regresi Robust
Pengaruh Outlier Terhadap Estimator Parameter Regresi dan Metode Regresi Robust I GUSTI AYU MADE SRINADI Jurusan Matematika Universitas Udayana, srinadiigustiayumade@yahoo.co.id Abstrak. Metode kuadrat
Lebih terperinciANALISIS REGRESI ROBUST ESTIMASI-S MENGGUNAKAN PEMBOBOT WELSCH DAN TUKEY BISQUARE
48 Jurnal Matematika Vol 6 No 1 Tahun 2017 ANALISIS REGRESI ROBUST ESTIMASI-S MENGGUNAKAN PEMBOBOT WELSCH DAN TUKEY BISQUARE S-ESTIMATION OF ROBUST REGRESSION ANALYSIS USES WELSCH AND TUKEY BISQUARE WEIGHTING
Lebih terperinciBAB III KAJIAN SIMULASI
BAB III Kajian Simulasi 12 BAB III KAJIAN SIMULASI 3.1 Kajian simulasi tentang efektifitas pengujian 1 outlier Kajian terhadap literatur menghasilkan kesimpulan bahwa pendeteksian outlier dengan menggunakan
Lebih terperinciKata Kunci: Model Regresi Logistik Biner, metode Maximum Likelihood, Demam Berdarah Dengue
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 9 16 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN DBD (DEMAM BERDARAH DENGUE) MENGGUNAKAN REGRESI LOGISTIK
Lebih terperinciMASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG)
MASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) Shaifudin Zuhdi, Dewi Retno Sari Saputro Fakultas Matematika dan Ilmu Pengetahuan
Lebih 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 terperinciREGRESI LOGISTIK UNTUK PEMODELAN INDEKS PEMBANGUNAN KESEHATAN MASYARAKAT KABUPATEN/KOTA DI PULAU KALIMANTAN
REGRESI LOGISTIK UNTUK PEMODELAN INDEKS PEMBANGUNAN KESEHATAN MASYARAKAT KABUPATEN/KOTA DI PULAU KALIMANTAN M. Fathurahman Jurusan Matematika, Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB III MODEL GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION SEMIPARAMETRIC (GWLRS)
28 BAB III MODEL GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION SEMIPARAMETRIC (GWLRS) 3.1 Geographically Weighted Logistic Regression (GWLR) Geographically Weighted Logistic Regression adalah metode untuk
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 terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode analisis yang menjelaskan tentang
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi merupakan metode analisis yang menjelaskan tentang hubungan antara dua atau lebih variabel. Variabel dalam analisis regresi, dibedakan menjadi dua yaitu
Lebih terperinciBAB III PERLUASAN MODEL REGRESI COX PROPORTIONAL HAZARD DENGAN VARIABEL TERIKAT OLEH WAKTU
BAB III PERLUASAN MODEL REGRESI COX PROPORTIONAL HAZARD DENGAN VARIABEL TERIKAT OLEH WAKTU 3.1 Model Regresi Cox Proportional Hazard dengan Variabel Terikat oleh Waktu Model regresi Cox proportional hazard
Lebih terperinciBAB I PENDAHULUAN. dependen disebut dengan regresi linear sederhana, sedangkan model regresi linear
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linear merupakan metode statistika yang digunakan untuk membentuk model hubungan antara variabel dependen (terikat; respon) dengan satu atau lebih variabel
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinciInformasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG)
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Informasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG) Aulia Nugrahani
Lebih 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan suatu metode analisis dalam statistika yang digunakan untuk mencari hubungan antara suatu variabel terhadap variabel lain. Dalam
Lebih terperinciREGRESI RIDGE-MM UNTUK MENGATASI MULTIKOLINIERITAS DAN PENCILAN : STUDI KASUS PADA DATA INDEKS PEMBANGUNAN MANUSIA
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 REGRESI RIDGE-MM UNTUK MENGATASI MULTIKOLINIERITAS DAN PENCILAN : STUDI KASUS PADA DATA INDEKS PEMBANGUNAN
Lebih terperinciPENAKSIR RATA-RATA DISTRIBUSI EKSPONENSIAL TERPOTONG. Agustinus Simanjuntak ABSTRACT
PENAKSIR RATA-RATA DISTRIBUSI EKSPONENSIAL TERPOTONG Agustinus Simanjuntak Mahasiswa Program Studi S1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Bina Widya Pekanbaru
Lebih terperinciUJM 3 (2) (2014) UNNES Journal of Mathematics.
UJM 3 (2) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm DETEKSI OUTLIER MENGGUNAKAN DIAGNOSA REGRESI BERBASIS ESTIMATOR PARAMETER ROBUST Suyanti, YL Sukestiyarno Jurusan
Lebih terperinciBAB III ANALISIS KORELASI KANONIK ROBUST DENGAN METODE MINIMUM COVARIANCE DETERMINAN
BAB III ANALISIS KORELASI KANONIK ROBUST DENGAN METODE MINIMUM COVARIANCE DETERMINAN 3.1 Deteksi Pencilan Multivariat Pengidentifikasian pencilan pada kasus multivariat tidaklah mudah untuk dilakukan,
Lebih terperinciPENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 23 28 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD FEBY RIDIANI Program
Lebih terperinciPENAKSIR MAKSIMUM LIKELIHOOD DENGAN METODE ITERASI NEWTON - RAPHSON
PENAKSIR MAKSIMUM LIKELIHOOD DENGAN METODE ITERASI NEWTON - RAPHSON Haposan Sirait 1 dan Rustam Efendi 2 1,2 Dosen Program Studi Matematika FMIPA Universitas Riau. Abstrak: Makalah ini menyajikan tentang
Lebih terperinciBAB I PENDAHULUAN. yang perlu diketahui, yang disebut sebagai variabel. Variabel adalah sebuah
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam melakukan inferensi terhadap populasi, tidak semua ciri populasi harus diketahui, hanya satu atau beberapa karakteristik populasi yang perlu diketahui, yang
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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah metode statistika yang digunakan untuk mengetahui hubungan antara variabel terikat (dependen, respon, YY) dengan satu atau lebih variabel bebas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi
Lebih terperinci1 BAB I 2 PENDAHULUAN. sangat diperlukan dalam kehidupan sehari-hari. Begitu pula dalam penelitian
1 BAB I 2 PENDAHULUAN A. Latar Belakang Masalah Statistika merupakan salah satu disiplin ilmu yang penerapannya hampir di semua aspek kehidupan. Hal ini menunjukkan bahwa peranan statistika sangat diperlukan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini terdiri dari dua bagian. Pada bagian pertama berisi tinjauan pustaka dari penelitian-penelitian sebelumnya dan beberapa teori penunjang berisi definisi-definisi yang digunakan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Analisis regresi adalah analisis yang dilakukan terhadap dua jenis variabel yaitu variabel independen (prediktor) dan variabel dependen (respon). Analisis
Lebih terperinci(M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT
Univeitas Padjadjaran, 3 November 00 (M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT Vita Ratnasari, Purhadi, Ismaini, Suhartono Mahasiswa S3 Jurusan Statistika
Lebih terperinciANALISIS KOMPONEN UTAMA DENGAN MENGGUNAKAN MATRIK VARIAN KOVARIAN YANG ROBUST
ANALISIS KOMPONEN UTAMA DENGAN MENGGUNAKAN MATRIK VARIAN KOVARIAN YANG ROBUST Irwan Sujatmiko, Susanti Linuwih, dan Dwi Atmono A.W. Jurusan Statistika ITS Kampus ITS Sukolilo Surabaya 6 Abstract. The present
Lebih terperinciPENAKSIR PARAMETER DISTRIBUSI INVERS MAXWELL UKURAN BIAS SAMPEL MENGGUNAKAN METODE BAYESIAN. Rince Adrianti 1, Haposan Sirait 2 ABSTRACT ABSTRAK
PENAKSIR PARAMETER DISTRIBUSI INVERS MAXWELL UKURAN BIAS SAMPEL MENGGUNAKAN METODE BAYESIAN Rince Adrianti, Haposan Sirait Mahasiswa Program Studi S Matematika Dosen Matematika, Jurusan Matematika Fakultas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Secara sederhana, ekonometrika berarti pengukuran indikator ekonomi. Meskipun pengukuran secara kuantitatif terhadap konsep konsep ekonomi seperti produk domestik
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Regresi logistik digunakan untuk memprediksi variabel respon yang biner dengan satu set variabel penjelas (prediktor). Estimasi parameter dapat menjadi tidak
Lebih terperinciMODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang.
MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL Winda Faati Kartika 1, Triastuti Wuryandari 2 1, 2) Program Studi Statistika Jurusan Matematika FMIPA Universitas Diponegoro
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Sebelum melakukan pembahasan mengenai permasalahan dari skripsi ini, akan diuraikan beberapa teori penunjang antara lain: Kredit Macet, Regresi Logistik, Model Terbaik
Lebih terperinciTINJAUAN PUSTAKA. Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan
4 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Matriks 2.1.1 Matriks Matriks adalah suatu susunan bilangan berbentuk segi empat. Bilangan-bilangan dalam susunan itu disebut anggota dalam matriks tersebut. Suatu
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
J u r n a l E K B I S / V o l. V I / N o. / e d i s i M a r e t 2 0 2 379 ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
Lebih terperinciMODEL REGRESI KANDUNGAN BATUBARA MENGGUNAKAN METODE LEAST MEDIAN OF SQUARES
PTNBR - BATAN Bandung, 04 Juli 013 MODEL REGRESI KANDUNGAN BATUBARA MENGGUNAKAN METODE LEAST MEDIAN OF SQUARES Kankan Parmikanti 1, Endang Rusyaman 1 dan Emah Suryamah 1 1 Jurusan Matematika FMIPA Universitas
Lebih terperinciProsiding Seminar Nasional Matematika, Universitas Jember, 19 November
Prosiding Seminar Nasional Matematika, Universitas Jember, 19 November 2014 192 Perbandingan Analisis Diskriminan Linier, Diskriminan Linier Robust dan Regresi Logistik Biner (Studi Kasus Pada Penjurusan
Lebih terperinciPENDUGAAN PARAMETER REGRESI LOGISTIK BINER DENGAN SPREADSHEET SOLVER (ADD-IN MICROSOFT EXCEL)
PENDUGAAN PARAMETER REGRESI LOGISTIK BINER Shaifudin Zuhdi, Dewi Retno Sari Saputro Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret ABSTRAK. Model regresi logistik
Lebih terperinciFaktor yang Mempengaruhi Terjangkitnya Penyakit Diare pada Balita di Propinsi Nanggroe Aceh Darussalam
Faktor yang Mempengaruhi Terjangkitnya Penyakit Diare pada Balita di Propinsi Nanggroe Aceh Darussalam Oleh: Urifah Hidayanti (1310 030 028) Dosen Pembimbing: Ir. Mutiah Salamah, M.Kes Ujian Tugas Akhir
Lebih terperinci(R.1) KAJIAN MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION UNTUK MASALAH DATA SPASIAL DISKRIT
REGRESI 2 (R.1) KAJIAN MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION UNTUK MASALAH DATA SPASIAL DISKRIT Dani Robini, Budi Nurani R., Nurul Gusriani Jurusan Matematika FMIPA Universitas Padjadjaran Jl.
Lebih terperinciBAB ΙΙ LANDASAN TEORI
7 BAB ΙΙ LANDASAN TEORI Berubahnya nilai suatu variabel tidak selalu terjadi dengan sendirinya, bisa saja berubahnya nilai suatu variabel disebabkan oleh adanya perubahan nilai pada variabel lain yang
Lebih terperinciModel Regresi Zero Inflated Poisson Pada Data Overdispersion
Model Regresi Zero Inflated Poisson Pada Data Overdispersion Wirajaya Kusuma Fakultas MIPA, Universitas Mataram e-mail: Kusuma_Wirajaya@yahoo.co.id Desy Komalasari Fakultas MIPA, Universitas Mataram e-mail:
Lebih terperinciJudul : Perbandingan Metode MCD Bootstrap dan. Analisis Regresi Linear Berganda. Pembimbing : 1. Dra. Ni Luh Putu Suciptawati,M.Si
Judul : Perbandingan Metode MCD Bootstrap dan LAD Bootstrap Dalam Mengatasi Pengaruh Pencilan Pada Analisis Regresi Linear Berganda Nama : Ni Luh Putu Ratna Kumalasari Pembimbing : 1. Dra. Ni Luh Putu
Lebih terperinciESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP
ESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP PADA DATA PASIEN HIPERKOLESTEROLEMIA DI BALAI LABORATORIUM KESEHATAN YOGYAKARTA Fransiska Grase S.W, Sri Sulistijowati H.,
Lebih terperinciBAB III METODOLOGI PENELITIAN. memilih sampel seluruh perusahaan di BEI periode adalah karena
26 BAB III METODOLOGI PENELITIAN 3.1. Populasi dan Sampel Populasi yang digunakan dalam penelitian ini adalah seluruh perusahaan yang terdaftar di Bursa Efek Indonesia (BEI) periode 2009-2013. Alasan penulis
Lebih terperinci(R.2) KAJIAN PREDIKSI KLASIFIKASI OBYEK PADA VARIABEL RESPON BINER
(R.2) KAJIAN PREDIKSI KLASIFIKASI OBYEK PADA VARIABEL RESPON BINER Drs. Soekardi Hadi P. Prodi Matematika Fakultas Sains dan Teknologi Universitas Islam As-Syafi iyah Email : s.hadip@yahoo.co.id Abstrak
Lebih terperinciREGRESI LOGISTIK UNIVARIAT DENGAN DATA RESPON TIDAK SEIMBANG
Jurnal EducatiO Vol. 4 No. 2, Desember 2009, hal. 119-135 REGRESI LOGISTIK UNIVARIAT DENGAN DATA RESPON TIDAK SEIMBANG Surya Mayadi STKIP Hamzanwadi Selong ABSTRACT In binary logistic regression problem
Lebih terperinci, dengan. Karakteristik dari vektor peubah acak X dan Y sebagai berikut:
3 TINJAUAN PUSTAKA Analisis Korelasi Kanonik Analisis korelasi kanonik (AKK) yang diperkenalkan oleh Hotelling pada tahun 1936, bertujuan untuk mengidentifikasi dan menghitung hubungan linier antara dua
Lebih terperinci(α = 0.01). Jika D i > , maka x i atau pengamatan ke-i dianggap pencilan (i = 1, 2,..., 100). HASIL DAN PEMBAHASAN
4 karena adanya perbedaan satuan pengukuran antar peubah. 1.. Memastikan tidak adanya pencilan pada data dengan mengidentifikasi adanya pencilan pada data. Pengidentifikasian pencilan dilakukan dengan
Lebih terperinciREGRESI LINIER BERGANDA
REGRESI LINIER BERGANDA 1. PENDAHULUAN Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal
Lebih terperinciJurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN
Metode Regresi Robust Dengan Estimasi Method of Moment (Estimasi-MM) Pada Regresi Linier Berganda (Studi Kasus : Data Indeks Harga Konsumen (IHK) Provinsi Kalimantan Timur) Method of Robust Regression
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 295-304 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN DISKRIMINAN KUADRATIK KLASIK DAN DISKRIMINAN KUADRATIK
Lebih terperinciMISKLASIFIKASI MAHASISWA BARU F SAINTEK UIN SUNAN KALIJAGA JALUR TES TULIS DENGAN ANALISIS REGRESI LOGISTIK
MISKLASIFIKASI MAHASISWA BARU F SAINTEK UIN SUNAN KALIJAGA JALUR TES TULIS DENGAN ANALISIS REGRESI LOGISTIK Mohammad Farhan Qudratullah Program Studi Matematika Fakultas Sains dan Teknologi Universitas
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Regresi Logistik Regresi adalah bagaimana satu variabel yaitu variabel dependen dipengaruhi oleh satu atau lebih variabel lain yaitu variabel independen dengan tujuan untuk
Lebih terperinciPERMASALAHAN AUTOKORELASI PADA ANALISIS REGRESI LINIER SEDERHANA
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 26 34 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERMASALAHAN AUTOKORELASI PADA ANALISIS REGRESI LINIER SEDERHANA NADIA UTIKA PUTRI, MAIYASTRI, HAZMIRA
Lebih terperinciSTUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG PENCILAN
Jurnal Matematika UNAND Vol. 2 No. 4 Hal. 18 26 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND STUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG
Lebih terperinci= parameter regresi = variabel gangguan Model persamaan regresi linier pada persamaan (2.2) dapat dinyatakan dalam bentuk matriks berikut:
BAB II LANDASAN TEORI 2. Analisis Regresi Linier Berganda Analisis regresi merupakan salah satu analisis statistik yang sering digunakan untuk menganalisis hubungan antara dua variabel atau lebih. Menurut
Lebih terperinciPEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)
PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Deret Fourier Dalam bab ini akan dibahas mengenai deret dari suatu fungsi periodik. Jenis fungsi ini sering muncul dalam berbagai persoalan fisika, seperti getaran mekanik, arus
Lebih terperinciPerbandingan Metode Robust Least Trimmed Square Dengan Metode Scale
Perbandingan Metode Robust Least Trimmed Square Dengan Metode Scale Dalam Mengestimasi Parameter Regresi Linear Berganda Untuk Data Yang Mengandung Pencilan Musafirah 1, Raupong 2, Nasrah Sirajang 3 ABSTRAK
Lebih terperinciANALISIS PELUANG STATUS GIZI ANAK DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL BERBASIS KOMPUTER
ANALISIS PELUANG STATUS GIZI ANAK DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL BERBASIS KOMPUTER Kimmy Octavian Yongharto Binus University, DKI Jakarta, Jakarta, Indonesia Abstrak Salah satu
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 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 terperinci