ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR INFORMATIF 1. PENDAHULUAN
|
|
- Susanti Sanjaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR INFORMATIF Dina Ariek Prasdika, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika Fakultas Matematika dan Ilmu pengetahuan Alam Abstrak. Model regresi multivariat merupakan model regresi dengan lebih dari satu variabel dependen yang saling berkorelasi. Nilai parameter model tersebut tidak diketahui sehingga dilakukan estimasi. Estimasi parameter model regresi multivariat pada penelitian ini menggunakan metode Bayesian. Metode Bayesian mempunyai dua distribusi yaitu distribusi prior dan distribusi posterior. Jika informasi parameter diketahui, maka digunakan prior informatif. Tujuan penelitian ini untuk menentukan estimasi parameter model regresi multivariat menggunakan metode Bayesian dengan distribusi prior informatif. Berdasarkan hasil dan pembahasan disimpulkan bahwa estimasi parameter ditentukan melalui ekspektasi variabel random dari distribusi posterior marginal. Ekspektasi variabel random tersebut tidak dapat ditentukan secara analitik sehingga dilakukan pembangkitan sampel yang mendekati distribusi posterior yang disebut metode Markov chain Monte Carlo (MCMC) algoritme Gibbs sampling. Nilai estimasi parameter model regresi multivariat diperoleh dari rata- rata sampel hasil pembangkitan. Kata kunci: model regresi multivariat, distribusi prior, distribusi posterior, Gibbs sampling 1. PENDAHULUAN Menurut Walpole et al. [15], model regresi digunakan untuk mengetahui pola hubungan antara variabel dependen dan variabel independen. Model regresi multivariat merupakan bentuk model regresi yang mempunyai lebih dari satu variabel dependen yang saling berkorelasi dan beberapa variabel independen (Johnson and Wichern [12]). Pada model regresi terdapat parameter yang dapat merepresentasikan populasi sebuah penelitian. Populasi tersebut diukur melalui sampel random yang diambil untuk penelitian. Nilai parameter tidak diketahui sehingga diperlukan estimasi parameter berdasarkan sampel tersebut. Menurut Bolstad [4], estimasi parameter dapat ditentukan dengan pendekatan klasik dan pendekatan Bayesian. Pendekatan klasik menggunakan data sampel yang diambil dari populasi sebagai objek penelitian dan mengabaikan informasi awal sampel. Informasi awal sampel adalah distribusi awal sampel yang bersumber dari penelitian sebelumnya atau pendapat ahli. Apabila data penelitian merupakan gabungan antara data sampel dan distribusi awal sampel maka teknik ini disebut pendekatan Bayesian selanjutnya disebut metode Bayesian. Metode Bayesian didasarkan pada teorema Bayes yang menyatakan bahwa perkalian distribusi prior dengan informasi sampel (data sampel) hasilnya proporsional dengan distribusi posterior. Distribusi prior merupakan informasi tentang distribusi awal sampel. Box and Tiao [5] membagi distribusi prior berdasarkan diketahui atau tidaknya informasi parameter. Jika informasi parameter tidak diketahui, maka digunakan 1
2 prior noninformatif. Sebaliknya jika informasi parameter diketahui, maka dapat digunakan prior informatif. Distribusi prior informatif digunakan oleh Bolstald [4], Evans [9], dan Prasdika dkk. [13] untuk menentukan estimasi parameter model regresi univariat. Sementara itu, Arashi et al. [1] membuktikan distribusi prior normal multivariat dan invers Wishart konjugat dengan distribusi posterior. Namun Arashi et al. [1] tidak menggunakan distribusi prior tersebut untuk mengestimasi parameter model regresi multivariat. Kemudian distribusi tersebut digunakan oleh Prasdika et al. [14] untuk menentukan estimasi parameter model regresi multivariat namun tidak dilakukan penerapannya. Pada penelitian ini dilakukan estimasi parameter model regresi multivariat Bayesian dengan distribusi normal multivariat dan invers Wishart sebagai prior informatif dan penerapannya. 2. MODEL REGRESI MULTIVARIAT Menurut Johnson and Wichern [12], model regresi multivariat adalah Y 1 = β 01 + β 11 X β r1 X r + ε 1 Y 2 = β 02 + β 12 X β r2 X r + ε 2. Y m = β 0m + β 1m X β rm X r + ε m. (2.1) Model (2.1) merupakan sistem persamaan yang memuat variabel dependen sebanyak m yaitu Y 1, Y 2,..., Y m ; variabel independen sebanyak r yaitu X 1, X 2,..., X r ; dan eror ε = (ε 1, ε 2,..., ε m ) T. Eror tersebut diasumsikan E(ε) = 0 dan V ar(ε) = Σ, matriks Σ berukuran m m. Model (2.1) dapat pula dinyatakan dalam bentuk matriks yaitu Y = Xβ + ε (2.2) untuk j = 1, 2,..., n; Y = (Y 1, Y 2,..., Y j ) T untuk setiap Y j = (Y j1, Y j2,..., Y jm ); X = (1, X j1, X j2,..., X jr ) T ; dan β merupakan matriks koefisien regresi berukuran ((r + 1) m). Variabel random Y j diasumsikan berdistribusi normal multivariat Y j N m (X j β, Σ) sehingga fungsi kepadatan probabilitasnya adalah f(y j ) = 1 e ( 1 (2π) m 2 Σ 1 2 (Y j X j β) T Σ 1 (Y j X j β)) METODE BAYESIAN Menurut Congdon [8], inferensi metode Bayesian didasarkan pada distribusi posterior. Menurut Gelman et al. [10], fungsi distribusi posterior f(θ Y ) adalah fungsi kepadatan probabilitas bersyarat parameter θ dengan nilai observasi variabel random Y telah diketahui dan didefinisikan sebagai f(θ Y ) = f(θ, Y ) f(y ) = f(y θ)f(θ), f(y ) 0 (3.1) f(y )
3 dengan f(y ) = θ f(θ)f(y θ), untuk θ diskrit dan f(y ) = f(θ)f(y θ)dθ untuk θ kontinu. Persamaan (3.1) dapat pula dinyatakan sebagai f(θ Y ) f(y θ)f(θ) (3.2) dengan f(y θ) adalah fungsi likelihood dan f(θ) adalah fungsi distribusi prior. Menurut Casella and Berger [6], estimasi parameter ditentukan dari ekspektasi variabel posterior marginal. 4. HASIL DAN PEMBAHASAN Berikut merupakan fungsi likelihood, distribusi prior, distribusi posterior, estimasi parameter model regresi multivariat, dan penerapan kasus Fungsi Likelihood. Fungsi likelihood pada model regresi multivariat merupakan fungsi kepadatan bersama dari j variabel random Y j yang berdistribusi normal multivariat dengan syarat parameternya telah diberikan. Parameter model regresi multivariat yaitu β dan Σ sehingga fungsi likelihood untuk model tersebut adalah f(y β, Σ) = Π n j=1f(y j β, Σ) = Π n j=1(2π) m 2 Σ 1 2 e 1 2 tr (Σ 1 (Y j X j β) T (Y j X j β)) Σ n 2 e 1 2 tr (Σ 1 (Y Xβ) T (Y Xβ)) (4.1) dengan 2π nm 2 n i=1 (Y i Ȳ )T (Y i Ȳ ) merupakan konstanta Distribusi Prior. Distribusi prior informatif mengacu pada parameter dari distribusi prior dengan pola distribusi prior konjugat maupun tidak konjugat (Box and Tiao [5]). Distribusi prior konjugat merupakan distribusi prior yang konjugat dengan distribusi posterior. Pada inferensi Bayesian, parameter dianggap sebagai variabel random yang mengikuti distribusi tertentu. Fungsi distribusi prior untuk parameter model regresi multivariat β dan Σ merupakan perkalian fungsi kepadatan probabilitas Σ dengan fungsi kepadatan probabilitas β Σ dan didefinisikan sebagai f(β, Σ) = f(σ)f(β Σ). (4.2) Variabel random Σ berdistribusi invers Wishart yang dinotasikan sebagai Σ IW m (f 0, G 0 ) dengan f 0 adalah derajat bebas dan G 0 adalah matriks berukuran m m. Fungsi kepadatan probabilitas Σ adalah f(σ) Σ f 0 +m+1 2 e 1 2 tr(σ 1 G 1 0 ). (4.3) Variabel random β Σ berdistribusi normal multivariat yang dinotasikan sebagai β Σ N m (U 0, V 0 ) dengan U 0 adalah mean dan V 0 adalah variansi. Fungsi kepadatan probabilitas β Σ adalah f(β Σ) V 0 m 2 e 1 2 tr(σ 1 (β U 0 ) T V 1 0 (β U 0 )). (4.4)
4 Dengan demikian fungsi distribusi prior untuk parameter model regresi multivariat adalah f(β, Σ) = Σ f 0 +m+1 2 e 1 2 tr (Σ 1 G 1 0 ) V0 m 2 e 1 2 tr (Σ 1 (β U 0 ) T V 1 0 (β U 0 )). (4.5) 4.3. Distribusi Posterior. Fungsi distribusi posterior model regresi multivariat merupakan fungsi kepadatan probabilitas dari parameter model regresi multivariat β, Σ dengan syarat nilai observasi variabel Y telah diketahui dan dinyatakan sebagai f(β, Σ Y ). Fungsi distribusi posterior proporsional dengan perkalian fungsi likelihood (4.1) dan fungsi distribusi prior (4.5). Fungsi distribusi posterior untuk parameter model regresi multivariat adalah f(β, Σ Y ) f(y β, Σ)f(β, Σ) Σ n 2 e 1 2 tr (Σ 1 (Y Xβ) T (Y Xβ)) Σ f 0 +m+1 2 e 1 2 tr (Σ 1 G 1 0 ) V 0 m 2 e 1 2 tr (Σ 1 (β U 0 ) T V 1 0 (β U 0 )) Σ (f 0 +n+m+1) 2 (X T X + V 1 0 ) 1 m 2 e 1 2 trσ 1 (Y T Y +U T 0 V 1 0 U 0+β T (X T X+V 1 0 )β (Y T X+U T 0 V 1 0 )β+g 1 0 ) Σ (fn+m+1) 2 V n m 2 e 1 2 tr(σ 1 (β U n) T Vn 1 (β U n)) 1 2 tr(σ 1 G 1 ( Σ (fn+m+1) n ) ) ( ) V n m 2 e 1 2 tr(σ 1 (β U n) T Vn 1 (β U n)) 2 e 1 2 tr(σ 1 G 1 f(σ Y )f(β Σ, Y ) (4.6) dengan V n = (X T X + V 1 0 ) 1, U n = V n (X T Y + V 1 0 U 0 ), f n = f 0 + n, dan G n = G 0 + (Y T Y + U T 0 V 1 0 U 0 U T nv 1 n U n ) 1. Berdasarkan fungsi distribusi posterior (4.6), nampak bahwa distribusi posterior marginal Σ Y adalah invers Wishart yang dinotasikan sebagai Σ Y n ) IW m (f n, G n ) dan distribusi posterior marginal β Σ, Y adalah normal mutivariat dengan parameter mean U n dan variansi V n yang dinotasikan sebagai β Σ, Y N m (U n, V n ) Estimasi Parameter. Estimasi parameter model regresi multivariat ditentukan melalui ekspektasi variabel dari distribusi posterior marginal. Ekspektasi untuk masing- masing parameter model regresi multivariat adalah ˆΣ = E [Σ Y ] =... Σ Σ (fn+m+1) 2 e ( 1 2 trσ 1 G 1 n ) dσ11... dσ m1 dσ 1m... dσ mm. (4.7) ˆβ = E [β Σ, Y ] =... β V n m 2 Σ k 2 e 1 2 tr (Σ 1 (β U n ) T V T n (β U n)) dβ01... dβ r1 dβ 0m... dβ rm. (4.8)
5 Nilai integral fungsi pada persamaan (4.7) dan (4.8) secara analitik sulit ditentukan. Fungsi tersebut merupakan fungsi distribusi populasi. Oleh karena itu fungsi distribusi tersebut didekati dengan sampel yang diperoleh dari hasil pembangkitan. Sampel tersebut dibangkitkan menggunakan metode MCMC algoritme Gibbs sampling yang mendekati distribusi posterior. Menurut Casella and George [7], Gibbs sampling merupakan teknik pembangkitan variabel random yang menggunakan sampel sebelumnya untuk membangkitkan sampel berikutnya secara random sehingga didapatkan suatu rantai Markov. Berikut adalah algoritme Gibbs sampling. (1) Menginisialisasi nilai β (0) dan Σ (0). (2) Membangkitkan Y (0) jm N m(xβ (0), Σ (0) ) sehingga diperoleh Y (0) jm. (3) Membangkitkan Σ (1) Y (0) jm IW m(f 0, G 0 ) dengan f 0 = n 1 yaitu jumlah observasi dikurangi 1 dan matriks G 0 = n j=1 (Y j Ȳ j) T (Y j Ȳ j ) pada langkah ini diperoleh Σ (1). (4) Membangkitkan β (1) Σ (1), Y (0) N m (U 0, V 0 ) dengan U 0 = 1 n n j=1 Y (0) j dan V 0 = Σ (1) pada langkah ini diperoleh β (1). (5) Mengulangi kembali langkah (2) sampai dengan (4) sebanyak M pengulangan hingga diperoleh sampel bangkitan Σ M IW (f n, G n ) dan β M N m (U n, V n ). Hasil algoritme Gibbs sampling adalah rantai markov yang terdiri atas barisan matriks Σ (1), β (1), Σ (2), β (2),..., Σ (M), β (M). Selanjutnya menurut Johnson and Albert [11], estimasi parameter ditentukan dari rata-rata sampel hasil pembangkitan yaitu ˆβ = 1 M M k=1 β(k) dan ˆΣ = 1 M M k=1 Σ(k) Penerapan. Pada penelitian ini, estimasi parameter model regresi multivariat Bayesian diterapkan pada data kurs tengah Great Britain Poundsterling (GBP) dan United States Dollar (USD) tahun Data tersebut merupakan data kuartalan yang diperoleh dari Bank Indonesia [3]. Variabel dependen dalam penelitian ini terdiri atas kurs tengah GBP sebagai Y 1 dan kurs tengah USD sebagai Y 2. Sedangkan variabel independen dalam penelitian ini terdiri atas produk domestik bruto (PDB) sebagai X 1 dan laju inflasi sebagai X 2. Sebelum variabel dependen dan independen digunakan untuk estimasi parameter model regresi multivariat, dilakukan pengujian asumsi regresi multivariat yaitu uji kelinieran antara variabel dependen dan independen, uji Bartlett Sphericity dan Mahalonobis distance. Berikut adalah uji asumsi regresi multivariat. (1) Uji keliniearan antara variabel dependen dan independen. Berdasarkan sistem persamaan (2.1), model regresi multivariat merupakan persamaan linier. Oleh karena itu hubungan variabel dependen dan variabel independen adalah linier. Plot scatter digunakan untuk melihat sebaran pola
6 data dari variabel dependen dan independen. Berdasarkan plot scatter pola hubungan Y 1 dengan masing-masing X 1 dan X 2 memiliki kecenderungan menyebar di sekitar garis lurus. Sama halnya dengan pola hubungan Y 2 dengan masing-masing X 1 dan X 2 sehingga hubungan antar variabel dependen dan variabel independen adalah linier. (2) Uji Bartlett Sphericity. Uji Bartlett Sphericity digunakan untuk mengetahui hubungan antar variabel dependen saling bebas. Hipotesis yang digunakan adalah H 0 : antar variabel dependen saling bebas dan H 1 : antar variabel dependen tidak saling bebas. Pada pengujian ini nilai Bartlett Sphericity dibandingkan dengan χ ,1 yaitu sebesar Jika nilai nilai Bartlett Sphericity χ ,1, maka H 0 ditolak. Pada data ini diperoleh nilai Bartlett Sphericity sebesar sehingga dapat disimpulkan bahwa hubungan antar variabel dependen adalah tidak saling bebas. (3) Uji Mahalonobis Distance. Uji Mahalonobis distance digunakan untuk mengetahui distribusi variabel dependen. Hipotesis yang digunakan adalah H 0 : data berdistribusi normal multivariat dan H 1 : data tidak berdistribusi normal multivariat. Pada pengujian ini nilai d 2 i dibandingkan dengan χ 2 2,0.5 yaitu sebesar Jika diperoleh kondisi dimana nilai d 2 i χ 2 2,0.5 kurang setengah jumlah sampel, maka H 0 ditolak. Pada data ini diperoleh kondisi d 2 i χ 2 2,0.5 yaitu 9 dari 28 observasi atau sebesar % dari jumlah sampel sehingga dapat disimpulkan bahwa data berdistribusi normal multivariat. Dengan demikian variabel dependen dan independen memenuhi ketiga asumsi regresi multivariat sehingga data variabel kurs tengah GDP dan USD tahun 2010 sampai dengan 2016 dapat dimodelkan menggunakan model regresi multivariat. Setelah asumsi regresi multivariat terpenuhi selanjutnya ditentukan nilai estimasi parameternya menggunakan algoritme Gibbs sampling. Langkah pertama, data variabel dependen dan independen digunakan untuk menentukan nilai awal parameter model regresi multivariat dengan metode kuadrat terkecil dan diperoleh ( ) nilai β (0) = dan Σ(0) =. Kemudian Σ (1) Y dibangkitkan dari distribusi invers Wishart dengan parameternya (f 0, G 0 ) dan β (1) Σ, Y dibangkitkan dari distribusi normal multivariat dengan parameternya (U 0, V 0 ). Iterasi dilakukan hingga diperoleh barisan sampel Σ berdistribusi invers Wishart dan β Σ berdistribusi normal multivariat. Hasil estimasi parameter pada penelitian ini merupakan hasil dari pembangkitan rantai MCMC sebanyak M yaitu iterasi. Selanjutnya, nilai estimasi ditentukan dari rata-rata sampel hasil
7 bangkitan. Setelah diperoleh nilai estimasi parameter model regresi, selanjutnya dilakukan pengujian parameter untuk mengetahui pengaruh variabel independen terhadap variabel dependen. Nilai estimasi parameter model tersebut diuji menggunakan interval kepercayaan pada tingkat kepercayaan 95% yang ditandai dengan persentil 2.5% dan 97.5%. Parameter dikatakan signifikan jika selang interval pada tingkat kepercayaan 95% parameter tidak memuat nilai nol. Parameter yang signifikan menunjukkan variabel independen berpengaruh terhadap variabel dependen. Nilai estimasi dan interval kepercayaan dari parameter model regresi multivariat ditunjukkan pada Tabel 1. Tabel 1. Nilai estimasi parameter dan interval kepercayaan β dan Σ Parameter Estimasi Interval Kepercayaan Persentil 2.5 Persentil 97.5 Kesimpulan ˆβ signifikan ˆβ signifikan ˆβ signifikan ˆβ signifikan ˆβ signifikan ˆβ signifikan ˆΣ signifikan ˆΣ signifikan ˆΣ signifikan ˆΣ signifikan Berdasarkan Tabel 1 kolom kedua diperoleh nilai estimasi parameter model regresi ( ) multivariat yaitu ˆβ = dan ˆΣ = Berdasarkan Tabel 1 kolom ketiga dan keempat nampak bahwa semua parameter tidak memuat nilai nol sehingga dapat dikatakan bahwa semua parameter signifikan yang artinya bahwa laju inflasi dan PDB memengaruhi kurs tengah GBP dan USD. Model regresi multivariat yang diterapkan pada data kurs tengah GBP dan USD tahun adalah Ŷ 1 = X X 2 (4.9) Ŷ 2 = X X 2. (4.10) Persamaan (4.9) menjelaskan bahwa setiap penambahan 1% PDB akan menurunkan kurs tengah GBP sebesar rupiah, setiap pertambahan 1% laju inflasi akan menurunkan kurs tengah GBP sebesar rupiah, dan apabila tidak ada penambahan dan pengurangan PDB dan laju inflasi maka nilai kurs tengah GBP sebesar rupiah. Hal yang sama diterapkan pada persamaan (4.10)
8 5. Kesimpulan Berdasarkan hasil dan pembahasan disimpulkan bahwa estimasi parameter model regresi multivariat Bayesian dengan distribusi prior informatif ditentukan melalui ekspektasi variabel random dari distribusi posterior marginal. Ekspektasi variabel random tersebut sulit ditentukan sehingga dilakukan pembangkitan sampel yang mendekati distribusi posterior dengan metode MCMC algoritme Gibbs sampling. Hasil algoritme tersebut adalah barisan sampel terdiri atas matriks Σ (1), β (1), Σ (2), β (2),..., Σ (M), β (M) yang mendekati distribusi posterior. Estimasi masing-masing parameter model regresi multivariat adalah ˆβ = 1 M M k=1 β(k) dan ˆΣ = 1 M M k=1 Σ(k). DAFTAR PUSTAKA [1] Arashi, M., A. Iranmaneshb, M. Norouziradb, and H.S. Jenatabadic, Bayesian Analysis in Multivariate Regression Models with Conjugate Priors, Journal of Theoretical and Applied Statistics, 48 (2014), no. 6, pp [2] Bain, L. J. and M. Engelhardt, Introduction to Probability and Mathematical Statistics, 2 nd ed., Buxbury Press, California, [3] Bank Indonesia, [Bank Indonesia], Statistik Ekonomi dan Keuangan Indonesia, Jakarta, [4] Bolstad, W.M., Introduction to Bayesian Statistics, 2 nd ed., A John Wiley and Sons, America, [5] Box, G. E. P and G.C. Tiao, Bayesian Inference in Statistics, 2 nd ed., Wiley, New Jersey, [6] Casella G and R.L. Berger, Statistical Inference, Boston, Duxbury Press, [7] Casella, G. and E. I. George, Explaining the Gibbs Sampler, The American Statistisian 46 (1992), no. 3, pp [8] Congdon, P., Bayesian Statistical Modeling, John Wiley, Chinchester, [9] Evans, S., Bayesian Regression Analysis, A Theses, Department of Mathematics, University of Louisville, Louisville, [10] Gelman, A., J.B. Carlin, D.B. Dunson, A. Vehtari, and D.B.Rubin, Bayesian Data Analysis, 3 th ed., Chapman and Hall, New York, [11] Johnson, V. E. and J. H. Albert, Ordinal Data Modeling, Springer-Verlag Inc.,New York, [12] Johnson, R.A. and D. Wichern, Applied Multivariate Statistical Analysis, Prentice Hall, New Jersey, [13] Prasdika, D.A., D.R.S. Saputro, dan T.J. Parmaningsih, Estimasi Parameter Model Regresi Linier Sederhana Bayesian dengan Distribusi Prior Informatif, Prosiding Seminar Nasional Matematika dan Pendidikan Matematika 2016, Universitas Sebelas Maret, [14] Prasdika, D. A., D.R.S. Saputro, P. Widyaningsih, and K.R. Demu, Parameter Estimation of Multivariate Regression Model using Bayesian with Normal Multivariate and Inverse Distribution, First International Conference on Science Mathematics Environment and Education, Universitas Sebelas Maret, [15] Walpole,R.E., R.H. Myers, S.L. Myers, and K. Ye, Probability and Statistics for Engineers and Scientists, 8 th ed., Prentice Hall, New Jersey, USA,
ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREYS 1. PENDAHULUAN
ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREYS Firda Amalia, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika FMIPA Abstrak.
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN
ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated
Lebih terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih terperinciANALISIS REGRESI LOGISTIK DENGAN METODE PENDUGA BAYES UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN BAYI BERAT BADAN LAHIR RENDAH
Jurnal Matematika UNAND Vol. 4 No. 1 Hal. 53 60 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI LOGISTIK DENGAN METODE PENDUGA BAYES UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI
Lebih terperinciMODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK BAYESIAN
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 128 133 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE
Lebih terperinciDISTRIBUSI STASIONER RANTAI MARKOV UNTUK PREDIKSI CURAH HUJAN DI WILAYAH JAWA BARAT
DISTRIBUSI STASIONER RANTAI MARKOV UNTUK PREDIKSI CURAH HUJAN DI WILAYAH JAWA BARAT Firdaniza, Nurul Gusriani, Emah Suryamah Departemen Matematika Universitas Padjadjaran firdaniza@unpad.ac.id Abstrak:
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi adalah suatu metode yang digunakan untuk menganalisa hubungan antara variabel respon dan variabel prediktor. Pada umumnya analisis regresi
Lebih terperinciESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN
ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN Vania Mutiarani a, Adi Setiawan b, Hanna Arini Parhusip c a Program Studi Matematika FSM UKSW Jl. Diponegoro 52-6
Lebih terperinciBAB VI KESIMPULAN DAN SARAN. adalah banyaknya hari hujan.
BAB VI KESIMPULAN DAN SARAN 6.1 Kesimpulan Berdasarkan analisis data dan pembahasan, dapat diambil beberapa kesimpulan yaitu sebagai berikut : 1. Modul Neo-Normal dapat diaplikasikan ke dalam WinBUGS karena
Lebih terperinciTeknik Ensemble dengan Additive Noise pada Estimasi Parameter Model Autoregressive Spasial
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Teknik Ensemble dengan Additive Noise pada Estimasi Parameter Model Autoregressive Spasial Sulistiyaningsih 1, Dewi Retno Sari Saputro 2, Purnami Widyaningsih
Lebih terperinciPENDUGAAN DATA HILANG DENGAN MENGGUNAKAN DATA AUGMENTATION. Abstract
Pendugaan Data Hilang Mesra Nova) PENDUGAAN DATA HILANG DENGAN MENGGUNAKAN DATA AUGMENTATION Mesra Nova 1, Moch. Abdul Mukid 2 1 Alumni Program Studi Statistika UNDIP 2 Staf Pengajar Program Studi Statistika
Lebih 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 terperinciESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang)
ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang) Didin Astriani P 1, Jadi Suprijadi 2, Zulhanif 3 Program Pendidikan
Lebih terperinciPEMODELAN BAYESIAN KONSUMSI RUMAH TANGGA AGREGAT MENGGUNAKAN PRIOR ZELLNER. Muhammad Fajar Staf BPS Kabupaten Waropen. Abstrak
PEMODELAN BAYESIAN KONSUMSI RUMAH TANGGA AGREGAT MENGGUNAKAN PRIOR ZELLNER Muhammad Fajar Staf BPS Kabupaten Waropen Abstrak Dalam perkembangan statistika terdapat dua pandangan terhadap parameter, yaitu
Lebih terperinciBAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol
BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel
Lebih terperincioleh YUANITA KUSUMA WARDANI M
ESTIMASI PARAMETER MODEL REGRESI PROBIT SPASIAL MENGGUNAKAN SOFTWARE R DENGAN ALGORITME GIBBS SAMPLING oleh YUANITA KUSUMA WARDANI M0111083 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciBAB III METODE PENELITIAN
digilib.uns.ac.id BAB III METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah kajian pustaka dari buku referensi karya ilmiah. Karya ilmiah yang digunakan adalah hasil penelitian serta
Lebih 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 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 terperinciPENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN
PENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN A. Rofiqi Maulana; Suci Astutik Universitas Brawijaya; arofiqimaulana@gmail.com ABSTRAK. Filariasis (Penyakit Kaki Gajah) adalah penyakit
Lebih 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 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 terperinciESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang)
BIAStatistics (215) Vol. 9, No. 2, hal. 1-6 ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang) 1 Didin Astriani P, 2 Jadi
Lebih terperinciPERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA
PERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA Febriani Astuti, Kartiko, Sri Sulistijowati Handajani Jurusan Matematika
Lebih terperinciINFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT. Oleh : ADE CANDRA SISKA NIM: J2E SKRIPSI
INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT Oleh : ADE CANDRA SISKA NIM: J2E 006 002 SKRIPSI Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains Pada
Lebih terperinciEstimasi MCMC untuk Model GARCH(1,1) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 25 Estimasi MCMC untuk Model GARCH(,) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR Fransisca Cynthia Salim ), Didit Budi Nugroho 2), Bambang
Lebih terperinciPenerapan Metode Bayes dalam Menentukan Model Estimasi Reliabilitas Pompa Submersible pada Rumah Pompa Wendit I PDAM Kota Malang
JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, 2017 2337-3520 2301-928X Print A33 Penerapan Metode Bayes dalam Menentukan Model Estimasi Reliabilitas Pompa Submersible pada Rumah Pompa Wendit I PDAM Kota Malang
Lebih 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 terperinciPENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
Lebih terperinciPENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI. Oleh : Pramita Elfa Diana Santi J2E
PENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI Oleh : Pramita Elfa Diana Santi JE 005 40 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciMODEL REGRESI WEIBULL DENGAN ADDITIVE FRAILTIES PADA DATA SURVIVAL. Universitas Hasanuddin
MODEL REGRESI WEIBULL DENGAN ADDITIVE FRAILTIES PADA DATA SURVIVAL 1 Rima Ruktiari, 2 Sri Astuti Thamrin, 3 Armin Lawi 1,2,3 Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih 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 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 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 terperinciPertemuan 8 STATISTIKA INDUSTRI 2 08/11/2013. Introduction to Linier Regression. Introduction to Linier Regression. Introduction to Linier Regression
Pertemuan 8 STATISTIKA INDUSTRI 2 TIN 4004 Outline: Regresi Linier Sederhana dan Korelasi (Simple Linier Regression and Correlation) Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and Probability
Lebih terperinciAnalisis Pengaruh Kualitas Layanan, Kepuasan Pelanggan, dan Kepercayaan terhadap Loyalitas Pelanggan Flexi Mobile Broadband
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 212) ISSN: 231-928X D-248 Analisis Pengaruh Kualitas Layanan, Kepuasan Pelanggan, dan Kepercayaan terhadap Loyalitas Pelanggan Flexi Mobile Broadband di
Lebih terperinciPEMODELAN SEEMINGLY UNRELATED REGRESSION DENGAN PENDEKATAN BAYESIAN PADA SEKTOR UTAMA DI JAWA TIMUR
PEMODELAN SEEMINGLY UNRELATED REGRESSION DENGAN PENDEKATAN BAYESIAN PADA SEKTOR UTAMA DI JAWA TIMUR Agus Budhi Santosa 1, Nur iriawan 2, Seiawan 3, Mohammad Dokhi 4 S - 3 1,2,3 Jurusan Statistika FMIPA-ITS,
Lebih terperinciEkspektasi variabel random Variansi variabel random Skewness dan kurtosis variabel random
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN...ii HALAMAN PERNYATAAN...iii HALAMAN PERSEMBAHAN... iv KATA PENGANTAR... v DAFTAR ISI...viii DAFTAR GAMBAR... xi DAFTAR TABEL... xii DAFTAR LAMPIRAN...xiii
Lebih terperinciMA2081 Statistika Dasar
Catatan Kuliah MA2081 Statistika Dasar Orang Cerdas Belajar Statistika Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA2081 Statistika
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 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 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 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 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 terperinciII. TINJAUAN PUSTAKA. Kata Kunci Kemiskinan, Kualitas Kesehatan, Kualitas Ekonomi, CFA, Bayesian, Kabupaten Jombang
1 Penentuan Indikator Kemiskinan Berdasarkan Dimensi Kualitas Kesehatan dan Kualitas Ekonomi Menggunakan Confirmatory Factor Analysis (CFA) dengan Pendekatan Bayesian di Kabupaten Jombang Farisca Susiani
Lebih terperinciPemodelan Hazard Proporsional dengan Perkalian Gamma Frailty Menggunakan Pendekatan Bayesian
Pemodelan Hazard Proporsional dengan Perkalian Gamma Frailty Menggunakan Pendekatan Bayesian 1 Ismi Try Amalia Jaya, 2 Armin Lawi, dan 3 Sri Astuti Thamrin 1,2,3 Jurusan Matematika, Fakultas Matematika
Lebih terperinciSTATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI TIN 4004 Pertemuan 5 Outline: Uji Chi-Squared Uji F Uji Goodness-of-Fit Uji Contingency Uji Homogenitas Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and Probability
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 terperinciAlgoritma Expectation-Maximization(EM) Untuk Estimasi Distribusi Mixture
Vol. 4, No., Oktober 04 Algoritma Expectation-Maximization(EM) Untuk Estimasi Distribusi Mixture Tomy Angga Kusuma ), Suparman ) ) Program Studi Matematika FMIPA UAD ) Program Studi Pend. Matematika UAD
Lebih terperinciPROSES PERCABANGAN PADA DISTRIBUSI POISSON
PROSES PERCABANGAN PADA DISTRIBUSI POISSON Nur Alfiani Santoso, Respatiwulan, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak. Proses percabangan merupakan suatu proses stokastik
Lebih terperinciANALISIS STRUCTURAL EQUATION MODEL DENGAN PENDEKATAN BAYESIAN
JIMT Vol. 11 No. 1 Juni 2014 (Hal. 105 118) Jurnal Ilmiah Matematika dan Terapan ISSN : 2450 766X ANALISIS STRUCTURAL EQUATION MODEL DENGAN PENDEKATAN BAYESIAN H. Sain 1 Program Studi Statistik Jurusan
Lebih terperinciPRODI. Dosen : MM No.Revisi : 00. Semester : I Hal: 1 dari 5. kelompok. Deskripsi 2 populasi. Kemampuan. Kemampuan kerja.
RP S1 SP 01 A. CAPAIAN PEMAN : 1. CP 11.1 : Mampu menganalisis data secara kuantitatif baik secara univariat maupun Multivariat serta menerapkannya. 2. CP 8.1 : Memformulasikan masalah ke dalam pemodelan
Lebih terperinciANALISIS REGRESI KUANTIL
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 103 107 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI KUANTIL SAIDAH, FERRA YANUAR, DODI DEVIANTO Program Studi Magister Matematika, Fakultas
Lebih terperinciESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER
ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER 1 ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN
Lebih terperinciSTATISTIKA NONPARAMETRIK: PENGGABUNGAN DIAGRAM POHON POLYA YANG BERHINGGA
Jurnal Euclid, Vol.4, No.2, pp. 689 STATISTIKA NONPARAMETRIK: PENGGABUNGAN DIAGRAM POHON POLYA YANG BERHINGGA Asri Ode Samura Tadris Matematika, IAIN Ternate, Asri22samura@gmail.com Abstrak Sebuah pendekatan
Lebih terperinciESTIMASI MCMC UNTUK RETURN VOLATILITY DALAM MODEL ARCH DENGAN RETURN ERROR BERDISTRIBUSI T-STUDENT
ESTIMASI MCMC UNTUK RETURN VOLATILITY DALAM MODEL ARCH DENGAN RETURN ERROR BERDISTRIBUSI T-STUDENT Imam Malik Safrudin. 1), Didit Budi Nugroho 2) dan Adi Setiawan 2) 1),2), 3) Program Studi Matematika
Lebih terperinciBAB 7 DISTRIBUSI-COMPOUND DAN GENERALIZED SPASIAL MUHAMMAD NUR AIDI
7.1. Pendahuluan BAB 7 DISTRIBUSI-COMPOUND DAN GENERALIZED SPASIAL MUHAMMAD NUR AIDI Pada bab sebelumnya, penyebaran spatial (konfigurasi spasial) dimana ditunjukan sebagai ragam sampel quadran. Bab ini
Lebih terperinciDiagram ARL W i & W Ri. Varian
maka nilai RL 1 yang ada ditambah satu sampai ditemui adanya out of control. Menentukan 1 dengan menghitung rata-rata RL 1 dari keseluruhan replikasi. Untuk aplikasi data yang digunakan dalam penelitian
Lebih terperinciSTATISTIKA UNIPA SURABAYA
MATEMATIKA STATISTIKA (MATHEMATICAL STATISTICS) GANGGA ANURAGA Materi : Distribusi variabel random Teori Himpunan Fungsi Himpunan Fungsi Himpunan Peluang Variabel Random Fungsi Kepadatan Peluang Fungsi
Lebih terperinciSTATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI TIN 4004 Pertemuan 5 Outline: Uji Chi-Squared Uji F Uji Contingency Uji Homogenitas Referensi: Johnson, R. A., Statistics Principle and Methods, 4 th Ed. John Wiley & Sons, Inc., 001.
Lebih terperinciPERKIRAAN SELANG KEPERCAYAAN UNTUK PARAMETER PROPORSI PADA DISTRIBUSI BINOMIAL
PERKIRAAN SELANG KEPERCAYAAN UNTUK PARAMETER PROPORSI PADA DISTRIBUSI BINOMIAL Jainal, Nur Salam, Dewi Sri Susanti Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lambung
Lebih terperinciESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC)
ESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC) Radite Astana Murti 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika
Lebih 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 terperinciESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER
1 ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER A. Musdalifa, Raupong, Anna Islamiyati Abstrak Estimasi parameter adalah merupakan hal
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Metode statistika adalah prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis, dan penafsiran data. Metode statistika dibagi ke dalam dua kelompok
Lebih terperinciMENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES
MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES Hartayuni Saini 1 1 Jurusan Matematika, FMIPA-UNTAD. e-mail: yunh3_chendist@yahoo.co.id Abstrak Untuk menaksir nilai µ dari N(µ, ) umumnya digunakan
Lebih terperinciIDENTIFIKASI FAKTOR PENDORONG PERNIKAHAN DINI DENGAN METODE ANALISIS FAKTOR
Saintia Matematika Vol. 2, No. 1 (2014), pp. 1 11. IDENTIFIKASI FAKTOR PENDORONG PERNIKAHAN DINI DENGAN METODE ANALISIS FAKTOR Aswin Bahar, Gim Tarigan, Pengarapen Bangun Abstrak. Pernikahan dini merupakan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan teknik statistik untuk investigasi dan pemodelan hubungan antar variabel. Hubungan antara dua variabel dapat dilihat dengan analisis
Lebih terperinciPREDIKSI KEBUTUHAN BERAS DI PROVINSI SUMATERA UTARA TAHUN DENGAN METODE FUZZY REGRESI BERGANDA. Ristauli Pakpahan, Tulus, Marihat Situmorang
Saintia Matematika Vol 1, No 4 (2013), pp 313 324 PREDIKSI KEBUTUHAN BERAS DI PROVINSI SUMATERA UTARA TAHUN 2013-2015 DENGAN METODE FUZZY REGRESI BERGANDA Ristauli Pakpahan, Tulus, Marihat Situmorang Abstrak
Lebih terperinciModel Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur M.Fariz Fadillah Mardianto,
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 563-572 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS PENGARUH INFLASI, KURS, DAN SUKU BUNGA SERTIFIKAT BANK
Lebih terperinciBagan Kendali Rasio Likelihood dan Aplikasinya pada Data Kurs Mata Uang dan Industri
Vol. 10, No. 1, 26-34, Juli 2013 Bagan Kendali Rasio Likelihood dan Aplikasinya pada Data Kurs Mata Uang dan Industri Andi Fitri Ayu 1, Erna Tri Herdiani 1, M. Saleh AF 1, Anisa 1, Nasrah Sirajang 1 Abstrak
Lebih terperinciKEKUATAN KONVERGENSI DALAM PROBABILITAS DAN KONVERGENSI ALMOST SURELY
KEKUATAN KONVERGENSI DALAM PROBABILITAS DAN KONVERGENSI ALMOST SURELY Joko Sungkono* Abstrak : Tujuan yang ingin dicapai pada tulisan ini adalah mengetahui kekuatan konvergensi dalam probabilitas dan konvergensi
Lebih terperinciESTIMASI PARAMETER MODEL INAR(1) MENGGUNAKAN METODE BAYES
ESTIMASI PARAMETER MODEL INAR(1) MENGGUNAKAN METODE BAYES oleh NURMALITASARI M0106054 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika JURUSAN
Lebih terperinciMODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON
MODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON Ade Susanti, Dewi Retno Sari Saputro, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak
Lebih terperinciBAB 5 FUNDAMENTAL DISTRIBUSI PELUANG MUHAMMAD NUR AIDI
BAB 5 FUNDAMENTAL DISTRIBUSI PELUANG MUHAMMAD NUR AIDI 5.1. Pendahuluan Untuk mendeteksi bagaimana konfigurasi titik dalam ruang apakah bersifat acak atau random, regular, ataupun cluster (kelompok); pertama-tama
Lebih terperinciESTIMASI PARAMETER REGRESI RANK BERDISTRIBUSI EKSPONENSIAL DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL TERBOBOTI
ESTIMASI PARAMETER REGRESI RANK BERDISTRIBUSI EKSPONENSIAL DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL TERBOBOTI Megawati 1, Anisa 2, Raupong. 3 Abstrak Regresi kuadrat terkecil berdasarkan plot peluang,
Lebih terperinciKAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN SIX SIGMA. Victoria Dwi Murti 1, Sudarno 2, Suparti 3
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 241-248 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN
Lebih terperinciPENDUGAAN PARAMETER STATISTIK INDUSTRI 1
PENDUGAAN PARAMETER STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Mengetahui populasi dan membuat pernyataan peluang mengenai elemen yang diambil dari populasi tersebut Tidak mengetahui distribusi
Lebih terperinciKAJIAN FUNGSI nls( ) DAN fsrr( ) TERHADAP MODEL MICHEALIS-MENTEN PADA REGRESI NONLINIER. Sudarno 1. Abstrak
UNIVERSITAS DIPONEGORO 0 ISBN: --0-- KAJIAN FUNGSI nls( ) DAN fsrr( ) TERHADAP MODEL MICHEALIS-MENTEN PADA REGRESI NONLINIER Sudarno ) Program Studi Statistika FMIPA Undip dsghani@gmail.com Abstrak Model
Lebih terperinciMODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 33 41 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Lebih terperinciPENDEKATAN BAYESIAN SPASIAL EKONOMETRIKA PADA PEMODELAN MIGASI PENDUDUK DI JAWA BARAT. Oleh : Priyono
PENDEKATAN BAYESIAN SPASIAL EKONOMETRIKA PADA PEMODELAN MIGASI PENDUDUK DI JAWA BARAT Oleh : Priyono Dosen Pembimbing : Dr. Ir. Setiawan, MS Dr. Sutikno, M.Si PROGRAM MAGISTER JURUSAN STATISTIKA FMIPA
Lebih terperinciPENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO 2 dan Gross Nation Product di Malaysia, Bhutan, dan Nepal)
PENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO dan Gross Nation Product di Malaysia, Bhutan, dan Nepal) Yanti I 1, Islamiyati A, Raupong 3 Abstrak Regresi geometrik
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 terperinciM-2 PERHITUNGAN PREMI ASURANSI KENDARAAN MENGGUNAKAN PENDEKATAN DISTRIBUSI PELUANG
M-2 PERHITUNGAN PREMI ASURANSI KENDARAAN MENGGUNAKAN PENDEKATAN DISTRIBUSI PELUANG Anita Andriani Universitas Hasyim Asy ari Tebuireng, Jombang anita.unhasy@gmail.com Abstrak Asuransi kendaraan bermotor
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 terperinciPEMILIHAN MODEL REGRESI TERBAIK DENGAN BAYESIAN INFORMATION CRITERION (BIC) oleh NURUL KUSTINAH M
PEMILIHAN MODEL REGRESI TERBAIK DENGAN BAYESIAN INFORMATION CRITERION (BIC) oleh NURUL KUSTINAH M0106057 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains
Lebih terperinciBAB II LANDASAN TEORI. landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di
5 BAB II LANDASAN TEORI Bab ini membahas pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di bahas adalah sebagai berikut: A.
Lebih terperinciKONVOLUSI DISTRIBUSI EKSPONENSIAL DENGAN PARAMETER BERBEDA
Jurnal Matematika UNAND Vol. No. 4 Hal. 9 ISSN : 33 9 c Jurusan Matematika FMIPA UNAND KONVOLUSI DISTRIBUSI EKSPONENSIAL DENGAN PARAMETER BERBEDA MARNISYAH ANAS Program Studi Magister Matematika, Fakultas
Lebih terperinciESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO
ESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO Yessy Okvita 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika
Lebih terperinciTINJAUAN PUSTAKA. merupakan nilai peubah bebas ke-p pada merupakan nilai koefisien peubah penjelas merupakan galat acak pengamatan ke-i.
TINJAUAN PUSTAKA Model egresi Berganda egresi linier adalah persamaan matematika yang menggambarkan hubungan antara peubah respon y dan peubah bebas X X X2 Xp. Hubungan antara kedua peubah tersebut dinyatakan
Lebih terperinciPENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 58 65 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA
Lebih terperinciPEMILIHAN MODEL EFEK TETAP ATAU EFEK RANDOM PADA DATA PANEL PENDAPATAN PT. PLN
PEMILIHAN MODEL EFEK TETAP ATAU EFEK RANDOM PADA DATA PANEL PENDAPATAN PT PLN Faiz Fisher Al Faraby, Yuliana Susanti, Purnami Widyaningsih Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB I PENDAHULUAN. penerbangan, kedokteran, teknik mesin, software komputer, bahkan militer
BAB I PENDAHULUAN A. Latar Belakang Statistika merupakan salah satu ilmu matematika yang terus berkembang dari waktu ke waktu. Di dalamnya mencakup berbagai sub pokok-sub pokok materi yang sangat bermanfaat
Lebih terperinciADLN- PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB 1 PENDAHULUAN. metode yang bisaanya digunakan dalam estimasi parameter yakni Ordinary Least
BAB 1 PENDAHULUAN 1.1 Latar Belakang Data populasi dalam suatu penelitian berguna untuk mengetahui karakteristik objek yang akan menghasilkan gambaran akurat mengenai karakteristik objek tersebut. Statistik
Lebih terperinciANALISIS KORELASI KANONIK PERILAKU BELAJAR TERHADAP PRESTASI BELAJAR SISWA SMP (STUDI KASUS SISWA SMPN I SUKASARI PURWAKARTA)
Prosiding Seminar Matematika dan Pendidikan Matematika ISBN: 978-60-61-0-9 hal 693-703 November 016 ANALISIS KORELASI KANONIK PERILAKU BELAJAR TERHADAP PRESTASI BELAJAR SISWA SMP (STUDI KASUS SISWA SMPN
Lebih terperinciPERBANDINGAN BAGAN KENDALI T 2 HOTELLING KLASIK DENGAN T 2 HOTELLING PENDEKATAN BOOTSTRAP PADA DATA BERDISTRIBUSI NON-NORMAL MULTIVARIAT
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 17 4 ISSN : 303 910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN BAGAN KENDALI T HOTELLING KLASIK DENGAN T HOTELLING PENDEKATAN BOOTSTRAP PADA DATA BERDISTRIBUSI
Lebih terperinciDeteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013)
Deteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013) Dwiningrum Prihastiwi, Dadang Juandi, Nar Herrhyanto
Lebih terperinciESTIMATOR BAYES UNTUK RATA-RATA TAHAN HIDUP DARI DISTRIBUSI RAYLEIGH PADA DATA DISENSOR TIPE II
UJM 3 (2) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm ESTIMATOR BAYES UNTUK RATA-RATA TAHAN HIDUP DARI DISTRIBUSI RAYLEIGH PADA DATA DISENSOR TIPE II Roudlotin Ni mah,
Lebih terperinciPROSEDUR PENAKSIRAN PARAMETER MODEL MULTILEVEL MENGGUNAKAN TWO STAGE LEAST SQUARE DAN ITERATIVE GENERALIZED LEAST SQUARE
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 PROSEDUR PENAKSIRAN PARAMETER MODEL MULTILEVEL MENGGUNAKAN TWO STAGE LEAST
Lebih terperinci