Estimasi Densitas Mulus dengan Metode Kernel. (Kernel Method in Smooth Density Estimation)

dokumen-dokumen yang mirip
Estimasi Densitas Mulus dengan Metode Wavelet. (Wavelet Method in Smooth Density Estimation)

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER

PENDUGAAN SELANG KEPERCAYAAN BOOTSTRAP PADA REGRESI NON PARAMETRIK KERNEL

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMAN 1 Terusan Nunyai. Populasi dalam penelitian

PEMULUSAN SEBARAN DATA MENGGUNAKAN PENAKSIR KERNEL NADARAYA-WATSON DAN LINIER LOKAL UNTUK KERNEL NORMAL. Sudarno 1.

PENDEKATAN ESTIMATOR KERNEL UNTUK ESTIMASI DENSITAS MULUS

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

REGRESI LINEAR SEDERHANA

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI TANAMAN KEDELAIMENGGUNAKAN DIAGRAM JALUR

Prosiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

JENIS BUNGA PEMAJEMUKAN KONTINYU

BAB 2. Tinjauan Teoritis

S2 MP Oleh ; N. Setyaningsih

PEMILIHAN VARIABEL DAN REDUKSI DIMENSI DALAM REGRESI NONPARAMETRIK BERDIMENSI BESAR

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMA YP Unila Bandarlampung yang berlokasi

Estimasi Parameter Data Tersensor Tipe I Berdistribusi Loglogistik Menggunakan Maximum Likelihood Estimate dan Iterasi Newton-Rhapson

UKURAN GEJALA PUSAT DAN UKURAN LETAK

PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE. Suparti 1 dan Tarno 2

ANALISIS DATA INFLASI DI INDONESIA PASCA KENAIKAN TDL DAN BBM TAHUN 2013 MENGGUNAKAN MODEL REGRESI KERNEL. Suparti 1

b) Untuk data berfrekuensi fixi Data (Xi)

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut

Deret Taylor dan Analisis Galat

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

III. METODE PENELITIAN. Penelitian ini bertujuan mengetahui hubungan intensitas kegiatan

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

BAB III REVIEW SIFAT- SIFAT STATISTIK PENDUGAAN TIPE KERNEL BAGI FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN PERIODE GANDA

REGRESI NONPARAMETRIK KERNEL ADJUSTED. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

BAB IV HASIL PENELITIAN DAN ANALISIS HASIL PENELITIAN. Adapun hasil penelitian akan dijelaskan sebagai berikut : TABEL 4.1

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

BAB IV HASIL PENELITIAN. Hasil penelitian ini berdasarkan data yang diperoleh dari kegiatan penelitian

BAB II LANDASAN TEORI. teori dan definisi mengenai variabel random, regresi linier, metode kuadrat

BAB 2 LANDASAN TEORI

BAB II LANDASAN TEORI

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

Bab II Teori Pendukung

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

Pertemuan VII IV. Titik Berat dan Momen Inersia

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

METODE ELEMEN HINGGA UNTUK PENYELESAIAN PERSAMAAN SCHRÖDINGER ATOM HIDROGENIK

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

MATEMATIKA INTEGRAL RIEMANN

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI KERNEL

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

BAB III PERSAMAAN PANAS DIMENSI SATU

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

BAB II TINJAUAN PUSTAKA

Volume 1, Nomor 1, Juni 2007 ISSN

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

InfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 4, No.2, September 2015

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 2 KAJIAN TEORITIS

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin

JMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb.

3 Departemen Statistika FMIPA IPB

BAB 5. ANALISIS REGRESI DAN KORELASI

POLIGON TERBUKA TERIKAT SEMPURNA

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi

PENERAPAN INTEGRASI NUMERIK MENGGUNAKAN METODE SEGIEMPAT (RECTANGLE RULE) UNTUK MENGHITUNG LUAS DAERAH TIDAK BERATURAN

Uji Statistika yangb digunakan dikaitan dengan jenis data

MODEL KELUARGA SPLINE POLINOMIAL TRUNCATED DALAM REGRESI SEMIPARAMETRIK

ANALISIS DATA INFLASI DI INDONESIA MENGGUNAKAN MODEL REGRESI POLINOMIAL LOKAL

UKURAN GEJALA PUSAT (UGP)

BAB 1 STATISTIKA RINGKASAN MATERI

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

BAB III MATERI DAN METODE. non karkas kambing Jawarandu betina dilaksanakan pada bulan Juli sampai

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si.

BAB III UKURAN PEMUSATAN DATA

Volume 1, Nomor 2, Desember 2007

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.

Bab I Pendahuluan & Statistika Deskriptif

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

I PENDAHULUAN II LANDASAN TEORI

X, Y, yang diasumsikan mengikuti model :

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel

BAB II LANDASAN TEORI

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Transkripsi:

Supat da Sudago Estmas Destas Mulus dega Metode Keel (Keel Metod Smoot Desty Estmato) Ole Supat 1) da Sudago ) Let X Abstact = 1,,, be depedet obsevato data fom a dstbuto wt a ukow desty fucto f. Te fucto f could be estmated by paametc ad opaametc appoac. I opaametc appoac, te fucto f s assumed to be a smoot fucto o quadatc tegable fucto, so te fucto f could be estmated by keel estmato. Te smootg level of keel estmato depeds to te smootg paamete. Te bg smootg paamete gves a estmato fucto wc ove smoot ad te cotay. Key wods : smoot desty, keel estmato. Dalam aalss data cedeug datka sebaga poses petuga dalam peeapa metode statstka, msalya petuga mea, vaa, koefse eges ataupu petuga jumla kuadat dalam aalsa vaa, segga peaa da keguaa sebeaya mejad seg telupaka. Poses aalss data pada dasaya melput upaya peelusua da pegugkapa fomas yag eleva yag tekadug dalam data sepet peelusua da pegugkapa stuktu da pola data, da peyaja aslya dalam betuk leb gkas da sedeaa, segga pada akya megaa kepada kepelua adaya pejelasa da peafsa. Peelusua 1) Staf Pegaja Ju. Matematka,FMIPA, Udp, Semaag ) Staf Pegaja Ju. Ped. Matematka,IKIP PGRI, Semaag LONTAR, Vol. 0 No.1,Apl 006, ISSN 0853-0041

Supat da Sudago stuktu data betujua memeksa apaka suatu data dapat dwakl ole suatu model tetetu, sedagka dalam peelusua pola data betujua utuk memeksa apaka dstbus dataya cedeug megumpul d satu la tetetu atau pada bebeapa la. Jka dbeka data pegamata depede X = 1,,,, utuk meetuka dstbus da X ekvale dega meetuka fugs destasya. Utuk megestmas fugs destas f dapat dlakuka dega dua pedekata yatu pedekata paametk da opaametk. Pedekata paametk dlakuka jka asums betuk f dketau da tegatug pada suatu paamete, segga megestmas f ekvale dega megestmas paameteya, sedagka pedekata opaametk dlakuka jka asums betuk f tdak dketau. Dalam al dasumska bawa fugs f temuat dalam kelas fugs mulus dalam at mempuya tuua kotu atau tetegalka secaa kuadat. Sala satu tekk utuk megestmas fugs mulus adala tekk pemulus keel (Hadle,1990). Tekk pemulus keel pada estmato destas meupaka pegembaga da estmato stogam ( Odge,1997). Dalam tulsa dbaas tetag pecaa estmato keel da destas mulus, sfat-sfat da coto smulasya dega pogam S-Plus fo Wdows. Jka dbeka X = 1,,, data pegamata depede da suatu dstbus detk dega destas f yag tak dketau, maka ada dua caa utuk membuat suatu keputusa tetag destas f yatu dega pedekata paametk da opaametk. Pedekata paametk dlakuka jka asums model dstbus X dketau, msalya data da dstbus omal dega mea da vaa yag tak dketau, maka LONTAR, Vol. 0 No.1,Apl 006, ISSN 0853-0041

Supat da Sudago megestmas f ekvale dega megestmas paamete da da data, sedagka pedekata opaametk dlakuka jka asums model dstbus X tak dketau. Bekut metode opaametk utuk megestmas destas f. Estmato stogam Metode klask yag palg popule utuk megetau betuk fugs destas adala metode stogam. Suatu stogam dsusu dega meletakka ttk-ttk data ke dalam suatu b atau klas. Setap b dyataka secaa gafk ole segempat dega leba sama da tgg poposoal dega bayakya ttk-ttk data yag teletak dalam b tekat. B dtetuka dega meml ttk awal x 0 da leba b/pta (bwdt). Utuk sembaag tege l, suatu b memuat teval setega tebuka [x o +l, x o +(l+1)). Nla estmato destas stogam d sembaag ttk x dapat dyataka sebaga f(x) 1 #X dalam b yag sama dega x. Pemla leba b kecl, stogam memuat bayak batag kecl-kecl, sedagka utuk besa stogam memuat sedkt batag besa-besa. Estmato keel Suatu fugs K(.) dsebut fugs keel jka K fugs kotyu, beaga l, smets, tebatas da K(y)dy 1. Jka K suatu keel dega sfat j 1. x K(x) dx 0, utuk j1,,..., 1. x K(x) dx 0 atau, maka K dsebut keel ode. Bebeapa coto fugs keel dataaya:. LONTAR, Vol. 0 No.1,Apl 006, ISSN 0853-0041

Supat da Sudago 1. Seagam (Ufom) 1/, K(x) = 0,. Segtga utuk x 1 utuk x yag la 1 x, utuk x 1 K(x) = 0, utuk x yag la 3. Epaeckov 3/4(1-x K(x) = ), utuk x 1 0, utuk x yag la 4. Gauss K(x) = 1 e x /, utuk x < JkaX Estmato destas keel meupaka pegembaga da estmato stogam. = 1,,, data pegamata depede da suatu dstbus dega destas f (tak dketau), maka estmato destas keel f dega keel K da leba jedela ddefska sebaga fˆ (x) 1 1 K x - X Dalam estmato keel, tgkat kemulusa fˆ dtetuka ole fugs keel K da leba jedela yag dsebut paamete pemulus, tetap pegau keel K tdak sedoma paamete pemulus. Nla yag kecl membeka gafk yag kuag mulus sedagka la yag besa membeka gafk yag sagat mulus. Ole kaea tu, pelu dpl la optmal utuk medapatka gafk optmal. Sala LONTAR, Vol. 0 No.1,Apl 006, ISSN 0853-0041

Supat da Sudago satu caa meml paamete pemulus optmal meuut Hadle (1990), dega memmalka IMSE da fˆ. Bekut besa IMSE da estmato destas keel. Lema Jka dbeka pegamata {X} =1,,..., da vaabel adom bedstbus detk da depede dega destas f, K suatu keel ode da f mempuya devatf ()) palg sedkt tgkat, maka E( fˆ (x) ) - f(x) ) = f (x) s K(s)ds! utuk 0. Bukt : E( f(x) ) - f(x) ) = E( 1 1 K x X ) - f(x) = 1 1 E(K x X ) -f(x) = 1 1 E(K x z ) -f(x) = 1 E(K x z ) -f(x), kaea X d. = 1 K x z f(z)dz -f(x) = 1 K( s)f(x s)ds -f(x) s K(s) f(x) sf'(x) f''(x)... s () f (x) o( ) ds = - f(x) = f(x) K(s)ds f'(x) sk(s)ds f''(x) s K(s)ds... LONTAR, Vol. 0 No.1,Apl 006, ISSN 0853-0041

Supat da Sudago! ()) f (x) s K(s)ds o( ) - f(x) = f(x) +! ()) f (x) s K(s)ds o( ) - f(x) ()) = f (x) s K(s)ds. Tebukt.! Da lema d atas, dapat dsmpulka bawa estmato destas keel LONTAR, Vol. 0 No.1,Apl 006, ISSN 0853-0041 (x) fˆ meupaka estmato yag tak bas secaa asmtots da f(x). Dega megguaka sfat tak bas asmtots da (f (x)) IMSE (f (x)). va( (f (x)) = va( 1 1 K x X ) = () va(k x X 1 = va(k x X 1 ), aka dtug va( (f (x)) ) = { K ( x u f(u)du K x u 1 f(u)du } = 1 1 { K (u)f(x u)du}, utuk 0 = 1 1 K (u)du f(x), utuk 0. Kaea va( f 1 1 (x)) = K (u)du f(x) da bas ( f (x)) = ()) f (x) s K(s)ds)!, maka, MSE (f (x)) da

Supat da Sudago MSE ( f 1 1 (x)) = K (u)du f(x) +! ()) f (x) s K(s)ds) = 1 1 K (u)du f(x) + (!) ()) (f (x)) k dega k = s K(s)ds. IMSE ( f (x) ) = MSE ( f (x))dx + = 1 1 K (u)du f(x)dx (!) ()) (f (x)) dx k = 1 1 K (u)du + (!) ()) k (f (x)) dx. Akbat Jka keel K mempuya ode da f C maka MSE( fˆ (x) ) () -1 f(x)c K + ¼ 4 [f (x)] d K, IMSE( (x) fˆ ) {() -1 c K + 1/4 [ 4 d K [f (x)] ] dx Dega caa memmalka IMSE (( fˆ (x) ) dpeole opt -1/5 da IMSE opt -4/5. Jka fc, maka opt -1/(+1) da IMSE opt -/(+1). Coto smulas estmas destas keel Dbeka 100 data X, yatu X, = 1,,...,100 yag dbagktka da blaga adom omal dega mea 10, sd = 4, maka estmas destas opaametk da X dega megguaka keel Gauss dtujukka pada gamba LONTAR, Vol. 0 No.1,Apl 006, ISSN 0853-0041

Supat da Sudago 1 bekut. Da tampla gamba d bawa, telat bawa semak besa, semak mulus estmas destasya. Pada = 9 telat bawa estmas destasya medekat destas data sebeaya. Kesmpula Gb.1. Estmas destas dega keel Gauss... : destas sebeaya ( Nomal mea = 10, sd = 4) : estmas destas da X Da uaa d atas, dapat dsmpulka bawa utuk megestmas fugs destas f, jka fomas model dstbus X tak dketau maka f dapat destmas dega megguaka pedekata opaametk. Sala satu pedekata opaametk dega megguaka tekk pemulus keel. Tgkat kemulusa LONTAR, Vol. 0 No.1,Apl 006, ISSN 0853-0041

Supat da Sudago fugs estmas dtetuka ole paamete pemulus. Semak besa paamete pemulusya semak mulus fugs estmasya da sebalkya. DAFTAR PUSTAKA Hadle,W.1990. Smootg Tecques Wt Implemetato S, Spge-Velag. New Yok. Hadle,W.1990. Smootg Tecques Wt Implemetato S, Spge-Velag. New Yok Odge, R.T.1997. Essetal Wavelets fo Statstcal Applcatos ad Data Aalys., Bkause. Bosto. LONTAR, Vol. 0 No.1,Apl 006, ISSN 0853-0041