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

dokumen-dokumen yang mirip
ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER

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

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

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

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

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

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

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

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode

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

S2 MP Oleh ; N. Setyaningsih

BAB 2. Tinjauan Teoritis

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

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

BAB II TINJAUAN PUSTAKA

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

UKURAN GEJALA PUSAT DAN UKURAN LETAK

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

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

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

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

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

BAB III PERSAMAAN PANAS DIMENSI SATU

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

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

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

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB II LANDASAN TEORI

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

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

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

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

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

Bab II Teori Pendukung

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

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

BAB III UKURAN PEMUSATAN DATA

Volume 1, Nomor 2, Desember 2007

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

BAB 2 LANDASAN TEORI

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

PEMILIHAN VARIABEL DAN REDUKSI DIMENSI DALAM REGRESI NONPARAMETRIK BERDIMENSI BESAR

3 Departemen Statistika FMIPA IPB

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

STATISTIKA. A. Tabel Langkah untuk mengelompokkan data ke dalam tabel distribusi frekuensi data berkelompok/berinterval: a. Rentang/Jangkauan (J)

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

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

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

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

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

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

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

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

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 MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

NORM VEKTOR DAN NORM MATRIKS

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

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

PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE VALIDASI-SILANG (STUDI KASUS DI KOTA SEMARANG)

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL

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

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

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

MODEL SPLINE DENGAN ERROR BERKORELASI. Nalim, I Nyoman Budiantara dan Kartika Fitriasari Jurusan Statistika ITS Kampus ITS Sukolilo Surabaya 60111

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

9/22/2009. Materi 2. Outline. Graphical Techniques. Penyajian Data. Numerical Techniques

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

MATEMATIKA INTEGRAL RIEMANN

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

REGRESI LINIER SEDERHANA

BAB 5. ANALISIS REGRESI DAN KORELASI

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

b) Untuk data berfrekuensi fixi Data (Xi)

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

PENDEKATAN ESTIMATOR KERNEL UNTUK ESTIMASI DENSITAS MULUS

BAB III ISI. x 2. 2πσ

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

Regresi Linier Sederhana Definisi Pengaruh

PERBANDINGAN ESTIMATOR REGRESI NONPARAMETRIK MENGGUNAKAN METODE FOURIER DAN METODE WAVELET

Estimator Imputasi Regresi Untuk Mengestimasi Model Regresi Semiparametrik Dengan Respon Hilang

; θ ) dengan parameter θ,

BAB II LANDASAN TEORI

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

UKURAN GEJALA PUSAT (UGP)

Uji Statistika yangb digunakan dikaitan dengan jenis data

POLIGON TERBUKA TERIKAT SEMPURNA

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

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

BAB II LANDASAN TEORI

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP. Staf Program Studi Statistika Jurusan Matematika FMIPA UNDIP 2

Analisis Korelasi dan Regresi

REGRESI LINEAR SEDERHANA

MASALAH NORM MINIMUM PADA RUANG HILBERT DAN APLIKASINYA

Transkripsi:

Supart da Subaar Estmas Destas Mulus dega Metode Wavelet (Wavelet Method Smooth Desty Estmato) Oleh Supart ) da Subaar ) Let X Abstract =,,, be depedet observato data from a dstrbuto wth a ukow desty fucto f. The fucto f could be estmated by parametrc ad oparametrc approach. I oparametrc approach, the fucto f s assumed to be a smooth fucto or quadratc tegrable fucto, so the fucto f could be estmated by kerel estmator or orthogoal seres estmator, especally by Fourer seres estmator. Aother orthogoal seres estmator whch could be use to estmate f s wavelet estmator. Wavelet estmator s a exteto of Fourer seres estmator but t has caracterstcs lke the kerel estmator. Key words : smooth desty, kerel estmator, Fourer seres estmator, wavelet estmator..pendahuluan Dalam aalss data cederug dartka sebaga proses perhtuga dalam peerapa metode statstka, msalya perhtuga mea, vara, koefse regres ataupu perhtuga jumlah kuadrat dalam aalsa vara, sehgga peraa da keguaa sebearya mejad serg terlupaka. Proses aalss data pada dasarya melput upaya peelusura da pegugkapa formas yag releva yag terkadug dalam data sepert peelusura da ) Staf Pegajar FMIPA, Udp, Semarag

Supart da Subaar pegugkapa struktur da pola data, da peyaja haslya dalam betuk lebh rgkas da sederhaa, sehgga pada akhrya megarah kepada keperlua adaya pejelasa da peafsra. Peelusura struktur data bertujua memerksa apakah suatu data dapat dwakl oleh suatu model tertetu, sedagka dalam peelusura pola data bertujua utuk memerksa apakah dstrbus dataya cederug megumpul d satu la tertetu atau pada beberapa la. ka dberka data pegamata depede X =,,,, utuk meetuka dstrbus dar X ekvale dega meetuka fugs destasya. Utuk megestmas fugs destas f dapat dlakuka dega dua pedekata yatu pedekata parametrk da oparametrk. Pedekata parametrk dlakuka jka asums betuk f dketahu da tergatug pada suatu parameter, sehgga megestmas f ekvale dega megestmas parameterya, sedagka pedekata oparametrk dlakuka jka asums betuk f tdak dketahu. Dalam hal dasumska bahwa fugs f termuat dalam kelas fugs mulus dalam art mempuya turua kotu atau tertegralka secara kuadrat. Utuk megestmas fugs mulus, tekk pemulusa yag bayak dbahas adalah tekk pemulus kerel da deret ortogoal, khususya deret Fourer. Estmator deret Fourer bayak dbahas oleh Eubak (988), sedagka estmator kerel bayak dbahas oleh Hardle (990). Selajutya, para lmuwa dataraya Daubeches (99), Vetterl da Kovacevc (995), Hall da Patl (995, 996), Odge(997) megembagka dalam estmator wavelet. Dalam tulsa aka dbahas tetag pecara estmator wavelet dar destas mulus, sfatsfat da cotoh smulasya dega program S+Wavelets for Wdows. ) Staf Pegajar FMIPA, UGM, Yogyakarta

Supart da Subaar. TEORI DASAR ka dberka X =,,, data pegamata depede dar suatu dstrbus detk dega destas f yag tak dketahu, maka ada dua cara utuk membuat suatu keputusa tetag destas f yatu dega pedekata parametrk da oparametrk. Pedekata parametrk dlakuka jka asums model dstrbus X dketahu, msalya data dar dstrbus ormal dega mea da vara yag tak dketahu, maka megestmas f ekvale dega megestmas parameter da dar data, sedagka pedekata oparametrk dlakuka jka asums model dstrbus X tak dketahu. Berkut metode oparametrk utuk megestmas destas f. Estmator hstogram Metode klask yag palg populer utuk megetahu betuk fugs destas adalah metode hstogram. Suatu hstogram dsusu dega meletakka ttk-ttk data ke dalam suatu b atau klas. Setap b dyataka secara grafk oleh segempat dega lebar sama da tgg proporsoal dega bayakya ttk-ttk data yag terletak dalam b terkat. B dtetuka dega memlh ttk awal x 0 da lebar b/pta (bwdth) h. Utuk sembarag teger l, suatu b memuat terval setegah terbuka [x o +lh, x o +(l+)h). Nla estmator destas hstogram d sembarag ttk x dapat dyataka sebaga f(x) yag sama dega x. h #X dalam b Pemlha lebar b h kecl, hstogram memuat bayak batag kecl-kecl, sedagka utuk h besar hstogram memuat sedkt batag besar-besar.

Supart da Subaar Estmator kerel Suatu fugs K(.) dsebut fugs kerel jka K fugs kotu, berharga rl, smetrs, terbatas da K(y)dy. ka K suatu kerel dega sfat j. x K(x) dx 0, utuk j,,..., r r. x K(x) dx 0 atau, maka K dsebut kerel order r.. Estmator destas kerel merupaka pegembaga dar estmator hstogram. ka X =,,, data pegamata depede dar suatu dstrbus dega destas f (tak dketahu), maka estmator destas kerel f dega kerel K da lebar jedela h ddefska sebaga fˆ (x) h K x - X h Lema Dberka X =,,, data pegamata depede dar suatu dstrbus dega destas f da dasumska fc (R), c K = K (u)du, d K = u K (u)du. ka, h0 da h maka Bas ( fˆh (x) ) = (h /)f (x)d K +o(h ) da Var( fˆh (x) ) = (h) - c K f(x) +o((h) - ). Akbat MSE( fˆh (x) ) (h) - f(x)c K + ¼ h 4 [f (x)] d K, IMSE( fˆh (x) ) {(h) - c K + /4 [h 4 d K [f (x)] ] dx Estmator kerel tertlak

Supart da Subaar K(.,.) dsebut kerel tertlak jka K(.,.) merupaka fugs smetrs yag memeuh: (c ). K(x, y) c ( x y ), x, y R, dega c, c suatu kostata postp.. K(x, y) dy, x R. Dalam kasus kerel basa K(x,y) = K (x - y), utuk suatu fugs uvarat K. ka dberka suatu fugs uvarat dega sfat : (c c x ), xr. (x) 3. (x k), x R, k maka K(x,y) = (x k) (y k) merupaka suatu kerel tertlak. Dega megguaka k kerel tertlak K(.,.) da lebar jedela h, maka estmator destas f adalah fˆ (x) (h) h K(h x,h X ) Lema Dberka X =,,, data pegamata depede dar suatu dstrbus dega destas f, fc (R) da ddefska (x) =, h0 da h maka y K(x, x y)dy, (x) = K (x, x+y)dy. ka Bas ( fˆh (x) ) = (h /)f (x) (h - x)+o(h ) da Var ( fˆh (x) ) = (h) - (h - x)f(x)+o((h) - ). Akbat MSE( fˆh (x) ) (h) - (h - x) f(x) + ¼ h 4 [ f (x) (h - x)] IMSE( fˆh (x) ) (h) - [(h - x) f(x) ]dx + /4 [h 4 [f (x) ) (h - x)] ] dx

Supart da Subaar Dalam estmator kerel / kerel tertlak, tgkat kemulusa fˆ h dtetuka oleh fugs kerel K da lebar jedela h yag dsebut parameter pemulus, tetap pegaruh kerel K tdak sedoma parameter pemulus h. Nla h yag kecl memberka grafk yag kurag mulus sedagka la h yag besar memberka grafk yag sagat mulus. Oleh karea tu, perlu dplh la h optmal utuk medapatka grafk optmal. Salah satu cara memlh parameter pemulus h optmal meurut Hardle (990), dega memmalka IMSE dar fˆ h. Dega cara ddapat h opt -/5 da IMSE opt -4/5. ka fc r, maka h opt -/(r+) da IMSE opt -r/(r+). Estmator deret ortogoal Dasumska f L (R) dega L (R) ruag fugs yag kuadratya tertegralka, dega kata la L (R) = {f : f(x) dx }. Meurut Vetterl da Kovacecc (995), L (R) merupaka ruag Hlbert dega perkala skalar da orma yag ddefska sebaga f, g f(x)g(x)dx da f f,f f(x) dx. Karea L (R) merupaka ruag Hlbert dega sedrya merupaka ruag vektor (berdmes tak hgga). ka { j } j=,,... sstem ortoormal legkap dar L (R), maka sembarag fl (R) dapat dyataka sebaga f j j j dega j suatu skalar yag dtetuka dega rumus

Supart da Subaar j = f, j da memeuh dettas Parseval j f j. Karea f(x) dx, berakbat j <, sehgga j 0, utuk j. Oleh karea tu, f dapat ddekat oleh j f j j j, utuk suatu blaga bulat cukup besar. ka X =,,, data pegamata depede dar suatu dstrbus dega fugs destas f tak dketahu, maka estmator dar f adalah fˆ j j dega j ˆ. Khususya jka f L [0,], maka f dapat ddekat oleh deret Fourer, j j(x ) f (x) = a o a jcos(jx) b js(jx) j a j = / <f,cos(j.)>, j = 0,,,..., b j = / <f,s(j.)>, j =,,3,...,, dega koefse Fourer Estmator deret Fourer dar destas f adalah (x) â â cos(jx) bˆ s(jx) dega estmator koefse Fourer : â j cos(jx )dx, j = 0,,,..., bˆ j s(jx ), j =,,3,...,. fˆ o j j, j