Garuda - Garba Rujukan Digital

p-Index From 2021 - 2026

P-Index

This Author published in this journals

All Journal FORUM STATISTIKA DAN KOMPUTASI IPTEK The Journal for Technology and Science Jurnal Statistika Universitas Muhammadiyah Semarang

Nur Iriawan

Unknown Affiliation

Author-ID : 2523837

Computer Science & IT Decision Sciences, Operations Research & Management Mathematics

Published : 5 Documents Claim Missing Document

Claim Missing Document

Articles

Implementing Bayesian Inference using MCMC on MINITAB Nur Iriawan
FORUM STATISTIKA DAN KOMPUTASI Vol. 6 No. 1 (2001)
Publisher : FORUM STATISTIKA DAN KOMPUTASI

Show Abstract | Download Original | Original Source | Check in Google Scholar

Bayesian paradigm offers a conceptually simple and coherent system of statistical inference based on the simple data structure in representing uncertain knowledge by probability distribution for quantities of interest. The quantities of observed and unobserved data are then be manipulated by using laws of probability, in particular Bayes theorem, to obtain the posterior distribution of the quantity of interest. By using the pragmatic advantages of the Bayesian framework that allow to cope a very complex problems in analytic and dimension become simple in one dimension, this paper emphasize a stochastic simulation and the combination of mathematical analysis and simulation, in particular MCMC approach, as a general methods for summarizing distributions computationally.The methods of MCMC approaches with their stichastic simulation for Bayesian inference have been developed in macros of the MINITAB-based approaches. Some examples are presented to demonstrate the use of MINITAB for this Bayesian statistical inference. It is shown that for a single parameter the Package is useful for statistical computation, analysis and graphical presentation of the posterior densities. These capabilities show that the package is a suitable, a simple and an appropriate tool for implementing and teaching a computational Bayesian statistical inference using MCMC approach.Keywords: Markov Chain Monte Carlo, Bayesian methods, Rejection Sampling, Full conditional density, Marginal posterior density, MINITAB macros.

PEMODELAN KECEPATAN ANGIN RATA-RATA DI SUMENEP MENGGUNAKAN MIXTURE OF ANFIS Syarifah Diana Permai; Nur Iriawan; - Irhamah
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 1, No 2 (2013): Jurnal Statistika Universitas Muhammadiyah Semarang
Publisher : Department Statistics, Faculty Mathematics and Natural Science, UNIMUS

Angin memiliki dampak positif dan dampak negatif. Dampak positif dari angin yaitu memperlancar aktivitas pelayaran, membantu irigasi menggunakan kincir angin,pembangkit tenaga listrik dan lain sebagainya. Namun perubahan cuaca yang ekstrim akhir-akhir ini dapat menimbulkan angin kencang serta gelombang laut yang tinggi, sehingga menghambat pelayaran. Salah satu kabupaten yang mengalami dampak negatif ini adalah Sumenep, daerah pesisir di Pulau Madura. Oleh karena itu diperlukan pemodelan kecepatan angin rata-rata di Sumenep yang akurat. Dua metode yang diterapkan adalah Adaptive Neuro Fuzzy Inference System (ANFIS) dan Mixture of ANFIS. Mixture of ANFIS dilakukan melalui beberapa pembagian kelompok, yaitu dua, tiga, empat, lima dan enam kelompok. Evaluasi perbandingan kebaikan model dilakukan berdasarkan kriteria Root Mean Square Error (RMSE). Hasil evaluasi menunjukkan bahwa pemodelan kecepatan angin rata-rata menggunakan mixture of ANFIS dengan enam kelompok memiliki RMSE in sample dan out-sample lebih kecil daripada jumlah kelompok yang lain. Mixture of ANFIS memodelkan kecepatan angin rata-rata di Sumenep lebih baik dari ANFIS karena menghasilkan RMSE in dan out sample yang lebih kecil dari ANFIS. Kata kunci : Kecepatan Angin, ANFIS, Mixture of ANFIS

PENDUGAAN ANGKA MELEK HURUF DI KABUPATEN BANGKALAN MENGGUNAKAN SMALL AREA ESTIMATION DENGAN PENDEKATAN HIERARCHICAL BAYES Risya Fadila; Agnes Tuti Rumiati; Nur Iriawan
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 3, No 2 (2015): Jurnal Statistika Universitas Muhammadiyah Semarang
Publisher : Department Statistics, Faculty Mathematics and Natural Science, UNIMUS

Angka Melek Huruf (AMH) merupakan salah satu komponen yang dihitung untuk mengukur indeks pembangunan manusia (IPM).Informasi AMH yang mendetail sampai pada level kecamatan diperlukan dalam membuat kebijakan terkait keberhasilan pembangunan penduduk suatu daerah untuk pemerintah. Penelitian ini bertujuan untuk mendapatkan AMH pada level kecamatan berdasarkan dugaan AMH yang didapat dari hasil SUSENAS dan varibel-variabel yang diduga berpengaruh terhadap AMH.Small Area Estimation (SAE) adalah sebuah metode untuk memenuhi permintaan akanstatistik pada small area yang akurat ketika hanya tersedia sampel yang sangat kecil untuk area tersebut atau bahkan untuk daerah yang tidak terambil sebagai sampel. Padapenelitian ini diterapkan SAE dengan pendekatan Hierarchical Bayes (HB) yang cocok digunakan untuk data biner maupun cacahan. Berdasarkan korelasi pearson, keempatvariabel yang digunakan untuk menduga AMH memberikan pengaruh terhadap AMH. Namun, dalam pendugaan AMH menggunakan HB, hanya terdapat 1 variabel yangberpengaruh signifikan yaitu Rasio Tenaga Pendidik SMP.Hasil pendugaan antara AMH dengan pendugaan langsung dan tak langsung dengan pendekatan HB tidak terlalu berbeda.Penentuan model terbaik dilakukan dengan metode Deviance Information Criterion (DIC).DIC yang dihasilkan kedua pendugaan sangat berbeda.Pendugaan dengan pendekatan HB menghasilkan DIC yang jauh lebih kecil daripada pendugaan langsung yaitu sebesar 28.153, sehingga model pendugaan taklangsung dengan HB lebih baik dibandingkan model pendugaan langsung.Kata Kunci : Angka Melek Huruf, Hierarchical Bayes, Small Area Estimation

SMALL AREA ESTIMATION PENGELUARAN PER KAPITA DI KABUPATEN BANGKALAN DENGAN METODE HIERARCHICAL BAYES Andi Muhammad Ade Satriya; Nur Iriawan; Brodjol Sutijo S. U
Jurnal Statistika Universitas Muhammadiyah Semarang Vol 3, No 2 (2015): Jurnal Statistika Universitas Muhammadiyah Semarang
Publisher : Department Statistics, Faculty Mathematics and Natural Science, UNIMUS

Penelitian ini mengkaji tentang Hierarchical Bayes (HB) yang diaplikasikan pada Small Area Estimation (SAE) dengan tujuan mengestimasi pengeluaran per kapita di Kabupaten Bangkalan. Digunakan SAE karena penambahan ukuran sampel dari pendugaan secara langsung merupakan salah satu cara untuk mendapatkan data pendugaan sampai level kecamatan. Akan tetapi penambahan ukuran sampel akan menambah biaya yang diperlukan menjadi lebih besar dan waktu yang diperlukan pun dalam survei menjadi lama. Oleh karena itu untuk mengatasi masalah tersebut yaitu dengan mengoptimalkan data yang tersedia dengan metode SAE. Kemudian menggunakan metode HB untuk mencari penduganya. Proses pendugaan dilakukan menggunakan Markov Chain Monte Carlo (MCMC) dengan menerapkan algoritma Gibbs sampling. Pemodelan secara tidak langsung menggunakan HB SAE dilakukan dibawah model Fay-Herriot untuk level area dengan bantuan variabel penyerta persentase penduduk bekerja di sektor pertanian (X1), rata-rata anggota keluarga (X2), persentase keluarga miskin (X3), jumlah penduduk yang sedang sekolah (X4), jumlah penduduk pelanggan listrik PLN (X5), dan kepadatan penduduk (X6). Hasil pendugaan tersebut dibandingkan dengan pendugaan langsung dengan mengeluarkan output DIC sebagai tolak ukurnya. dari hasil yang telah diperoleh menunjukkan bahwa pendugaan dengan menggunakan HB menghasilkan nilai DIC yang lebih kecil yaitu sebesar 46.656 daripada pendugaan langsung sebesar 72.043. Maka dapat disimpulkan model pendugaan tak langsung menggunakan HB lebih baik dari pendugaan langsung.Kata Kunci : Deviance Information Criterion, Hierarchical Bayes, Pengeluaran per Kapita, Small Area Estimation.

Generating Hourly Rainfall Model using Bayesian Time Series Model (A Case Study at Sentral Station, Bondowoso) Entin Hidayah; Nur Iriawan; Nadjadji Anwar; Edijatno Edijatno
IPTEK The Journal for Technology and Science Vol 22, No 1 (2011)
Publisher : IPTEK, LPPM, Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j20882033.v22i1.57

Disaggregation of hourly rainfall data is very important to fulfil the input of continual rainfall-runoff model, when the availability of automatic rainfall records are limited. Continual rainfall-runoff modeling requires rainfall data in form of series of hourly. Such specification can be obtained by temporal disaggregation in single site. The paper attempts to generate single-site rainfall model based upon time series (AR1) model by adjusting and establishing dummy procedure. Estimated with Bayesian Markov Chain Monte Carlo (MCMC) the objective variable is hourly rainfall depth. Performance of model has been evaluated by comparison of history data and model prediction. The result shows that the model has a good performance for dry interval periods. The performance of the model good represented by smaller number of MAE by 0.21 respectively.

Co-Authors Agnes Tuti Rumiati Andi Muhammad Ade Satriya Brodjol Sutijo S. U Denny Permatasari Edijatno Edijatno Entin Hidayah Irhamah - Nadjadji Anwar Risya Fadila Syarifah Diana Permai

Title

Found 5 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 5 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 5 Documents
Search