Articles
<![CDATA[Penskalaan Dimensi Ganda (Multidimensional Scaling) Data Non Metrik ]]>
<![CDATA[Anisa Anisa]]>;
<![CDATA[Raupong Raupong]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 2 No. 2: January 2006 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (225.63 KB)
|
DOI: 10.20956/jmsk.v2i2.3291
<![CDATA[Ketersediaan informasi dalam pengambilan kebijakan menjadi mutlak adanya. Dalam prakteknya, informasi dari daerah ke pusat berjalan lambat. Kebutuhan data pada triwulan pertama baru dapat diberikan pada triwulan berikutnya. Sehingga diperlukan metode untuk menduga data pada triwulan pertama berdasarkan histori sejarah pada waktu-waktu sebelumnya. Salah satu teknik statistika yang dapat digunakan untuk menduga data tersebut adalah model state space. Model state space dapat digunakan untuk meramalkan suatu peubah berdasarkan peubah lain dan merupakan pendekatan untuk memodelkan dan prediksi secara bersama beberapa data time series yang saling berhubungan dimana peubah-peubah tersebut mempunyai interaksi yang dinamis. Dalam makalah ini, model state space digunakan untuk menduga luas panen produksi padi berdasarkan luas tanam padi, begitu juga sebaliknya digunakan untuk meramalkan luas panen padi berdasarkan luas tanam padi]]>
<![CDATA[Algoritma Penalized Residual Sum of Square pada Penentuan Model Multivariate Adaptive Regression Spline dengan Respon Kontinu ]]>
<![CDATA[Raupong Raupong]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 7 No. 1: July 2010 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (338.858 KB)
|
DOI: 10.20956/jmsk.v7i1.3363
<![CDATA[Analisis regresi digunakan untuk melihat pengaruh variabel independen terhadap variabel dependen dengan terlebih dahulu melihat pola hubungan variabel tersebut. Hal ini dapat dilakukan dengan dua pendekatan, yaitu pendekatan parametrik dan nonparametrik. Penerapan Algoritma Penalized Residual Sum of Square (PRSS) pada model MARS akan digunakan untuk menyelesaikan permasalahan dengan respon kontinu. Adapun tujuan dalam penulisan ini adalah mendapatkan model MARS terbaik pada penurunan tekanan darah terhadap pemberian ramuan buah mengkudu dan daun kumis kucing pada pasien hipertensi yang berobat di laboratorium P4OT Surabaya. Secara keseluruhan, model terbaik dipilih berdasarkan koefisien determinasi terbesar. Namun demikian untuk MARS, model terbaik dipilih berdasarkan pada Generalized Cross Validation (GCV), minimum Mean Square Error (MSE), dan koefisien determinasi terbesar.]]>
<![CDATA[Metode Procrustes Dalam untuk Pendugaan Heritabilitas dari Karakter Agronomik Beberapa Galur Kacang Hijau ]]>
<![CDATA[Raupong Raupong]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 8 No. 1: July 2011 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (665.599 KB)
|
DOI: 10.20956/jmsk.v8i1.3383
<![CDATA[Analisis model Additive Main Effects and Multiplicative Interaction (AMMI) menggabungkan analisis variansi aditif bagi pengaruh utama perlakuan dengan analisis komponen utama ganda dengan pemodelan bilinier bagi pengaruh interaksi. Pada analisis AMMI akan dilihat pengaruh aditif faktor pertama dan faktor kedua masing-masing menggunakan analisis variansi dan kemudian dibuat bentuk multiplikatif interaksi faktor pertama dan faktor kedua dengan menggunakan interaksi faktor pertama dengan faktor kedua menjadi komponen utama interaksi (KUI). Kelayakan model AMMI dapat diuji dengan menggunakan metode Procrustes dengan mengukur kesesuaian dua konfigurasi untuk menggambarkan kesesuaian matriks data asal dengan matriks dari nilai faktor score]]>
<![CDATA[Perbandingan Metode Fraksi dengan Himpunan Bagian Terbaik dalam Pemilihan Model Regresi Berganda ]]>
<![CDATA[Raupong Raupong]]>;
<![CDATA[Anisa Anisa]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 9 No. 1: July 2012 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (568.209 KB)
|
DOI: 10.20956/jmsk.v9i1.3395
<![CDATA[Model regresi terbaik adalah model yang dapat menjelaskan perilaku peubah tak bebas dengan baik dengan memilih peubah-peubah bebas dari sekian banyak peubah bebas yang tersedia dalam data. Dalam pemilihan model regresi terbaik dipilih model yang mempunyai kesalahan prediksi paling sedikit dan melibatkan peubah bebas sesedikit mungkin. Metode yang umum digunakan dalam pemilihan model regresi terbaik yaitu Regresi Bertahap, Seleksi Maju, Himpunan Bagian Terbaik dan Metode Fraksi. Berbeda dengan Himpunan Bagian Terbaik, Metode Fraksi digunakan dalam penentuan model regresi terbaik dengan data yang memiliki tingkat multikolinearitas yang tinggi. Contoh penerapan metode Fraksi dan metode Himpunan Bagian Terbaik dilakukan pada data Indeks Pembangunan Manusia, dimana diperoleh bahwa model regresi dengan menggunakan metode Fraksi lebih baik dibandingkan dengan model regresi dengan menggunakan metode HImpunan Bagian Terbaik, dimana pada model regresi dengan menggunakan metode Himpunan Bagian Terbaik masih memiliki multikolinearitas.]]>
<![CDATA[PENGGUNAAN REGRESI ROBUST PADA DATA YANG MENGANDUNG PENCILAN DENGAN METODE MOMEN ]]>
<![CDATA[Nurmiati Nurmiati Nurdin]]>;
<![CDATA[Raupong Raupong]]>;
<![CDATA[Anna Islamiyati]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 10 No. 2: January 2014 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (440.917 KB)
|
DOI: 10.20956/jmsk.v10i2.3418
<![CDATA[ Analisis regresi merupakan sebuah alat statistika yang memberikan tentang pola hubungan antara dua variabel atau lebih. Salah satu metode yang umumnya digunakan dalam mengestimasi parameter pada analisis regresi linear adalah metode kuadrat terkecil (OLS). Namun metode ini mempunyai kelemahan apabila data terdeteksi mengandung outlier. Maka regresi robust disarankan dapat mengatasi masalah outlier dalam data untuk mengestimasi parameter, salah satunya adalah Metode Momen (MM) yang digunakan untuk data yang terdeteksi outlier pada variabel bebas dan variabel terikat serta memiliki nilai breakdown point yang tinggi.Dalam skripsi ini dikaji tentang penggunaan Metode Momen dengan metode iterasi Iteratively Reweighted Least Square (IRLS). Metode Momen merupakan gabungan antara estimasi S dan estimasi M. Pada Metode Momen ini digunakan fungsi pembobot Tukey Bisquare.]]>
<![CDATA[PENAKSIRAN RATAAN DAN VARIANSPOPULASI PADA SAMPEL ACAK TERSTRATIFIKA DENGAN AUXILIARY VARIABLE ]]>
<![CDATA[Raupong Raupong]]>;
<![CDATA[Saleh AF]]>;
<![CDATA[Hasruni Satya Taruma]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 12 No. 1: July 2015 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (456.72 KB)
|
DOI: 10.20956/jmsk.v12i1.3453
<![CDATA[Penaksiran rataan dan variansi suatu populasi dilakukan melalui sampel yang diharapkan hasilnya dapat mewakili karakteristik populasi tersebut. Teknik pengambilan sampel yang baik akan memberikan hasil penelitian yang baik pula. Kebanyakan peneliti menggunakan teknik pengambilan sampel acak tetapi hasil penaksiran dengan teknik ini masih menghasilkan variansi yang besar dan tidak sesuai untuk jumlah sampel yang besar sehingga dibutuhkan teknik pengambilan sampel lain, salah satunya adalah pengambilan sampel acak terstratifikasi. Teknik ini masih lebih baik dibandingkan dengan sampel acak sederhana karena menghasilkan variansi yang lebih minimum dan sesuai untuk jumlah sampel yang besar. Tetapi dengan hanya mengandalkan teknik pengambilan sampel, masih tidak menjamin hasil penaksiran akan lebih baik sehingga dalam penelitian ini ditambahkan beberapa teknik lain seperti penambahan auxiliary variable dan alokasi optimum dalam penentuan jumlah sampel. Adanya penggabungan antara teknik pengambilan sampel yang distratifikasi, penambahan auxiliary variable, serta alokasi optimum memperlihatkan hasil penaksiran yang lebih baik dalam menggambarkan karakterisrik populasi melalui sampel.]]>
<![CDATA[Penaksiran Parameter Model Kalibrasi Linier yang Berdistribusi Skew-Normal dengan Algoritma-EM ]]>
<![CDATA[Try Widyaiswara Hairil]]>;
<![CDATA[Anna Islamiyati]]>;
<![CDATA[Raupong Raupong]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 12 No. 1: July 2015 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (469.821 KB)
|
DOI: 10.20956/jmsk.v12i1.3456
<![CDATA[Sebuah penelitian yang ditujukan untuk memperlihatkan perubahan pola pada kurva distribusi normal. Model kalibrasi linier yang berdistribusi skew-normal. Pada tulisan ini, yang dibahas adalah penaksiran parameter model kalibrasi linier yang berdistribusi skew-normal. Pada penaksiran parameter model kalibrasi linier yang berdistribusi skew-normal dengan metode Maximum Likelihood Estimation (MLE), tidak diperoleh solusi eksplisit dari taksiran parameter. Oleh karena itu, penaksiran parameternya harus dilakukan dengan metode iterasi numerik algortima-EM yang merupakan metode optimisasi iteratif untuk MLE yang terdiri dari dua tahap, yakni tahap ekspektasi dan tahap maksimisasi. Sebuah penerapan empirik kemudian disajikan sebagai ilustrasi dari metode yang dibahas, yaitu pada data pengukuran dimensional dan ultrasonografi pada testis dari 42 remaja.]]>
