Articles
<![CDATA[Seleksi Model Multinomial Logit Melalui Akaike’s Information Criterion (AIC) ]]>
<![CDATA[Erna Tri Herdiani]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 4 No. 1: July 2007 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (576.254 KB)
|
DOI: 10.20956/jmsk.v4i1.3325
<![CDATA[Regresi kualitatif akhir-akhir ini banyak digunakan sebagai jawaban atas beragamnya data set yang terdiri dari data kualitatif dan data kuantitatif. Dalam penelitian ini kami memiliki data set dalam bentuk respon yang terdiri dari data kualitatif terurut berdistribusi multnomial sedangkan peubah prediksi berbentuk data kategorikal. Dengan kedua asumsi tersebut penulis memilih menggunakan Model Multinomial Logit, Alan Agresti (1990). Dari proses tersebut penaksiran parameter dilakukan dengan metode kuadrat terkecil di perumum dan metode maksimum likelihood Gonzales, P.L. (1993), selanjutnya di dalam penelitian ini penulis menggunakan Akaike’s Information Criterion (AIC) untuk memilih model terbaik dalam menganalisis data kategorikal..]]>
<![CDATA[Aplikasi Kalman Filter pada Data Survival ]]>
<![CDATA[Erna Tri Herdiani]]>;
<![CDATA[Nuravia Nuravia]]>;
<![CDATA[Sri Astuti Thamrin]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 6 No. 2: January 2010 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (570.213 KB)
|
DOI: 10.20956/jmsk.v6i2.3356
<![CDATA[Kalman Filter merupakan metode untuk memprediksi nilai suatu peubah di masa yang akan datang dengan mempertimbangkan data-data sebelumnya yang senantiasa di up-date. Metode ini selanjutnya akan diaplikasikan pada data survival penderita penyakit Tuberculosis (TB) dari penduduk Amerika Serikat. Metode ini sangat menarik untuk digunakan karena Tan (2004) hanya memanfaatkan metode state space saja dalam memprediksi nilai peubahnya. Oleh karena itu, pada paper ini akan memanfaatkan metode Kalman Filter dalam memprediksi nilai suatu peubah dari data survival penderita TB di Amerika Serikat. ]]>
<![CDATA[Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah ]]>
<![CDATA[Fitriani Fitriani]]>;
<![CDATA[Erna Tri Herdiani]]>;
<![CDATA[Saleh AF]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 9 No. 2: January 2013 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (790.035 KB)
|
DOI: 10.20956/jmsk.v9i2.3400
<![CDATA[Dalam analisis deret waktu terdapat model stasioner dan model non stasioner. Salah satu model deret waktu yang stasioner adalah model Autoregressive. Model Autoregressive adalah suatu model yang mengasumsikan bahwa data pada periode sekarang dipengaruhi oleh data pada periode sebelumnya. Dalam memodelkan suatu data deret waktu seringkali dijumpai adanya ketidak lengkapan data yang disebut data hilang. Data hilang disebabkan oleh beberapa faktor, antara lain karena informasi untuk sesuatu tentang objek tidak diberikan, sulit dicari, atau memang informasi tersebut tidak ada. Untuk itu perlu dilakukan penelitian lebih lanjut pada pendekatan model Autoregressive jika terdapat data hilang. Dalam menaksir parameter data hilang digunakan metode Ordinary Least Square (OLS). Parameter model Autoregressive dengan data hilang yang signifikan akan digunakan dalam membangun model. Setelah mendapatkan model, langkah selanjutnya adalah menguji kelayakan model yaitu uji asumsi White Noise dan uji kenormalan. Data yang digunakan sebagai aplikasi tulisan ini yakni data harian nilai tukar rupiah terhadap dollar Amerika Serikat mulai tanggal 1 April sampai dengan 30 April 2009]]>
<![CDATA[UJI KESTABILAN DUA MATRIKS KORELASI MELALUI VEKTOR VARIANSI VARIABEL STANDAR ]]>
<![CDATA[Andi waru A. Paluseri]]>;
<![CDATA[Aidawayati Rangkuti]]>;
<![CDATA[Erna Tri Herdiani]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 11 No. 2: January 2015 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (541.507 KB)
|
DOI: 10.20956/jmsk.v11i2.3440
<![CDATA[Pengujian kestabilan matriks korelasimerupakan salah satuanalisis statistika yang memegang peranan penting dalampembangunan ekonomi danindustri keuangan.Penelitian ini bertujuan untuk membahas uji kestabilan dua matriks korelasi melalui vektor variansi variabel standar dan mengaplikasikannya pada data. Statistik penguji yang digunakan dalam penelitian ini yakni statistik yang didasarkan pada vektor variansi variabel standar (VVVS) sebagai ukuran dispersi multivariat di mana seluruh variabel yang terlibat berupa variabel standar di bawah asumsi kenormalan. Selanjutnya untuk menyelidiki variansi dari VVVS maka digunakan beberapa sifat-sifat dari matriks komutasi, dan operator . Dalam menganalisis data digunakan alat bantu software minitab 15 dan matlab 7.11.Berdasarkan hasil eksperimen dan simulasi dalam penelitian ini menunjukkan bahwa secara umum statistik VVVS memiliki tingkat kompleksitas komputasi jauh lebih mudah dibanding dengan statistik popular lainnya. Hasil simulasi data disimpulkan bahwa nilai Ujian Nasional di SMP Negeri 30 Makassar Tahun Ajaran 2010/2011 dan 2011/2012 berbeda secara signifikan atau tidak stabil.]]>
<![CDATA[Modifikasi Penaksir Robust dalam Pelabelan Outlier Multivariat ]]>
<![CDATA[Erna Tri Herdiani]]>;
<![CDATA[Nirwan Ilyas]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 14 No. 1 (2017): July 2017 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (157.556 KB)
|
DOI: 10.20956/jmsk.v14i1.3537
<![CDATA[Outlier adalah suatu observasi yang polanya tidak mengikuti mayoritas data. Outlier dalam kasus multivariat sangat sulit untuk dideteksi, khususnya ketika dimensi lebih dari 2. Kesulitan ini meningkat ketika data set berukuran besar, yakni jumlah variabel menjadi besar. Metode-metode pendeteksian outlier telah lama berkembang dan beberapa digunakan untuk pelabelan outlier sehingga data dapat dipisahkan antara data yang dicurigai sebagai outlier dan data set pada umumnya. Metode-metode tersebut adalah minimum volume ellipsoid disingkat MVE, minimun covariance determinant disingkat MCD, dan minimum vector variance disingkat MVV. Dari ketiga metode tersebut MVV memiliki waktu perhitungan yang paling cepat. Berdasarkan algoritma MVV, kriteria mengurutkan data menggunakan jarak mahalanobis, maka pada paper ini akan dimodifikasi kriteria pengurutan data dengan menghindari penulisan dalam bentuk invers dari matriks variansi kovariansi. Hasil yang diperoleh adalah metode MVV menjadi lebih cepat dengan menggunakan kriteria baru dengan kecermatan yang sama dengan MVV sebelumnya serta akan diaplikan untuk data real dan data simulasi.]]>
<![CDATA[Perbandingan Nilai Fraksi pada Rancangan Faktorial Fraksional 2k dengan Metode Bissell dan Aplikasinya pada Kasus Perkecambahan Kacang Hijau ]]>
<![CDATA[Irawaty Irawaty]]>;
<![CDATA[Anisa Anisa]]>;
<![CDATA[Erna Tri Herdiani]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 14 No. 2 (2018): January 2018 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (513.711 KB)
|
DOI: 10.20956/jmsk.v14i2.3560
<![CDATA[Rancangan Faktorial Fraksional (FF) digunakan untuk menurunkan jumlah kombinasi perlakuan yang besar dengan cara menentukan fraksi yang sesuai dan terbaik untuk mendapatkan struktur rancangan yang tepat. Pada tulisan ini bertujuan untuk menentukan bentuk rancangan FF dan fraksi yang terbaik yang melibatkan 5 faktor 2 level yang diterapkan pada data perkecambahan kacang hijau yang merupakan data primer. Adapun faktor yang dicobakan yaitu Media Tumbuh, Cahaya, Frekuensi Penyiramanm, Volume Penyiraman (ml) dan Suhu Ruangan. Untuk menentukan suatu faktor signifikan atau tidak dalam rancangan FF tanpa pengulangan pada percobaan tersebut dapat digunakan metode Bissell sehingga diperoleh faktor yang signifikan yaitu faktor Cahaya dan fraksi yang terbaik adalah fraksi .]]>
<![CDATA[Bagan Kendali Robust Multivariat untuk Pengamatan Individual ]]>
<![CDATA[Erna Tri Herdiani]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 15 No. 2 (2019): JMSK Vol. 15, No. 2, January 2019 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (537.094 KB)
|
DOI: 10.20956/jmsk.v15i2.5712
<![CDATA[AbstractThe most widely used of control chart in multivariate control processing is control chart T2 Hotelling. There are 2 kinds of control chart T2 Hotelling, namely T2 Hotelling for group observation and T2 Hotelling for individual observation. In this paper, discuss the control chart T2 Hotelling for individual observation. This control chart is used for monitoring of mean vector and sample of covariance matrix. Mean vector and sample of covariance matrix are very sensitive with respect to extreme point (outliers). Therefore, it is needed an estimator of mean vector and has a stocky population covariance matrix to the outliers data. One method that can be used to detect data that contains outliers is Minimum Covariance Determinant (MCD). From the calculation results, obtained that control chart T2 Hotelling by using Fast-MCD algorithm is more sensitive to detect outliers data than T2 Hotelling classically.Keyword: T2 Hotelling, Minimum Covariance Determinant (MCD), robust, outlier AbstrakBagan kendali yang paling banyak digunakan dalam pengendalian proses secara multivariat adalah bagan kendali T2 Hotelling. Ada 2 jenis dari bagan kendali Hotelling yaitu bagan kendali Hotelling untuk pengamatan kelompok dan individual. Pada tulisan ini membahas bagan kendali Hotelling untuk pengamatan individual. Bagan kendali ini digunakan untuk memonitor vektor rata-rata dan matriks kovariansi sampel. Vektor rata-rata dan matriks kovariansi sampel sangat sensitif terhadap titik ekstrim (outliers). Oleh karena itu dibutuhkan estimator vektor rata-rata dan matriks kovariansi populasi yang kekar terhadap data outliers. Salah satu metode yang dapat digunakan untuk mendeteksi data yang mengandung outliers adalah Minimum Covariance Determinant (MCD). Dari hasil perhitungan diperoleh bahwa bagan kendali T2 Hotelling dengan algoritma Fast-MCD lebih sensitif mendeteksi data outliers daripada T2 Hotelling klasik.Kata Kunci: T2 Hotelling, Minimum Covariance Determinant (MCD), robust, outlier.]]>
<![CDATA[MONITORING VARIABILITAS PROSES BERDASARKAN STATISTIK WILKS ]]>
<![CDATA[Suci Barlian Sari]]>;
<![CDATA[Erna Tri Herdiani]]>;
<![CDATA[Nasrah Sirajang]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 16 No. 1 (2019): JMSK, July, 2019 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (9.966 KB)
|
DOI: 10.20956/jmsk.v16i1.6485
<![CDATA[In a manufacturing industry quality problems often occur. One of the main cause is due to variability process. Variability process is a variation that occurs in the process, both in manufacturing and non-manufacturing processes. One method for monitoring variabiliti process is by using Wilks Statistics. Wilks statistics is a method that is used based on individual observations. This study aims to monitor the variability of the process and apply it to Electric Resistance Welded (ERW) pipes with the Wilks statistical method. In addition, a capability process analysis is also carried out when the Wilks control chart has been controlled. The result showed that all observations carried out individually were in control limit with a capability process of 2.5386, which means the process capability of ERW pipe production using a multivariate Wilks statistical control chart was capable and match with the specifications limit specified by company.]]>
<![CDATA[Bahasa Indonesia: Bahasa Indonesia ]]>
<![CDATA[Puji Puspa Sari]]>;
<![CDATA[Erna Tri Herdiani]]>;
<![CDATA[Nurtiti Sunusi]]>
<![CDATA[ Jurnal Matematika, Statistika dan Komputasi Vol. 17 No. 3 (2021): May, 2021 ]]>
Publisher : <![CDATA[Department of Mathematics, Hasanuddin University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.20956/j.v17i3.12629
<![CDATA[Outliers are observations where the point of observation deviates from the data pattern. The existence of outliers in the data can cause irregularities in the results of data analysis. One solution to this problem is to detect outliers using a statistical approach. The statistical approach method used in this study is the Minimum Vector Variance (MVV) algorithm which has robust characteristics for outliers. The purpose of this research is to detect outliers using the MVV algorithm by changing the data sorting criteria using the Robust Depth Mahalanobis to produce maximum detection. The results obtained from this study are that RDMMVV is superior to the observed value in showing the outliers and the location of the outliers in the data plot compared to DMMVV and MMVV.]]>
