Garuda - Garba Rujukan Digital

p-Index From 2020 - 2025

2.42

P-Index

This Author published in this journals

All Journal EKSAKTA: Journal of Sciences and Data Analysis Statistika JURNAL MATEMATIKA STATISTIKA DAN KOMPUTASI BAREKENG: Jurnal Ilmu Matematika dan Terapan Jurnal Matematika UNAND InPrime: Indonesian Journal Of Pure And Applied Mathematics ESTIMASI: Journal of Statistics and Its Application PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON DATA SCIENCE AND OFFICIAL STATISTICS Journal of Mathematics, Computation and Statistics (JMATHCOS) Indonesian Journal of Statistics and Its Applications

NURTITI SUNUSI

Department Of Statistics, Faculty Of Mathematics And Natural Science, Hasanuddin University, Makassar, Indonesia.

Author-ID : 393105

Chemical Engineering, Chemistry & Bioengineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Energy Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics Transportation Other

Published : 16 Documents Claim Missing Document

Claim Missing Document

Articles

Title

Estimasi Hazard Rate Temporal Point Process Nurtiti Sunusi
Jurnal Matematika, Statistika dan Komputasi Vol. 9 No. 1: July 2012
Publisher : Department of Mathematics, Hasanuddin University

sifatnya acak baik dalam ruang maupun waktu. Point process dikarakterisasikan oleh intensitas bersyaratnya (conditional Intensity). Pada penelitian ini intensitas bersyarat proses titik temporal (temporal point process) dipandang sebagai proses pembaruan (renewal process) dimana selisih waktu sejak kejadian terakhir tidak tergantung pada selang sebelumnya. Intensitas bersyarat yang bersesuaian pada model ini disebut hazard rate. Untuk mengestimasi parameter hazard rate digunakan metode Hazard Rate Single Decrement (HRSD) yang diadaptasi dari metode estimasi dalam studi aktuaria yang dipakai dalam pembentukan tabel mortalita. Pada metode ini, satu individu diasosiasikan dengan satu kejadian. Jika informasi yang digunakan pada pembentukan tabel mortalita adalah tanggal lahir dan tanggal meninggal, maka pada temporal point process digunakan informasi waktu mulai dan berakhirnya suatu kejadian. Selanjutnya pada bagian akhir, ditinjau dua kasus yaitu estimasi hazard rate dengan waktu antar kejadian berdistribusi uniform dan eksponensial.

ANALISIS KOVARIANSI RANCANGAN PETAK TERBAGI PADA RANCANGAN ACAK KELOMPOK (RAK) DENGAN DATA HILANG YULIANA.DEWI Putri; Nasrah Sirajang; Nurtiti Sunusi
Jurnal Matematika, Statistika dan Komputasi Vol. 14 No. 2 (2018): January 2018
Publisher : Department of Mathematics, Hasanuddin University

Pada skripsi ini akan di kaji analisis kovariansi rancangan petak terbagi (split plot design) pada Rancangan Acak Kelompok (RAK) dengan satu data hilang. Analisis kovariansi pada rancangan petak terbagi dilakukan melalui dua analisis yaitu analisis petak utama dan analisis anak petak. Sebagai aplikasi selanjutnya diberikan studi kasus pada percobaan dengan satu data hilang. Dari hasil analisis rancangan petak terbagi pada Rancangan Acak Kelompok (RAK) dengan satu data hilang diperoleh nilai koefisien keragaman dari analisis variansi lebih kecil dibandingkan analisis kovariansi. Hal ini menunjukkan analisis variansi lebih baik dibandingkan analisis kovariansi pada rancangan petak terbagi (split plot design) pada Rancangan Acak Kelompok (RAK) dengan satu data hilang.

Penerapan Sparse Principal Component Analysis dalam Menghasilkan Matriks Loading yang Sparse Georgina M. Tinungki; Nurtiti Sunusi
Jurnal Matematika, Statistika dan Komputasi Vol. 15 No. 2 (2019): JMSK Vol. 15, No. 2, January 2019
Publisher : Department of Mathematics, Hasanuddin University

Abstract Sparse Principal Component Analysis (Sparse PCA) is one of the development of PCA. Sparse PCA modifies new variables as a linier combination of p old variables (original variable) which is yielded by PCA method. Modifying new variables is conducted by producing a loading yang sparse matrix, such that old variable which is not effective (value of loading is zero) able be exit from PCA. In this study, Sparse PCA method was applied on data of Indonesia Poverty population in 2015, that contains 13 variables and 34 observation with variable reduction such that yields 4 (four) new variables, which can explain 80.1% of total variance data. This study show, the loading matrix that has been yielded by using Sparse PCA method to become sparse with there exist 11 elements (loading value) zero entry of matrix, such that the model that has been produced to be simpler and easy to be interpreted. Keywords: Principal Component Analysis, Sparse Principal Component Analysis, reduksi dimensi, matriks loading yang sparse Abstrak Sparse Principal Component Analysis (Sparse PCA) merupakan salah satu pengembangan dari metode PCA. Sparse PCA memodifikasi variabel-variabel baru yang merupakan kombinasi linear dari variabel lama (variabel asli) yang dihasilkan oleh metode PCA. Pemodifikasian variabel baru ini dilakukan dengan dengan menghasilkan matriks loading yang sparse sehingga variabel lama yang tidak efektif (memiliki nilai loading sama dengan nol) dapat dikeluarkan dari model PCA. Pada penelitian ini, metode Sparse PCA diterapkan pada data Indikator Kemiskinan Penduduk Indonesia Tahun 2015 yang memuat 13 variabel dan 34 observasi dengan reduksi variabel menghasilkan 4 (empat) variabel baru yang telah mampu menjelaskan 80,1% dari total variansi data. Hasil penelitian menunjukkan, matriks loading yang dihasilkan menggunakan metode Sparse PCA menjadi sparse dengan terdapat 11 elemen (nilai loading) matriks bernilai nol sehingga model yang dihasilkan menjadi lebih sederhana dan mudah untuk diinterpretasikan. Kata Kunci: Principal Component Analysis, Sparse Principal Component Analysis, reduksi dimensi, matriks loading yang sparse

Bahasa Indonesia: Bahasa Indonesia Puji Puspa Sari; Erna Tri Herdiani; Nurtiti Sunusi
Jurnal Matematika, Statistika dan Komputasi Vol. 17 No. 3 (2021): May, 2021
Publisher : Department of Mathematics, Hasanuddin University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20956/j.v17i3.12629

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.

Co-Authors Aceng Komarudin Mutaqin Agus Yodi Gunawan Andi Kresna Jaya Anna Islamiyati Caesar, Nadia Nazwadiah Edy Saputra Rusdi Georgina M. Tinungki Georgina Maria Tinungki Hedi Kuswanto Herdiani, Erna Tri Ika Pratiwi Haya Masjidil Aqsha Miolo, Alya Safira Irtiqa Nasrah Sirajang Nina Fitriyati Nirwan Ilyas Nirwan Nirwan Novilia Jao Nur Aminah Ahmad Puji Puspa Sari Ramadhani, Nur Aliah Rasyid, Herlina Rasyid, Riska Raupong, Raupong S Siswanto Siswanto Siswanto Sri Wahyuningsih Sutawanir Darwis Trigarcia Maleachi Randa Vieri Koerniawan YULIANA.DEWI Putri Zainuddin, Zaraswati Dwyana

Title Search

Found 4 Documents Search Journal : JURNAL MATEMATIKA STATISTIKA DAN KOMPUTASI

Abstract

Abstract

Abstract

Abstract

Title

Found 4 Documents
Search
Journal : JURNAL MATEMATIKA STATISTIKA DAN KOMPUTASI