Articles
10 Documents
Search results for
, issue
"Vol 8, No 1 (2008)"
:
10 Documents
clear
<![CDATA[Bootstrap Pada Regresi Linear dan Spline Truncated ]]>
<![CDATA[Harison Darmawi]]>;
<![CDATA[Bambang Widjanarko Otok]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 8, No 1 (2008) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v8i1.974
<![CDATA[Pendekatan parametrik mengasumsikan bentuk model sudah ditentukan. Apabila tidak adainformasi apapun tentang bentuk kurva, maka pendekatan yang digunakan adalah pendekatannonparametrik, salah satunya spline truncated. Karena pendekatan tidak tergantung pada asumsibentuk kurva tertentu, sehingga memberikan fleksibilitas yang lebih besar. Tujuan penelitian iniadalah mengkaji bootstrap pada regresi linear dan regresi spline (truncated spline) dengan kajiansimulasi. Hasil penelitian menunjukkan bahwa Fungsi optimal terjadi pada variansi yang kecil untuksembarang pengamatan. Nilai MSE pada kurva truncated spline lebih kecil dibanding dengan regresilinear pada semua fungsi. Hal ini dapat diartikan bahwa kurva truncated spline lebih baik dibandingdengan regresi linear. Hal ini dapat dilihat dari simulasi estimator g(t) sin(5t) dang(t) 5e5t ,truncated spline memberikan berbagai nilai titik knot, sehingga nilai MSE kecil dibanding regresilinear. Secara keseluruhan dengan kriteria MSE, Spline Truncated sesudah di bootstrap lebih baikdibanding dengan pendekatan regresi dan spline truncated.]]>
<![CDATA[Selang Kepercayaan dari Parameter Distribusi Log-Normal Menggunakan Metode Bootstrap Persentil ]]>
<![CDATA[Akhmad Fauzy]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 8, No 1 (2008) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v8i1.970
<![CDATA[In this article, two methods are proposed to give the interval estimation for two parameters Log-Normal distribution. We usually use traditional method to construct interval estimation. This intervalneeds a t distribution and chi-square distribution and namely traditional method. We will useanother method, namely bootstrap percentile. Bootstrap percentile method more potential inconstructing two parameters interval and give shorter interval than traditional method. This methoddoes not need an assumption that the sample has to have t and chi-square distributions.]]>
<![CDATA[Run-Off Triangle Data dan Permasalahannya ]]>
<![CDATA[Aceng Komarudin Mutaqin]]>;
<![CDATA[Dumaria R. Tampubolon]]>;
<![CDATA[Sutawanir Darwis]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 8, No 1 (2008) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v8i1.975
<![CDATA[Run-off triangle data sering digunakan sebagai dasar untuk menaksir cadangan kerugian dari suatuperusahaan asuransi umum kelas bisnis long-tail. Run-off triangle data memuat gambaran klaimkeseluruhan (aggregate), dan merupakan ringkasan dari suatu data set klaim-klaim individu.Makalah ini mengupas run-off triangle data tersebut bersama-sama dengan permasalahan yang adadi dalamnya. Dalam makalah ini dikemukakan dua masalah, yaitu pertama untuk kasus-kasustertentu, tidak semua data dalam run-off triangle teramati. Kemudian masalah yang kedua adalahadanya nilai-nilai incremental data yang negatif dalam run-off triangle terutama dalam incurred claimsdata.]]>
<![CDATA[Pemilihan Model Terbaik pada Mars Respon Kontinu ]]>
<![CDATA[Bambang Widjanarko Otok]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 8, No 1 (2008) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v8i1.971
<![CDATA[Multivariate adaptive regression spline (MARS) adalah salah satu model regresi nonparametrik, yaitumodel yang mengasumsikan bentuk hubungan fungsional antara variabel respon dan prediktor tidakdiketahui. MARS adalah kombinasi yang komplek antara metode spline dengan rekursif partisi untukmenghasilkan estimasi fungsi regresi yang kontinu.Hasil penelitian menunjukkan bahwa estimasiparameter model MARS untuk variabel respon kontinu dilakukan dengan penalized least square(PLS). Pemilihan model MARS terbaik dilakukan dengan prosedur forward dan backward stepwisedidasarkan pada nilai GCV. Prosedur forward adalah tahapan untuk mendapatkan fungsi basismaksimum yang mencakup pengaruh efek utama, interaksi, dan knot. Sedangkan prosedurbackward adalah tahapan untuk mengeliminasi fungsi basis yang kontribusinya tidak signifikan.Hasil kajian juga menunjukkan bahwa GCV dengan potongan regresi linear dapat terbukti bekerjadengan baik dalam menentukan pemilihan model terbaik pada MARS respon kontinu.]]>
<![CDATA[The Beta-Binomial Multivariate Model for Correlated Categorical Data ]]>
<![CDATA[Nusar Hajarisman]]>;
<![CDATA[Asep Saefuddin]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 8, No 1 (2008) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v8i1.976
<![CDATA[Over the past year, a significant amount of research has explored the logistic regression models foranalyzing correlated categorical data. In these models, it is assumed that the data occur in clusters,where individuals within each cluster are correlated, but individuals from different clusters areassumed independent. A commonly used in modeling correlated categorical univariate data is toassume that individual counts are generated from a Binomial distribution, with probabilities varybetween individuals according to a Beta distribution. The marginal distribution of the counts is thenBeta-Binomial. In this paper, a generalization of the model is made allowing the number ofrespondent m, to be random. Thus both the number units m, and the underlying probability vectorare allowed to vary. We proposed the model for correlated categorical data, which is generalized toaccount for extra variation by allowing the vectors of proportions to vary according to a Dirichletdistribution. The model is a mixture distribution of multinomial and Dirichlet distribution, and wecall the model as the beta-binomial multivariate model.]]>
<![CDATA[Parameter Quantile-like dalam Pendugaan Area Kecil Melalui Pendekatan Penalized- Splines ]]>
<![CDATA[Kusman Sadik]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 8, No 1 (2008) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v8i1.972
<![CDATA[Pada beberapa tahun terakhir ini, para statistisi mulai mengembangkan metodologi yang berkaitandengan pendugaan untuk daerah atau domain survei yang memiliki sampel kecil atau bahkan tidakmemiliki sampel satupun. Data yang diperoleh melalui teknik survei yang tepat akan sangat efektifdan memiliki sifat reliabilitas untuk menduga total atau rataan peubah tertentu. Sifat penduga yangdemikian dapat dicapai apabila data sampel dari survei mencakup daerah atau domain yang besar.Misalnya, beberapa survei ekonomi yang dilakukan di Indonesia berskala nasional. Pada survei yangdemikian banyaknya sampel rumah tangga untuk tiap kecamatan dalam suatu kabupaten sangatkecil (small area). Bahkan bisa terjadi suatu kecamatan tertentu tidak terpilih sebagai daerah surveisehingga sampel rumah tangga dari kecamatan tersebut tidak ada. Persoalannya adalah bagaimanamenduga parameter, misalnya tingkat kemiskinan di level kecamatan tersebut sementara sampelnyasangat kecil. Salah satu metode yang banyak dikembangkan untuk pendugaan area kecil (small areaestimation / SAE) adalah model yang berbasis pada generalized linear mixed model (GLMM).Beberapa pendekatan lain saat ini mulai didiskusikan oleh para statistisi di dunia. Salah satumetode alternatif tersebut adalah pemodelan yang didasarkan pada kuantil yang dikenal dengan MquantileP-splines. Aspek penting dari metode ini adalah adanya sifat tegar (robust) terhadappencilan (outliers) dan bebas sebaran (distribution free).]]>
<![CDATA[Keunggulan Pendugaan Model Aditif dengan Pendekatan Model Linear Campuran Dibanding dengan Algoritma Backfitting ]]>
<![CDATA[Anik Djuraidah]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 8, No 1 (2008) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v8i1.977
<![CDATA[The additive model is the generalized of multiple linear regression that expresses the mean of areponse variable as a sum of functional form of predictors. The widely used estimation of additivemodels described in Hastie and Tibshirani (1990) is backfitting algorithm. However, the algorithmwith linear smoothers gave some difficulties when it comes to model selection and its inference. Theadditive model with P-spline as smooth function admits a mixed model formulation, in whichvariance components control the non-linearity degree in the smooth function. This research isfocused in comparing of estimation additive models using backfitting algorithm and linear mixedmodel approach. The research results show that estimation of additive models using linear mixedmodels offer simplicity in the computation, since use low-rank dimension of P-spline, and in themodel inference, since based on maximum likelihood method. Estimation additive model using linearmixed model approach can be suggested as an alternative method beside backfitting algorithm]]>
<![CDATA[Theoretical Model of Labor Patterns: Study Case Transition from Public Sector to Private Sector ]]>
<![CDATA[Anton Abdulbasah Kamil]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 8, No 1 (2008) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v8i1.973
<![CDATA[In this paper we try to analyze the selection mechanism of the labor force used by the private sector.As we know the objective of a private firm is the maximization of the profit, in order to fulfill this goal,the employer has to select the necessary number of skilled and unskilled workers, according to thetechnology of production. In our model we can see the unemployment resulting from the gap betweenthe supply and the demand for labor affects only the unskilled individuals. The existence ofunemployment among qualified individuals could be explained by the fact that the selection processhas been done gradually. The higher salaries offered by the private sector determined the workers toquit prematurely their job; the supply of skilled labor was higher than the possibilities of absorbingthose resources existing in the private sector.]]>
<![CDATA[Beberapa Metode Pendekatan untuk Model Kalibrasi Gingerol ]]>
<![CDATA[Erfiani Erfiani]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 8, No 1 (2008) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v8i1.978
<![CDATA[Model Kalibrasi adalah suatu fungsi matematik dengan data empirik dan pengetahuan untukmenduga informasi pada y yang tidak diketahui berdasarkan informasi pada X yang tersedia(Martens dan Naes 1989). Dalam bidang kimia, model kalibrasi merupakan suatu fungsi hubunganantara absorban (X) pada panjang gelombang yang dihasilkan oleh spektrometer dengan konsentrasi(y) larutan unsur atau senyawa yang akan dianalisis (Nur dan Adijuwana, 1989). Dengan kalibrasi,konsentrasi larutan contoh dapat diketahui berdasarkan absorbannya. Beberapa penelitian telahdilakukakan untuk menyusun model kalibrasi Gingerol. Hasil Penelitian menunjukkan daribeberapa pendekatan yang dicobakan diperoleh nila Root Mean Squares Error of Prediction (RMSEP)masing-masing sebagai berikut: Regresi Komponen Utama (0.1096), metode Transformasi WaveletDiskret (0.1072), Pendekatan Bayes (0.0622), Regresi Sinyal P-spline (0.0686) dan Regresi Kontinum(0.0453). Regresi Kontinum dengan melakukan pre-processing Transformasi Wavelet Diskretternyata memberikan hasil nilai RMSEP terkecil dan persentase R2y vs yˆ terbesar dibandingkanpendekatan lainnya.]]>
<![CDATA[Pemodelan Daya Tahan Mahasiswa Putus Kuliah pada Pendidikan Tinggi Jarak Jauh dengan Regresi Cox ]]>
<![CDATA[Asep Saefuddin]]>;
<![CDATA[Dewi Juliah Ratnaningsih]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 8, No 1 (2008) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v8i1.969
<![CDATA[Dalam penelitian ini daya tahan mahasiswa didefinisikan sebagai kemampuannya untuk terusberstatus mahasiswa aktif atau tidak putus kuliah. Tingkat putus kuliah pada perguruan tinggijarak jauh (PTJJ) seperti UT merupakan salah satu contoh data yang mengandung data tersensor.Penelitian mengenai daya tahan belajar mahasiswa PTJJ telah banyak dilakukan, namun data putuskuliah tidak dipandang sebagai data tersensor. Dalam penelitian ini data putus kuliah dipandangsebagai data tersensor jenis 1 (sensor waktu sebelah kanan). Regresi Cox dipergunakan untukmengidentifikasi faktor-faktor yang mempengaruhi mahasiswa putus kuliah di UT.Dari pemodelan inisecara umum ditemukan bahwa mahasiswa UT banyak mengalami putus kuliah.Peubah penjelasyang berpengaruh nyata terhadap daya tahan belajar mahasiswa UT adalah: jenis kelamin, usia,indeks prestasi (IP), indeks prestasi kumulatif (IPK), status cuti akademik, jurusan asal (latarbelakang pendidikan formal), dan status pekerjaan mahasiswa.]]>
