cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Nur Inayah
Contact Email
inprime.journal@uinjkt.ac.id
Phone
+6285280159917
Journal Mail Official
inprime.journal@uinjkt.ac.id
Editorial Address
Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah Jl. Ir H. Juanda No.95, Cemp. Putih, Kec. Ciputat, Kota Tangerang Selatan, Banten 15412
Location
Kota tangerang selatan,
Banten
INDONESIA
InPrime: Indonesian Journal Of Pure And Applied Mathematics
Published by Universitas Islam Negeri Syarif Hidayatullah Jakarta
ISSN : 26865335     EISSN : 27162478     DOI : 10.15408/inprime
Core Subject : Science, Education,
Computer Science & IT Mathematics
InPrime: Indonesian Journal of Pure and Applied Mathematics is a peer-reviewed journal and published on-line two times a year in the areas of mathematics, computer science/informatics, and statistics. The journal stresses mathematics articles devoted to unsolved problems and open questions arising in chemistry, physics, biology, engineering, behavioral science, and all applied sciences. All articles will be reviewed by experts before accepted for publication. Each author is solely responsible for the content of published articles. This scope of the Journal covers, but not limited to the following fields: Applied probability and statistics, Stochastic process, Actuarial, Differential equations with applications, Numerical analysis and computation, Financial mathematics, Mathematical physics, Graph theory, Coding theory, Information theory, Operation research, Machine learning and artificial intelligence.
Arjuna Subject : Matematika - Matematika Terapan
Articles 8 Documents
 1 
Search results for , issue "Vol. 6 No. 1 (2024)" : 8 Documents clear
Small Area Estimation for Per Capita Expenditure in Sulawesi Selatan using Empirical Best Linear Unbiased Prediction Miolo, Alya Safira Irtiqa; Sunusi, Nurtiti; Siswanto, Siswanto
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 6 No. 1 (2024)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/inprime.v6i1.33749

Abstract

Small area estimation (SAE) is an important technique for estimating parameters in regions or sub-populations with limited sample sizes, particularly when direct estimators are inadequate in capturing area-specific information. The Empirical Best Linear Unbiased Prediction (EBLUP) method is one of the SAE parameter estimation approaches, aiming to minimize Mean Square Error (MSE) by incorporating unknown variations of components. In this research, we derive an SAE model parameter estimator and compare its outcomes with both the direct estimator and EBLUP-SAE. The dataset used in this study consists of per capita expenditure data obtained from the March 2019 National Socioeconomic Survey (Susenas) conducted in South Sulawesi, providing a benchmark for assessing household purchasing power. The estimation of SAE parameters was performed using the maximum likelihood method. The results using the EBLUP method reveals that Makassar City recording the highest per capita expenditure at Rp.1,206,352.79 and Jeneponto Regency with the lowest at Rp.1,000,887.29, reflecting significant disparities. Furthermore, the estimated variance of random influence was determined to be 0.010. The study's findings indicate that the EBLUP method outperforms the direct estimation method in estimating per capita expenditure. This is evidenced by the significantly lower MSE value of the EBLUP method, averaging 0.001, compared to the direct estimator’s average MSE value of 0.002. The finding not only emphasizes the reliability of the EBLUP method but also enhances the robustness of socioeconomic analyses and contributes to the advancement of small area estimation techniques. This provides a novelty in understanding regional disparities and informing policy decisions.Keywords: small area estimation, direct estimation, EBLUP, per capita expenditure. AbstrakSmall area estimation (SAE) merupakan metode yang digunakan untuk menduga parameter yang berasal dari area atau sub populasi dengan ukuran sampel yang kecil, ketika estimasi menggunakan penduga langsung tidak mampu menyampaikan informasi area terkait. Metode Empirical Best Linear Unbiased Prediction (EBLUP) merupakan salah satu metode estimasi parameter SAE yang meminimumkan Mean Square Error (MSE) yang dihasilkan dengan asumsi komponen ragam yang tidak diketahui. Penelitian ini bertujuan untuk memperoleh estimator parameter model SAE dan memperoleh perbandingan hasil penduga langsung dan EBLUP-SAE. Data yang digunakan dalam penelitian ini yaitu data pengeluaran per kapita berdasarkan hasil Survei Sosial Ekonomi Nasional (Susenas) Maret 2019 di Sulawesi Selatan, yang berfungsi sebagai tolak ukur untuk menilai kekuatan beli rumah tangga. Estimasi parameter SAE dilakukan menggunakan metode maximum likelihood. Berdasarkan metode EBLUP, diperoleh bahwa nilai pengeluaran per kapita terbesar terjadi di Kota Makassar, yaitu sebesar Rp.1,206,352.79, sedangkan nilai pengeluaran per kapita terkecil terjadi di Kabupaten Jeneponto, yaitu sebesar Rp.1,000,887.29, mencerminkan disparitas yang signifikan. Sementara itu, diperoleh nilai estimasi varians dari pengaruh acak sebesar 0.010. Hasil estimasi dari penelitian ini menunjukkan bahwa metode EBLUP lebih baik dalam melakukan estimasi pengeluaran per kapita dibandingkan metode penduga langsung. Hal ini ditunjukkan dengan nilai MSE dari metode EBLUP menghasilkan rata-rata nilai MSE yang lebih kecil, yaitu sebesar 0.001 dibandingkan dengan rata-rata nilai MSE penduga langsung, yaitu sebesar 0.002.  Hal ini tidak hanya menekankan reliabilitas metode EBLUP tetapi juga meningkatkan ketangguhan analisis sosial ekonomi dan berkontribusi pada kemajuan teknik estimasi area kecil. Hal ini memberikan kebaruan dalam pemahaman disparitas regional dan pengambilan keputusan kebijakan.Kata Kunci: small area estimation, penduga langsung, EBLUP, pengeluaran per kapita. 2020MSC: 62J05
Generalized Space Time Autoregressive (GSTAR) Model for Air Temperature Forecasting in the South Sumatera, Riau, and Jambi Provinces Aprianti, Ayu; Faulina, Naflah; Usman, Mustofa
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 6 No. 1 (2024)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/inprime.v6i1.36049

Abstract

AbstractOver the past few years, there has been a significant increase in air temperatures in regions such as South Sumatera, Riau, and Jambi, posing threats of drought, water resource crises, and erratic weather patterns. In response, developing air temperature forecasting techniques becomes imperative for effective climate change management. This study proposes implementing the Generalized Space Time Autoregressive (GSTAR) model as a practical approach for forecasting air temperatures in these regions using two weighting methods, i.e., inverse distance and normalized cross-correlation weighting. The GSTAR model, an extension of the Space Time Autoregressive (STAR) model, offers enhanced complexity by incorporating specific time and location factors, thereby increasing forecasting flexibility. The result reveals that GSTAR(1,1) with normalized cross-correlation weighting is the most optimal model, with a Root Mean Square Error (RMSE) value of 3.135, indicating high forecasting accuracy. The selection of this model is grounded in the geographical proximity and similarity of environmental characteristics of the three regions. This research contributes novel insights into the underlying mechanisms of air temperature dynamics in neighboring areas, providing a robust foundation for formulating effective policy and mitigation strategies in addressing climate change challenges.Keywords: air temperatures, normalized cross-correlation weighting, GSTAR(1,1), inverse distance weighting. AbstrakDalam beberapa tahun terakhir, suhu udara mengalami peningkatan signifikan di wilayah-wilayah seperti Sumatera Selatan, Riau, dan Jambi, yang mengancam kekeringan, krisis sumber daya air, dan perubahan pola cuaca yang tidak terduga. Menghadapi situasi tersebut, pengembangan teknik peramalan suhu udara diperlukan untuk mengantisipasi dan mengelola dampak ekstrem dari perubahan iklim. Studi ini mengusulkan implementasi model Generalized Space Time Autoregressive (GSTAR) sebagai pendekatan praktis untuk meramalkan suhu udara di wilayah-wilayah tersebut menggunakan dua metode pembobotan yaitu pembobotan invers jarak dan normali korelasi silang. Model GSTAR, sebagai perluasan dari model Space Time Autoregressive (STAR), menawarkan kompleksitas yang lebih baik dengan menggabungkan faktor-faktor waktu dan lokasi tertentu, sehingga meningkatkan fleksibilitas dalam ramalan. Hasil analisis menunjukkan bahwa GSTAR(1,1) dengan pemberian bobot normalisasi korelasi silang merupakan model yang paling optimal, dengan nilai Root Mean Square Error (RMSE) sebesar 3.135, menandakan tingkat akurasi yang tinggi. Pemilihan model ini didasarkan pada kedekatan geografis dan kesamaan karakteristik lingkungan dari ketiga wilayah tersebut. Penelitian ini memberikan wawasan baru dalam mekanisme dinamika suhu udara di wilayah-wilayah yang berdekatan, serta memberikan dasar yang kuat bagi perumusan kebijakan dan strategi mitigasi yang efektif dalam menghadapi tantangan perubahan iklim.Kata Kunci: bobot invers jarak, bobot normalisasi korelasi silang, GSTAR(1,1), suhu udara.2020MSC: 62P30
Bivariate Distributions and Copula-Tvar Estimates: A Comparative Study Based on The Selected Financial Returns and Marginal Distributions Iwuji, Anayo Charles; Oruh, Ben Ifeanyichukwu; Nwabueze, Joy Chioma; Okereke, Emmanuel Wilfred
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 6 No. 1 (2024)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/inprime.v6i1.37158

Abstract

This study explores the joint distribution of bivariate financial returns on DJIA-S&P500 and SSE-SZSE, employing copulas and model selection criteria to identify the most suitable distribution. The aim is to estimate Conditional Tail Value at Risk (C-TVaR) at various confidence levels for portfolio risk management. Unlike previous studies, which typically focus on univariate analysis, this research examines into the joint distribution of bivariate financial returns. Additionally, it introduces the application of copulas and model selection criteria to determine the optimal joint distribution for portfolio risk assessment, offering valuable insights for financial decision-makers. Several copulas and model selection criteria are employed to assess the joint distribution of bivariate financial returns. By evaluating the minimum values of model selection criteria such as Akaike Information Criterion (AIC) and Bayesian Information Criterion (BIC), the Student’s t copula is identified as the most appropriate copula. C-TVaR estimates are then obtained at different confidence levels using the selected copula and various combinations of marginal distributions, namely, normal, Student's t, Cauchy, and alpha power transformed logistic (APTL) marginal distributions. Empirical results demonstrate that Student's t copula models with APTL-Student's t and APTL-APTL marginals gave the smallest expected portfolio losses for the DJIA-S&P500 and SSE-SZSE portfolios, respectively. These insights contribute to enhancing portfolio risk management strategies, particularly in assessing tail risk at different confidence levels.Keywords: Alpha power transformed logistic distribution, bivariate copula, C-TVaR, model selection criteria, portfolio loses. AbstrakStudi ini mengeksplorasi distribusi bersama dari keuntungan finansial pada DJIA-S&P500 dan SSE-SZSE, dengan menggunakan kopula dan kriteria pemilihan model untuk mengidentifikasi distribusi yang paling cocok. Tujuannya adalah untuk memperkirakan Conditional Tail Value at Risk (C-TVaR) pada berbagai tingkat kepercayaan untuk manajemen risiko portofolio. Berbeda dengan penelitian sebelumnya, yang umumnya berfokus pada analisis univariat, penelitian ini menyelidiki distribusi bersama dari keuntungan finansial. Selain itu, penelitian ini memperkenalkan aplikasi kopula dan kriteria pemilihan model untuk menentukan distribusi bersama optimal untuk penilaian risiko portofolio, memberikan wawasan berharga bagi pengambil keputusan finansial. Beberapa kopula dan kriteria pemilihan model digunakan untuk menilai distribusi bersama dari keuntungan finansial. Dengan mengevaluasi nilai minimum dari kriteria pemilihan model seperti Akaike Information Criterion (AIC) dan Bayesian Information Criterion (BIC), kopula Student’s t diidentifikasi sebagai kopula yang paling cocok. Estimasi C-TVaR kemudian diperoleh pada tingkat kepercayaan yang berbeda menggunakan kopula yang dipilih dan berbagai kombinasi distribusi marginal, yaitu distribusi marginal normal, Student's t, Cauchy, dan alpha power transformed logistic (APTL). Hasil empiris menunjukkan bahwa model kopula Student's t dengan distribusi marginal APTL-Student's t dan APTL-APTL memberikan ekspetasi kerugian portofolio terkecil untuk masing-masing portofolio DJIA-S&P500 dan SSE-SZSETemuan ini berkontribusi untuk meningkatkan strategi manajemen risiko portofolio, khususnya dalam menilai risiko ekor pada tingkat kepercayaan yang berbeda.Kata Kunci: distribusi Alpha power transformed logistic, kopula bivariat, C-TVaR, kriteria pemilihan model, kehilangan portofolio. 2020MSC: 62H05
The Optimal Bonus-Malus System: Case of The Democratic Republic of Congo Bukanga Maheshe, Crispin; Rostin, Mabela Makengo Matendo
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 6 No. 1 (2024)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/inprime.v6i1.38074

Abstract

AbstractAutomobile insurance is required in most African nations, and it is the most significant branch in the Democratic Republic of the Congo (DRC); if the automobile branches are poorly managed, this could even result in the insurance company's insolvency. A priori pricing does not improve the danger parameter (the variance), which measures the difference between the estimated model and the observed reality; since the pricing characteristics do not take into account the driver's experience, the portfolio remains heterogeneous. To ensure the insurer's solvency, a more refined post-season pricing model is necessary, one that accounts for driver behavior. Our research introduces an innovative approach to a posteriori pricing in the DRC, using the Bonus-Malus System. In this model, policyholders are divided into classes based on the frequency of claims to preserve the insurer's solvency. The Bonus-Malus  System will serve as the basis for the automobile portfolio's a posteriori pricing: the driver who has not declared a claim receives a reduction in his premium in the year tn+1 (Bonus), and the wrong driver who has declared more than one claim will see his premium increased to the year tn+1 (Malus). Inspired by models from Belgium (the class model) and France (the multiplicative model), we develop a Bonus-Malus model applicable to the DRC. The results found that the class system outperforms the other model for the DRC due to its clarity and fairness. We also emphasize the need for SONAS to centralize data to effectively implement this system and optimize motor vehicle claim management.Keywords: bonus-malus; insurance policy; risk; frequency of claims; prior pricing; ex post facto pricing. AbstrakAsuransi mobil diwajibkan di sebagian besar negara Afrika, dan merupakan cabang yang paling signifikan; di Republik Demokratik Kongo (DRC),. Jika cabang mobil dikelola dengan buruk, hal ini bahkan dapat mengakibatkan kebangkrutan perusahaan asuransi. Penetapan harga secara apriori tidak memperbaiki parameter bahaya (varians) yang mengukur perbedaan antara model yang diestimasi dengan kenyataan yang diamati, karena karakteristik penetapan harga tidak memperhitungkan pengalaman pengemudi, maka portofolio tetap heterogen. Untuk memastikan solvabilitas perusahaan asuransi, diperlukan model penetapan harga pasca musim yang lebih terperinci, yang memperhitungkan perilaku pengemudi. Penelitian kami memperkenalkan pendekatan inovatif untuk penetapan harga a posteriori di DRC, menggunakan Sistem Bonus-Malus. Dalam model ini, pemegang polis dibagi menjadi beberapa kelas berdasarkan frekuensi klaim, untuk menjaga solvabilitas perusahaan asuransi. Sistem Bonus-Malus akan menjadi dasar penetapan harga a posteriori portofolio kendaraan bermotor: pengemudi yang belum pernah mengajukan klaim akan menerima pengurangan premi pada tahun tn+1 (Bonus) dan pengemudi nakal yang mengajukan lebih dari satu klaim akan mengalami kenaikan premi pada tahun tn+1 (Malus). Terinspirasi oleh model dari Belgia (model kelas) dan Prancis (model multiplikatif), kami mengembangkan model Bonus-Malus yang dapat diterapkan di DRC. Hasil penelitian menemukan bahwa sistem kelas lebih unggul dibandingkan model lain untuk DRC karena kejelasan dan keadilan. Kami juga menekankan perlunya SONAS untuk mengkonsolidasi data guna mengimplementasikan sistem ini secara efektif dan mengoptimalkan manajemen klaim kendaraan bermotor.Kata Kunci: bonus-malus; polis asuransi; risiko; frekuensi klaim; penetapan harga sebelumnya; penetapan harga ex post facto.2020MSC: 91G05
Distance Magic Labeling of Corona Product of Graphs Nadeak, Christyan Tamaro
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 6 No. 1 (2024)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/inprime.v6i1.38317

Abstract

Let G = (V, E) is a graph with order n, and f: V(G) → {1,2,...,n} is a bijection. For any vertex v ϵ V, the sum of f(u) is called the weight of vertex v, denoted by w(v), where N(v)  is the set of neighbors of vertex v. If the labeling f satisfies that there exists a constant k such that w(v)=k, for every vertex v in the graph G, then f is called a distance magic labeling for the graph G. If a graph G has a distance magic labeling, then G is called a distance magic graph. This paper presents a novel result that has not been extensively explored in previous research on the distance magic labeling for the corona product between several families of graphs, such as a complete, cycle, path, and star graph.Keywords: distance magic labeling; corona product; complete graph; cycle graph; path graph; star graph. AbstrakMisalkan G = (V, E) adalah graf berorde n, dan f: V(G) → {1,2,...,n}  merupakan suatu bijeksi. Untuk sebarang titik vϵ V, jumlahan dari f(u) merupakan bobot dari titik v dan dinotasikan dengan w(v), dengan N(v) merupakan himpunan tetangga dari titik v. Jika pelabelan f memenuhi terdapat suatu konstanta k sehingga w(v)=k, untuk setiap titik v yang terdapat pada graf G, maka f disebut sebagai pelabelan ajaib jarak bagi graf G. Jika suatu graf G memiliki pelabelan ajaib jarak, maka G disebut sebagai graf ajaib jarak. Paper ini memberikan hasil yang belum pernah dibahas sebelumnya, yaitu pelabelan ajaib jarak untuk operasi korona antara beberapa keluarga graf, seperti graf lengkap, graf siklus, graf lintasan, dan graf bintang.Kata Kunci: pelabelan ajaib jarak; operasi korona; graf lengkap; graf siklus; graf lintasan; graf bintang. 2020MSC: 
The Locating Chromatic Number for Amalgamation of Some Complete Graphs Yulianti, Amanah; Asmiati, Asmiati; Hamzah, Nur; Notiragayu, Notiragayu
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 6 No. 1 (2024)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/inprime.v6i1.38711

Abstract

The locating chromatic number of a graph is a combination of partition dimension and vertex coloring, where every two adjacent vertices are in different color classes, and all vertices have a unique color code. The amalgamation of a ≥ 2 complete graphs (K_n, n≥ 3) denoted by aK_n is obtained by identifying one vertex from each complete graph. In this paper, we present a novel study, a topic that has not been extensively explored in previous research, on locating chromatic numbers for the amalgamation of complete graphs aK_n for 2 ≤ a ≤ 6 and n≥ 3.Keywords: locating chromatic number, partition dimension, vertex coloring, color code, amalgamation of  complete graph. AbstrakBilangan kromatik lokasi graf merupakan penggabungan dari  dimensi partisi  dan pewarnaan titik, yang mana setiap dua titik bertetangga berada dalam kelas warna yang berbeda dan semua titik mempunyai kode warna yang unik. Amalgamasi dari a ≥ 2 buah graf lengkap (K_n, n≥ 3) dinotasikan dengan aK_n  diperoleh dengan cara menyatukan satu titik dari setiap graf lengkap . Pada paper ini didiskusikan hasil yang belum ada sebelumnya, yaitu bilangan kromatik lokasi amalgamasi graf lengkap aK_n untuk 2 ≤ a ≤ 6 dan n≥ 3 .Kata Kunci: bilangan kromatik lokasi, dimensi partisi, pewarnaan titik, kode warna, amalgamasi graf lengkap. 2020MSC: 05C12, 05C15
N-Level Structural Equation Models (nSEM): The Effect of Sample Size on the Parameter Estimation in Latent Random-Intercept Model Eminita, Viarti; Saefuddin, Asep; Sadik, Kusman; Syafitri, Utami Dyah
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 6 No. 1 (2024)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/inprime.v6i1.38914

Abstract

Multilevel Structural Equation Modeling (MSEM) is claimed to address hierarchical data structures and latent response variables, but it becomes unstable with an increasing number of levels. N-Level SEM (nSEM) is an SEM framework designed to handle a growing number of levels in the model. The nSEM framework uses the Maximum Likelihood Estimation (MLE) method for parameter estimation, which requires a large sample size and correct model specification. Therefore, it is essential to consider the necessary minimal sample size to ensure accurate and efficient parameter estimation in the nSEM model. This study examined how sample size affects the performance of parameter estimators in nSEM models. We propose a method to evaluate the effect of many environments to estimate the results of factor loadings and environmental variance produced by the model. In addition, we also assess the impact of environment size on the estimation results of factor loadings and individual variance. The results were then applied to actual data on student mathematics learning motivation in Depok. The findings show that neither the number of environments nor the size of the environment affects the performance of fixed parameter estimation in the nSEM model. nSEM indicates excellent performance in estimating environmental variance at level 2 when the number of environments increases. Conversely, increasing the size of the environment worsens the performance of estimating individual variance parameters. Overall, the nSEM framework for the latent random-intercept (LatenRI) model performs well with increasing sample sizes. The application data on LatenRI models show almost similar estimation results.Keywords: hierarchical data; latent random intercept model; multilevel structural equation modeling; n-level structural equation modeling.AbstrakMultilevel Structural Equation Modeling (MSEM) diklaim dapat mengatasi struktur data hierarki dan variabel respons laten, namun menjadi tidak stabil dengan bertambahnya jumlah level. N-Level SEM (nSEM) adalah kerangka kerja SEM yang dirancang untuk menangani semakin banyak level dalam model. Kerangka kerja nSEM menggunakan metode Maximum Likelihood Estimation (MLE) untuk estimasi parameter, yang memerlukan ukuran sampel yang besar dan spesifikasi model yang benar. Oleh karena itu, penting untuk mempertimbangkan ukuran sampel minimal yang diperlukan untuk memastikan estimasi parameter yang akurat dan efisien dalam model nSEM. Studi ini menguji bagaimana ukuran sampel mempengaruhi kinerja penduga parameter dalam model nSEM. Kami mengusulkan metode untuk mengevaluasi pengaruh banyak lingkungan dalam memperkirakan hasil factor loadings  dan varians lingkungan yang dihasilkan oleh model. Selain itu, kami juga menilai dampak ukuran lingkungan terhadap hasil estimasi factor loadings dan varians individu. Hasilnya kemudian diterapkan pada data aktual motivasi belajar matematika siswa di Depok. Hasil menunjukkan bahwa baik jumlah lingkungan maupun ukuran lingkungan tidak mempengaruhi kinerja estimasi parameter tetap pada model nSEM. nSEM menunjukkan kinerja yang sangat baik dalam memperkirakan varians lingkungan pada level 2 ketika jumlah lingkungan meningkat. Sebaliknya, peningkatan ukuran lingkungan akan memperburuk kinerja pendugaan parameter varians individu. Secara keseluruhan, kerangka nSEM untuk model intersepsi acak laten (LatenRI) bekerja dengan baik dengan meningkatnya ukuran sampel. Data penerapan model LatenRI menunjukkan hasil estimasi yang hampir serupa.Kata Kunci: data hirarki; model intersep acak laten; model persamaan structural multilevel; model persamaan structural n-level. 2020MSC: 62D99
Performance Analysis of Robust Functional Continuum Regression to Handle Outliers Ismah, Ismah; Erfiani, Erfiani; Wigena, Aji Hamim; Sartono, Bagus
InPrime: Indonesian Journal of Pure and Applied Mathematics Vol. 6 No. 1 (2024)
Publisher : Department of Mathematics, Faculty of Sciences and Technology, UIN Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/inprime.v6i1.38928

Abstract

Robust functional continuum regression (RFCR) is an innovation as a development of functional continuum regression that can be applied to functional data and is resistant to outliers. The resistance of RFCR depends on the applied weighting function. This study aims to evaluate the RFCR performance to handle outliers. We propose the various weighting functions in this evaluation, i.e., Huber, Hampel, Ramsay, and Tukey (Bisquare), which do not eliminate or give zero weight to observed data identified as outliers. This contribution is essential to determining the appropriate RFCR method without eliminating the outlier data. The result shows that the RFCR performance with the Huber weighting function is better than the others, based on the goodness of fit, consisting of the root means square error of prediction (RMSEP), the correlation between the actual data and the model, and the mean absolute error (MAE).Keywords: functional data analysis; Huber weighted function; Hampel weighted function; Ramsay weighted function; Tukey (Bisquare) weighted function. AbstrakRegresi kontinum fungsional kekar (RFCR) merupakan inovasi yang merupakan pengembangan dari regresi kontinum fungsional yang dapat diaplikasikan pada data fungsional dan tahan terhadap outlier. Resistansi RFCR bergantung pada fungsi pembobotan. Penelitian ini bertujuan untuk mengevaluasi kinerja RFCR. Kami mengusulkan beberapa fungsi pembobotan dalam evaluasi tersebut, yaitu Huber, Hampel, Ramsay, dan Tukey (Bisquare), dengan tidak menghilangkan atau memberikan bobot nol pada data observasi yang teridentifikasi sebagai outlier. Kontribusi ini penting untuk menentukan metode RFCR yang tepat tanpa menghilangkan data outlier. Hasil menunjukkan bahwa kinerja RFCR dengan fungsi pembobotan Huber lebih baik dibandingkan fungsi pembobotan lain berdasarkan goodness of fit, yang terdiri dari root mean square error of prediksi (RMSEP), korelasi antara data aktual dan model, dan mean kesalahan absolut (MAE).Kata Kunci: analisis data fungsional; fungsi berbobot Huber; fungsi tertimbang Hampel; fungsi tertimbang Ramsay; fungsi berbobot Tukey (Bisquare). 2020MSC: 62J99, 62R10

Page 1 of 1 | Total Record : 8

 1 

Filter by Year

2024 2024


Reset
Filter By Issues
All Issue Vol 7, No 2 (2025) Vol. 7 No. 2 (2025) Vol 7, No 1 (2025) Vol. 7 No. 1 (2025) Vol 6, No 2 (2024) Vol. 6 No. 2 (2024) Vol 6, No 1 (2024) Vol. 6 No. 1 (2024) Vol. 5 No. 2 (2023) Vol 5, No 2 (2023) Vol 5, No 1 (2023) Vol. 5 No. 1 (2023) Vol. 4 No. 2 (2022) Vol 4, No 2 (2022) Vol. 4 No. 1 (2022) Vol 4, No 1 (2022) Vol 3, No 2 (2021) Vol. 3 No. 2 (2021) Vol. 3 No. 1 (2021) Vol 3, No 1 (2021) Vol 2, No 2 (2020) Vol 2, No 1 (2020) Vol 1, No 2 (2019) Vol 1, No 1 (2019) More Issue