cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota bogor,
Jawa barat
INDONESIA
FORUM STATISTIKA DAN KOMPUTASI
Published by Institut Pertanian Bogor
ISSN : 08538115     EISSN : -     DOI : -
Core Subject : Education,
Mathematics
Forum Statistika dan Komputasi (ISSN:0853-8115) was published scientific papers in the area of statistical science and the applications. It is issued twice in a year. The papers should be research papers with, but not limited to, following topics: experimental design and analysis, survey methods and analysis, operation research, data mining, statistical modeling, computational statistics, time series and econometrics, and statistics education.
Arjuna Subject : -
Articles 5 Documents
 1 
Search results for , issue "Vol. 14 No. 2 (2009)" : 5 Documents clear
PEMILIHAN MODEL REGRESI LINIER MULTILEVEL TERBAIK Bertho Tantular; . Aunuddin; Hari Wijayanto
FORUM STATISTIKA DAN KOMPUTASI Vol. 14 No. 2 (2009)
Publisher : FORUM STATISTIKA DAN KOMPUTASI

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (204.442 KB)

Abstract

Linear regression models is used to describe relationship between dependent variable and independent variables. In a survey research, data was used often have hierarchical structure or nested structure. In this research, independent variables can be defined at any level of the hierarchy but dependent variable can only be defined at the lowest level of the hierarchy. Multilevel regression models is one of the methods can be used to analyze this data. Some authors purpose many models can be used to analyze data with hierarchical structures. Deviance as -2 log likelihood was defined as the measure goodness of fit. The difference of the deviance for two nested models was a method for comparing that two models.
There have been two main topics developed by statisticians in a survey, i.e. sampling techniques and estimation methods. The current issues in estimation methods related to estimation of a particular domain having small size of samples or, in more extreme cases, there is no sample available for direct estimation. Sample survey data provide effective reliable estimators of totals and means for large area and domains. But it is recognized that the usual direct survey estimator performing statistic Kusman Sadik
FORUM STATISTIKA DAN KOMPUTASI Vol. 14 No. 2 (2009)
Publisher : FORUM STATISTIKA DAN KOMPUTASI

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

There have been two main topics developed by statisticians in a survey, i.e. sampling techniques and estimation methods. The current issues in estimation methods related to estimation of a particular domain having small size of samples or, in more extreme cases, there is no sample available for direct estimation. Sample survey data provide effective reliable estimators of totals and means for large area and domains. But it is recognized that the usual direct survey estimator performing statistics for a small area, have unacceptably large standard errors, due to the circumstance of small sample size in the area. The most commonly used models for this case, usually in small area estimation, are based on generalized linear mixed models. Some time happened that some surveys are carried out periodically so that the estimation could be improved by incorporating both the area and time random effects. In this paper we propose a state space model which accounts for the two random effects and is based on two equation, namely transition equation and measurement equation. Based on a evaluation criterion, the proposed hierarchical Bayes estimator turns out to be superior to both estimated best linear unbiased prediction (BLUP) and the direct survey estimator. The posterior variances which measure accuracy of the hierarchical Bayes estimates are always smaller than the corresponding variances of the BLUP and the direct survey estimates.
PENDUGAAN REGESI SEMIPARAMETRIK DENGAN PENDEKATAN MODEL CAMPURAN LINEAR Anik Djuraidah
FORUM STATISTIKA DAN KOMPUTASI Vol. 14 No. 2 (2009)
Publisher : FORUM STATISTIKA DAN KOMPUTASI

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (479.934 KB)

Abstract

Hubungan fungsional antara respon dengan peubah penjelas pada  regresi linear berganda berbentuk parametrik dengan metode pendugaan parameternya adalah metode kuadrat terkecil. Pada regresi semiparametrik, hubungan  fungsional antara respon dengan peubah penjelas dapat berbentuk parametrik atau nonparametrik. Metode yang banyak digunakan untuk pendugaan regresi semiparametrik adalah algoritma backfitting yang dikemukakan oleh Hastie & Tibshirani (1990). Pada penelitian ini pendugaan regresi parametrik didekati dengan model campuran linear. Keuntungan utama pendekatan  dengan model campuran linear adalah menggunakan metode ML atau REML sehingga memberi kemudahan dalam seleksi model dan penarikan kesimpulan
PEMODELAN KALIBRASI PEUBAH GANDA DENGAN PENDEKATAN REGRESI SINYAL P-SPLINE . Tonah; Ahmad Ansori Mattjik; Khairil Anwar Notodiputro
FORUM STATISTIKA DAN KOMPUTASI Vol. 14 No. 2 (2009)
Publisher : FORUM STATISTIKA DAN KOMPUTASI

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (936.118 KB)

Abstract

Model kalibrasi peubah ganda merupakan suatu fungsi hubungan antara satuan pengukuran yang dapat diperoleh melalui proses yang relatif mudah atau murah dengan satuan pengukuran yang memerlukan waktu lama dan biaya mahal. Secara umum data kalibrasi memiliki multikolinearitas yang tinggi antar peubah penjelas dan dimensinya jauh lebih besar daripada banyaknya contoh yang dimiliki. Oleh karena itu, sebagian besar pendekatan model kalibrasi memerlukan pereduksian data terlebih dulu. Solusi alternatif bagi pemodelan kalibrasi adalah regresi sinyal P-spline (RSP). RSP merupakan salah satu pendekatan nonparametrik yang mensyaratkan bahwa koefisien regresi berada dalam ruang fungsi mulus. Hal ini dilakukan dengan cara merepresentasikan koefisien regresi sebagai kombinasi linear dari basis B-spline. Penambahan penalti dilakukan untuk mengatasi multikolinearitas pada model serta meningkatkan kemulusan koefisien regresi. Indeks dari bilangan gelombang yang terukur oleh FTIR digunakan sebagai domain B-spline. Spektra gingerol diidentifikasi memiliki pengaruh pencaran multiplikatif, sehingga perlu dilakukan koreksi pencaran. Model RSP dengan koreksi pencaran multiplikatif pada senyawa aktif gingerol memberikan hasil prediksi yang lebih baik. Hal ini ditunjukkan oleh nilai RMSEP dan R2y vs ŷ masing-masing sebesar 0.06867 dan 95.73 %. Nilai-nilai tersebut jauh lebih kecil dari hasil yang diberikan oleh model regresi komponen utama dengan pra-pemrosesan koreksi pencaran maupun transformasi wavelet.
METODE PENDUGAAN MATRIKS RAGAM-PERAGAM DALAM ANALISIS REGRESI KOMPONEN UTAMA (RKU) Itasia Dina Sulvianti; Dian Kusumaningrum; Yani Suryani
FORUM STATISTIKA DAN KOMPUTASI Vol. 14 No. 2 (2009)
Publisher : FORUM STATISTIKA DAN KOMPUTASI

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (583.386 KB)

Abstract

Regresi komponen utama (RKU) merupakan salah satu analisis regresi yang menggunakan komponen utama untuk mengatasi adanya multikolinearitas pada regresi berganda. Metode kemungkinan maksimum (MLE) biasanya digunakan untuk menduga matrik ragam-peragam pada analisis regresi komponen utama. Namun, metode pendugaan ini sangat sensitif terhadap adanya data pencilan multivariat. Oleh karena itu, salah satu cara untuk mengatasi masalah ini adalah dengan menggunakan metode minimum covariance determinant (MCD) dalam menduga matriks ragam-peragamnya. Penelitian ini menggunakan metode MLE dan MCD untuk menduga matriks ragam-peragam pada analisis regresi komponen utama. Sedangkan parameter regresinya diduga oleh metode kuadrat terkecil (MKT). Sementara itu, untuk pemilihan jumlah komponen utama digunakan  kriteria 80% proporsi keragaman dari data contoh. Hasil penelitian ini menunjukkan bahwa dampak adanya pencilan multivariat pada analisis regresi komponen utama yang matriks ragam-peragamnya diduga oleh metode MCD akan menghasilkan nilai rata-rata akar ciri pertama yang tetap stabil pada komponen utama pertama (KU1), walaupun rasio pencilan multivariat dengan banyaknya data terus bertambah. Saat rasio pencilan multivariat dengan banyaknya data sebesar 5%, metode pendugaan parameter regresi komponen utama dengan MKT-MLE dan MKT-MCD menunjukkan hasil yang sama baik karena kedua metode ini cenderung menghasilkan nilai bias dan mean squared error (MSE) yang relatif sama kecil. Namun, pada saat rasio pencilan multivariat dengan banyaknya data lebih besar dari 5% (10%,15%,20%), metode MKT-MCD menunjukkan hasil yang lebih baik dibandingkan metode MKT-MLE dalam menduga parameter regresi komponen utama. Hal ini terjadi karena metode MKT-MCD cenderung menghasilkan nilai bias dan MSE yang lebih kecil dibandingkan MKT-MLE.

Page 1 of 1 | Total Record : 5

 1 

Filter by Year

2009 2009


Reset
Filter By Issues
All Issue Vol. 20 No. 2 (2015) Vol. 18 No. 1 (2013) Vol. 17 No. 2 (2012) Vol. 17 No. 1 (2012) Vol. 16 No. 2 (2011) Vol. 16 No. 1 (2011) Vol. 15 No. 2 (2010) Vol. 15 No. 1 (2010) Vol. 14 No. 2 (2009) Vol. 14 No. 1 (2009) Vol. 13 No. 1 (2008) Vol. 12 No. 2 (2007) Vol. 12 No. 1 (2007) Vol. 11 No. 2 (2006) Vol. 11 No. 1 (2006) Vol. 10 No. 2 (2005) Vol. 10 No. 1 (2005) Vol. 9 No. 2 (2004) Vol. 8 No. 2 (2003) Vol. 8 No. 1 (2003) Vol. 7 No. 2 (2002) Vol. 6 No. 2 (2001) Vol. 6 No. 1 (2001) More Issue