Hasil Pencarian  ::  Simpan CSV :: Kembali

"Analisis regresi adalah sebuah teknik dalam statistika untuk menyelidiki dan memodelkan hubungan antara variabel respon dan variabel regresor. Metode penaksiran parameter regresi yang umum digunakan adalah metode ordinary least square (OLS) yang menghasilkan taksiran yang dinamakan taksiran least square. Dalam penaksiran parameter regresi, banyak permasalahan yang muncul, salah satunya adalah multikolinieritas. Penaksiran dengan menggunakan metode OLS dalam kasus multikolinieritas menghasilkan taksiran least square yang tidak stabil, sehingga pada skripsi ini akan dibahas metode lain guna mengatasi permasalahan ini. Metode yang diperkenalkan dapat mengatasi multikolinieritas diantaranya yaitu metode ridge, metode Liu, dan metode GRR. Namun, ketiga metode ini menimbulkan permasalahan lain pada saat dilakukan penaksiran parameter, salah satunya ada pemilihan konstanta optimal yang sulit ditentukan dan nilai PRESS (Prediction Error Sum of Square) yang besar. Untuk itu, Liu dan Gao (2011) memperkenalkan taksiran linearized ridge regression (LRR) yang memiliki kelebihan dibandingkan ketiga metode sebelumnya yaitu pemilihan konstanta optimal yang mudah ditentukan dan juga nilai PRESS yang minimum diantara ketiga metode tersebut.

---

Regression analysis is a statistical technique for investigating and modeling the relationship between the response variable and regressor variable. Ordinary least square (OLS) method is commonly used to estimate parameters and give an estimator named least square estimator. In regression parameter estimation, there are many problems such as multicolinearity. Estimation using OLS method in multicolinearity caused an unstable least square estimator, therefore this research will explain other methods which can solve this problem such as ridge method, Liu method, and GRR method. Unfortunately, these methods cause another problem when estimation parameter is done, such as hardly obtaining the optimal constants and the large value of PRESS (Prediction Error Sum of Squares). To solve this problems, Liu and Gao (2011) introduced Linearized Ridge Regression (LRR) estimator which has superiority amongs those prior methods which easily obtains the optimal contants and the minimum value of PRESS."

"Analisis regresi linier adalah suatu teknik dalam statistika untuk memodelkan dan menganalisis hubungan linier antara variabel respon dengan variabel regresor. Metode penaksiran parameter regresi yang umum digunakan adalah metode ordinary least square (OLS) yang menghasilkan taksiran yang dinamakan taksiran least square. Dalam analisis regresi linier berganda, masalah yang sering terjadi adalah multikolinieritas. Multikolinieritas membuat penaksiran dengan menggunakan metode OLS menghasilkan taksiran least square yang tidak stabil, sehingga pada skripsi ini akan dibahas metode lain untuk mengatasi permasalahan ini. Metode yang diperkenalkan untuk mengatasi multikolinieritas diantaranya adalah metode GRR yang menghasilkan taksiran generalized ridge. Taksiran ini merupakan taksiran yang bias. Metode ini masih memiliki kekurangan, yaitu bias yang dihasilkan tidak dijamin akan selalu bernilai kecil. Untuk itu, Singh, Chaubey, dan Dwivedi (1986) memperkenalkan metode Jackknife Ridge Regression (JRR) yang menghasilkan taksiran Jackknife Ridge Regression. Taksiran ini akan mereduksi bias yang dihasilkan oleh taksiran generalized ridge sehingga terkait dengan data yang digunakan, nilai mean square error taksiran ini lebih kecil dibanding taksiran generalized ridge maupun taksiran least square.

---

Regression linear analysis is a statistical technique for modeling and investigating the linear relationship between the response variable and regressor variable. Ordinary least square (OLS) method is commonly used to estimate parameters and yields an estimator named least square estimator. Most frequently occurring problem in multiple linear regression analysis is the presence of multicollinearity. Estimation using OLS method in multicolinearity caused an unstable least square estimator, therefore this undergraduate thesis will explain other method which can solve this problem such as GRR method that yields a bias estimator, named generalized ridge estimator. Unfortunately, this method still has a shortcoming because the bias in resulting estimator is not always guaranteed to be small. To solve this problems, Singh, Chaubey, and Dwivedi (1986) introduced Jackknife Ridge Regression (JRR) method that yields Jackknife Ridge Regression estimator. This estimator will reduce the bias of generalized ridge estimator, thus related to the data used, the resulting mean square error value of this estimator is smaller than the two methods."

"Tugas akhir ini bertujuan mencari estimator parameter di small area, dimana small area adalah bagian dari suatu populasi yang terbatas. Metode yang digunakan untuk mencari estimator parameter di setiap small area adalah metode empirical Bayes. Di setiap small area diketahui direct survey estimator dan beberapa variabel prediktor. Dengan menggunakan metode empirical Bayes, informasi dari direct survey estimator dan variabel-variabel prediktor yang tersedia di setiap small area akan digunakan untuk membuat model Bayesian. Model Bayesian yang digunakan dalam pembahasan tugas akhir ini adalah model Fay-Herriot. Kata kunci: small area, direct survey estimator, probabilitas pemilihan sampel, ekspektasi dari probabilitas pemilihan sampel."

"Paula Iulisarz ini melode eslimatar lcesalahan yang dilcembanglcan olell Zienkiewiczdan Zhu direraplran unrulc analisis lzesalalum problem siafik pela! lenrur elemen DKMTMerodc ini mempunyai keunggulan karena kesederlzanaannya, akurasinyu. Meloda iniberbrlsixkan pcmulilzan gaya di dalam solusi elemen lzingga dari non-konlinu menjadfkonlinu dengan metode proyelcsi gaya. Reliabiliras dan lcualilas estimator kesalahan inilelula Ierbulcli memberikan hasil yang baik zmruk problem 2D maupun 3D pada elemen-clemen linier, kuadralik dan kubilc Selain itu estimator lresalaharz Z0 ini memberilcanevaluasf yur: bail: untuk norma energi secara global (sfruklur) maupun pada Iinglcarelemen .velzingga alum tercapai diskritisasi yang optimal.Pada mlisan ini dilakukan perbandingan cmrara penghalusan seragam (uniformrefinemeny dan penghalusan adaptlf (adaptive refinemeng untuk memperliharlran peranmzeslimalor kesalalzan terhadap lqju konvergensi didalam memgu solusi elcsak dari seriappersoalan pelar lentur. _Kata kunci : Metode elemen hingga, pelat, estimator kesalahan, estimasi kesalahan"

"Analisis regresi linier berganda adalah suatu teknik statistik untuk memodelkan dan menganalisis hubungan antara variabel respon dan variabel-variabel regresor. Pada umumnya, penaksiran parameter pada model regresi linier berganda menggunakan metode OLS (Ordinary Least squares) yang menghasilkan taksiran least squares. Pada model regresi linier berganda dimungkinkan kondisi multikolinieritas yang menyebabkan variansi taksiran least squares menjadi besar sehingga taksiran least squares tidak stabil. Salah satu metode alternatif penaksiran parameter model regresi linier berganda untuk kasus multikolinieritas adalah metode ridge yang menghasilkan taksiran ridge. Taksiran ridge bergantung pada sebuah konstanta bias k yang disebut konstanta bias ridge. Metode generalized ridge merupakan pengembangan dari metode ridge, dengan menerapkan Dekomposisi Spektral untuk memperoleh bentuk kanonik, kemudian ditambahkan beberapa konstanta bias sebanyak jumlah variabel regresor yang diperoleh dari proses iterasi. Taksiran generalized ridge menghasilkan mean square error yang lebih kecil dari mean square error taksiran least squares.

---

Analysis of regression is a statistical technique for modeling and analizing the relationship between the response variable and regressor variables. This skripsi is modeling the relationship between one response variable and several regressor variables when there is no linear relationship among the regressors variable. The ordinary least squares method is used to estimate regression coefficient. Multicollinearity result in large variance for the least squares estimators of the regression coefficient, and the estimators also will be unstable. Ridge method is the most common method to overcome this problem. Ridge estimator depends on biasing parameter k called constant of ridge. Generalized ridge is an extension of the ordinary ridge method by applying spectral decompotition to obtain the canonical form, then adding biasing parameters as many as number of regressor variables that specified by iteration. The advantage of generalized ridge estimator over the least squares estimator is generalized ridge estimator has less scalar mean square error (mse) than mse of least squaress estimator."

"Analisis regresi merupakan salah satu teknik dalam statistika yang digunakan untuk mengetahui hubungan antar variabel respon dan satuatau lebih variabel regressor. Metode penaksiran parameter regresi yang umum digunakan adalah metode least square. Dalam penaksiran parameter regresi, banyak permasalahan yang muncul salah satunya adalah multikolinearitas. Multikolinearitas menghasilkan taksiran yang tidak stabil, sehingga diperlukan metode lain untuk mengatasi multikolinearitas yang diperkenalkan oleh Hoerl dan Kennard 1970 yaitu metode ridge regression dengan cara kerjanya adalah menambahkan konstanta bias ridge pada matriks X 39;X. Sarkar 1992 dan Grob 2003 mengembangkan metode tersebut dengan memanfaatkan informasi prior dari parameter - dan memperkenalkan metode restricted ridge regression. Berger 1980 mendefinisikan informasi prior untuk parameter - adalah suatu informasi non sampel yang muncul dari pengalaman masa lalu dan keputusan dari ahli dengan situasi yang hampir sama dan memuat parameter ? yang sama. Dalam skripsi ini penggunaan metode restricted ridge regression diaplikasikan untuk mengatasi multikolinearitas pada data Portland Cement dan menghasilkan MSE yang lebih kecil dibandingkan metode least square dan ridge regression.

---

Regression analysis is a technique in stastisticsto analyse the relationship between a response variable and one or more regressor variable's. Ordinary Least Square method is commonly used to estimate parameter's. Most frequently occurring problem in multiple linier regression analysis is the presence of multicolinearity. Multicollinearityin least square estimation produces estimation with large variance, so another method is needed to overcome the multicollinearity. Hoerl and Kennard 1970 introduced a new method called ridge regression by addingaconstant bias ridge to matrix X 39 X. Sarkar 1992 and Gro 2003 developed a method usingthe prior information of the parameter and introduced the restricted ridge regression method. Berger 1980 defined prior information of the parameter as a non sample information arising from past experiences and based on the opinions of an expertice with similar situations and containing the same parameters. This thesis will explain the use of restricted ridge regression method to overcome the presence of multicolinearity in regression model for Portland Cement dataset and produce smaller MSE than least square and ridge regression estimator."

"Analisis regresi merupakan salah satu teknik dalam statistika yang digunakan untuk menginvestigasi dan memodelkan hubungan antara variabel respon dan variabel regresor. Pada skripsi ini akan dimodelkan hubungan satu variabel respon dengan beberapa variabel regresor menggunakan model regresi linier berganda dimana antar variabel regresor tidak saling bergantung linier. Adanya multikolinieritas menyebabkan taksiran least square tidak stabil dan bisa memberikan informasi yang salah. Taksiran ridge adalah taksiran parameter model regresi yang umumnya digunakan untuk mengatasi hal tersebut. Tetapi ketika terjadi multikolinieritas yang kuat, variansi taksiran ridge tidak berbeda jauh dengan variansi taksiran least square. Masalah lainnya adalah konstanta taksiran ridge yang sulit untuk ditentukan. Untuk mengatasi masalah tersebut, Kejian Liu (1998) memperkenalkan taksiran Liu yang memiliki dua kelebihan dibandingkan taksiran ridge yaitu skalar mean square error (mse) yang lebih kecil dibandingkan mse taksiran ridge dan konstanta taksiran Liu yang mudah ditentukan.

---

Regression analysis is a statistical technique for investigating and modelling the relationship between the response variable and regressor variable. This skripsi modelling the relationship between one response variable and several regressor when there is no linear relationship between the regressors. In presence of multicollinearity, the least square estimator is unstable and may gives misleading information. Ridge estimator is the most common estimator to overcome this problem. But when there exist severe multicollinearity, variance of ridge estimator almost same with variance of least square estimator. The other problem is a constant of ridge estimator is difficult to specified. To solve this problem, Kejian Liu (1998) proposed Liu estimator that have two advantages over the ridge estimator are Liu estimator has less scalar mean square error (mse) than mse of ridge estimator and a constant of Liu estimator can specified easily."

"ABSTRAKItem response theory atau yang sering disingkat sebagai IRT memberikan estimasi kemampuan peserta yang lebih tepat jika dibandingkan dengan classical test theory. Estimasi yang dihasilkan pada IRT bergantung pada ketepatan model yang digunakan. Pemilihan model IRT dapat dilakukan setelah didapatkan hasil confirmatory factor analysis dengan melihat nilai model fit. Model dengan nilai good fit yang lebih baik akan menjadi model yangterpilih. Pemilihan model fit dengan langkah ini disebut sebagai pemilihan model melalui data empirik. Pemilihan model dan struktur dapat dibantu dengan melihat nature dari sebuah tes. Seperti pada tes seleksi dengan bentuk pilihan maka model IRT yang tepat digunakan untuk mengestimasi adalah model 3 parameter logistik. Kesalahan dalam memilih struktur dan model IRT terkadang tidak dapat dihindari karena ketidaktahuan peneliti. Diantara estimator yang ada dalam IRT terdapat satu estimator yang dikenal memiliki robust standar error atau dapat menghasilkan standar eror yang kecil jikadigunakan pada model IRT yang tidak tepat. Estimator ini dinamakan maximum likelihood with robust standard errors. Memperkecil standar eror berarti memperkecil ketidakakuratan estimasi yang disebabkan oleh kesalahan pemilihan model. Keakuratan MLR akan disandingkan dengan maximum likelihood estimator dalam mengestimasi. MLE dikenal dengan propertinya yang asimptotik jika digunakan pada sampel besar. Hasil yang didapatmemperlihatkan bahwa MLR dapat menghasilkan akurasi yang lebih baik pada model dengan sampel kecil sedangkan pada sampel besar MLE dan MLR memberikan hasil yang tidak berbeda.

---

ABSTRACTItem response theory gives more acurrate estimates of latent trait compared to classical test theory. These estimates are independent to any sample and test. But the result of estimates are depend on which model is used. That is why the selection of model in IRT is very important. The wrong model will cause the estimates inflate or underrated. Before a data can be calculated with IRT model we need to check the appropriate model and structure first. To know what structure will be used we first check the data using confirmatory factor analysis. The result will show which structure fits the data more, is it first order or second order data. To select the IRT model we do a fit of model testing. This is a trial and error step. Usually in fit model testing we propose more than one model to be tested. As not all models can be included for being tested, there are the chance for using a wrong model. Using a wrong structure and model sometimes can not be helped. In IRT there are estimator named maximum likelihood with robust standard error which is specialized to estimateparameters when the model is wrong. This can be done because of MLR is using Huber Sandwich method as estimator. In this research MLR is being compared to MLE to estimate a second order data which is treated as first order data. The error is being accompanied with IRT model variations (1-PL, 2-PL, and 3-PL) and three samples variations (350, 500, and 2000). As 2 x 3 x 3 combination models, we will have 18 models in result. The results showing that MLR produces smaller standard. But MLE is quite good too when the samplebeing used is as big as 2000"

"ABSTRAKPerolehan proyek penting bagi kelangsungan industri jasa konstruksi. Estimatoradalah fungsi penting pada perusahaan engineering/konstruksi. Kompetensiestimator dihadapkan dengan bagaimana keterampilan, pengetahuan dan perilakudari fungsi estimator tersebut. Tujuan penelitian untuk menganalisa pengaruhkompetensi estimator berdasarkan tiga aspek : knowledge, skill dan personalattributes terhadap perolehan proyek dan kinerja hasil usaha (omset kontrak) padasalah satu perusahaan kontraktor BUMN. Penelitian ini menggunakan metodeanalisa regresi linier berganda yang kemudian dilakukan analisa korelasiSpearman dan analisa faktor untuk mendapatkan gap analysis kompetensidominan terhadap kompetensi estimator pada PT.XYZ, yang selanjutnyadilakukan validitas akhir untuk proses pengembangan dengan respon pembuatanmodul pelatihan

---

ABSTRACTAcquisition project paramount for the construction services industry. Estimator isimportant function in the company's engineering/construction. Competenceestimator faced with how the skills, knowledge and behavior of the estimatorfunction. The research objective to analyze the effect of competence estimatorbased on three aspects: knowledge, skill and personal attributes for the projectacquisition and performance results (turnover contract) on one of BUMNconstruction company. This study uses multiple linear regression analysis,Spearman correlation analysis and factor analysis to obtain a dominantcompetency gap analysis on the competence estimator PT.XYZ, and then make anend to the validity of the development process with response training modulemanufacturing.;"