REGRESI SPLINE

WEMPY EKA SAPUTRA , NIM. 05610025 (2015) REGRESI SPLINE. Skripsi thesis, UIN Sunan Kalijaga Yogyakarta.

Preview	Text BAB I,V, DAFTAR PUSTAKA.pdf Download (1MB) | Preview
	Text BAB II,III,IV.pdf Restricted to Registered users only Download (1MB)

Abstract

ABSTRAK Jika sebanyak n buah data observasi {(Xi,Yi)}n/i=1 diambil dari sampel, maka dapat dimodelkan hubungan dalam regresi seperti berikut Yi = amp;#956;(Xi) + amp;#949;i ,i=1,2, amp;#8230;,n. Dalam mengestimasi kurva regresi dapat didekati dengan dua pendekatan, yaitu pendekatan parametrik dan pendekatan nonparametrik. Perbedaan antara keduanya adalah pendekatan parametrik estimasinya ditentukan dari percobaan sedangkan pendekatan nonparametrik hanya ditentukan dari data. Teknik estimasi dalam regresi nonparametrik ada banyak, antara lain : estimator kernel, estimator spline, histogram, estimator deret orthogonal maupun estimator wavelet. Model nonparametrik dibangun dengan memilih ruang fungsi yang sesuai dimana fungsi regresi diyakini termasuk didalamnya, sedangkan model spline dibangun dari knot. Oleh karena itu penentukan jumlah dan posisi knot dalam regresi spline memegang peran yang sangat penting. Fungsi spline kubik yang dilengkapi dengan parameter penghalus (smoothing parameter) sering disebut dengan penghalusan spline kubik. Penghalusan spline kubik diperoleh dengan meminimumkan penalized least square/ PLS. Pemilihan parameter penghalus dalam regresi ini menjadi penting tanpa mengabaikan bias dan variansi data. Dalam memilih model spline terbaik dapat digunakan fungsi prediksi, uji CV, uji GCV, uji GML maupun uji UBR. Dari beberapa pilihan tersebut yang paling sering digunakan adalah fungsi prediksi dan uji GCV. div

Share this knowledge with your friends :

Actions (login required)

View Item