Articles

Found 34 Documents
Search

UJI HIPOTESIS DENGAN METODE BOOTSTRAP Sugiyarto, Sugiyarto; Subanar, Subanar
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 3, No 1 (2003)
Publisher : Program Studi Statistika Unisba

Show Abstract | Original Source | Check in Google Scholar

Abstract

Uji hipotesis adalah salah satu bagian dari inferensi statistik. Dengan uji hipotesis dapat disimpulkan sejauh manakelakuan/ kondisi/ karakter dari suatu populasi. Metode konvensional dalam uji hipotesis didasarkan pada asumsi ini dapatdiabaikan dan makalah ini menyajikan uji hipotesis dengan menggunakan metode bootstrapKata kunci : Uji hipotesis, inferensi statistik, bootstrap
UJI NONLINEARITAS YANG DIABAIKAN DALAM TIME SERIES Sutijo, Brodjol; Subanar, Subanar
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 4, No 2 (2004)
Publisher : Program Studi Statistika Unisba

Show Abstract | Original Source | Check in Google Scholar

Abstract

Dalam makalah ini akan dibahas tentang pengujian nonlinearitas didasarkan pada pendekatan Neural Network (NN) yangdikemukakan oleh Lee dan White untuk kondisi nonlinear yang terabaikan pada model time series. Pada uji neural networkini, dikembangkan dari model Feedforward neural network dengan menambahkan hubungan langsung dari input ke output.Uji ini akan dibandingkan dengan uji Tsay dan didasarkan pada studi simulasi, baik untuk model linear maupun modelnonlinear. Pendekatan uji dengan neural network adalah pendekatan lagrange multiplier, sedangkan uji Tsay didasarkanpada pendekatan regresi dengan menambahkan perkalian komponen dari variabel prediktor. Hasil simulasi secara umummenunjukkan jika model yang dibentuk adalah model linear, kekuatan uji nonlinearitasnya rendah, sedangkan jika yangdibentuk adalah model nonlinear, maka kekutan uji nonlinearnya tinggi. Hasil ini berlaku untuk metode White maupunTsay.
PERBANDINGAN ANTARAMODEL LOGITMUTINOMIAL DENGAN NEURAL NETWORK PADA DATA POLIKOTOMUS Rezeki, Sri; Subanar, Subanar
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 4, No 2 (2004)
Publisher : Program Studi Statistika Unisba

Show Abstract | Original Source | Check in Google Scholar

Abstract

Model logistik untuk data respon yang mempunyai lebih dari dua kategori dikenal sebagai model regresi logistikpolikotomus atau model logit multinomial. Pendekatan lain yang dapat dilakukan untuk menganalisis data respon yangdemikian adalah dengan menggunakan model neural network (NN). Model feedforward neural network (FFNN)merupakan salah satu bentuk model NN yang dipandang sebagai suatu bagian dari kelompok model yang sangat fleksibeldan dapat digunakan untuk berbagai aplikasi. FFNN dengan satu hidden layer dan parameter/bobot yang digunakanbersama (shared weights) merupakan generalisasi dari model logit multinomial. Perbedaan utama diantara keduapendekatan tersebut adalah NN merupakan model nonparametrik, sehingga tidak membutuhkan asumsi awal tentangbentuk hubungan yang dimodelkan, sedangkan model logit multinomial merupakan model parametrik yang dalam hal inidapat mengalami bias spesifikasi model apabila asumsi tidak terpenuhi. Model logit multinomial mampu memberikantaksiran parameter yang dapat diinterpretasi dan statistik uji untuk mengetahui signifikansi taksiran parameter tersebut,sedangkan NN sangat sulit untuk interpretasi namun arsitektur jaringan dapat dengan mudah ditingkatkan untukmendapatkan hasil yang optimal. Model logit multinomial dan NN keduanya dapat digunakan untuk menyelesaikanmasalah klasifikasi, oleh karena itu makalah ini membahas tentang perbandingan ketepatan klasifikasi antara model logitmultinomial dengan NN menggunakan data simulasi. Hasil penelitian menunjukkan bahwa NN mampu memberikanketepatan klasifikasi yang lebih tinggi dibandingkan dengan model logit multinomial, baik pada data training maupun padadata testing.
Pendekatan Regresi Ordinal untuk Klasifikasi Tingkat Hidup Pekerja Otok, Bambang Widjanarko; Guritno, Suryo; Subanar, Subanar
STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 5, No 1 (2005)
Publisher : Program Studi Statistika Unisba

Show Abstract | Original Source | Check in Google Scholar

Abstract

Masalah klasifikasi (pengelompokkan) pada kelompok yang sudah diketahui pada umumnyamembatasi diri dalam melibatkan sejumlah peubah yang terkait, sehingga mengakibatkan hilangnyasebagian informasi yang justru berkonsekuensi dalam kesimpulan penelitian. Untuk itu upaya yangdilakukan untuk membatasi keterlibatan sejumlah peubah dalam penelitian harus melihat kerangkapermasalahan secara menyeluruh pada kelompok dalam peubah tersebut.Metode klasifikasi yang baik akan menghasilkan sedikit kesalahan klasifikasi atau peluangkesalahan alokasi yang kecil dan juga terpenuhinya asumsi seperti variansi sama pada kelompok.Sehingga diperlukan suatu kajian mengenai masalah klasifikasi dengan pendekatan regresi ordinaldan sebagai kriteria kestabilan klasifikasi digunakan Press-Q.Hasil penelitian menunjukkan bahwa analisis regresi ordinal merupakan suatu metode yangsangat baik dalam masalah klasifikasi dan dalam menentukan variabel yang mempengaruhi padakelompok dan interpretasi model. Selain itu fungsi peluang komulatif yang diperoleh mudahdiinterpretasikan untuk menjelaskan keterkaitan prediksi kedepan dalam pengelompokkan.Secara keseluruhan tingkat ketepatan prediksi model dengan analisis regresi ordinal untukmengelompokkan tingkat hidup pekerja yang dipengaruhi empat variabel (Pendidikan (X1), Statuspekerjaan (X2), Upah/Gaji Sebulan (X3) dan Status perkawinan (X4)) secara keseluruhan sebesar54.6%, dan pengaruh yang signifikan pada pendidikan adalah pendidikan SMA dan SMP, statuspekerjaan bulanan (berbanding terbalik), upah/gaji sebulan sebesar Rp 1.000.000 s/d Rp 1.500.000,dan status perkawinan yang sudah menikah.
THE EFFECT OF DECOMPOSITION METHOD AS DATA PREPROCESSING ON NEURAL NETWORKS MODEL FOR FORECASTING TREND AND SEASONAL TIME SERIES Subanar, Subanar; Suhartono, Suhartono
Jurnal Teknik Industri Vol 8, No 2 (2006): DECEMBER 2006
Publisher : Institute of Research and Community Outreach - Petra Christian University

Show Abstract | Original Source | Check in Google Scholar | Full PDF (221.66 KB)

Abstract

Recently, one of the central topics for the neural networks (NN) community is the issue of data preprocessing on the use of NN. In this paper, we will investigate this topic particularly on the effect of Decomposition method as data processing and the use of NN for modeling effectively time series with both trend and seasonal patterns. Limited empirical studies on seasonal time series forecasting with neural networks show that some find neural networks are able to model seasonality directly and prior deseasonalization is not necessary, and others conclude just the opposite. In this research, we study particularly on the effectiveness of data preprocessing, including detrending and deseasonalization by applying Decomposition method on NN modeling and forecasting performance. We use two kinds of data, simulation and real data. Simulation data are examined on multiplicative of trend and seasonality patterns. The results are compared to those obtained from the classical time series model. Our result shows that a combination of detrending and deseasonalization by applying Decomposition method is the effective data preprocessing on the use of NN for forecasting trend and seasonal time series.
Optimisasi Portofolio Mean-VaR di bawah CAPM Transformasi Koyck dengan Volatilitas Tak Konstan dan Efek Long Memory Sukono, Sukono; Subanar, Subanar; Rosadi, Dedy
Jurnal Teknik Industri Vol 12, No 2 (2010): DECEMBER 2010
Publisher : Institute of Research and Community Outreach - Petra Christian University

Show Abstract | Original Source | Check in Google Scholar | Full PDF (193.527 KB)

Abstract

In this paper we formulated mean-VaR portfolio optimization through CAPM Koyck transformation. We assumed that lagged of risk premium which have highly influence on stock returns is infinite, while model parameters decrease geometrically. We also assumed that rate of return in risk premium market index is not constant, in other word has a non-constant volatility rate, and also has a long memory effect. The later was analyzed using ARFIMA. Non constant volatility rate was modeled via GARCH model. The portfolio optimization was constructed using Langrangian multiplier and the Kuhn-Tucker theorem was employed to obtain the solution by the least square method. Finally, we provide a numerical example of the optimization model based on several stocks traded in Indonesian capital market.
Rancang Bangun Sistem “Permadi” : Peringatan Dini Serangan Hama Tanaman Padi Berbasis Data Historis Klimatologi Wahyono, Teguh; Subanar, Subanar
Jurnal Sistem Komputer Vol 2, No 1 (2012)
Publisher : Jurnal Sistem Komputer

Show Abstract | Original Source | Check in Google Scholar

Abstract

The dynamics of extreme climate change is happening lately it affects the intensity of pest attacks. Like other living creatures, live of pests affected by climatological factors such as temperature, humidity, rainfall and so forth. This study aims to develop an early warning model the emergence of the rice plant pests (PERMADI), especially rodents and WBC based on historical data of climatology. In this case, bayesian algorithm do statistical calculation depend on the input variables are temperature, humidity and rainfall. Output expected is early warnings the emergence of the rice plant pests using SMS Gateway. Case study of this research is taking the data from 6 (six) districts in Central Java (Sragen, Karanganyar, Wonogiri, Sukoharjo, Klaten and Boyolali).Permalink: http://jsiskom.undip.ac.id/index.php/jsk/article/view/21
Forecasting Interest Rate of Bank Indonesia Certificate Based on Multivariate Fuzzy Time Series Data Abadi, Agus Maman; Subanar, Subanar; Widodo, Widodo; Saleh, Samsubar
Jurnal ILMU DASAR Vol 11, No 2 (2010)
Publisher : Fakultas MIPA Universitas Jember

Show Abstract | Original Source | Check in Google Scholar | Full PDF (86.122 KB)

Abstract

The aim of this research is to establish a model for forecasting interest rate of Bank Indonesia Certificate (BIC)based on six-factors one-order fuzzy time series data where the main factor is interest rate of BIC and thesecondary factors are interest rate of deposit, exchange rate, deposit supply, inflation rate and money supply.Steps to forecasting interest rate of BIC are based on Wang’s method. The result of this research is thatprediction of interest rate of BIC using multivariate fuzzy time series model has higher accuracy than that usingneural network method with average forecasting error 3.1256% and MSE value = 0.2699.Keywords: Fuzzy set, fuzzy time series, forecasting, interest rate of BIC
Ordinal Regression Model using Bootstrap Approach Widjanarko Otok, Bambang; Akbar, M. Sjahid; Guritno, Suryo; Subanar, Subanar
Jurnal ILMU DASAR Vol 8, No 1 (2007)
Publisher : Fakultas MIPA Universitas Jember

Show Abstract | Original Source | Check in Google Scholar | Full PDF (225.538 KB)

Abstract

The aim of the research content three part, thus a to know misclassification and model discriminant analysis with bootstrap approach, model regression ordinal with bootstrap approach, and model MARS with bootstrap approach. The data used is data of secondary related to matrix variance covariance is same and unequal that is (The data worker standard of living and banking performance). The result of this research shows that in determining distinguishing variable between groups there are difference of variable at each method. This matter because of at each method has specification either from fulfilled of assumption and also estimation its. So also at accuracy of classification between groups there is difference especially at matrix of variance covariance unequal at worker standard of living case. As a whole can be concluded that the problem accuracy of classification bootstrap approach at each method give small mistake of goodness at matrix variance covariance unequal and equal.Keywords: classification, bootstrap, discriminant analysis, ordinal regression, MARS.
Statistical Inference for Modeling Neural Network in Multivariate Time Series Urwatul Wutsqa, Dhoriva; Subanar, Subanar; Guritno, Suryo; Soejoeti, Zanzawi
Jurnal ILMU DASAR Vol 9, No 1 (2008)
Publisher : Fakultas MIPA Universitas Jember

Show Abstract | Original Source | Check in Google Scholar | Full PDF (136.781 KB)

Abstract

We present a statistical procedure based on hypothesis test to build neural networks model in multivariate time series case. The method involved strategies for specifying the number of hidden units and the input variables in the model using inference of R2 increment. We draw on forward approach starting from empty model to gain the optimal neural networks model. The empirical study was employed relied on simulation data to examine the effectiveness of inference procedure. The result showed that the statistical inference could be applied successfully for modeling neural networks in multivariate time series analysis.