Mega Paket CD Interaktif

Jasa Pembuatan Skripsi

Jasa Pembuatan Skripsi
Jasa Pembuatan Skripsi

Thursday, October 3, 2013

Download Skripsi Gratis Matematika: stimasi Model Regresi Linier dengan Pendekatan Bayes

 Secara umum outlier dapat diartikan sebagai data yang tidak mengikuti pola umum model dan berjarak tiga kali simpangan baku atau lebih dari rata-rata (yaitu nol). Outlier merupakan salah satu faktor yang dapat mempengaruhi pendugaan parameter pada model regresi linier. Pada penelitian ini bertujuan untuk menduga parameter model regresi linier dengan pendekatan Bayes dan diharapkan dapat membantu para peneliti di dalam memilih metode penduga parameter untuk menghasilkan model terbaik. Metode yang digunakan dalam menduga parameter dalam model regresi linier ini adalah metode Bayes yang akan diimplementasikan secara numerik melalui pendekatan Markov Chain Monte Carlo (MCMC) pada program WinBUGS. Metode Bayes memberikan hasil pendugaan yang lebih baik daripada pendugaan metode klasik. Hal ini disebabkan karena dalam metode klasik hanya berdasarkan informasi dari data sampel dan tidak mempertimbangkan informasi dari sebaran sebelumnya (prior). Hasil dari penelitian ini didapatkan joint posterior        2 1 2 1 1 ˆ ˆ exp 2 n vs                         XX . Hasil joint posterior tersebut akan digunakan sebagai awalan dalam membangun MCMC untuk model regresinya. MCMC khususnya Gibbs Sampler yang digunakan disini akan menirukan proses Markov yang mencatat proses sekarang akan dipengaruhi satu step proses sebelumnya. Keberhasilan peningkatan akurasi suatu model akan ditunjukkan pada suatu contoh kasus data dengan membandingkan hasil pemodelan dengan cara Ordinary Least Square (OLS) yang diimplementasikan melalui MINITAB dan dengan cara Bayes melalui WinBUGS. Dari hasil pemodelan tersebut menunjukkan metode Bayes MCMC lebih baik dibandingkan Ordinary Least Square (OLS). Hal ini disebabkan karena Mean Square Error (MSE) dalam OLS jauh lebih besar yaitu 17.29 daripada Mean Square Error (MSE) dalam Bayes MCMC yaitu 8.316.



Artikel Terkait: