Review re Fungsi Spl
C. Mata kul
D. Deskripsi Kemampuan Penguasaan p
Kemampuan
Kemampuan
Sikap dan tat
egresi parametrik d ine, Kernel, Deret liah Prasyarat : A i CP secara umum
pengetahuan
kerja
m manjerial ta nilai
dan dasar‐dasar fi Fourier, dan Polino Analisis Regresi
m KKNI Level 6 : Deskripsi
6.1 Mampu mema lokal).
6.2 Mampu memb 6.3. Mampu memo mampu memilih
model terbaik.
6.4 Mampu meng 6.5 Mampu berko 6.6 Bertanggung j 6.7 Memiliki Etika
losofinya, konsep omial Lokal, memo
ahami konsep dasa bedakan regresi pa odelkan data berpa .
gambil keputusan y oordinasi sesama te
awab pada pekerja a Profesi, mengharg
dasar regresi non odelkan perilaku da
ar regresi parametr arametrik dan regre
asangan mengguna
yang tepat menggu eman dalam berba aan mandiri dan ke gai orang lain, patu
parametrik dan pe ata berdasarkan pe
rik, regresi nonpara esi nonparametrik, akan model regres
unakan berbagai m gi tugas secara kel elompok.
uh aturan, cerdas a
erbedaanya denga endekatan regresi n
ametrik (Spline, Ke , serta penggunaan i nonparametrik ya
metode regresi non ompok.
amanah kreatif.
an regresi paramet nonparametrik yan
ernel, Deret fourier nnya dalam pemod ang sesuai dengan
parametrik sesuai
trik, Pengertian te ng sesuai.
r dan Polinomial delan.
pola data, serta
dengan pola data.
entang
1-3 6.1 6.2 6.3 6.5 6.6 6.7
4-7 6.1
6.5 6.6 6.7
8-9 6.1 6.5 6.6 6.7
1. Mampu mema konsep Konse regresi param nonparametrik mampu memb regresi param nonparametrik 2. Mampu melak estimasi kurva nonparametrik
3. Mampu melak estimasi kurva nonparametrik
ahami ep dasar metrik dan
k dan bedakan metrik dan
k
1. Ma dat dan 2. Ma dat reg mo non kukan
a regresi k Spline.
1. Ma param mo
den ML 2. Ma mo kukan
a regresi k Kernel.
Mam kurva Kerne
ampu menyelidiki po ta yang berpola terten n tidak berpola.
ampu mengidentifika ta yang mengikuti mo gresi parametrik dan odel regresi
nparametrikl.
ampu mencari estima meter
odel regresi spline ngan metode LS, PLS LE ataupun PL.
ampu mencari estima odel regresi spline.
mpu mencari estimasi a regresi nonparametr
el
ola ntu asi
odel
Konsep parame nonpar perbed parame .
asi
S, asi
Estima nonpar pendek
Estima nonpar pendek i
rik
p dasar regresi etrik dan rametrik, serta daan dengan regresi
etrik.
asi kurva regresi rametrik dengan katan Spline.
asi kurva regresi rametrik dengan katan Kernel.
[1], Bab 1-7 [3], Bab 2-3
[1], Bab 3-7 [6], Bab 2
[3] Bab 3-4 [4], Bab 2-5
CIDLSP Tes Tug
CIDLSP Tes Tug
CIDLSP Tes Tug
s Tulis, gas Soal
10% / 10
s Tulis, gas Soal
15% / 25
s Tulis, gas Soal.
10% / 35 0%
5%
5%
10-11 6.1 6.5 6.6 6.7
12-14 6.1 6.5 6.6 6.7 15-16
17-16 6.1 6.3 6.4 6.5 6.6 6.7
4. Mampu melak estimasi kurva nonparametrik Fourier.
5. Mampu melak estimasi kurva nonparametrik Polinomial Lo
6. Mampu mema konsep dasar knot dan para penghalus (ba dalam regresi nonparametrik kernel, deret f polinomial lok
kukan a regresi k Deret
Mam mode
kukan a regresi k okal
Mam mode Loka
ahami tentang titik ameter andwith)
k spline, fourier dan kal.
Mam konse 1. Tit 2. Pa (band
mpu mencari estimasi el regresi Deret Fouri
mpu mencari estimasi el regresi Polinomial al
mpu memahami peran ep dasar tentang : tik knot.
arameter penghalus dwith)
ier
Estima nonpar pendek
Estimasi kurv nonparametri pendekatan P
ET n dan Konsep dasar dan paramete (bandwith) d nonparametri deret fourier lokal.
asi kurva regresi rametrik dengan katan Deret Fourier.
va regresi ik dengan Polinomial Lokal
TS
r tentang titik knot er penghalus dalam regresi
ik spline, kernel, dan polinomial
[1], Bab 4
[5], Bab 7
[1], Bab 4 [2], Bab 5 [3], Bab 3 [5], Bab 4 [4], Bab 3 [5], Bab 3
CIDLSP Tes Tug
CIDLSP Tes Tug
CIDLSP
Tes Tug
s Tulis, gas Soal.
15% / 50
s Tulis, gas Soal.
10% / 60
s Tulis, gas Soal.
10% / 70 0%
0%
0%
17-20 6.1 6.3 6.4 6.5 6.6 6.7
21-24 6.1 6.3 6.4 6.5 6.6 6.7
25-28 6.1 6.3 6.4 6.5
7. Mampu memi knot dan para penghalus (ba optimal dalam nonparametrik berbagai meto
8. Mampu memo berbagai hubu data dalam be bidang ilmu menggunakan regresi nonpar
9. Mampu meng model regresi nonparametrik menjadi mode
ilih titik ameter andwith) m regresi k dengan ode.
Mam metod 1. GC 2. CV 3. GM 4. UB Dalam dan p (band regre odelkan
ungan pola erbagai n pendekatan
rametrik.
Mam berba dalam meng nonpa 1. Sp 2. Ke 3. De 3. Po gembangkan i
k sederhana, el regresi
Mam mode seder mode
mpu menggunakan de:
CV V ML BR
m memilihan titik kn parameter penghalus dwith) optimal dalam
si nonparametrik mpu memodelkan
agai hubungan pola d m dunia nyata ggunakan regresi
arametrik : line, ernel,
eret Fourier dan linomial Lokal.
mpu mengembangkan el regresi nonparamet rhana menjadi model- el :
not m
Pemilihan tit parameter pe optimal dalam nonparametri metode
data
Aplikasi mod nonparametri Deret Fourier Lokal.
trik -
Model regres multivariabel Data longitud semiparamet
tik knot dan enghalus (bandwith)
m regresi ik dengan berbagai
del regresi ik Spline, Kernel, r dan Polinomial
si nonparametrik l, multirespon dan dinal, serta regresi trik.
[1], Bab 4 [2], Bab 5 [3], Bab 3 [5], Bab 4 [4], Bab 4 [5], Bab 3
[1], Bab 4 [2], Bab 5 [3], Bab 3 [5] Bab 4 [4], Bab 3-4 [5], Bab 3
[5], Bab 5
CIDLSP
Tes Tug
CIDLSP Tes Tug
CIDLSP Tes Tug
s Tulis, gas Soal.
10% / 80
s Tulis, gas Soal.
10% / 90
s Tulis, gas Soal.
10% / 10 0%
0%
00%
P
6.6 6.7
29-30 Pustaka :
1. Eubank, R.L., 19 2. Green, P.J. and 3. Hardle, W., 199 4. Hardle, W., 199 5. Rupert, D., Wa 6. Wahba, G., 199
nonparametrik kompleks.
988, Spline Smoothin d Silverman, B.W., 19 90, Applied Nonpara 91, Smoothing Techn and, M.P, and Carrol, 90, Spline Models for
k yang lebih 1. Mo non mu 2. Mo non dan 3. Mo non lon 4. Mo Semi
ng and Nonparametri 994, Nonparametric R ametric Regression, C niques With Implemen R.J., 2003, Semipara r Observational Data
odel regresi nparametrik ultivariabel, odel regresi nparametrik multires n
odel regresi nparametrik untuk D ngitudinal
odel regresi parametrik.
ic Regression, Marce Regression and Gene Cambridge University ntation in S, Spinger ametric Regression, C a, SIAM: Pensylvania
spon
Data
EA
el Dekker Ins, New Yo eralized Linear Mode y Press, New York.
Verlag, New York.
Cambridge Universit a.
AS
ork.
els, Chapman and Ha
ty Presss, New York
all, London.
