B.
Untuk
me
Review
re
Fungsi
Spl
C.
Mata
kul
D.
Deskripsi
Kemampuan
Penguasaan
p
Kemampuan
Kemampuan
Sikap
dan
tat
ncapai
CP
di
atas
d
egresi
parametrik
d
ine,
Kernel,
Deret
liah
Prasyarat
:
A
i
CP
secara
umum
pengetahuan
kerja
m
manjerial
ta
nilai
diperlukan
POKOK
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
K
BAHASAN
sebaga
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
ai
berikut
:
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.
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
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
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.
CIDLSP Tes Tug
CIDLSP Tes Tug
(1)
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
(2)
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
(3)
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.
(4)
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
(5)
[1], Bab 4
[5], Bab 7
[1], Bab 4 [2], Bab 5 [3], Bab 3 [5], Bab 4 [4], Bab 3 [5], Bab 3
(6)
CIDLSP Tes Tug
CIDLSP Tes Tug
CIDLSP
Tes Tug
(7)
(9)
s Tulis, gas Soal.
15% / 50
s Tulis, gas Soal.
10% / 60
s Tulis, gas Soal.
10% / 70
)
0%
0%
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 odelkan
ungan pola erbagai
n pendekatan rametrik.
Mam
gembangkan i
k sederhana, el regresi
Mam
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
(4)
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.
CIDLSP
Tes Tug
CIDLSP Tes Tug
P
(1)
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
(2)
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
(3)
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.
(4)
AS
ork.
els, Chapman and Ha
ty Presss, New York
(5)
all, London.
(6)
