Perbandingan model regresi distribusi eksponensial yang dipangkatkan dengan model probit link dan logit link dengan data kategori

Sugiarti, Dede (2019) Perbandingan model regresi distribusi eksponensial yang dipangkatkan dengan model probit link dan logit link dengan data kategori. Diploma thesis, UIN Sunan Gunung Djati Bandung.

[img]
Preview
Text (COVER)
Cover_Dede Sugiarti_1157010016.pdf

Download (127kB) | Preview
[img]
Preview
Text (ABSTRAK)
ABSTRAK_Dede Sugiarti_1157010016.pdf

Download (180kB) | Preview
[img]
Preview
Text (DAFTAR ISI)
DAFTAR ISI_Dede Sugiarti_1157010016.pdf

Download (205kB) | Preview
[img]
Preview
Text (BAB I)
BAB I_Dede Sugiarti_1157010016.pdf

Download (372kB) | Preview
[img] Text (BAB II)
BAB II_Dede Sugiarti_1157010016.pdf
Restricted to Registered users only

Download (401kB) | Request a copy
[img] Text (BAB III)
BAB III_Dede Sugiarti_1157010016.pdf
Restricted to Registered users only

Download (773kB) | Request a copy
[img] Text (BAB IV)
BAB IV_Dede Sugiarti_1157010016.pdf
Restricted to Registered users only

Download (439kB) | Request a copy
[img] Text (BAB V)
BAB V_Dede Sugiarti_1157010016.pdf
Restricted to Registered users only

Download (240kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA_Dede Sugiarti_1157010016.pdf
Restricted to Registered users only

Download (194kB) | Request a copy

Abstract

INDONESIA Dalam berbagai bidang yaitu bidang sosial, biologi, dan ekonomi, masalah statistik estimasi variabel respon biner mempunyai peran yang sangat penting. Variabel respon biner merupakan variabel respon yang memiliki dua kemungkinan kejadian, misal untuk menunjukkan “sukses” dan “gagal”. Metode yang dapat digunakan untuk menangani masalah tersebut salah satunya adalah Generalized Linier Models (GLM). Komponen utama dalam Generalized Linier Models (GLM) adalah fungsi link. Fungsi link merupakan fungsi yang menghubungkan antara prediktor linier dengan nilai tengah respon. Fungsi link paling umum yang digunakan untuk analisis data kategori dengan metode Generalized Linier Models (GLM) ada dua jenis yaitu Logit link dan Probit link. Skripsi ini akan memperkenalkan fungsi link yang dibangun dari fungsi distribusi Eksponensial yang dipangkatkan oleh tiga parameter. Estimasi parameter model dilakukan dengan menggunakan metode Maximum Likelihood Estimation (MLE). Selanjutnya, dilakukan pula pengujian terhadap studi kasus untuk mengetahui efisiensi model yang diusulkan dengan menggunakan metode Bayesian Information Criterion (BIC) dan Akaike Information Criterion (AIC). ENGLISH In all the societal, biological and economic spheres, the problem of binary response variable estimates is very important. A binary response variable is response variable that click on two possible occurrences, examples of “succes” and “failure”. So the problem can be solved using statistical model for one of them Generalized Linear Models (GLM). The main component in GLM is the link function. The link function is a function that connects linear predictors with the response mean. The two most commonly used link functions for the analysis of categorical data with the GLM method are logit link and probit link. This thesis introduces the link function which is built from the two-parameter Weibull distribution function. The Maximum Likelihood Estimation (MLE) method is used to estimate the Exponential Exponentiated distribution regression model parameters raised for categorical data. To find out the efficiency of the proposed model, a case study was carried out to apply the method created.

Item Type: Thesis (Diploma)
Uncontrolled Keywords: Distribusi Eksponensial yang dipangkatkan; Generalized Linier Models (GLM); Fungsi Link; Data Kategori; Maximum Likelihood Estimation (MLE);
Subjects: Educational Institutions, Schools and Their Activities
General Management
Divisions: Fakultas Sains dan Teknologi > Program Studi Matematika
Depositing User: dede sugiarti
Date Deposited: 07 Jan 2020 07:38
Last Modified: 07 Jan 2020 07:38
URI: http://digilib.uinsgd.ac.id/id/eprint/28619

Actions (login required)

View Item View Item