PERBANDINGAN HASIL ESTIMASI MODEL REGRESI LOGISTIK BINER MENGGUNAKAN METODE MAXIMUM LIKELIHOOD DAN METODE WEIGHTED LEAST SQUARE

Sofia Utami Dewi Saputri, 080710447 (2012) PERBANDINGAN HASIL ESTIMASI MODEL REGRESI LOGISTIK BINER MENGGUNAKAN METODE MAXIMUM LIKELIHOOD DAN METODE WEIGHTED LEAST SQUARE. Skripsi thesis, UNIVERSITAS AIRLANGGA.

[img]
Preview
Text
SAPUTRI, SOFIA UD.pdf

Download (2MB) | Preview
Official URL: http://lib.unair.ac.id

Abstract

Tujuan dari penulisan skripsi ini adalah untuk membandingkan hasil estimasi model regresi logistik biner dengan menggunakan metode Maximum likelihood dan metode Weighted least square. Proses estimasinya menggunakan algoritma Newton raphson dan Iteratively reweighted least square. Untuk penerapan pada data dibuat program menggunakan Software S-PLUS 2000 Perbandingan hasil estimasi model regresi logistik biner dengan menggunakan metode Maximum likelihood dan metode Weighted least square diterapkan pada data uji efektivitas larvasida ekstrak ethanol daun Mimba (Azadirachta indica) terhadap larva Aedes aegypti. Variabel respon yang digunakan adalah jumlah kematian larva Aedes aegypti (Y), sedangkan variabel prediktor yang digunakan adalah konsentrasi ekstrak ethanol daun Mimba (X1) dan lama waktu pengamatan (X2). Dari hasil analisa data diperoleh bahwa metode yang baik adalah metode Maximum likelihood dengan nilai Mean Square Error (MSE) dan Apparent Rate Error (APPER) yang terkecil , yaitu sebesar 0,6566313 dan 4,44%.

Item Type: Thesis (Skripsi)
Additional Information: KKC KK MPM 72 - 12 Sap p
Uncontrolled Keywords: MAXIMUM LIKELIHOOD
Subjects: Q Science
Divisions: 08. Fakultas Sains dan Teknologi
Creators:
CreatorsNIM
Sofia Utami Dewi Saputri, 080710447UNSPECIFIED
Contributors:
ContributionNameNIDN / NIDK
Thesis advisorToha Saifudin,, S.Si, M.SiUNSPECIFIED
Thesis advisorSuliyanto,, Drs. M.Si.UNSPECIFIED
Depositing User: Agung BK
Date Deposited: 01 Feb 2013 12:00
Last Modified: 15 Aug 2016 09:40
URI: http://repository.unair.ac.id/id/eprint/25721
Sosial Share:

Actions (login required)

View Item View Item