Article Per Year (5 Year)
p-Index From 2019 - 2024
0
P-Index
This Author published in this journals
All Journal Indonesian Journal of Mathematics and Natural Sciences Journal of the Indonesian Mathematical Society
Subanar -
Jurusan Matematika-FMIPA-Universitas Negeri Semarang
Mathematics

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
KONVERGENSI ESTIMATOR DALAM MODEL MIXTURE BERBASIS MISSING DATA Kartiko, S H; -, Subanar; Dwidayati, N
Jurnal MIPA Vol 37, No 1 (2014): April 2014
Publisher : Jurnal MIPA

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Model mixture dapat mengestimasi proporsi pasien yang sembuh (cured) dan fungsi survival pasien tak sembuh (uncured). Pada kajian ini, model mixture dikembangkan untuk  analisis cure rate berbasis missing data. Ada beberapa metode yang dapat digunakan untuk analisis missing data.  Salah satu metode yang dapat digunakan adalah Algoritma EM, Metode ini didasarkan pada dua langkah, yaitu: (1) Expectation Step dan (2) Maximization Step. Algoritma EM merupakan pendekatan iterasi untuk mempelajari model dari data dengan nilai hilang melalui empat  langkah, yaitu(1) pilih himpunan inisial dari parameter untuk sebuah model, (2) tentukan nilai ekspektasi untuk data hilang, (3) buat induksi parameter model baru dari gabungan nilai ekspekstasi dan data asli, dan (4) jika parameter tidak converged, ulangi langkah 2 menggunakan model baru. Berdasar kajian yang dilakukan dapat ditunjukkan bahwa pada algoritma EM, log-likelihood untuk missing data  mengalami kenaikan setelah dilakukan setiap iterasi dari algoritmanya. Dengan demikian berdasar algoritma EM, barisan likelihood konvergen jika likelihood terbatas ke bawah. Model mixture can estimate the proportion of recovering (cured) patients and function of survival but do not recover (uncured) patients. In this study, a model mixture has been developed to analyze the curing rate based on missing data. There are some methods applicable to analyze missing data. One of the methods is EM Algorithm, This method is based on two (2) steps, i.e.: ( 1) Expectation Step and ( 2) Maximization Step. EM Algorithm is an iteration approach to study the model from data with missing values in four (4) steps, i.e. (1) to choose initial set from parameters for a model, ( 2) to determine the expectation value for missing data, ( 3) to make induction for the new model parameter from the combined expectation values and the original data, and ( 4) if parameter is not converged, repeat step 2 using new model. The current study indicated that for the EM algorithm, the log-likelihood function of the missing data has increased after each iteration of the algorithm. Thereby based on the EM algorithm, the on-line likelihood is convergent if the likelihood is limited downwards.
KONVERGENSI ESTIMATOR DALAM MODEL MIXTURE BERBASIS MISSING DATA Dwidayati, N; Kartiko, SH; -, Subanar
Jurnal MIPA Vol 36, No 2 (2013): October 2013
Publisher : Jurnal MIPA

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak __________________________________________________________________________________________ Model mixture dapat mengestimasi proporsi pasien yang sembuh (cured) dan fungsi survival pasien tak sembuh (uncured). Pada kajian ini, model mixture dikembangkan untuk  analisis cure rate berbasis missing data. Ada beberapa metode yang dapat digunakan untuk analisis missing data. Salah satu metode yang dapat digunakan adalah Algoritma EM, Metode ini didasarkan pada 2 (dua) langkah, yaitu: (1) Expectation Step dan (2) Maximization Step. Algoritma EM merupakan pendekatan iterasi untuk mempelajari model dari data dengan nilai hilang melalui 4 (empat) langkah, yaitu(1) pilih himpunan inisial dari parameter untuk sebuah model, (2) tentukan nilai ekspektasi untuk data hilang, (3) buat induksi parameter model baru dari gabungan nilai ekspekstasi dan data asli, dan (4) jika parameter tidak converged, ulangi langkah 2 menggunakan model baru. Berdasar kajian yang dilakukan dapat ditunjukkan bahwa pada algoritma EM, log-likelihood untuk missing data mengalami kenaikan setelah dilakukan setiap iterasi dari algoritmanya. Dengan demikian berdasar algoritma EM, barisan likelihood konvergen jika likelihood terbatas ke bawah.   Abstract __________________________________________________________________________________________ Model mixture can estimate proportion of recovering patient  and function of patient survival do not recover. At this study, model mixture developed to analyse cure rate bases on missing data. There are some method which applicable to analyse missing data. One of method which can be applied is Algoritma EM, This method based on 2 ( two) step, that is: ( 1) Expectation Step and ( 2) Maximization Step. EM Algorithm is approach of iteration to study model from data with value loses through 4 ( four) step, yaitu(1) select;chooses initial gathering from parameter for a model, ( 2) determines expectation value for data to lose, ( 3) induce newfangled parameter from value aliance ekspekstasi and original data, and ( 4) if parameter is not converged, repeats step of 2 to apply newfangled.  Based on study done able to be indicated that to algorithm EM, log-likelihood for missing data experiences increase after done every iteration from its (the algorithm). Thereby based on algorithm EM, line likelihood convergent if limited likelihood downwards
SECOND ORDER LEAST SQUARE ESTIMATION ON ARCH(1) MODEL WITH BOX-COX TRANSFORMED DEPENDENT VARIABLE Utami, Herni; -, Subanar
Journal of the Indonesian Mathematical Society Volume 19 Number 2 (October 2013)
Publisher : IndoMS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22342/jims.19.2.166.99-110

Abstract

Box-Cox transformation is often used to reduce heterogeneity and to achieve a symmetric distribution of response variable. In this paper, we estimate the parameters of Box-Cox transformed ARCH(1) model using second-order leastsquare method and then we study the consistency and asymptotic normality for second-order least square (SLS) estimators. The SLS estimation was introduced byWang (2003, 2004) to estimate the parameters of nonlinear regression models with independent and identically distributed errors.DOI : http://dx.doi.org/10.22342/jims.19.2.166.99-110
KONVERGENSI ESTIMATOR DALAM MODEL MIXTURE BERBASIS MISSING DATA Dwidayati, N; Kartiko, SH; -, Subanar
Indonesian Journal of Mathematics and Natural Sciences Vol 36, No 2 (2013): October 2013
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak __________________________________________________________________________________________ Model mixture dapat mengestimasi proporsi pasien yang sembuh (cured) dan fungsi survival pasien tak sembuh (uncured). Pada kajian ini, model mixture dikembangkan untuk  analisis cure rate berbasis missing data. Ada beberapa metode yang dapat digunakan untuk analisis missing data. Salah satu metode yang dapat digunakan adalah Algoritma EM, Metode ini didasarkan pada 2 (dua) langkah, yaitu: (1) Expectation Step dan (2) Maximization Step. Algoritma EM merupakan pendekatan iterasi untuk mempelajari model dari data dengan nilai hilang melalui 4 (empat) langkah, yaitu(1) pilih himpunan inisial dari parameter untuk sebuah model, (2) tentukan nilai ekspektasi untuk data hilang, (3) buat induksi parameter model baru dari gabungan nilai ekspekstasi dan data asli, dan (4) jika parameter tidak converged, ulangi langkah 2 menggunakan model baru. Berdasar kajian yang dilakukan dapat ditunjukkan bahwa pada algoritma EM, log-likelihood untuk missing data mengalami kenaikan setelah dilakukan setiap iterasi dari algoritmanya. Dengan demikian berdasar algoritma EM, barisan likelihood konvergen jika likelihood terbatas ke bawah.   Abstract __________________________________________________________________________________________ Model mixture can estimate proportion of recovering patient  and function of patient survival do not recover. At this study, model mixture developed to analyse cure rate bases on missing data. There are some method which applicable to analyse missing data. One of method which can be applied is Algoritma EM, This method based on 2 ( two) step, that is: ( 1) Expectation Step and ( 2) Maximization Step. EM Algorithm is approach of iteration to study model from data with value loses through 4 ( four) step, yaitu(1) select;chooses initial gathering from parameter for a model, ( 2) determines expectation value for data to lose, ( 3) induce newfangled parameter from value aliance ekspekstasi and original data, and ( 4) if parameter is not converged, repeats step of 2 to apply newfangled.  Based on study done able to be indicated that to algorithm EM, log-likelihood for missing data experiences increase after done every iteration from its (the algorithm). Thereby based on algorithm EM, line likelihood convergent if limited likelihood downwards
KONVERGENSI ESTIMATOR DALAM MODEL MIXTURE BERBASIS MISSING DATA Dwidayati, N; Kartiko, S H; -, Subanar
Indonesian Journal of Mathematics and Natural Sciences Vol 37, No 1 (2014): April 2014
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Model mixture dapat mengestimasi proporsi pasien yang sembuh (cured) dan fungsi survival pasien tak sembuh (uncured). Pada kajian ini, model mixture dikembangkan untuk  analisis cure rate berbasis missing data. Ada beberapa metode yang dapat digunakan untuk analisis missing data.  Salah satu metode yang dapat digunakan adalah Algoritma EM, Metode ini didasarkan pada dua langkah, yaitu: (1) Expectation Step dan (2) Maximization Step. Algoritma EM merupakan pendekatan iterasi untuk mempelajari model dari data dengan nilai hilang melalui empat  langkah, yaitu(1) pilih himpunan inisial dari parameter untuk sebuah model, (2) tentukan nilai ekspektasi untuk data hilang, (3) buat induksi parameter model baru dari gabungan nilai ekspekstasi dan data asli, dan (4) jika parameter tidak converged, ulangi langkah 2 menggunakan model baru. Berdasar kajian yang dilakukan dapat ditunjukkan bahwa pada algoritma EM, log-likelihood untuk missing data  mengalami kenaikan setelah dilakukan setiap iterasi dari algoritmanya. Dengan demikian berdasar algoritma EM, barisan likelihood konvergen jika likelihood terbatas ke bawah. Model mixture can estimate the proportion of recovering (cured) patients and function of survival but do not recover (uncured) patients. In this study, a model mixture has been developed to analyze the curing rate based on missing data. There are some methods applicable to analyze missing data. One of the methods is EM Algorithm, This method is based on two (2) steps, i.e.: ( 1) Expectation Step and ( 2) Maximization Step. EM Algorithm is an iteration approach to study the model from data with missing values in four (4) steps, i.e. (1) to choose initial set from parameters for a model, ( 2) to determine the expectation value for missing data, ( 3) to make induction for the new model parameter from the combined expectation values and the original data, and ( 4) if parameter is not converged, repeat step 2 using new model. The current study indicated that for the EM algorithm, the log-likelihood function of the missing data has increased after each iteration of the algorithm. Thereby based on the EM algorithm, the on-line likelihood is convergent if the likelihood is limited downwards.
Co-Authors Herni Utami N Dwidayati S H Kartiko SH Kartiko