Hapsery, Alfisyahrina (2017) Regresi Kuantil Berbasis Model Rekursif dan Estimasi Sparsity Untuk Analisis Publikasi Dosen ITS di Scopus. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
1315201023-Master-Theses.pdf - Published Version Download (2MB) | Preview |
Abstract
Regresi kuantil adalah metode yang dikembangkan dari metode regresi untuk memodelkan data yang mempunyai sebaran tidak seragam. Dengan prinsip meminimumkan jumlah absolut residual yang dikenal dengan Least Absolute Deviation (LAD), regresi kuantil dapat mengetahui tingkat perubahan pada kuantil bersyarat yang dinyatakan dengan nilai koefisiennya. Tujuan dari penelitian ini yaitu mendapatkan estimasi titik regresi kuantil, taksiran interval dengan metode direct fungsi sparsity, dan menerapkan pada kasus riil. Direct fungsi sparsity adalah taksiran interval yang dapat menjelaskan penyebaran data dengan menggunakan ukuran kuantil sesuai sebaran data. Untuk mendapatkan estimator yang konsisten pada taksiran interval yang sempit perlu dilakukan algoritma yang sesuai yaitu simpleks. Algoritma simpleks merupakan algoritma yang paling stabil diantara algoritma lainnya. Regresi kuantil dalam penelitian ini diterapkan pada kasus publikasi dosen ITS di Scopus dimana variabel dependen yang digunakan adalah sitasi dan indeks h. Hasil studi simulasi menunjukkan bahwa residual yang homogen, pada regresi kuantil memiliki nilai intercept yang selalu naik, sedangkan nilai slope pada setiap kuantil sejajar. Untuk residual yang heterogen, pada regresi kuantil baik nilai intercept dan slope akan selalu naik. Hal ini sesuai dengan teori bahwa regresi kuantil dapat memodelkan sesuai dengan sebaran data. Hasil analisis regresi kuantil univariat diketahui bahwa Sitasi selalu berbanding lurus dengan jumlah dokumen dan jumlah co-authors. Selain itu, untuk regresi kuantil multivariabel jumlah dokumen berpengaruh terhadap sitasi dan indeks h hampir pada setiap kuantil. Untuk hasil secara keseluruhan diketahui bahwa regresi kuantil dapat memodelkan data publikasi dosen ITS di Scopus sesuai dengan sebaran data
===================================================================================
Quantile regression is a method developed from regression to model the data that have ununiform distribution. The principle of this method is least absolute deviation (LAD). This method can determine the rate of change in the conditional on X indicated in the coefficient. The purposes of this study are to get the parameter of the quantile regression, estimate interval by the method of direct function of sparsity, and appliying the real case on publication of ITS lecturers in Scopus. To obtain a consistent estimator on estimate interval, we have to use the appropriate algorithm that is simplex. Simplex algorithm is an algorithm which is the most stable among the others. The results of simulation studies indicate that homogen error in the quantile regression have the intercept values that always increase, where as the value of slope at each quantile is stable. For heterogen error , intercept and slope in quantile regression always increase in accordance with the theory. From the result of univariate quantile regression is known that the citation is always proportional to the number of documents and the number of co-authors. Beside, the result of multivariable quantile regression shows that number of documents affect to the citations and h index almost at each quantile. The result of applied studies on publication of ITS lecturers shows that this method can make the model relevant based on pattern of data
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Regresi Kuantil; Sparsity; Publikasi Dosen; Indeks h; Sitasi; Scopus; Quantile Regression; h index; Citation |
| Subjects: | H Social Sciences > HA Statistics Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression |
| Divisions: | Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | - ALFISYAHRINA HAPSERY |
| Date Deposited: | 09 Mar 2017 01:57 |
| Last Modified: | 06 Mar 2019 04:24 |
| URI: | http://repository.its.ac.id/id/eprint/3044 |
Actions (login required)
 |
View Item |