Model Log-Linier dan Regresi Logistik
|
|
- Ida Darmali
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Model Log-Linier dan Regresi Logistik Julio Adisantoso, G /STK 26 Mei 2010 Ringkasan Regresi log-linier adalah suatu pendekatan pemodelan linier terampat yang dapat digunakan untuk data yang menyebar Poisson. Model log-linier merupakan pengembangan dari analisis tabel silang dua arah atau lebih dimana terdapat hubungan antara dua atau lebih variabel kategori yang dianalisis menggunakan logaritme alami terhadap setiap isi sel dalam tabel. Hasil analisis menunjukkan bahwa model log-linier yang melibatkan tiga variabel untuk data tabel tiga arah dengan interaksi dua level merupakan model yang sesuai dibanding hanya menggunakan model additive sempurna. Model ini juga memberikan hasil dugaan yang relatif sama dengan model regresi logistik nominal dengan menggunakan fungsi hubung logit, baik berdasarkan hasil analisis numerik terhadap data contoh maupun berdasarkan tinjauan matematis. 1 Pendahuluan Hasil pengukuran suatu variabel sering mempunyai ciri berupa dua atau lebih kemungkinan nilai yang dikenal sebagai variabel kategorik. Variabel kategorik yang tidak memiliki urutan disebut sebagai variabel nominal sedangkan yang memiliki urutan disebut variabel ordinal. Kedua jenis variabel ini, baik nominal maupun ordinal sering disebut juga sebagai variabel multinomial. Dalam analisis data dimana variabel respon adalah nominal, digunakan suatu metode yang merupakan pengembangan dari regresi logistik dan dikenal sebagai regresi logistik nominal atau nominal logistic regression, sedangkan untuk variabel respon ordinal digunakan regresi logistik ordinal atau atau nominal logistic regression (McCullagh & Nelder, 1983). Pada keadaan tertentu, variabel respon yang berupa frekuensi mengikuti sebaran Poisson. Dalam analisis data dimana variabel respon adalah frekuensi dengan sebaran Poisson, digunakan model Poisson dan log-linier (Dobson, 2001). Fakta menunjukkan bahwa sebaran binomial maupun multinomial dapat diturunkan dari sebaran peubah acak Poisson yang saling bebas. Oleh karena terdapat hubungan antara model multinomial untuk proporsi dan model log-linier untuk frekuensi. Makalah ini akan mengkaji perbandingan antara model log-linier dan model multinomial dengan menggunakan data pada buku Dobson (2001) bab
2 2 2 Model Ketika variabel respon berupa nilai kategori dengan dua atau lebih kategori, terdapat dua pendekatan yang dapat dilakukan dalam model linier terampat. Pertama adalah menggunakan model regresi logistik dari respon dikotomus dan model regresi nominal atau ordinal untuk lebih dari dua kategori, yang keduanya disebut sebagai regresi logistik multinomial. Pendekatan kedua adalah menggunakan model log-linier untuk respon frekuensi yang mengikuti sebaran Poisson. 2.1 Regresi Logistik Multinomial Regresi logistik multinomial (nominal dan ordinal) merupakan salah satu pendekatan pemodelan yang dapat digunakan untuk mendeskripsikan hubungan beberapa variabel kovariat X dengan suatu variabel respon multinomial (polytomous). Model regresi logistik nominal digunakan ketika tidak ada urutan di antara kategori respon. Satu kategori diantaranya dipilih sebagai kategori acuan. Misalnya terdapat J kategori respon dan kategori 1 sebagai acuan, maka model logit untuk kategori selain kategori acuan dapat dituliskan sebagai ( ) πj logit(π j ) = log = x T j β j, untuk j = 2,..., J (1) π 1 Terdapat (J 1) persamaan logit digunakan secara simultan untuk menduga parameter β j sehingga penduga linier dari x T j β j dapat dihitung. Dari persamaan (1) dapat diperoleh π j = π 1 exp ( x T j β j ) Karena π 1 + π π J = 1, maka dapat diperoleh 1 π 1 = 1 + J j=2 exp ( x T β ) j j π j = exp ( x T j β j ) 1 + J j=2 exp ( x T j β j ), untuk j = 2,..., J (2) Jika ada urutan pada kategori respon (respon ordinal) maka model yang digunakan adalah regresi logistik ordinal. Misalkan z adalah variabel kontinu yang dapat dipotong-potong dengan titik-titik C 1,..., C J 1 untuk mendefinisikan J kategori ordinal yang masing-masing dengan peluang π 1,..., π J dimana J j=1 π j = 1. Ada beberapa model yang dapat digunakan untuk regresi logistik ordinal ini, antara lain model logit kumulatif, proportional odds, adjacent categories logit, dan continuation ratio logit. Cumulative odds untuk kategori ke-j adalah P (z C j P (z > C j = π π j π j π J
3 2.2 Regresi Log-Linier 3 sehingga model kumulatif logit adalah ( ) π π j log = x T j β j (3) π j π J Jika penduga linier x T j β j pada persamaan (3) memiliki intercept β 0j untuk kategori ke-j tetapi variabel kovariat tidak tergantung pada j, maka digunakan model proportional odds, yaitu ( ) π π j log = β 0j + β 1 x β p 1 x p 1 (4) π j π J Alternatif lainnya dari model kumulatif odd adalah rasio dari peluang sukses untuk kategori yang bersebelahan, yaitu sehingga model adjacent logit menjadi log π 1 π 2, π 2 π 3,..., π J 1 π J ( πj π j+1 ) = x T j β j (5) Model rasio peluang lainnya adalah π 1 π 2, π 1 + pi 2 π 3,..., π π J 1 π J atau π 1 pi 2,,..., π J 1 π π J π π J π J sehingga model logit rasio menjadi ( ) log π j π j π J = x T j β j (6) 2.2 Regresi Log-Linier Misalkan Y 1, Y 2,..., Y N adalah peubah acak saling bebas dimana Y i adalah jumlah kejadian dari frekuensi n i untuk kovariat ke-i. Nilai harapan dari Y i dapat ditulis sebagai E(Y i ) = µ i = n i θ i
4 2.2 Regresi Log-Linier 4 Pengaruh θ i dalam variabel penjelas biasanya dimodelkan sebagai θ i = e xt i β sehingga model linier terampat menjadi E(Y i ) = µ i = n i e xt i β, dimana Y i P oisson(µ i ) Dengan menggunakan fungsi hubung log, maka diperoleh log µ i = log n i + x T i β (7) Misalkan data frekuensi dalam tabulasi silang dua dimensi dinotasikan sebagai Y jk, yaitu frekuensi untuk sel ke-(j, k) dimana j=1,...,j dan k=1,...,k sedemikian sehingga J Kk=1 j=1 Y jk = n. Jika Y jk adalah peubah acak saling bebas yang mengikuti sebaran Poisson dengan parameter E(Y jk ) = µ jk, maka jumlahnya akan mengikuti sebaran Poisson dengan parameter E(n) = µ = µ jk. Dengan demikian, sebaran peluang bersama dari Y jk merupakan sebaran multinomial, yaitu J K θ y jk jk f(y n) = n! y jk! j=1 k=1 dimana θ jk = µ jk /µ, yang dapat diartikan sebagai peluang pengamatan pada sel ke-(j, k) dari tabel silang dua dimensi. Nilai harapan dari Y jk adalah E(Y jk ) = µ jk = nθ jk Dengan fungsi hubung log maka diperoleh log µ jk = log n + log θ jk Oleh karena itu, dengan fungsi hubung log diperoleh komponen linier log E(Y i ) = konstanta + x T i β (8) Pengertian model log-linier digunakan untuk menjelaskan semua model linier terampat pada persamaan (8) ini. Jika tidak ada hubungan antara dua variabel (baris dan kolom pada tabel) atau saling bebas, maka peluang bersama θ jk adalah hasil kali dari peluang marjinalnya, yaitu θ jk = θ j. θ.k, untuk j = 1,..., J dan k = 1,..., K.
5 2.2 Regresi Log-Linier 5 Uji hipotesis dilakukan dengan membandingkan model aditif log E(Y jk ) = log n + log θ j. + log θ.k (9) dengan log E(Y jk ) = log n + log θ jk (10) Hal ini sama dengan sidik ragam (ANOVA) untuk percobaan dua faktor tanpa ulangan sehingga persamaan (10) dapat dianalogikan sebagai log E(Y jk ) = µ + α j + β k + (αβ) jk dan persamaan (9) dapat dianalogikan sebagai dan model minimalnya adalah log E(Y jk ) = µ + α j + β k log E(Y jk ) = µ Tabel 1: Tabel silang dua arah Y dan X Y J 1 X 0 µ 00 µ µ 0,J 1 1 µ 10 µ µ 1,J I 1 µ I 1,0 µ I 1,1... µ I 1,J 1 Sebagai contoh, Tabel 1 menunjukkan tabel silang dua arah Y (ada J kategori) dan X (ada I kategori). Maka model log-linier penuh (saturated) dapat dituliskan sebagai log(µ ij ) = µ + α X i + β Y j + (αβ) XY ij µ ij = e µ+αx i +βy j +(αβ)xy ij (11) dimana µ adalah rata-rata umum, αi X adalah pengaruh baris, βj Y adalah pengaruh kolom, dan (αβ) XY ij adalah pengaruh interaksi baris dan kolom. Pada keadaan tertentu, ada beberapa parameter yang membutuhkan kendala, salah satunya adalah kendala sudut (corner constraints), yaitu α0 X = β0 Y = αi0 XY = β0j XY = 0 untuk semua i dan j. Sebagai contoh, untuk I = J = 2, maka isi sel tabel 2x2 seperti dicantumkan pada Tabel 2. Dengan demikian, rasio odd untuk tabel silang pada Tabel 2 adalah µ 00 /µ 01 = µ 00µ 11 = eµ.e µ+αx 1 +βy 1 +(αβ)xy 11 µ 10 /µ 11 µ 11 µ 10 e µ+βy 1.e µ+αx 1 = e (αβ)xy 11 (12)
6 2.3 Hubungan Analisis Log-Linier dan Logit 6 Tabel 2: Isi Sel pada tabel silang dua arah Y dan X Y 0 1 X 0 e µ e µ+βy 1 1 e µ+αx 1 e µ+αx 1 +βy 1 +(αβ)xy 11 sehingga (αβ) XY 11 dari persamaan (12) merupakan log dari rasio odd. Jika (αβ) XY 11 = 0, maka tidak ada interaksi antara X dan Y sehingga menjadi model additive sempurna, yaitu log(µ ij ) = µ + αi X + βj Y 2.3 Hubungan Analisis Log-Linier dan Logit Dari sel-sel yang terdapat pada Tabel 2, jika Y merupakan variabel respon dan X merupakan variabel penjelas, maka diperoleh model logit pada X = 1 sebagai berikut: ( ) P (Y = 1) logit[p (Y = 1))] = log P (Y = 0) ( ) e µ+α X 1 +βy 1 +(αβ)xy 11 = log e µ+αx 1 = β Y 1 + (αβ) XY 11 x (13) Nilai intercept β Y 1 disebut sebagai baseline log odds, yaitu nilai log odds dari Y = 1 dengan syarat X = 0. Sedangkan koefisien dari x merupakan beda antara log odds Y = 1 pada X = 0 dan X = 1. Untuk tabel silang tiga arah yang melibatkan tiga variabel kategori, model loglinier dengan interaksi dua level adalah log(µ ijk ) = µ + α X i + β Y j + γ Z k + (αβ) XY ij + (αγ) XZ ik Misalkan Y merupakan variabel respon biner, maka ( ) p(y = 1) logit[p (Y = 1)] = log 1 p(y = 1) ( ) P (Y = 1 X = i, Z = k) = log P (Y = 0 X = i, Z = k) ) = log ( µi1k µ i0k + (βγ) Y Z jk
7 2.4 Uji Kebaikan Model 7 = log ( e µ+α X i +βy 1 +γz k +(αβ)xy i1 e µ+αx i +βy 0 +γz k +(αβ)xy i0 +(αγ)xz ik +(βγ)y 1k Z +(αγ)xz ik +(βγ)y 0k Z = (β1 Y β0 Y ) + [(αβ) XY i1 (αβ) XY i0 ] + [(βγ) Y 1k Z (βγ) Y 0k Z ] = µ + αi X + γk Z (14) ) Dengan demikian, untuk tabel silang tiga arah dengan Y sebagai respon biner, terdapat hubungan antara model log-linier dengan model logistik seperti tercantum pada Tabel 3. Tabel 3: Model Log-Linier dan Logistik pada tabel tiga arah Simbol Log-Linier Model Logistik (Y, XZ) µ (XY, XZ) µ + αi X (Y Z, XZ) µ + γk Z (XY, Y Z, XZ) µ + αi X + γk Z (XY Z) µ + αi X + γk Z + (αγ)xz ik 2.4 Uji Kebaikan Model Untuk mengukur tentang kesesuaian model regresi logistik maupun log-linier, ada beberapa ukuran statistik yang dapat dijadikan kriteria, di antaranya adalah Pearson Chi-square residual, Deviance, Uji Rasio likelihood, dan uji lainnya misalkan AIC. Nilai Pearson chi-squares residual dapat dihitung melalui persamaan: r i = o i e i ei dimana o i dan e i adalah nilai observasi dan nilai dugaan (harapan) untuk setiap i=1,2,...,n. Nilai n i=1 r i mengikuti sebaran χ 2 dengan derajat bebas n p, p adalah banyaknya parameter. Kriteria lainnya untuk mengukur kesesuaian model adalah deviance yang didefinisikan sebagai nilai maksimum dari fungsi log-likelihood untuk model fit l(b) dan untuk model maksimum l(b max ), D = 2[l(b max ) l(b)] Untuk model yang baik, nilai deviance juga mempunyai kedekatan dengan sebaran χ 2 dengan derajat bebas np. Kondisi lain jika nilai antara Pearson Chi-square dan deviance relative sama dengan derajat bebas np, maka model yang dihasilkan kemungkinan mempunyai tingkat kesesuaian yang cukup. Kriteria ketiga adalah uji rasio likelihood yang dapat diimplementasikan untuk menduga kesesuaian dari pendugaan parameter regresi dengan menggunakan MLE
8 8 (Maximum Likelihood Estimation). Uji ini untuk melihat kontribusi variabel penjelas terhadap variabel respon di dalam model. Dengan demikian, uji hipotesis yang dilakukan adalah H 0 : β 1 = β 2 =... = β k = 0 H 1 : sedikitnya ada satu β 0 Statistik uji yang digunakan adalah G = 2(l 1 l 0 ) dimana l 1 adalah likelihood tanpa variabel penjelas dan l 0 adalah likelihood dengan variabel penjelas. Nilai G mengikuti sebaran χ 2 dengan derajat bebas k. Ukuran lain yang dapat mengukur kebaikan model adalah AIC (Akaike Information Criteria) dan SC (Schwartz Criteria). AIC didefinisikan sebagai G 2 2d, d adalah derajat bebas. Nilai AIC yang semakin kecil mengindikasikan model yang baik. 3 Analisis Data 3.1 Bahan dan Metode Analisis data dilakukan terhadap soal nomor 9.5 pada buku Dobson (2001), yaitu hasil survei tentang tingkat kepuasan kondisi rumah di Copenhagen. Responden dipilih di daerah hunian rumah yang disewa pada tahun Tingkat kepuasan diukur berdasarkan derajat kontak mereka dengan penghuni lainnya. Data dikelompokkan berdasarkan tipe rumah seperti yang dicantumkan pada Tabel 4. Tabel 4: Data yang dianalisis Tingkat Kepuasan Derajat Rendah Sedang Tinggi Kontak Rendah Tinggi Rendah Tinggi Rendah Tinggi Tower block Apartment House Tingkat kepuasan terdiri atas tiga level, yaitu rendah, sedang, dan tinggi; derajat kontak terdiri atas dua level yaitu rendah dan tinggi; sedangkan tipe rumah terdiri atas tiga kategori yaitu tower block, apartment. dan house. Data dianalisis menggunakan program SAS v9.1 sebagai berikut: 1. Pertama data dianalisis menggunakan model regresi logistik nominal untuk melihat hubungan antara tingkat kepuasan dengan dua variabel lainnya, yaitu derajat kontak dan tipe rumah. 2. Data juga dianalisis menggunakan model regresi logistik ordinal logit kumulatif untuk selanjutnya dibandingkan dengan model regresi logistik nominal.
9 3.1 Bahan dan Metode 9 3. Hasil tahap (1) dan (2) dibandingkan untuk mendapatkan model terbaik. 4. Selanjutnya data dianalisis untuk melihat hubungan antara tingkat kepuasan (diperlakukan sebagai variabel kategori nominal) dengan derajat kontak reponden terhadap penghuni lainnya, terpisah untuk setiap tipe rumah, menggunakan model log-linier. 5. Analisis pada tahap (4) dilanjutkan dengan melakukan secara simultan untuk semua tipe rumah. 6. Hasil analisis tahap (4) dan (5) dibandingkan dengan model yang diperoleh pada tahap (3). Model regresi logistik nominal dengan fungsi hubung logit yang dilakukan dapat dituliskan sebagai ( ) πj log = β 0j + β 1j T 2 + β 2j T 3 + β 3j K 2, untuk j = 2, 3 dimana π 1 S 2 = S 3 = T 2 = T 3 = K 2 = { 1, tingkat kepuasan sedang 0, tingkat kepuasan lainnya { 1, tingkat kepuasan tinggi 0, tingkat kepuasan lainnya { 1, tipe apartment 0, tipe lainnya { 1, tipe house 0, tipe lainnya { 1, derajat kontak tinggi 0, derajat kontak lainnya Model regresi logistik ordinal logit kumulatif yang digunakan dalam analisis data adalah ( ) π1 log = β 01 + β 11 T 2 + β 12 T 3 + β 2 K 2 π 2 + π ( 3 ) π1 + π 2 log = β 02 + β 11 T 2 + β 12 T 3 + β 2 K 2 π 3 Model regresi log-linier yang digunakan dalam analisis data terdiri dari beberapa tahap. Pertama adalah model additive regresi log-linier untuk variabel tingkat kepuasan dan derajat kontak untuk setiap tipe rumah. Dengan demikian terdapat tiga model additive yang masing-masing berbentuk log(µ jk ) = µ + β1 S 2 j + β2 S 3 j + γ K 2 k
10 3.2 Hasil Analisis 10 atau µ jk = e µ+β1s 2 j +β2s 3 j +γk 2 k dimana µ adalah rataan umum, β1 S 2 j adalah pengaruh tingkat kepuasan sedang, β2 S 3 j adalah pengaruh tingkat kepuasan tinggi, dan γ K 2 k adalah pengaruh derajat kontak tinggi. Selanjutnya dianalisis untuk model saturated sebagai berikut: log(µ jk ) = µ + β1 S 2 j + β2 S 3 j + γ K 2 k + (β 1 γ) S 2K 2 jk + (β 2 γ) S 3K 2 jk Model terakhir yang digunakan untuk analisis data adalah model yang melibatkan semua variabel, dimulai dengan model additive sempurna, yaitu: log(µ ijk ) = µ + α1 T 2 j + α2 T 3 j + β1 S 2 j + β2 S 3 j + γ K 2 k dimana α1 T 2 j adalah pengaruh tipe rumah apartment dan α2 T 3 j adalah pengaruh tipe rumah house. Model selanjutnya adalah model saturated dengan interaksi yang dibatasi hanya untuk dua level, yaitu log(µ ijk ) = µ + α1 T 2 j + α2 T 3 j + β1 S 2 j + β2 S 3 j + γ K 2 k + dan model saturated untuk semua interaksi, yaitu: (α 1 β 1 ) T 2S 2 ij + (α 1 β 2 ) T 2S 3 ij + (α 1 γ) T 2K 2 ik + (β 1 γ) S 2K 2 jk + (β 1 γ) S 3K 2 jk (15) log(µ ijk ) = µ + α1 T 2 j + α2 T 3 j + β1 S 2 j + β2 S 3 j + γ K 2 k + (α 1 β 1 ) T 2S 2 ij + (α 1 β 2 ) T 2S 3 ij + (α 1 γ) T 2K 2 ik + (β 1 γ) S 2K 2 jk + (β 1 γ) S 3K 2 jk + (α 1 β 1 γ) T 2S 2 K 2 ijk + (α 1 β 2 γ) T 2S 3 K 2 ijk + (α 2 β 1 γ) T 3S 2 K 2 ijk + (α 2 β 2 γ) T 3S 3 K 2 ijk (16) 3.2 Hasil Analisis Data disusun dan dibaca dengan prosedur SAS sebagai berikut: data tugas3; input count T2 T3 S2 S3 K2 Y datalines; ;
11 3.2 Hasil Analisis Plot Data Hasil plot proporsi data antara tingkat kepuasan responden (S) dengan derajat kontak (K) menunjukkan hasil yang berbeda pada setiap tipe rumah (Gambar 1). Pada tipe TOWER HOUSE tingkat kepuasan responden lebih tinggi pada derajat kontak rendah, dan sebaliknya, pada tipe APARTMENT tingkat kepuasan responden lebih rendah pada derajat kontak rendah. Pada kedua tipe rumah ini terlihat ada perpotongan garis yang menunjukkan adanya korelasi antara tingkat kepuasan dan derajat kontak. Sedangkan pada tipe HOUSE, kedua garis terlihat sejajar dan tingkat kepuasan responden lebih tinggi pada derajat kontak rendah. Perbedaan ketiga kurva pada Gambar 1 tersebut menunjukkan bahwa tipe rumah memberi kontribusi yang berbeda, atau terdapat interaksi antara tipe rumah, derajat kontak, dan tingkat kepuasan responden Model Regresi Logistik Berdasarkan tabel data sebelumnya, selanjutnya digunakan PROC LOGISTIC untuk menduga model nominal dengan fungsi hubung logit dan model ordinal sebagai berikut: proc logistic data=tugas3; title Hasil analisis model logistik nominal ; weight count; model Y (REFERENCE="0")= T2 T3 K2/link=glogit scale=none aggregate; output out = hasil PRED=PREDICTED PREDPROBS=I C; run; proc print data=hasil; run; proc logistic data=tugas3; title Hasil analisis model logistik ordinal ; weight count; model Y (REFERENCE="0")= T2 T3 K2/link=clogit scale=none aggregate; output out = hasil PRED=PREDICTED PREDPROBS=I C; run; proc print data=hasil; run; Model dugaan regresi logistik nominal yang dihasilkan adalah log log ( ) π2 π 1 ) ( π3 π 1 = T T K 2 = T T K 2 (17) sedangkan dugaan regresi logistik ordinal adalah ( ) π 1 log π 2 + π 3 ( ) π1 + π 2 log π 3 = T T K 2 = T T K 2 (18)
12 3.2 Hasil Analisis 12 Gambar 1: Plot data tingkat kepuasan dan derajat kontak setiap tipe rumah Berdasarkan nilai deviance dan Pearson untuk model nominal dan ordinal pada Tabel 6 menunjukkan bahwa kedua model dapat digunakan untuk menduga parameter. Hal ini juga dapat dilihat dari AIC, SC, dan -2 Log L pada Tabel 7. Namun demikian, model nominal lebih baik dibanding dengan model ordinal, dimana deviance untuk model nominal sebesar lebih baik dibanding untuk
13 3.2 Hasil Analisis 13 Tabel 5: Penduga maksimum likelihood model logistik Standard Wald Parameter Y DF Estimate Error Chi-Square Pr>ChiSq Model 1: Nominal Intercept Intercept <.0001 T T <.0001 T T <.0001 K K Model 2: Ordinal Intercept <.0001 Intercept T <.0001 T <.0001 K Tabel 6: Statistik deviance dan pearson untuk model logistik Model Nominal Model Ordinal Kriteria Nilai Pr>ChiSq Nilai Pr>ChiSq Deviance Pearson model ordinal yang nilainya lebih tinggi, yaitu Model Regresi Log-Linier Untuk setiap data tipe rumah diolah dengan program SAS sebagai berikut proc genmod data=tugas3a order=internal; title Model additive per tipe rumah ; model count = S2 S3 K2 /link=log dist=poisson lrci type3 pred; run; proc genmod data=tugas3a order=internal; title Model saturated per tipe rumah ; model count = S2 S3 K2 S2*K2 S3*K2 /link=log dist=poisson lrci type3 pred; run; Model additive dugaan regresi log-linier yang dihasilkan untuk setiap tipe rumah adalah log(µ 0jk ) = S S K 2
14 3.2 Hasil Analisis 14 Tabel 7: Statistik fit model logistik Model Nominal Model Ordinal Kriteria Minimum Fit Minimum Fit AIC SC Log L Tabel 8: Penduga parameter dan deviance model untuk setiap tipe rumah Tower Block Apartment House Parameter Additive Saturated Additive Saturated Additive Saturated Intercept S S K S 2 K S 3 K Deviance Pearson berbeda nyata pada taraf 5% log(µ 1jk ) = S S K 2 log(µ 2jk ) = S S K 2 (19) untuk j=0,1(s 2 ),2(S 3 ) dan k=0,1(k 2 ). Sedangkan model saturated-nya adalah log(µ 0jk ) = S S K S 2K S 3K 2 log(µ 1jk ) = S S K S 2K S 3K 2 log(µ 2jk ) = S S K S 2K S (20) 3K 2 Tipe rumah memberikan pengaruh yang berbeda ke dalam setiap model. Hal ini ditunjukkan oleh hasil uji penduga parameter yang berbeda pada Tabel 8, dimana S2 tidak nyata pada tipe Tower Block tetapi nyata pada tipe lainnya. Sebaliknya, S3 nyata pada tipe Tower Block tetapi tidak nyata pada tipe lainnya. Sedangkan intercept berbeda nyata pada setiap model, dan tidak terlihat ada interaksi antara S2 dengan K2. Nilai deviance untuk tipe house sebesar pada model saturated lebih kecil dari nilai χ 2 (2,0.5) =5.99, sehingga model ini paling sesuai dibanding model pada dua tipe rumah lainnya. Hal ini juga tercermin dari nilai Pearson chi-square pada Tabel 8. Hasil analisis log-linier setiap tipe rumah menunjukkan hasil yang berbeda, yang sesuai dengan hasil plot data pada Gambar 1. Hal ini menunjukkan bahwa tipe
15 3.2 Hasil Analisis 15 Tabel 9: Penduga parameter dan deviance model semua variabel Additive 2 Level 3 Level Parameter Penduga Pr>ChiSq Penduga Pr>ChiSq Penduga Pr>ChiSq Intercept < < <.0001 T < < <.0001 T S S < K < T 2 S T 3 S S 2 K T 2 S < T 3 S < S 3 K T 2 K < T 3 K < <.0001 T 2 S 2 K T 3 S 2 K T 2 S 3 K T 3 S 3 K Deviance Pearson Gambar 2: Plot residual model nominal dan log-linier
16 3.2 Hasil Analisis 16 Tabel 10: Penduga parameter dan deviance model semua variabel Nominal Per Tipe 2 Level Obs Count Pred Resid Pred Resid Pred Resid Pearson rumah memberikan kontribusi yang berbeda terhadap model, sehingga perlu dilakukan analisis model log-linier yang melibatkan ketiga variabel secara simultan. Oleh karena itu, model selanjutnya yang dianalisis adalah model yang melibatkan semua variabel yang hasilnya dituangkan pada Tabel 9. Dengan menambah interaksi dua level ke dalam model, diperoleh dugaan yang lebih baik dibanding model additive sempurna. Nilai deviance sebesar dan Pearson sebesar jauh lebih rendah dibanding pada model additive sempurna yaitu berturut-turut dan (Tabel 9). Uji terhadap setiap parameter juga memperlihatkan hasil yang lebih baik setelah menambahkan interaksi dua level ke dalam model. Model log-linier dengan interaksi sampai dengan dua level dari setiap variabel ternyata menghasilkan dugaan dan Pearson residual yang sama dengan model logistik nominal (Tabel 6 dan 10; Gambar 2). Nilai deviance model log-linier dengan interaksi dua level pada Tabel 9 juga sama dengan nilai deviance untuk model logistik nominal pada Tabel 6. Dengan demikian, model yang sudah diturunkan pada persamaan (14) dan hubungan antara model log-linier dan model logit pada Tabel 3 dapat ditunjukkan dalam analisis ini. Walaupun model log-linier dengan model regresi nominal menunjukkan kesamaan, tetapi intrepretasi terhadap model log-linier lebih kompleks karena melibatkan banyak variabel. Dari hasil penelitiannya, Jeansonne (1975) juga menyatakan bahwa untuk tabel dua arah, frekuensi yang diharapkan pada suatu sel harus
17 17 lebih besar dari satu, dan tidak lebih dari 20% yang kurang dari lima. Jika terjadi maka ada beberapa cara harus dilakukan, antara lain menggabungkan beberapa variabel atau menambahkan suatu nilai yang sama ke setiap sel. 4 Kesimpulan Berdasarkan analisis yang telah dilakukan telah diperoleh beberapa kesimpulan, yaitu model log-linier yang melibatkan tiga variabel untuk data tabel tiga arah dengan interaksi dua level merupakan model yang sesuai dibanding hanya menggunakan model additive sempurna. Model ini juga memberikan hasil yang sama dengan model regresi logistik nominal dengan menggunakan fungsi hubung logit, baik berdasarkan hasil analisis numerik terhadap data contoh maupun berdasarkan tinjauan matematis. Walaupun demikian, intrepretasi hasil analisis menggunakan model log-linier lebih kompleks dibanding model regresi logistik karena melibatkan banyak variabel, dan modelnya juga lebih kompleks. 5 Daftar Pustaka Agresti, A An Introduction to Categorical Data Analysis. 2 nd Ed. John Wiley and Sons, Inc. Dobson, A.J An Introduction to Generalized Linear Models. Chapman Hall/CRC Texts in Statistical Science Series. Jeansonne, A Loglinear Models. McCullagh,P. and Nelder,J.A Generalized Linear Models. 2 nd Ed. Chapman and Hall. Ragavan, A.J How to use SAS to fit Multiple Logistic Regression Models. SAS Global Forum Saparita, R Model Regresi Logistik untuk Respon Kualitatif. Buletin IPT No.5 Vol.IV. Zeileis, A; C.Kleiber and S.Jackman Regression Models for Count Data in R. Department of Statistics and Mathematics, Wirtschaftsuniversitat Wien, Austria.
18 18 6 Lampiran 6.1 Output SAS untuk model log-linier tipe TOWER BLOCK The GENMOD Procedure Model Information Data Set Distribution Link Function Dependent Variable WORK.TUGAS3A Poisson Log count Number of Observations Read 6 Number of Observations Used 6 Criteria For Assessing Goodness Of Fit Criterion DF Value Value/DF Deviance Scaled Deviance Pearson Chi-Square Scaled Pearson X Log Likelihood Algorithm converged. Analysis Of Parameter Estimates Standard Likelihood Ratio 95% Chi- Parameter DF Estimate Error Confidence Limits Square Pr > ChiSq Intercept <.0001 S S <.0001 K Scale NOTE: The scale parameter was held fixed. LR Statistics For Type 3 Analysis Chi- Source DF Square Pr > ChiSq S S <.0001 K Observation Statistics Observation count Pred Xbeta Std HessWgt Criteria For Assessing Goodness Of Fit Criterion DF Value Value/DF Deviance Scaled Deviance Pearson Chi-Square Scaled Pearson X Log Likelihood Algorithm converged.
19 6.1 Output SAS untuk model log-linier tipe TOWER BLOCK 19 Analysis Of Parameter Estimates Standard Likelihood Ratio 95% Chi- Parameter DF Estimate Error Confidence Limits Square Pr > ChiSq Intercept <.0001 S S K S2*K S3*K Scale NOTE: The scale parameter was held fixed. LR Statistics For Type 3 Analysis Chi- Source DF Square Pr > ChiSq S S K S2*K S3*K Observation Statistics Observation count Pred Xbeta Std HessWgt
20 6.2 Output SAS untuk model log-linier tipe APARTMENT Output SAS untuk model log-linier tipe APARTMENT Model Information Data Set Distribution Link Function Dependent Variable WORK.TUGAS3A Poisson Log count Number of Observations Read 6 Number of Observations Used 6 Criteria For Assessing Goodness Of Fit Criterion DF Value Value/DF Deviance Scaled Deviance Pearson Chi-Square Scaled Pearson X Log Likelihood Algorithm converged. Analysis Of Parameter Estimates Standard Likelihood Ratio 95% Chi- Parameter DF Estimate Error Confidence Limits Square Pr > ChiSq Intercept <.0001 S S K <.0001 Scale NOTE: The scale parameter was held fixed. LR Statistics For Type 3 Analysis Chi- Source DF Square Pr > ChiSq S S K <.0001 Observation Statistics Observation count Pred Xbeta Std HessWgt Criteria For Assessing Goodness Of Fit Criterion DF Value Value/DF Deviance Scaled Deviance Pearson Chi-Square Scaled Pearson X Log Likelihood Algorithm converged.
21 6.2 Output SAS untuk model log-linier tipe APARTMENT 21 Analysis Of Parameter Estimates Standard Likelihood Ratio 95% Chi- Parameter DF Estimate Error Confidence Limits Square Pr > ChiSq Intercept <.0001 S S K S2*K S3*K Scale NOTE: The scale parameter was held fixed. LR Statistics For Type 3 Analysis Chi- Source DF Square Pr > ChiSq S S K S2*K S3*K Observation Statistics Observation count Pred Xbeta Std HessWgt
22 6.3 Output SAS untuk model log-linier tipe HOUSE Output SAS untuk model log-linier tipe HOUSE Model Information Data Set Distribution Link Function Dependent Variable WORK.TUGAS3A Poisson Log count Number of Observations Read 6 Number of Observations Used 6 Criteria For Assessing Goodness Of Fit Criterion DF Value Value/DF Deviance Scaled Deviance Pearson Chi-Square Scaled Pearson X Log Likelihood Algorithm converged. Analysis Of Parameter Estimates Standard Likelihood Ratio 95% Chi- Parameter DF Estimate Error Confidence Limits Square Pr > ChiSq Intercept <.0001 S S K <.0001 Scale NOTE: The scale parameter was held fixed. LR Statistics For Type 3 Analysis Chi- Source DF Square Pr > ChiSq S S K <.0001 Observation Statistics Observation count Pred Xbeta Std HessWgt Criteria For Assessing Goodness Of Fit Criterion DF Value Value/DF Deviance Scaled Deviance Pearson Chi-Square Scaled Pearson X Log Likelihood Algorithm converged.
23 6.3 Output SAS untuk model log-linier tipe HOUSE 23 Analysis Of Parameter Estimates Standard Likelihood Ratio 95% Chi- Parameter DF Estimate Error Confidence Limits Square Pr > ChiSq Intercept <.0001 S S K <.0001 S2*K S3*K Scale NOTE: The scale parameter was held fixed. LR Statistics For Type 3 Analysis Chi- Source DF Square Pr > ChiSq S S LR Statistics For Type 3 Analysis Chi- Source DF Square Pr > ChiSq K <.0001 S2*K S3*K Observation Statistics Observation count Pred Xbeta Std HessWgt
24 6.4 Output SAS untuk model lengkap Output SAS untuk model lengkap Model Information Data Set Distribution Link Function Dependent Variable WORK.TUGAS3A Poisson Log count Number of Observations Read 18 Number of Observations Used 18 Criteria For Assessing Goodness Of Fit Criterion DF Value Value/DF Deviance Scaled Deviance Pearson Chi-Square Scaled Pearson X Log Likelihood Algorithm converged. Analysis Of Parameter Estimates Standard Likelihood Ratio 95% Chi- Parameter DF Estimate Error Confidence Limits Square Pr > ChiSq Intercept <.0001 T <.0001 T S S K <.0001 Scale NOTE: The scale parameter was held fixed. LR Statistics For Type 3 Analysis Chi- Source DF Square Pr > ChiSq T <.0001 T LR Statistics For Type 3 Analysis Chi- Source DF Square Pr > ChiSq S S K <.0001 Observation Statistics Observation count Pred Xbeta Std HessWgt
25 6.4 Output SAS untuk model lengkap 25 Criteria For Assessing Goodness Of Fit Criterion DF Value Value/DF Deviance Scaled Deviance Pearson Chi-Square Scaled Pearson X Log Likelihood Algorithm converged. Analysis Of Parameter Estimates Standard Likelihood Ratio 95% Chi- Parameter DF Estimate Error Confidence Limits Square Pr > ChiSq Intercept <.0001 T <.0001 T S S <.0001 K T2*S T3*S S2*K T2*S <.0001 T3*S <.0001 S3*K T2*K <.0001 T3*K <.0001 Scale NOTE: The scale parameter was held fixed. LR Statistics For Type 3 Analysis Chi- Source DF Square Pr > ChiSq T <.0001 T S S <.0001 K T2*S T3*S S2*K T2*S <.0001 T3*S <.0001 S3*K T2*K <.0001 T3*K <.0001 Observation Statistics Observation count Pred Xbeta Std HessWgt
26 6.4 Output SAS untuk model lengkap 26 Criteria For Assessing Goodness Of Fit Criterion DF Value Value/DF Deviance Scaled Deviance Pearson Chi-Square Scaled Pearson X Log Likelihood Algorithm converged. Analysis Of Parameter Estimates Standard Likelihood Ratio 95% Chi- Parameter DF Estimate Error Confidence Limits Square Pr > ChiSq Intercept <.0001 T <.0001 T S S K T2*S T3*S S2*K T2*S T3*S S3*K T2*K T3*K <.0001 T2*S2*K T3*S2*K T2*S3*K Analysis Of Parameter Estimates Standard Likelihood Ratio 95% Chi- Parameter DF Estimate Error Confidence Limits Square Pr > ChiSq T3*S3*K Scale NOTE: The scale parameter was held fixed. LR Statistics For Type 3 Analysis Chi- Source DF Square Pr > ChiSq T <.0001 T S S K T2*S T3*S S2*K T2*S T3*S S3*K T2*K T3*K <.0001 T2*S2*K T3*S2*K T2*S3*K T3*S3*K
27 6.4 Output SAS untuk model lengkap 27 Observation Statistics Observation count Pred Xbeta Std HessWgt
Regresi Logistik Nominal dengan Fungsi Hubung CLOGLOG
Regresi Logistik Nominal dengan Fungsi Hubung CLOGLOG Julio Adisantoso, G16109011/STK 11 Mei 2010 Ringkasan Regresi logistik merupakan suatu pendekatan pemodelan yang dapat digunakan untuk mendeskripsikan
Lebih terperinciMasalah Overdispersi dalam Model Regresi Logistik Multinomial
Statistika, Vol. 16 No. 1, 29 39 Mei 2016 Masalah Overdispersi dalam Model Regresi Logistik Multinomial Annisa Lisa Nurjanah, Nusar Hajarisman, Teti Sofia Yanti Prodi Statistika, Fakultas Matematika dan
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
J u r n a l E K B I S / V o l. V I / N o. / e d i s i M a r e t 2 0 2 379 ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
Lebih terperinciPENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 58 65 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA
Lebih terperinciGENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI
GENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI Agus Supriatna 1), Riaman 2), Sudradjat 3), Tari Septiyani 4) Departemen Matematika, FMIPA Unpad Jalan Raya Bandung-Sumedang
Lebih terperinciGeneralized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017
Prosiding Statistika ISSN: 2460-6456 Generalized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017 Generalized Ordinal Logistic
Lebih terperinciPemodelan Data Cacahan (Count Data) dalam GLM. Dr. Kusman Sadik, M.Si Sekolah Pascasarjana Departemen Statistika IPB Semester Genap 2017/2018
Pemodelan Data Cacahan (Count Data) dalam GLM Dr. Kusman Sadik, M.Si Sekolah Pascasarjana Departemen Statistika IPB Semester Genap 2017/2018 Pendahuluan Pada model linear klasik, seperti regresi linear,
Lebih terperinciLampiran 1. Perhitungan nilai IR (incident rate per kecamatan) = x = 61, karena nilai IR Kecamatan Adiwerna > 55 per 100.
Lampiran 1 Perhitungan nilai IR (incident rate per kecamatan) 1. IR Adiwerna = JKD = 79 128968 x100.000 = 61, karena nilai IR Kecamatan Adiwerna > 55 per 100.000 penduduk, maka digolongkan sebagai daerah
Lebih terperinciPENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1)
PENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1) Anang Kurnia Departemen Statistika FMIPA IPB Jl. Meranti, Wing 22 Level 4 Kampus IPB Darmaga, Bogor Email: anangk@ipb.ac.id
Lebih terperinciKETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG MENGGUNAKAN BOOSTSTRAP AGGREGATTING REGRESI LOGISTIK MULTINOMIAL
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 11-20 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG
Lebih terperinciE-Jurnal Matematika Vol. 2, No.2, Mei 2013, ISSN:
E-Jurnal Matematika Vol., No., Mei 013, 37-41 ISSN: 303-1751 PENERAPAN REGRESI QUASI-LIKELIHOOD PADA DATA CACAH (COUNT DATA) YANG MENGALAMI OVERDISPERSI DALAM REGRESI POISSON (Studi Kasus: Jumlah Kasus
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA A. Keberhasilan Belajar 1. Pengertian Keberhasilan Belajar Dalam kamus besar bahasa Indonesia, keberhasilan itu sendiri adalah hasil yang telah dicapai (dilakukan, dikerjakan dan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Sebelum melakukan pembahasan mengenai permasalahan dari skripsi ini, akan diuraikan beberapa teori penunjang antara lain: Kredit Macet, Regresi Logistik, Model Terbaik
Lebih terperinciPEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)
PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing
Lebih terperinciBAB III METODE PENELITIAN
17 BAB III METODE PENELITIAN 3.1.Waktu dan Tempat Penelitian ini dilaksanakan pada bulan februari 2009-Juni 2009 di beberapa wilayah terutama Jakarta, Depok dan Bogor untuk pengambilan sampel responden
Lebih terperinciDosen Pembimbing : Dr. Purhadi, M.Sc
Citra Fatimah Nur / 1306 100 065 Dosen Pembimbing : Dr. Purhadi, M.Sc Outline 1 PENDAHULUAN TINJAUAN PUSTAKA 3 METODOLOGI PENELITIAN 4 ANALISIS DAN PEMBAHASAN 5 KESIMPULAN Latar Belakang 1960-1970 1970-1980
Lebih terperinciKata Kunci Keparahan Korban Kecelakaan Lalu Lintas, Model Log Linier, Regresi Logistik Multinomial. H 1 Ada hubungan antara dua variabel yang diamati
Pemodelan Faktor Penyebab Keparahan Korban Kecelakaan Lalu Lintas Dengan Metode Regresi Logistik Multinomial (Studi Kasus Kecelakaan Lalu Lintas di Provinsi DKI Jakarta) Weny Rahmayanti, dan Vita Ratnasari
Lebih terperinciPENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 11-16 ISSN: 2303-1751 PENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA NI MADE SEKARMINI 1, I KOMANG GDE SUKARSA
Lebih terperinciREGRESI LOGISTIK (LOGISTIC REGRESSION)
REGRESI LOGISTIK (LOGISTIC REGRESSION) REGRESI LOGISTIK Adalah regresi parametrik yang digunakan untuk Y berskala kategorik dan X berskala bebas. Biner Y berskala nominal dengan 2 kategori Regresi Logistik
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO
Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas
Lebih terperinciKegiatan Anak Usia Tahun di Jawa Timur Menggunakan Regresi Logistik Multinomial: Suatu Peranan Urutan Kelahiran
Kegiatan Anak Usia 10-15 Tahun di Jawa Timur Menggunakan Regresi Logistik Multinomial: Suatu Peranan Urutan Kelahiran Rudi Salam Badan Pusat Statistik, Tinggi Ilmu Statistik, Jakarta, Indonesia rudisalam@stis.ac.id
Lebih terperinciANALISIS REGRESI LOGISTIK UNTUK MENGETAHUI FAKTOR FAKTOR YANG MEMPENGARUHI FREKUENSI KEDATANGAN PELANGGAN DI PUSAT PERBELANJAAN X
ANALISIS REGRESI LOGISTIK UNTUK MENGETAHUI FAKTOR FAKTOR YANG MEMPENGARUHI FREKUENSI KEDATANGAN PELANGGAN DI PUSAT PERBELANJAAN X Erna Hayati Fakultas Ekonomi Universitas Islam Lamongan ABSTRAKSI Kepuasan
Lebih terperinciDr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017
Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017 1 Pada model linear klasik, seperti regresi linear, memerlukan asumsi bahwa peubah respon y menyebar Normal. Pada kenyataanya banyak ditemukan bahwa
Lebih terperinciForum Statistika dan Komputasi, Oktober 2010 p : ISSN :
, Oktober 2010 p : 23-31 ISSN : 0853-8115 Vol 15 No.2 APLIKASI REGRESI LOGISTIK ORDINAL MULTILEVEL UNTUK PEMODELAN DAN KLASIFIKASI HURUF MUTU MATA KULIAH METODE STATISTIKA (The Application of Multilevel
Lebih terperinciPENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN
PENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN A. Rofiqi Maulana; Suci Astutik Universitas Brawijaya; arofiqimaulana@gmail.com ABSTRAK. Filariasis (Penyakit Kaki Gajah) adalah penyakit
Lebih terperinciSTK511 Analisis Statistika. Pertemuan 12 Nonparametrik-Kategorik-Logistik
STK511 Analisis Statistika Pertemuan 12 Nonparametrik-Kategorik-Logistik 12. Pengantar Skala Pengukuran Data/Variabel Peubah Kategorik Categorical Numerik Numeric Nominal Ordinal Interval Ratio Hanya nama/lambang
Lebih terperinciE-Jurnal Matematika Vol. 3 (3), Agustus 2014, pp ISSN:
E-Jurnal Matematika Vol. 3 3), Agustus 2014, pp. 107-115 ISSN: 2303-1751 PERBANDINGAN REGRESI BINOMIAL NEGATIF DAN REGRESI GENERALISASI POISSON DALAM MENGATASI OVERDISPERSI Studi Kasus: Jumlah Tenaga Kerja
Lebih terperinciIII. METODOLOGI PENELITIAN. penelitian ini, penulis menggunakan dua sumber data, yaitu :
III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Salah satu yang mempengaruhi kualitas penelitian adalah kualitas data yang dikumpulkan. Pengumpulan data dapat dilakukan dengan berbagai cara. Dalam
Lebih terperinciMetode Statistika Pertemuan XII. Analisis Korelasi dan Regresi
Metode Statistika Pertemuan XII Analisis Korelasi dan Regresi Analisis Hubungan Jenis/tipe hubungan Ukuran Keterkaitan Skala pengukuran variabel Pemodelan Keterkaitan Relationship vs Causal Relationship
Lebih terperinciAnalisis Regresi: Regresi Linear Berganda
Analisis Regresi: Regresi Linear Berganda Pengantar Pada sesi sebelumnya kita hanya menggunakan satu buah X, dengan model Y = b 0 + b 1 X 0 1 Dalam banyak hal, yang mempengaruhi X bisa lebih dari satu.
Lebih terperinciPENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA
PENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini menggunakan data primer dan data sekunder. Data primer merupakan
III. METODE PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunakan data primer dan data sekunder. Data primer merupakan data yang diperoleh langsung dari sumber asli (tidak melalui perantara).
Lebih terperinciAnalisis Data Kategorikal
Analisis Data Kategorikal Topik: Data & skala pengukuran Uji hipotesis untuk data kontinu Uji hipotesis untuk data kategorikal Desain penelitian kesehatan Ukuran asosiasi Regresi Logistik Target: Mahasiswa
Lebih terperinciRegresi Poisson dan Penerapannya Untuk Memodelkan Hubungan Usia dan Perilaku Merokok Terhadap Jumlah Kematian Penderita Penyakit Kanker Paru-Paru
Regresi Poisson dan Penerapannya Untuk Memodelkan Hubungan Usia dan Perilaku Merokok Terhadap Jumlah Kematian Penderita Penyakit Kanker Paru-Paru IIN SUNDARI Program Studi Matematika, Fakultas Matematika
Lebih terperinciModel Regresi Binary Logit (Aplikasi Model dengan Program SPSS)
Model Regresi Binary Logit (Aplikasi Model dengan Program SPSS) Author: Junaidi Junaidi 1. Pengantar Salah satu persyaratan dalam mengestimasi persamaan regresi dengan metode OLS (Ordinary Least Square)
Lebih terperinciPEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 74 82 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF
Lebih terperinci(R.2) KAJIAN PREDIKSI KLASIFIKASI OBYEK PADA VARIABEL RESPON BINER
(R.2) KAJIAN PREDIKSI KLASIFIKASI OBYEK PADA VARIABEL RESPON BINER Drs. Soekardi Hadi P. Prodi Matematika Fakultas Sains dan Teknologi Universitas Islam As-Syafi iyah Email : s.hadip@yahoo.co.id Abstrak
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) DENGAN METODE FISHER SCORING
ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS RLOTG DENGAN METODE FISHER SCORING Aulia Nugrahani Putri, Purnami Widyaningsih, dan Dewi Retno Sari Saputro Program Studi Matematika
Lebih terperinciBAB III PEMBAHASAN. extended untuk mengatasi nonproportional hazard dan penerapannya pada kasus
BAB III PEMBAHASAN BAB III PEMBAHASAN Pada Bab III ini akan dibahas tentang prosedur pembentukan model Cox extended untuk mengatasi nonproportional hazard dan penerapannya pada kasus kejadian bersama yaitu
Lebih terperinciPENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON
E-Jurnal Matematika Vol., No., Mei 013, 49-53 ISSN: 303-1751 PENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON I PUTU YUDANTA EKA PUTRA 1, I PUTU EKA
Lebih terperinciANALISIS REGRESI LOGISTIK ORDINAL PADA FAKTOR-FAKTOR BERPENGARUH TERHADAP PENYAKIT MATA KATARAK BAGI PASIEN PENDERITA DI KLINIK MATA UTAMA GRESIK
LAPORAN TUGAS AKHIR ANALISIS REGRESI LOGISTIK ORDINAL PADA FAKTOR-FAKTOR BERPENGARUH TERHADAP PENYAKIT MATA KATARAK BAGI PASIEN PENDERITA DI KLINIK MATA UTAMA GRESIK Latar Belakang Katarak Indonesia Klinik
Lebih terperinci10 Departemen Statistika FMIPA IPB
Suplemen Responsi Pertemuan ANALISIS DATA KATEGORIK (STK35) 0 Departemen Statistika FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referensi Waktu Tabel Kontingensi Struktur peluang tabel kontingensi Perbandingan
Lebih terperinciLampiran 2. Fungsi dari masing-masing pernyataan yang digunakan dalam PROC MIXED
LAMPIRAN Lampiran. Bentuk Umum Dari PROC MIXED PROC MIXED pilihan-pilihan ; BY nama-nama peubah ; CLASS nama-nama peubah ; ID nama-nama peubah; MODEL peubah respon = nama-nama peubah / pilihan-pilihan
Lebih terperinciMETODE PREDICTION CONFIGURAL FREQUENCY ANALYSIS (PCFA) UNTUK MENENTUKAN KARAKTERISTIK USER DAN NON USER MOTOR X DI JAWA BARAT ABSTRAK
METODE PREDICTION CONFIGURAL FREQUENCY ANALYSIS (PCFA) UNTUK MENENTUKAN KARAKTERISTIK USER DAN NON USER MOTOR X DI JAWA BARAT (Studi Kasus PT. XYZ) Muhamad Iqbal Mawardi Departemen Statistika, Universitas
Lebih terperinciANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH
ANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH Rizal Rahmad 1, Toni Toharudin 2, Anna Chadijah 3 Prodi Master Statistika Terapan,
Lebih terperinciIDENTIFIKASI MULTIKOLINEAR PADA MODEL REGRESI LOGISTIK ORDINAL UNTUK STATUS GIZI ANAK DI KELURAHAN KARANGKITRI, BEKASI TIMUR
IDENTIFIKASI MULTIKOLINEAR PADA MODEL REGRESI LOGISTIK ORDINAL UNTUK STATUS GIZI ANAK DI KELURAHAN KARANGKITRI, BEKASI TIMUR Margaretha Ohyver Mathematics & Statistics Department, School of Computer Science,
Lebih terperinciALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL
ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL 1) Program Studi Matematika Universitas Ahmad Dahlan dian@math.uad.ac.id
Lebih terperinciMODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 33 41 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Lebih terperinciMODEL REGRESI LOGISTIK BINER UNTUK MENENTUKAN FAKTOR YANG BERPENGARUH TERHADAP ANAK PUTUS SEKOLAH DI SULAWESI TENGAH
JIMT Vol. 13 No. 1 Juni 2016 (Hal. 24 37) Jurnal Ilmiah Matematika dan Terapan ISSN : 2450 766X MODEL REGRESI LOGISTIK BINER UNTUK MENENTUKAN FAKTOR YANG BERPENGARUH TERHADAP ANAK PUTUS SEKOLAH DI SULAWESI
Lebih terperinciANALISIS PELUANG STATUS GIZI ANAK DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL BERBASIS KOMPUTER
ANALISIS PELUANG STATUS GIZI ANAK DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL BERBASIS KOMPUTER Kimmy Octavian Yongharto Binus University, DKI Jakarta, Jakarta, Indonesia Abstrak Salah satu
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA
RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA A. MATA KULIAH Nama Mata Kuliah Analisis Data Kategori Kode/sks : MAS 4232/3 Semester : IV Status (Wajib/Pilihan) : Wajib (W) Prasyarat : MAS
Lebih terperinciSarimah. ABSTRACT
PENDETEKSIAN OUTLIER PADA REGRESI LOGISTIK DENGAN MENGGUNAKAN TEKNIK TRIMMED MEANS Sarimah Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciE-Jurnal Matematika Vol. 5 (4), November 2016, pp ISSN:
E-Jurnal Matematika Vol 5 (4), November 2016, pp 133-138 ISSN: 2303-1751 PERBANDINGAN REGRESI ZERO INFLATED POISSON (ZIP) DAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA DATA OVERDISPERSION (Studi
Lebih terperinciSTK 511 Analisis statistika. Materi 7 Analisis Korelasi dan Regresi
STK 511 Analisis statistika Materi 7 Analisis Korelasi dan Regresi 1 Pendahuluan Kita umumnya ingin mengetahui hubungan antar peubah Analisis Korelasi digunakan untuk melihat keeratan hubungan linier antar
Lebih terperinciRegresi dengan Microsoft Office Excel
Regresi dengan Microsoft Office Excel Author: Junaidi Junaidi 1. Pengantar Dalam statistik, regresi merupakan salah satu peralatan yang populer digunakan, baik pada ilmu-ilmu sosial maupun ilmu-ilmu eksak.
Lebih terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1.Data Data adalah suatu bahan mentah yang jka diolah dengan baik melalui berbagai analisis dapat melahirkan berbagai informasi. 2.1.1.Menurut sifatnya Menurut sifatnya, data
Lebih terperinciMASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG)
MASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) Shaifudin Zuhdi, Dewi Retno Sari Saputro Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB I PENDAHULUAN. Dalam suatu penelitian, hubungan suatu variabel dependent atau
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam suatu penelitian, hubungan suatu variabel dependent atau variabel respon dengan beberapa variabel bebas atau variabel penjelas dapat dimodelkan dengan
Lebih terperinciPUSPA DEWI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
KAJIAN OVERDISPERSI PADA REGRESI POISSON DENGAN MENGGUNAKAN REGRESI BINOMIAL NEGATIF (Studi Kasus Ketidaklulusan Siswa SMA dalam Ujian Nasional di DKI Jakarta) RANI PUSPA DEWI DEPARTEMEN STATISTIKA FAKULTAS
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Regresi Logistik Menurut Hosmer dan Lemeshow (2000) tujuan melakukan analisis data kategori menggunakan regresi logistik adalah mendapatkan model terbaik dan sederhana untuk
Lebih terperinciResume 2 : Analysis of sex sequences by means of generalized linear mixed models. Yenni Angraini G
Resume 2 : Analysis of sex sequences by means of generalized linear mixed models Roberto Ambrosini, Diego Rubolini, Nicola Saino Yenni Angraini G161150051 Eksplorasi Data Data Simulasi proportion of male
Lebih terperinciJurnal Gradien Vol 8 No 2 Juli 2012: Yuli Andriani, Uxti Mezulianti, dan Herlina Hanum
Jurnal Gradien Vol 8 No 2 Juli 2012:809-814 Model Tingkat Kelancaran Pembayaran Kredit Bank Menggunakan Model Regresi Logistik Ordinal (Studi Kasus: Bank Rakyat Indonesia Tbk Unit Pasar Bintuhan) Yuli
Lebih terperinciBAB III METODOLOGI PENELITIAN. sampai dengan bulan mei tahun 2014.
BAB III METODOLOGI PENELITIAN 3.1 Waktu dan Tempat Penelitian 1. Waktu penelitian dilakukan dengan mengambil data statistic penerimaan offer untuk okupasi high rise building dari bulan januari sampai dengan
Lebih terperinciBAB III METODOLOGI PENELITIAN. memilih sampel seluruh perusahaan di BEI periode adalah karena
26 BAB III METODOLOGI PENELITIAN 3.1. Populasi dan Sampel Populasi yang digunakan dalam penelitian ini adalah seluruh perusahaan yang terdaftar di Bursa Efek Indonesia (BEI) periode 2009-2013. Alasan penulis
Lebih terperinciHASIL DAN PEMBAHASAN Model Regresi Poisson
HASIL DAN PEMBAHASAN Model Regresi Poisson Hubungan antara jumlah penderita DBD dan faktor-faktor yang mempengaruhinya dapat diketahui dengan menggunakan analisis regresi. Analisis regresi yang digunakan
Lebih terperinciIDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK
IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK Mohamad Jajuli Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciPEMODELAN JUMLAH KEMATIAN AKIBAT DIFTERI DI PROVINSI JAWA TIMUR DENGAN REGRESI BINOMIAL NEGATIF DAN ZERO-INFLATED POISSON
Prosiding Seminar Nasional Matematika, Universitas Jember, 9 November 04 0 PEMODELAN JUMLAH KEMATIAN AKIBAT DIFTERI DI PROVINSI JAWA TIMUR DENGAN REGRESI BINOMIAL NEGATIF DAN ZERO-INFLATED POISSON Nurul
Lebih terperinciMODEL REGRESI LOGISTIK BINER DENGAN METODE PENALIZED MAXIMUM LIKELIHOOD. Edi Susilo, Anna Islamiyati, Muh. Saleh AF. ABSTRAK
MODEL REGRESI LOGISTIK BINER DENGAN METODE PENALIZED MAXIMUM LIKELIHOOD Edi Susilo, Anna Islamiyati, Muh. Saleh AF. ABSTRAK Analisis regresi logistik biner dengan metode penalized maximum likelihood digunakan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Waktu dan tempat penelitian Penelitian untuk penulisan skripsi ini berlangsung pada 1 Maret 2016 s.d selesai yang dilakukan di Jakarta. B. Desain penelitian Penelitian ini
Lebih terperinciIII. METODE PENELITIAN
30 III. METODE PENELITIAN A. Konsep Dasar dan Batasan Operasional Konsep dasar dan batasan operasional dalam penelitian ini mencakup seluruh definisi yang digunakan untuk memperoleh data yang akan dianalisis
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PENERIMAAN PESERTA DIDIK SMA NEGERI 2 SEMARANG MENGGUNAKAN METODE REGRESI LOGISTIK ORDINAL
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 405-416 Online di: http://ejournal-s1undipacid/indexphp/gaussian ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PENERIMAAN PESERTA DIDIK
Lebih terperinciponsel, purposive sampling, regresi logistik politomus
JURNAL GAUSSIAN, Volume 2, Nomor 1, Tahun 2013, Halaman 49-58 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS PEMILIHAN MEREK TELEPON SELULER PADA MAHASISWA UNIVERSITAS DIPONEGORO
Lebih terperinciPemodelan Logit, Probit dan Complementary Log-Log pada Studi Kasus Partisipasi Perempuan dalam Pembangunan Ekonomi di Kalimantan Selatan
D181 Logit, Probit dan Complementary Log-Log pada Studi Kasus Partisipasi Perempuan dalam Pembangunan Ekonomi di Kalimantan Selatan Rizfanni Cahya Putri dan Vita Ratnasari Jurusan Statistika, Fakultas
Lebih terperinciPengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat)
Statistika, Vol. 14 No. 2, 69 76 November 2014 Pengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat) Jurusan Matematika, Fakultas Sains dan
Lebih terperinci4 HASIL DAN PEMBAHASAN
9 4 HASIL DAN PEMBAHASAN Deskripsi Mahasiswa Pascasarjana IPB 2005-2010 Berhenti Studi Pada Tabel 1 terlihat bahwa persentase mahasiswa pascasarjana IPB yang berhenti studi tahun 2005-2010 menurun tetapi
Lebih terperinciEARLY WARNING SYSTEM JUMLAH ANAK PUTUS SEKOLAH DENGAN METODE ZERO TRUNCATED NEGATIVE BINOMIAL
EARLY WARNING SYSTEM JUMLAH ANAK PUTUS SEKOLAH DENGAN METODE ZERO TRUNCATED NEGATIVE BINOMIAL Robert Kurniawan Jurusan Statistika Komputasi, Sekolah Tinggi Ilmu Statistik (STIS), Jakarta Jl. Otto Iskandardinata
Lebih terperinciPemodelan Jumlah Kematian Bayi Di Kabupaten Bojonegoro Dengan Menggunakan Metode Analisis Regresi Binomial Negatif
1 Pemodelan Jumlah Kematian Bayi Di Kabupaten Bojonegoro Dengan Menggunakan Metode Analisis Regresi Binomial Negatif Nike Dwi Wilujeng Mahardika dan Sri Pingit Wulandari Statistika, FMIPA, Institut Teknologi
Lebih terperinciIV METODE PENELITIAN. 4.1 Lokasi dan Waktu Penelitian
IV METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian Penelitian ini akan dilaksanakan di beberapa peternak plasma ayam broiler di Kota Depok. Penentuan lokasi penelitian dilakukan atas dasar pertimbangan
Lebih terperinciTINJAUAN PUSTAKA Perilaku Pemilih Partai Politik
3 TINJAUAN PUSTAKA Perilaku Pemilih Agustino (2009) menyebutkan terdapat tiga pendekatan teori yang sering digunakan oleh banyak ahli politik untuk memahami perilaku pemilih diantaranya pendekatan sosiologis,
Lebih terperinciBAB II TINJAUAN PUSTAKA. level, model regresi tiga level, penduga koefisien korelasi intraclass, pendugaan
6 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini yaitu analisis regresi, analisis regresi multilevel, model regresi dua level, model regresi tiga
Lebih terperinciMAKALAH REGRESI LOGISTIK DAN REGRESI DENGAN VARIABLE DUMMY
MAKALAH REGRESI LOGISTIK DAN REGRESI DENGAN VARIABLE DUMMY KELOMPOK : Karlina Siti Faresha 135020200111071 Rezky Ridhowati 135020200111074 Pahriyatul Ummah 135020201111002 JURUSAN MANAJEMEN FAKULTAS EKONOMI
Lebih terperinciPENERAPAN ANALISIS REGRESI LOGISTIK PADA PEMAKAIAN ALAT KONTRASEPSI WANITA
Saintia Matematika Vol. 1, No. 1 (2013), pp. 51 61. PENERAPAN ANALISIS REGRESI LOGISTIK PADA PEMAKAIAN ALAT KONTRASEPSI WANITA (Studi kasus di desa Dolok Mariah Kabupaten Simalungun) Oktani Haloho, Pasukat
Lebih terperinciIII. METODE PENELITIAN. Pangan adalah segala sesuatu yang berasal dari sumber hayati dan air, baik yang
42 III. METODE PENELITIAN A. Konsep Dasar dan Batasan Operasional Konsep dasar dan batasan operasional ini mencakup semua pengertian yang digunakan untuk memperoleh data yang akan dianalisis sesuai dengan
Lebih terperinciBAB 3 METODE PENELITIAN
1 BAB 3 METODE PENELITIAN 3.1 Sumber Data Sumber data yang digunakan adalah data hasil survei demografi dan kesehatan Indonesia (SDKI) tahun 2007. SDKI merupakan survei yang dilaksanakan oleh badan pusat
Lebih terperinciIII. METODE PENELITIAN. PUAP, adalah bagian dari pelaksanaan program PNPM-Mandiri melalui
41 III. METODE PENELITIAN A. Definisi Operasional Pengembangan Usaha Agribisnis Perdesaan yang selanjutnya disingkat PUAP, adalah bagian dari pelaksanaan program PNPM-Mandiri melalui bantuan modal usaha
Lebih terperinciMODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI LOG-LOGISTIK ABSTRAK
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 83-92 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI LOG-LOGISTIK Ibnu
Lebih terperinciModel Log Linear Faktor-Faktor yang Mempengaruhi Perilaku Merokok (Studi Kasus Perokok Di Kelurahan Kandang Limun)
Jurnal Gradien Vol. 11 No. 1 Januari 2015 : 1054-1060 Model Log Linear Faktor-Faktor yang Mempengaruhi Perilaku Merokok (Studi Kasus Perokok Di Kelurahan Kandang Limun) Dian Agustina, Joko Purnomo Jurusan
Lebih terperinciBAB V HASIL PENELITIAN DAN PEMBAHASAN
95 BAB V HASIL PENELITIAN DAN PEMBAHASAN 5.1. Identifikasi Sampel Penelitian Seleksi sampel mencakup sektor perbankan yang menerbitkan obligasi di PEFINDO, tetapi hanya sektor perbankan yang terdaftar
Lebih terperinciModel Regresi Zero Inflated Poisson Pada Data Overdispersion
Model Regresi Zero Inflated Poisson Pada Data Overdispersion Wirajaya Kusuma Fakultas MIPA, Universitas Mataram e-mail: Kusuma_Wirajaya@yahoo.co.id Desy Komalasari Fakultas MIPA, Universitas Mataram e-mail:
Lebih terperinciKata Kunci: Model Regresi Logistik Biner, metode Maximum Likelihood, Demam Berdarah Dengue
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 9 16 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN DBD (DEMAM BERDARAH DENGUE) MENGGUNAKAN REGRESI LOGISTIK
Lebih terperinciMISKLASIFIKASI MAHASISWA BARU F SAINTEK UIN SUNAN KALIJAGA JALUR TES TULIS DENGAN ANALISIS REGRESI LOGISTIK
MISKLASIFIKASI MAHASISWA BARU F SAINTEK UIN SUNAN KALIJAGA JALUR TES TULIS DENGAN ANALISIS REGRESI LOGISTIK Mohammad Farhan Qudratullah Program Studi Matematika Fakultas Sains dan Teknologi Universitas
Lebih terperinciSaintia Matematika ISSN: Vol. 02, No. 04 (2014), pp
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 04 (2014), pp. 313 321. SUATU KAJIAN TENTANG PELAYANAN KESEHATAN DI PUSKESMAS PEMBANTU JATI UTOMO BINJAI Nida Elhaq, Pasukat Sembiring, Djakaria Sebayang
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Deskripsi Populasi dan Sampel Penelitian Analisis Statistik Deksriptif menggambarkan tentang ringkasan data-data penelitian seperti nilai minimum, maksimum, rata-rata
Lebih terperinciPEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2 INDONESIA (SUMATERA)
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 116 124 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2
Lebih terperinciGambaran Duplikasi Penomoran Rekam Medis. Gambaran Kualifikasi Pendidikan. Gambaran Pengetahuan. Statistics pemberian nomor. N Valid 60.
Gambaran Duplikasi Penomoran Rekam Medis Statistics N Valid 60 Missing 0 Frequency Percent Valid Percent Cumulative Percent Valid duplikasi 24 40.0 40.0 40.0 tidak duplikat 36 60.0 60.0 100.0 Total 60
Lebih terperinciMETODE PENELITIAN Definisi dan Pengukuran Variabel Definisi dan pengukuran variabel penelitian ini disajikan pada Tabel 3.1.
III. METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Kegiatan penelitian dilaksanakan pada 11 Maret 2015 sampai 11 Mei 2015. Tempat pelaksanaan kegiatan penelitian di Kabupaten Karanganyar. Pemilihan
Lebih terperinciDOI: /medstat
p-issn 1979 3693 e-issn 2477 0647 MEDIA STATISTIKA 10(1) 2017:37-47 http://ejournal.undip.ac.id/index.php/media_statistika Penerapan Regresi Logistik Ordinal Proportional Odds Model pada Analisis Faktor-Faktor
Lebih terperinciBAB IV. Statistik Parametrik. Korelasi Product Moment. Regresi Linear Sederhana Regresi Linear Ganda Regresi Logistik
BAB IV Statistik Parametrik Korelasi Product Moment Regresi Linear Sederhana Regresi Linear Ganda Regresi Logistik Korelasi Product Moment Korelasi product moment disebut juga korelasi Pearson adalah teknik
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Statistik Deskriptif Statistik Statistik deskriptif digunakan untuk menggambarkan secara umum data yang telah dikumpulkan dalam penelitian ini. Sampel yang digunakan
Lebih terperinciBAB V ANALISIS DAN PEMBAHASAN. 1. Karakteristik Demografi Responden Penelitian
BAB V ANALISIS DAN PEMBAHASAN A. Analisis Data A.1. Analisis Deskriptif 1. Karakteristik Demografi Responden Penelitian Demografi responden terdiri dari Jenis Kelamin. Usia, Tingkat Pendidikan, Jumlah
Lebih terperinci