MODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON

Ukuran: px
Mulai penontonan dengan halaman:

Download "MODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON"

Transkripsi

1 MODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON Ade Susanti, Dewi Retno Sari Saputro, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak Model regresi Poisson digunakan untuk memodelkan hubungan antara variabel respon yang diasumsikan berdistribusi Poisson dengan variabel prediktor Pada distribusi Poisson asumsi equidispersi (nilai variansi sama dengan rata-rata) harus dipenuhi Namun seringkali terjadi overdispersi (nilai variansi lebih besar dari ratarata) Untuk mengatasinya dapat digunakan model regresi Poisson yang diperumum Tujuan penelitian ini untuk mengkaji ulang model regresi Poisson yang diperumum untuk mengatasi overdispersi pada model regresi Poisson dan menerapkannya pada data banyaknya kematian ibu bersalin di Jawa Tengah pada tahun 2014 Model regresi Poisson yang diperumum dituliskan sebagai Ŷi = exp ( β 0 + β 1 X 1i + β 2 X 2i + + β p X pi ) dengan fungsi densitas peluang f(y i ; µ; k) = ( µ 1+kµ ) yi (1+ky i ) y i 1 y i! ( exp µ(1+ky i) 1+kµ Model pada penerapan adalah Ŷi = exp ( 25, 549+0, 3348X 1 +0, 0199X 2 0, 0171X 3 0, 0867X 4 0, 0155X 5 +0, 0107X 6 0, 00226X 7 +0, 0178X 8 +0, X 9 0, 00898X 10 ) Kata kunci : model regresi Poisson, overdispersi, model regresi Poisson yang diperumum ) 1 Pendahuluan Model regresi digunakan untuk memodelkan hubungan antara variabel respon dengan variabel prediktor (Gujarati [3]) Menurut Long [6] pada model regresi variabel respon diasumsikan berdistribusi normal Generalized linear models (GLM) telah dikembangkan oleh McCullagh dan Nelder [7] untuk menganalisis hubungan antara variabel respon dan variabel prediktor dengan variabel respon tidak harus berdistribusi normal, tetapi termasuk keluarga eksponensial Model regresi Poisson dapat digunakan untuk memodelkan hubungan antara variabel respon yang diasumsikan berdistribusi Poisson terhadap variabel prediktor (Casella dan Berger [2]) Pada distribusi Poisson asumsi equidispersi (nilai variansi sama dengan rata-rata) harus dipenuhi Namun seringkali asumsi tersebut tidak dipenuhi, yaitu nilai variansi lebih besar dari rata-rata atau disebut overdispersi (Wang dan Famoye [8]) Overdispersi dapat dideteksi dengan statistik uji skor Menurut Hinde dan Demetrio [4] overdispersi dapat terjadi karena adanya sumber keragaman yang tidak teramati, adanya pengaruh variabel lain yang mengakibatkan peluang suatu kejadian tergantung pada kejadian sebelumnya, adanya pencilan, dan peluang nilai nol yang berlebih pada variabeel respon Menurut McCullagh dan Nelder 1

2 Model Regresi Poisson yang Diperumum A Susanti, DRS Saputro, NA Kurdhi [7] jika tetap digunakan model regresi Poisson pada data yang mengalami overdispersi, maka diperoleh kesimpulan yang kurang valid Untuk mengatasi overdispersi dapat digunakan model regresi Poisson yang diperumum dengan variabel respon diasumsikan berdistribusi Poisson yang diperumum (Listiyani dan Purhadi [5]) Pada penelitian ini dikaji ulang model regresi Poisson yang diperumum untuk mengatasi overdispersi dan diterapkan pada data banyaknya kematian ibu bersalin di Jawa Tengah pada tahun Model Regresi Poisson Regresi Poisson dapat digunakan untuk menunjukkan hubungan antara variabel prediktor terhadap variabel respon yang berdistribusi Poisson Diketahui suatu variabel respon Y dan p variabel prediktor X 1, X 2,, X p dengan pengamatan ke i dari variabel Y dan X 1, X 2,, X p adalah y i dan x 1, x 2,, x p Jika y i merupakan variabel random yang berdistribusi Poisson dengan i = 1, 2,, n dan n menyatakan banyaknya data, maka fungsi densitas peluang distribusi Poisson adalah f(y i ; µ) = µy i e µ y i! dengan µ > 0 dan µ merupakan rata-rata dari variabel respon Y Model regresi Poisson dapat digunakan untuk memodelkan hubungan antara variabel prediktor terhadap variabel respon yang diasumsikan berdistribusi Poisson (Casella dan Berger [2]) Model regresi Poisson dituliskan sebagai Y i = exp(β 0 + β 1 X 1i + β 2 X 2i + + β p X pi ) + ε i, i = 1, 2,, n Estimasi model regresi Poisson adalah Ŷ i = exp( β 0 + β 1 X 1i + β 2 X 2i + + β p X pi ), i = 1, 2,, n 3 Overdispersi Menurut Cameron dan Trivedi [1] dalam model regresi Poisson terdapat asumsi yang harus dipenuhi, yaitu variabel respon harus berdistribusi Poisson Karakteristik distribusi Poisson adalah equidispersi (nilai variansi sama dengan rata-rata) Namun asumsi tersebut seringkali tidak dipenuhi, yaitu nilai variansi lebih besar dari nilai rata-rata yang disebut overdispersi

3 Model Regresi Poisson yang Diperumum A Susanti, DRS Saputro, NA Kurdhi Menurut McCullagh dan Nelder [7] kondisi overdispersi dapat dideteksi dengan statistik uji skor Jika nilai statistik uji skor kurang dari Z α/2, maka terjadi overdispersi Jika terjadi overdispersi pada data, maka model regresi Poisson kurang akurat digunakan untuk memodelkan karena berdampak pada nilai standard error dari taksiran parameter yang dihasilkan cenderung menjadi underestimate, sehingga kesimpulan yang diperoleh menjadi kurang valid (McCullagh dan Nelder [7]) Ada beberapa hal yang menyebabkan terjadinya overdispersi dalam suatu pengamatan diantaranya karena adanya sumber keragaman yang tidak teramati, adanya pengaruh variabel lain yang mengakibatkan peluang suatu kejadian tergantung pada kejadian sebelumnya, adanya pencilan, dan peluang nilai nol yang berlebih pada variabeel respon (Hinde dan Demetrio [4]) 4 Model Regresi Poisson yang Diperumum Menurut Listiyani dan Purhadi [5] salah satu model regresi yang dapat digunakan untuk mengatasi masalah overdispersi adalah model regresi Poisson yang diperumum dengan variabel respon diasumsikan berdistribusi Poisson yang diperumum Fungsi densitas peluang distribusi Poisson yang diperumum adalah ( ) yi ( µ (1 + ky i ) y i 1 f(y i ; µ; k) = exp µ(1 + ky ) i), i = 0, 1, 2, 1 + kµ y i! 1 + ky i dengan k merupakan parameter dispersi Nilai rata-rata dan nilai variansi distribusi Poisson yang diperumum adalah E(Y x) = µ dan V (Y x) = µ(1 + kµ) 2 Model regresi Poisson yang diperumum dituliskan sebagai Y i = exp(β 0 + β 1 X 1i + β 2 X 2i + + β p X pi ) + ε i 5 Metode Penelitian Penelitian ini merupakan penelitian kajian teori dan penerapannya mempelajari model regresi Poisson yang diperumum yang diterapkan pada data banyaknya kematian ibu bersalin di Jawa Tengah pada tahun 2014 Berikut ini uraian langkah-langkahnya Untuk teori dilakukan kajian ulang model regresi Poisson yang diperumum dengan melakukan estimasi parameter β 0, β 1,, β p Digunakan metode maximum likelihood estimation (MLE) untuk mengestimasi dengan membentuk fungsi likelihood, membentuk fungsi ln-likelihood, menurunkan terhadap β dan k serta

4 Model Regresi Poisson yang Diperumum A Susanti, DRS Saputro, NA Kurdhi mengoptimasi parameter β dan k Karena sulit ditentukan penyelesaiannya digunakan metode Newton-Raphson dengan menentukan nilai awal dari parameter β dan k, dan mengiterasi parameter β dan k hingga konvergen Untuk penerapan digunakan data banyaknya kematian ibu bersalin di Jawa Tengah untuk 33 provinsi pada tahun 2014 yang dilakukan dengan langkah memilih variabel respon, memilih variabel prediktor, menghitung statistik deskriptif, meguji distribusi Poisson pada variabel respon, menguji overdispersi, membentuk model regresi Poisson yang diperumum, dan mengestimasi model regresi Poisson yang diperumum 6 Hasil dan Pembahasan 61 Estimasi Model Regresi Poisson yang Diperumum Pada model regresi Poisson yang diperumum harus dilakukan estimasi pada parameter β 0, β 1,, β p Metode yang digunakan untuk mengestimasi adalah metode MLE Fungsi likelihood untuk model regresi Poisson yang diperumum adalah [( n exp(β0 + p j=1 L(β, k) = β ) yi ] 1 + kexp(β 0 + (1 + ky i ) y i 1 p j=1 β (61) y i! [ ( n exp (1 + ky i)exp(β 0 + p j=1 β )] 1 + k exp(β 0 + p j=1 β (62) Selanjutnya fungsi likelihood pada persamaan (61) diambil nilai logaritma naturalisnya sehingga diperoleh fungsi ln-likelihood berikut ) [ ( n p n ln L(β, k) = y i (β 0 + β j x ji y i ln 1 + k exp β 0 + j=1 n (y i 1) ln(1 + ky i ) n ln(y i!) )] p β j x ji + j=1 [ n (1 + kyi )exp(β 0 + p j=1 β ] 1 + k exp(β 0 + p j=1 β, Fungsi ln-likelihood merupakan fungsi maksimum apabila dipenuhi turunan parsial pertama terhadap masing-masing parameter bernilai nol Karena sistem persamaan yang diperoleh dari turunan parsial pertama tersebut merupakan sistem persamaan nonlinier yang sulit ditentukan penyelesaiannya sehingga digunakan pendekatan numerik, yaitu metode Newton Raphson Berikut adalah langkah-langkah untuk mengestimasi parameter β 0, β 1, β 2,, β p, dan k menggunakan metode Newton Raphson

5 Model Regresi Poisson yang Diperumum A Susanti, DRS Saputro, NA Kurdhi (1) Menentukan nilai awal dari parameter b dan k (2) Melakukan proses iterasi dengan prosedur k (t+1) = k (t) H 1 (t)g (t), b (t+1) = b (t) H 1 (t)g (t), dengan G merupakan vektor gradien, H merupakan matriks hessian, dan t merupakan banyaknya iterasi b, k, G, dan H dituliskan sebagai β 0 β 0 β β 1 1 b = β 2 β, k = [k], G = 2, dan β β p p k β 0 β 1 2 β 0 β p β 0 k H = 2 β β 1 β 0 2 β1 2 β 1 β p β 1 k 2 β 2 β 0 β 2 β 1 2 β 2 β p β 0 k 2 β pβ 0 β pβ 1 2 βp 2 β pk 2 β k β 0 β k β 1 2 β k β p k 2 7 Penerapan Pada penelitian ini model regresi Poisson dengan overdispersi diterapkan pada data banyaknya kematian ibu bersalin di Jawa Tengah untuk 33 provinsi pada tahun 2014 Data banyaknya kematian ibu bersalin di Jawa Tengah tersebut diperoleh dari dinas kesehatan Variabel respon pada penerapan ini adalah banyaknya kematian ibu bersalin di Jawa Tengah pada tahun 2014, sedangkan variabel prediktornya adalah persentase mendapatkan pelayanan K1 (X 1 ), persentase mendapatkan pelayanan K4 (X 2 ), persentase persalinan dibantu tenaga kesehatan (X 3 ), persentase mendapatkan tablet Fe1 (X 4, persentase mendapatkan tablet Fe3 (X 5 ), persentase penanganan komplikasi kebidanan (X 6 ), persentase

6 Model Regresi Poisson yang Diperumum A Susanti, DRS Saputro, NA Kurdhi rumah tangga berprilaku hidup bersih dan sehat (X 7 ), persentase banyaknya rumah sakit (X 8 ), persentase banyaknya puskesmas (X 9 ), dan persentase banyaknya penduduk miskin (X 10 ) Berdasarkan hasil perhitungan diketahui bahwa banyaknya kematian ibu bersalin terendah adalah 0 jiwa yang terjadi di kabupaten Banjarnegara, Kebumen, Wonosobo, Boyolali, Karanganyar, dan Grobogan, serta Kota Magelang, Surakarta, dan Salatiga, banyaknya kematian ibu bersalin tertinggi adalah 14 jiwa yang terjadi di Kabupaten Brebes, rata-rata kematian ibu bersalin di Jawa Tengah adalah 3 jiwa, dan variansi kematian ibu bersalin di Jawa Tengah adalah 9 Sebelum menentukan model regresi Poisson, terlebih dahulu dilakukan pengujian distribusi Poisson pada variabel respon untuk mengetahui apakah variabel respon berdistribusi Poisson atau tidak Pengujian ini dilakukan dengan uji Kolmogorov Smirnov Berdasarkan hasil perhitungan diperoleh kesimpulan variabel respon berdistribusi Poisson Setelah diuji variabel respon berdistribusi Poisson selanjutnya ditentukan model regresi Poisson Model regresi Poisson yang diperoleh adalah Ŷ i = exp( 29, , 335X 1 + 0, 022X 2 + 0, 005X 3 0, 094x 4 0, 007X 5 + 0, 01X 6 + 0, 003X 7 + 0, 022X 8 + 0, 005X 9 + 0, 013X 10 ) Overdispersi pada data banyaknya kematian ibu bersalin di Jawa Tengah terlihat dari hasil statistik deskriptif yang telah diuji sebelumnya, yaitu nilai variansi Y lebih besar dari nilai rata-rata Y Selain itu, overdispersi juga dapat dilihat dari nilai statistik uji skor Hasil nilai statistik uji skor adalah 49,24078 Karena lebih besar dari Z α/2 = 1, 96 dapat disimpulkan terjadi overdispersi pada data banyaknya kematian ibu bersalin di Jawa Tengah pada tahun 2014 Oleh karena itu, digunakan model regresi Poisson yang diperumum untuk mengatasi overdispersi Model yang diperoleh adalah

7 Model Regresi Poisson yang Diperumum A Susanti, DRS Saputro, NA Kurdhi Ŷ i = exp( 25, , 3348X 1 + 0, 0199X 2 0, 0171X 3 0, 0867X 4 0, 0155X 5 + 0, 0107X 6 0, 00226X 7 + 0, 0178X 8 + 0, X 9 0, 00898X 10 ) Berikut merupakan langkah-langkah untuk mengestimasi parameter β 0, β 1, β 2,, β p dan k pada model regresi model regresi Poisson yang diperumum (a) Menentukan nilai awal dari parameter b dan k Nilai awal dari parameter β 0 29, 093 β 1 0, 335 β 2 0, 022 β 3 0, 005 β 4 0, 094 b = β 5 = 0, 007 dan k = 1 β 6 0, 01 β 7 0, 003 β 8 0, 022 β 9 0, 005 0, 013 β 10 (b) Melakukan iterasi parameter β dan k hingga konvergen Parameter b dan k konvergen setelah 8 iterasi Diperoleh β 0 = 25, 549, β 1 = 0, 2248, β 2 = 0, 0199, β 3 = 0, 0171, β 4 = 0, 0867, β 5 = 0, 015, β 6 = 0, 0107, β 7 = 0, 0022, β 8 = 0, 0178, β 9 = 0, , β 10 = dan k = 0, Kesimpulan Berikut ini adalah kesimpulan yang diperoleh (a) Model regresi Poisson yang diperumum untuk mengatasi overdispersi pada model regresi Poisson adalah Ŷ i = exp( β 0 + β 1 X 1i + β 2 X 2i + + β p X pi )

8 Model Regresi Poisson yang Diperumum A Susanti, DRS Saputro, NA Kurdhi dengan fungsi densitas dituliskan sebagai ( ) yi µ (1 + ky i ) y i 1 f(y i ; µ; k) = exp 1 + kµ y i! dan i = 0, 1, 2,, n ( µ(1 + ky i) 1 + kµ (b) Berdasarkan penerapan diperoleh model regresi Poisson yang diperumum ), Ŷ i = exp( 25, , 3348X 1 + 0, 0199X 2 0, 0171X 3 0, 0867X 4 0, 0155X 5 + 0, 0107X 6 0, 00226X 7 + 0, 0178X 8 + 0, X 9 0, 00898X 10 ) Kenaikan banyaknya kematian ibu bersalin dipengaruhi oleh kenaikan persentase mendapatkan pelayanan k1, persentase mendapatkan pelayanan k4, persentase penanganan komplikasi kebidanan, persentase banyaknya rumah sakit, dan persentase banyaknya puskesmas Banyaknya kematian ibu bersalin turun dipengaruhi oleh persentase persalinan dibantu tenaga kesehatan, persentase mendapatkan tablet Fe1, persentase mendapatkan tablet Fe3, serta persentase rumah tangga berprilaku hidup bersih dan sehat DAFTAR PUSTAKA [1] Cameron, AC and PK Trivedi, Regression Analysis of Count Data, Cambridge University Press, Cambridge, 1998 [2] Casella, G and R L Berger, Statistical Inference, Wadsworth Inc, California, 1990 [3] Gujarati, D, Ekonometrika Dasar, Erlangga, Jakarta, 1978 [4] Hinde, J and CGB Demetrio, Overdispersion: Models and Estimation, Brazilian Symposium of Probability and Statistics (13 o SINAPE), Caxambu, Minas Gerais, Brazil, April 2007 [5] Listiyani, Y, dan Purhadi, Pemodelan Generalized Regresi Poisson pada Faktor -Faktor yang Mempengaruhi Angka Kematian Bayi di Provinsi Jawa Timur Tahun 2007, Jurnal Statistika ITS 2 (2007), 1-7 [6] Long, J S, Regression Models for Categorical and Limited Dependent Variables, Sage Publications, California, 1997 [7] McCullagh, P and JA Nelder, Generalized Linier Models, 2 nd edition, Chapman and Hall, London, 1989 [8] Wang, W and F Famoye, Modeling Household Fertility Decision With Generalized Poisson Regression, Journal of Population Economics 10 (1997), no 3,

PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI

PENERAPAN 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 terperinci

Regresi 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 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 terperinci

PEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF

PEMODELAN 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

ESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD

ESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD ESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD Fitra1, Saleh2, La Podje3 Mahasiswa Program Studi Statistika, FMIPA Unhas 2,3 Dosen Program Studi Statistika,

Lebih terperinci

Informasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG)

Informasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG) SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Informasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG) Aulia Nugrahani

Lebih terperinci

JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: ( X Print) D-108

JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: ( X Print) D-108 JURNAL SAINS DAN SENI IS Vol. 6, No., (7 ISSN: 337-3 (3-98X Print D-8 Analisis Faktor-Faktor yang Berpengaruh erhadap Jumlah Kematian Ibu dan Jumlah Kematian Bayi di Provinsi Jawa engah dengan Bivariate

Lebih terperinci

Masalah Overdispersi dalam Model Regresi Logistik Multinomial

Masalah 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 terperinci

MASALAH 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) 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 terperinci

ESTIMASI 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 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 terperinci

PEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2 INDONESIA (SUMATERA)

PEMODELAN 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 terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teori statistika telah mempengaruhi hampir semua aspek kehidupan. Hal ini disebabkan statistika merupakan salah satu disiplin ilmu yang berperan

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TENGAH MENGGUNAKAN REGRESI GENERALIZED POISSON DAN BINOMIAL NEGATIF

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TENGAH MENGGUNAKAN REGRESI GENERALIZED POISSON DAN BINOMIAL NEGATIF ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TENGAH MENGGUNAKAN REGRESI GENERALIZED POISSON DAN BINOMIAL NEGATIF 1 Alan Prahutama, 2 Sudarno, 3 Suparti, 4 Moch. Abdul Mukid 1,2,3,4

Lebih terperinci

Kata Kunci: Model Regresi Logistik Biner, metode Maximum Likelihood, Demam Berdarah Dengue

Kata 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 terperinci

E-Jurnal Matematika Vol. 2, No.2, Mei 2013, ISSN:

E-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 terperinci

(M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT

(M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT Univeitas Padjadjaran, 3 November 00 (M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT Vita Ratnasari, Purhadi, Ismaini, Suhartono Mahasiswa S3 Jurusan Statistika

Lebih terperinci

Pemodelan Jumlah Kematian Bayi Di Kabupaten Bojonegoro Dengan Menggunakan Metode Analisis Regresi Binomial Negatif

Pemodelan 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 terperinci

PENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON

PENERAPAN 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 terperinci

ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN

ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar belakang

BAB I PENDAHULUAN. 1.1 Latar belakang BAB I PENDAHULUAN 1.1 Latar belakang Analisis regresi merupakan salah satu metode statistika yang digunakan untuk mengetahui hubungan antara variabel Y(variabel dependen, respon, tak bebas, outcome) dengan

Lebih terperinci

Sarimah. ABSTRACT

Sarimah. 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 terperinci

Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan

Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan VIF Distribusi Poisson Regresi Poisson Kematian Bayi Kematian Ibu Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan 1 Pendaharan terberat pada masa nifas

Lebih terperinci

Model Regresi Zero Inflated Poisson Pada Data Overdispersion

Model 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 terperinci

Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar

Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Vol.14, No. 2, 159-165, Januari 2018 Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Sutrianah Burhan 1, Andi Kresna Jaya 1

Lebih terperinci

ESTIMASI PARAMETER MODEL REGRESI COM-POISSON UNTUK DATA TERSENSOR KANAN MENGGUNAKAN METODE MAKSIMUM LIKELIHOOD. Oleh DIAN ANGGRAENI NIM.

ESTIMASI PARAMETER MODEL REGRESI COM-POISSON UNTUK DATA TERSENSOR KANAN MENGGUNAKAN METODE MAKSIMUM LIKELIHOOD. Oleh DIAN ANGGRAENI NIM. digilib.uns.ac.id ESTIMASI PARAMETER MODEL REGRESI COM-POISSON UNTUK DATA TERSENSOR KANAN MENGGUNAKAN METODE MAKSIMUM LIKELIHOOD Oleh DIAN ANGGRAENI NIM. M0107028 SKRIPSI ditulis dan diajukan untuk memenuhi

Lebih terperinci

Jurnal Matematika Vol. 2 No. 2, Desember ISSN :

Jurnal Matematika Vol. 2 No. 2, Desember ISSN : Jurnal Matematika Vol. 2 No. 2, Desember 2012. ISSN : 1693-1394 Perbandingan Analisis Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif Untuk Mengatasi Overdispersi Studi Kasus: Pemodelan

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print)

JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print) Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Tetanus Neonatorum (TN) di Jawa Timur dengan Metode Regresi Zero- Inflated Generalized Poisson (ZIGP) D-116 Siska Puji Lestari dan Sri Pingit Wulandari

Lebih terperinci

Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Geographically Weighted Negative Binomial Regression (GWNBR)

Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Geographically Weighted Negative Binomial Regression (GWNBR) JURNAL SAINS DAN SENI POMITS Vol. 3, No., (014) ISSN: 337-3539 (301-971 Print) D-18 Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Geographically Weighted Negative Binomial Regression (GWNBR) Eriska

Lebih terperinci

Pengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat)

Pengujian 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 terperinci

Regresi Bivariat Poisson Dalam Pemodelan Jumlah Kematian Bayi dan Jumlah Kematian Ibu di Propinsi Jawa Timur

Regresi Bivariat Poisson Dalam Pemodelan Jumlah Kematian Bayi dan Jumlah Kematian Ibu di Propinsi Jawa Timur 1 Regresi Bivariat Poisson Dalam Pemodelan Jumlah Kematian Bayi dan Jumlah Kematian Ibu di Propinsi Jawa Timur Elvira Pritasari dan Purhadi Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan

Lebih terperinci

Kata Kunci Overdispersi, regresi Zero-Inflated Generalized Poisson (ZIGP), Tetanus Neonatorum.

Kata Kunci Overdispersi, regresi Zero-Inflated Generalized Poisson (ZIGP), Tetanus Neonatorum. 1 Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Tetanus Neonatorum (TN) di Jawa Timur dengan Metode Regresi Zero- Inflated Generalized Poisson (ZIGP) 1 Siska Puji Lestari, 2 Ir. Sri Pingit Wulandari,

Lebih terperinci

PEMODELAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION PADA REGRESI POISSON

PEMODELAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION PADA REGRESI POISSON PEMODELAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION PADA REGRESI POISSON Rena Muntafiah 1, Rochdi Wasono 2, Moh. Yamin Darsyah 3 1,2,3 Program Studi Statistika, Fakultas Matematika dan Ilmu

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan

BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Analisis regresi merupakan salah satu analisis yang paling populer digunakan dalam sebuah penelitian untuk mengetahui bentuk hubungan antara variabel

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan

BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan Regresi adalah suatu metode yang digunakan untuk menganalisis hubungan antara variabel respon dengan variabel penjelas. Pada umumnya, variabel respon

Lebih terperinci

E-Jurnal Matematika Vol. 5 (4), November 2016, pp ISSN:

E-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 terperinci

BAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat

BAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan

Lebih terperinci

S - 13 PEMODELAN SPASIAL KEMISKINAN DENGAN MIXED GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DAN FLEXIBLY SHAPED SPATIAL SCAN STATISTIC

S - 13 PEMODELAN SPASIAL KEMISKINAN DENGAN MIXED GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DAN FLEXIBLY SHAPED SPATIAL SCAN STATISTIC S - 13 PEMODELAN SPASIAL KEMISKINAN DENGAN MIXED GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DAN FLEXIBLY SHAPED SPATIAL SCAN STATISTIC (Studi Kasus: Jumlah Rumah Tangga Sangat Miskin di Kabupaten Kulonprogo)

Lebih terperinci

PROSIDING ISSN : Seminar Nasional Statistika 12 November 2011 Vol 2, November 2011

PROSIDING ISSN : Seminar Nasional Statistika 12 November 2011 Vol 2, November 2011 (R.7) Model Regresi Poisson dan Model Spasial Otoregresif Poisson untuk Mendeteksi Faktor-Faktor yang Berpengaruh terhadap Jumlah Penderita Gizi Buruk di Provinsi Jawa Timur Siti Rohmah Rohimah 1, Muhammad

Lebih terperinci

(R.6) REGRESI MULTILEVEL ZERO INFLATED POISSON UNTUK PEMODELAN DATA RESPON COUNT (Studi Kasus: Kejadian Kematian Bayi)

(R.6) REGRESI MULTILEVEL ZERO INFLATED POISSON UNTUK PEMODELAN DATA RESPON COUNT (Studi Kasus: Kejadian Kematian Bayi) (R.6) REGRESI MULTILEVEL ZERO INFLATED POISSON UNTUK PEMODELAN DATA RESPON COUNT (Studi Kasus: Kejadian Kematian Bayi) 1 Parwoto, 2 Septiadi Padmadisastra, 3 Anna Chadidjah 1 Mahasiswa Magister Statistika

Lebih terperinci

ESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP

ESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP ESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP PADA DATA PASIEN HIPERKOLESTEROLEMIA DI BALAI LABORATORIUM KESEHATAN YOGYAKARTA Fransiska Grase S.W, Sri Sulistijowati H.,

Lebih terperinci

APLIKASI MODEL REGRESI POISSON TERGENERALISASI PADA KASUS ANGKA KEMATIAN BAYI DI JAWA TENGAH TAHUN 2007

APLIKASI MODEL REGRESI POISSON TERGENERALISASI PADA KASUS ANGKA KEMATIAN BAYI DI JAWA TENGAH TAHUN 2007 APLIKASI MODEL REGRESI POISSON TERGENERALISASI PADA KASUS ANGKA KEMATIAN BAYI DI JAWA TENGAH TAHUN 2007 SKRIPSI Oleh: Nurwihda Safrida Umami NIM : J2E006025 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA

Lebih terperinci

LANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel

LANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel 5 II. LANDASAN TEORI 2.1 Model Regresi Poisson Analisis regresi merupakan metode statistika yang populer digunakan untuk menyatakan hubungan antara variabel respon Y dengan variabel-variabel prediktor

Lebih terperinci

PENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN

PENERAPAN 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 terperinci

Perbandingan Analisis Generalized Poisson Regression

Perbandingan Analisis Generalized Poisson Regression 1 Perbandingan Analisis Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif (Studi Kasus: Pemodelan Jumlah Penderita Kusta di Jawa Timur Tahun 2012 Sari Putri (1) dan Wiwiek Setya Winahju

Lebih terperinci

GENERALIZED POISSON REGRESSION (GPR)

GENERALIZED POISSON REGRESSION (GPR) PEMODELAN JUMLAH KASUS KANKER SERVIKS DI JAWA TIMUR MENGGUNAKAN ANALISIS GENERALIZED POISSON REGRESSION (GPR) 12/06/2012 Oleh: RIZA INAYAH / 1309.030.042 Dosen Pembimbing: DR. Purhadi, M.Sc Jurusan Statistika

Lebih terperinci

EARLY 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 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 terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan salah satu metode statistika yang luas penggunaanya dalam berbagai bidang dan telah diterapkan untuk berbagai jenis pengujian serta penelitian.

Lebih terperinci

BAB III MODEL REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON

BAB III MODEL REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON BAB III MODEL REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON 3.1 Regresi Poisson Regresi Poisson merupakan salah satu model regresi dengan variabel responnya tidak berasal

Lebih terperinci

PEMODELAN INFANT MORTALITY RATE (IMR) DENGAN PENDEKATAN ZERO INFLATED POISSON REGRESSION BERBASIS ALGORITMA EM

PEMODELAN INFANT MORTALITY RATE (IMR) DENGAN PENDEKATAN ZERO INFLATED POISSON REGRESSION BERBASIS ALGORITMA EM E-ISSN 2527-9378 Jurnal Statistika Industri dan Komputasi Volume 3, No. 1, Januari 2018, pp. 71-78 PEMODELAN INFANT MORTALITY RATE (IMR) DENGAN PENDEKATAN ZERO INFLATED POISSON REGRESSION BERBASIS ALGORITMA

Lebih terperinci

PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL

PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen

Lebih terperinci

MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang.

MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang. MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL Winda Faati Kartika 1, Triastuti Wuryandari 2 1, 2) Program Studi Statistika Jurusan Matematika FMIPA Universitas Diponegoro

Lebih terperinci

ANALISIS 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 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 terperinci

PENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA

PENERAPAN 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 terperinci

BAB 4 ANALISIS DAN PEMBAHASAN

BAB 4 ANALISIS DAN PEMBAHASAN BAB 4 ANALISIS DAN PEMBAHASAN Pada bab analisis dan pembahasan ini akan jelaskan tentang pola persebaran jumlah penderita kusta dan faktor-faktor yang mempengaruhinya, kemudian dilanjutkan dengan pemodelan

Lebih terperinci

PENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 23 28 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD FEBY RIDIANI Program

Lebih terperinci

Analisis Regresi Nonlinear (I)

Analisis Regresi Nonlinear (I) 9 Oktober 2013 Topik Inferensi dalam Regresi Nonlinear Contoh Kasus Regresi linear berganda secara umum sesuai untuk kebanyakan kasus. Namun, banyak kasus peubah respons dan bebas berhubungan melalui fungsi

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi digunakan untuk mengetahui bentuk hubungan antara variabel respon dengan satu atau lebih variabel prediktor. Umumnya analisis regresi yang digunakan

Lebih terperinci

MODEL REGRESI ZERO INFLATED GENERALIZED POISSON

MODEL REGRESI ZERO INFLATED GENERALIZED POISSON MODEL REGRESI ZERO INFLATED GENERALIZED POISSON Oleh WICAKSONO CAHYO NUGROHO NIM. M0106067 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika JURUSAN

Lebih terperinci

PENAKSIRAN PARAMETER MODEL REGRESI POISSON DENGAN METODE EXACT GENERALIZED ESTIMATING EQUATIONS (EGEE) UNTUK MULTIPLE-RANDOM EFFECTS

PENAKSIRAN PARAMETER MODEL REGRESI POISSON DENGAN METODE EXACT GENERALIZED ESTIMATING EQUATIONS (EGEE) UNTUK MULTIPLE-RANDOM EFFECTS PENAKSIRAN PARAMETER MODEL REGRESI POISSON DENGAN METODE EXACT GENERALIZED ESTIMATING EQUATIONS (EGEE) UNTUK MULTIPLE-RANDOM EFFECTS Anisah Nurul Hayati Pembimbing : Dr. Yekti Widyaningsih, M.Si dan Dr.

Lebih terperinci

FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA PENDERITA GIZI BURUK PADA BALITA DI PAPUA TAHUN 2015 DENGAN METODE REGRESI ZERO INFLATED POISSON (ZIP)

FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA PENDERITA GIZI BURUK PADA BALITA DI PAPUA TAHUN 2015 DENGAN METODE REGRESI ZERO INFLATED POISSON (ZIP) Jurnal LOG!K@, Jilid 7, No. 1, 2017, Hal. 1-14 ISSN 1978 8568 FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA PENDERITA GIZI BURUK PADA BALITA DI PAPUA TAHUN 2015 DENGAN METODE REGRESI ZERO INFLATED POISSON (ZIP)

Lebih terperinci

UJM 5 (1) (2016) UNNES Journal of Mathematics.

UJM 5 (1) (2016) UNNES Journal of Mathematics. UJM 5 (1) (2016) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PEMODELAN GENERALIZED POISSON REGRESSION (GPR) UNTUK MENGATASI PELANGGARAN EQUIDISPERSI PADA REGRESI POISSON KASUS

Lebih terperinci

PEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)

PEMODELAN 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 terperinci

PENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1)

PENGARUH 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 terperinci

APLIKASI REGRESI BINOMIAL NEGATIF DAN GENERALIZED POISSON DALAM MENGATASI OVERDISPERSION PADA REGRESI POISSON

APLIKASI REGRESI BINOMIAL NEGATIF DAN GENERALIZED POISSON DALAM MENGATASI OVERDISPERSION PADA REGRESI POISSON APLIKASI REGRESI BINOMIAL NEGATIF DAN GENERALIZED POISSON DALAM MENGATASI OVERDISPERSION PADA REGRESI POISSON (Studi Kasus Data Kemiskinan Provinsi di Indonesia Tahun 2009) Fitriana Fadhillah PROGRAM STUDI

Lebih terperinci

Penerapan Hurdle Negative Binomial pada Data Tersensor

Penerapan Hurdle Negative Binomial pada Data Tersensor SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 Penerapan Hurdle Negative Binomial pada Data Tersensor S - 5 Resa Septiani Pontoh, Defi Yusti Faidah. Departemen Statistika FMIPA Universitas

Lebih terperinci

PEMODELAN JUMLAH KEMATIAN AKIBAT DIFTERI DI PROVINSI JAWA TIMUR DENGAN REGRESI BINOMIAL NEGATIF DAN ZERO-INFLATED POISSON

PEMODELAN 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 terperinci

PENERAPAN HURDLE NEGATIVE BINOMIAL PADA DATA TERSENSOR

PENERAPAN HURDLE NEGATIVE BINOMIAL PADA DATA TERSENSOR PENERAPAN HURDLE NEGATIVE BINOMIAL PADA DATA TERSENSOR SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 215 S-5 Penerapan Hurdle Negative Binomial pada Data Tersensor Resa Septiani Pontoh, Defi

Lebih terperinci

Kajian Generalisasi Distribusi Binomial yang Bertipe COM-Poisson dan Sifat-Sifatnya

Kajian Generalisasi Distribusi Binomial yang Bertipe COM-Poisson dan Sifat-Sifatnya JURNAL SAINS DAN SENI ITS Vol. 4, No.2, 2015 2337-3520 2301-928X Print A-67 Kajian Generalisasi Distribusi Binomial yang Bertipe COM-Poisson dan Sifat-Sifatnya Marselly Dian Saputri, Farida Agustini Widjajati,

Lebih terperinci

HASIL DAN PEMBAHASAN Model Regresi Poisson

HASIL 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 terperinci

BAB I PENDAHULUAN. Pada bab ini akan dibahas mengenai latar belakang tema yang diambil dalam

BAB I PENDAHULUAN. Pada bab ini akan dibahas mengenai latar belakang tema yang diambil dalam BAB I PENDAHULUAN Pada bab ini akan dibahas mengenai latar belakang tema yang diambil dalam tugas akhir ini, perumusan masalah yang akan dibahas, batasan masalah, tujuan penulisan, manfaat penulisan, dan

Lebih terperinci

Dosen Pembimbing : Dr. Purhadi, M.Sc

Dosen 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 terperinci

BAB I PENDAHULUAN. yang mendapat perhatian dari masyarakat internasional. Menurut data World

BAB I PENDAHULUAN. yang mendapat perhatian dari masyarakat internasional. Menurut data World BAB I PENDAHULUAN 1.1.Latar Belakang Masalah Masalah kecelakaan lalu lintas saat ini sudah merupakan masalah global yang mendapat perhatian dari masyarakat internasional. Menurut data World Health Organization

Lebih terperinci

PEMODELAN ANGKA PUTUS SEKOLAH BAGI ANAK USIA WAJIB BELAJAR DI JAWA TIMUR DENGAN PENDEKATAN GENERALIZED POISSON REGRESSION

PEMODELAN ANGKA PUTUS SEKOLAH BAGI ANAK USIA WAJIB BELAJAR DI JAWA TIMUR DENGAN PENDEKATAN GENERALIZED POISSON REGRESSION PEMODELAN ANGKA PUTUS SEKOLAH BAGI ANAK USIA WAJIB BELAJAR DI JAWA TIMUR DENGAN PENDEKATAN GENERALIZED POISSON REGRESSION 1 Tanty Citrasari Wijayanti (1307100024) 2 Setiawan (19601030 198701 1 001) 1 Mahasiswa

Lebih terperinci

Oleh : Anindya Frisanty Ikaprillia Dosen Pembimbing : Dr. Purhadi, M.Sc

Oleh : Anindya Frisanty Ikaprillia Dosen Pembimbing : Dr. Purhadi, M.Sc Oleh : Anindya Frisanty Ikaprillia 1309 100 014 Dosen Pembimbing : Dr. Purhadi, M.Sc Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran Rumusan Masalah Tujuan

Lebih terperinci

E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, ISSN:

E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, ISSN: E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 23-28 ISSN: 2303-1751 PENERAPAN REGRESI ZERO INFLATED POISSON UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON (Studi Kasus: Ketidaklulusan Siswa SMA/MA

Lebih terperinci

PEMODELAN GENERALIZED POISSON REGRESSION (GPR) UNTUK MENGATASI PELANGGARAN EQUIDISPERSI PADA REGRESI POISSON KASUS CAMPAK DI KOTA SEMARANG

PEMODELAN GENERALIZED POISSON REGRESSION (GPR) UNTUK MENGATASI PELANGGARAN EQUIDISPERSI PADA REGRESI POISSON KASUS CAMPAK DI KOTA SEMARANG PEMODELAN GENERALIZED POISSON REGRESSION (GPR) UNTUK MENGATASI PELANGGARAN EQUIDISPERSI PADA REGRESI POISSON KASUS CAMPAK DI KOTA SEMARANG Skripsi disusun sebagai salah satu syarat untuk memperoleh gelar

Lebih terperinci

Pemodelan Binomial Negatif Untuk Mengatasi Overdispersi Data Diskrit Pada Kasus Baru Tb Di Provinsi Jawa Timur

Pemodelan Binomial Negatif Untuk Mengatasi Overdispersi Data Diskrit Pada Kasus Baru Tb Di Provinsi Jawa Timur Pemodelan Binomial Negatif Untuk Mengatasi Overdispersi Data Diskrit Pada Kasus Baru Tb Di Provinsi Jawa Timur Dani Yuli, Diah Indriani Departemen Biostatistika dan Kependudukan Fakultas Kesehatan Masyarakat

Lebih terperinci

Regresi Cox pada Survei Kompleks (Studi Kasus: Lama Pemberian ASI)

Regresi Cox pada Survei Kompleks (Studi Kasus: Lama Pemberian ASI) Regresi Cox pada Survei Kompleks (Studi Kasus: Lama Pemberian ASI) Endah Budiarti 1 Septiadi Padmadisastra 2 Bertho Tantular 3 1,2,3 ProgramMagister Statistika Terapan, FMIPA, Universitas Padjadjaran Email:

Lebih terperinci

JUDUL TUGAS AKHIR SS141501

JUDUL TUGAS AKHIR SS141501 JUDUL TUGAS AKHIR SS141501 IDENTIFIKASI WILAYAH KANTONG PENYAKIT DEMAM BERDARAH DENGUE (DBD) DENGAN FLEXIBLY SHAPED SPATIAL SCAN STATISTIC MELALUI PEMODELAN GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION

Lebih terperinci

E-Jurnal Matematika Vol. 3 (3), Agustus 2014, pp ISSN:

E-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 terperinci

PROSIDING ISBN :

PROSIDING ISBN : S - 10 APLIKASI METODE FULL INFORMATION MAXIMUM LIKELIHOOD (FIML) PADA PENYELESAIAN SISTEM PERSAMAAN SIMULTAN (Studi Kasus : Data Stok Uang, PDRB, dan Konsumsi Rumah Tangga Di DIY) Eka Septiana 1, Retno

Lebih terperinci

REGRESI COX MULTIVARIAT DENGAN DISTRIBUSI WIEBULL MULTIVARIAT

REGRESI COX MULTIVARIAT DENGAN DISTRIBUSI WIEBULL MULTIVARIAT 1 Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 REGRESI COX MULTIVARIAT DENGAN DISTRIBUSI WIEBULL MULTIVARIAT 1 Irfan Wahyudi 1 Mahasiswa S-3 Statistika FMIPA ITS,

Lebih terperinci

BAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR)

BAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) BAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) 3.1 Regresi Poisson Regresi Poisson merupakan suatu bentuk analisis regresi yang digunakan untuk memodelkan data

Lebih terperinci

JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-61

JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-61 JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) 2337-3520 (2301-928X Print) A-61 Model Regresi Probit Bivariat pada Kasus Penderita HIV dan AIDS di Jawa Timur Bella Yuliatin Puspita Sari, dan Farida Agustini

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang

BAB I PENDAHULUAN 1.1. Latar Belakang BAB I PENDAHULUAN 1.1. Latar Belakang Regresi Poisson telah mendapat banyak perhatian dalam literatur sebagai model untuk mendeskripsikan data hitungan yang mengasumsikan nilai bilangan bulat sesuai dengan

Lebih terperinci

Regresi Logistik Binomial, Model untuk Toksisitas Logam Berat Timbal Pb terhadap Larva Udang Vannamae

Regresi Logistik Binomial, Model untuk Toksisitas Logam Berat Timbal Pb terhadap Larva Udang Vannamae Regresi Logistik Binomial, Model untuk Toksisitas Logam Berat Timbal Pb terhadap Larva Udang Vannamae Dwi Haryo Ismunarti Jurusan Ilmu Kelautan Fakultas Perikanan dan Ilmu Kelautan UNDIP email : dwiharyois@gmail.com

Lebih terperinci

PEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL

PEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL 1 PEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL Uaies Qurnie Hafizh, Vita Ratnasari Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut

Lebih terperinci

Penaksiran Parameter Model Kalibrasi Linier yang Berdistribusi Skew-Normal dengan Algoritma-EM

Penaksiran Parameter Model Kalibrasi Linier yang Berdistribusi Skew-Normal dengan Algoritma-EM Vol. 12, No. 1, 36-47, Juli 2015 Penaksiran Parameter Model Kalibrasi Linier yang Berdistribusi Skew-Normal dengan Algoritma-EM Try Widyaiswara Hairil 1, Anna Islamiyati 1, Raupong 1 Abstrak Sebuah penelitian

Lebih terperinci

MODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS

MODEL 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 terperinci

GENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI

GENERALIZED 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 terperinci

PENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO 2 dan Gross Nation Product di Malaysia, Bhutan, dan Nepal)

PENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO 2 dan Gross Nation Product di Malaysia, Bhutan, dan Nepal) PENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO dan Gross Nation Product di Malaysia, Bhutan, dan Nepal) Yanti I 1, Islamiyati A, Raupong 3 Abstrak Regresi geometrik

Lebih terperinci

PEMODELAN JUMLAH ANAK PUTUS SEKOLAH DI PROVINSI BALI DENGAN PENDEKATAN SEMI-PARAMETRIC GEOGRAPHICALLY WEIGHTED POISSON REGRESSION

PEMODELAN JUMLAH ANAK PUTUS SEKOLAH DI PROVINSI BALI DENGAN PENDEKATAN SEMI-PARAMETRIC GEOGRAPHICALLY WEIGHTED POISSON REGRESSION E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 29-34 ISSN: 2303-1751 PEMODELAN JUMLAH ANAK PUTUS SEKOLAH DI PROVINSI BALI DENGAN PENDEKATAN SEMI-PARAMETRIC GEOGRAPHICALLY WEIGHTED POISSON REGRESSION GUSTI

Lebih terperinci

MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA. 1. Pendahuluan

MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA. 1. Pendahuluan MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA Kornelius Ronald Demu, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika FMIPA

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi adalah suatu metode yang digunakan untuk menganalisa hubungan antara variabel respon dan variabel prediktor. Pada umumnya analisis regresi

Lebih terperinci

Model Probit Untuk Ordinal Response

Model Probit Untuk Ordinal Response SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY Model Probit Untuk Ordinal Response S - 4 Defi Yusti Faidah, Resa Septiani Pontoh, Departemen Statistika FMIPA Universitas Padadaran defi.yusti@unpad.ac.id

Lebih terperinci

MODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI

MODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI MODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI Puspitaningrum Rahmawati, Bambang Susanto, Leopoldus Ricky Sasongko Program Studi Matematika (Fakultas Sains dan Matematika,

Lebih terperinci

DAFTAR ISI. Halaman. viii

DAFTAR ISI. Halaman. viii DAFTAR ISI Halaman HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii KATA PENGANTAR... iv ABSTRAK... vi ABSTACT... vii DAFTAR ISI... viii DAFTAR SIMBOL... xi DAFTAR TABEL... xiii DAFTAR GAMBAR... xiv DAFTAR

Lebih terperinci

Pemodelan Regresi Probit Ordinal Pada Kasus Penentuan Predikat Kelulusan Mahasiswa FMIPA Universitas Mulawarman Tahun 2014

Pemodelan Regresi Probit Ordinal Pada Kasus Penentuan Predikat Kelulusan Mahasiswa FMIPA Universitas Mulawarman Tahun 2014 Prosiding Seminar Sains dan Teknologi FMIPA Unmul Pemodelan Regresi Probit Ordinal Pada Kasus Penentuan Predikat Kelulusan Mahasiswa FMIPA Universitas Mulawarman Tahun 2014 Dewi Andriani 1, Sri Wahyuningsih

Lebih terperinci

Pemodelan Jumlah Kasus Hiv dan Aids di Kota Surabaya Menggunakan Bivariate Generalized Poisson Regression

Pemodelan Jumlah Kasus Hiv dan Aids di Kota Surabaya Menggunakan Bivariate Generalized Poisson Regression JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 337-3 (3-98X Print) D-98 Pemodelan Jumlah Kasus Hiv dan Aids di Kota Surabaya Menggunakan Bivariate Generalized Poisson Regression Suprianto Simanuntak,

Lebih terperinci

Pemodelan Faktor yang Mempengaruhi Jumlah Hiv dan Aids Provinsi Jawa Timur Menggunakan Regresi Poisson Bivariat

Pemodelan Faktor yang Mempengaruhi Jumlah Hiv dan Aids Provinsi Jawa Timur Menggunakan Regresi Poisson Bivariat JURNAL SAINS DAN SENI POMIS Vol., No., ( 7- (-98X Print D- Pemodelan Faktor yang Mempengaruhi Jumlah Hiv dan Aids Provinsi Jawa imur Menggunakan Regresi Poisson Bivariat Novi ri Ratnasari dan Purhadi Jurusan

Lebih terperinci

BAB 1 PENDAHULUAN. ii Bagaimana rata-rata atau nilai tengah dibuat oleh Stimulan eksternal.

BAB 1 PENDAHULUAN. ii Bagaimana rata-rata atau nilai tengah dibuat oleh Stimulan eksternal. BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu pengetahuan matematika dan penerapannya dalam berbagai bidang keilmuan selalu mencari metode baru untuk memudahkan dalam memprediksi dan menaksir

Lebih terperinci