(R.5) Pemodelan Regresi Poisson Terboboti Geografis Pada Kasus Gizi. buruk di Jawa Timur.
|
|
- Hamdani Lesmono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 (R.5) Pemodelan Regresi Poisson Terboboti Geografis Pada Kasus Gizi Buruk di Jawa Timur Ida Mariati Hutabarat 1, Asep Saefuddin 2 1Jurusan Matematika Uncen. 2 Departemen Statistika IPB 1Jl.Kamp Wolker Waena Jayapura. 2 Kampus Darmaga Bogor Emai l: 1 ida_mariati@yahoo.com. 2 asaefuddin@gmail.com Abstrak Penderita gizi buruk dari satu wilayah diduga dipengaruhi oleh wilayah sekitarnya. Kondisi geografis, sosial budaya dan ekonomi tentunya berbeda antara satu wilayah dengan wilayah yang lainnya. Oleh karena itu, diperlukan suatu pemodelan statistik dengan memperhitungkan faktor spasial. Metode statistik yang dapat digunakan untuk menganalisis data yang menyebar Poisson dengan memperhitungkan faktor spasial adalah Regresi Poisson Terboboti Geografis (RPTG). Tujuan penelitian ini adalah memodelkan kasus gizi buruk dengan pendekatan regresi spasial. Hasil penelitian menunjukkan bahwa peubah yang berpengaruh terhadap jumlah penderita gizi buruk di Jawa Timur adalah jumlah keluarga yang bertempat tinggal di permukiman kumuh, luas struktur penggunaan lahan tidak berpengairan, jumlah tenaga kesehatan yang tinggal di desa/kelurahan, jumlah keluarga yang menerima kartu Askeskin dalam setahun terakhir, dan jumlah pendapatan domestik regional bruto per kapita. Berdasarkan kriteria kebaikan model yaitu R-square dan AIC diperoleh bahwa model RPTG dengan menggunakan pembobot fungsi Kernel Bisquare memiliki nilai R-square terbesar dan AIC terkecil. Hal ini menunjukkan bahwa model RPTG dengan pembobot fungsi Kernel Bisquare lebih baik digunakan untuk memodelkan kasus gizi buruk di Jawa Timur. Kata Kunci : Gizi buruk, sebaran Poisson, Regresi Poisson Terboboti Geografis. 1. PENDAHULUAN Angka penderita gizi buruk di Indonesia masih cukup tinggi. Pada tahun 2010, jumlahnya mencapai 17.9 persen "Jumlahnya memang masih cukup tinggi. Pemerintah berupaya untuk menurunkannya hingga menjadi 15,1 persen tahun 2015, sesuai dengan target Millenium Development Goals (MDGs) Berdasarkan Badan Penelitian dan Pengembangan Kesehatan, beberapa provinsi tercatat memiliki jumlah penderita gizi buruk yang cukup tinggi. Provinsi Jawa Timur menempati urutan pertama dengan kasus dan tingkat prevalensi gizi buruk tertinggi sebesar 4.8 persen antar provinsi di Pulau Jawa (BPPK 2008). Penderita gizi buruk dari satu wilayah diduga dapat dipengaruhi oleh wilayah sekitarnya. Kondisi geografis, sosial budaya dan ekonomi tentunya akan berbeda antara wilayah yang satu dengan wilayah yang lain. Oleh karena itu, diperlukan suatu metode pemodelan statistik dengan memperhitungkan faktor spasial. Metode statistik yang telah dikembangkan untuk analisis data dengan memperhitungkan faktor spasial saat ini adalah 128
2 Regresi Terboboti Geografis (Geographically Weigthed Regression). Regresi Terboboti Geografis (RTG) adalah salah satu solusi yang dapat digunakan untuk membentuk analisis regresi namun bersifat lokal untuk setiap lokasi. RTG merupakan bagian dari analisis spasial dengan pembobotan berdasarkan posisi atau jarak satu lokasi pengamatan dengan lokasi pengamatan yang lain. Jika peubah respon yang akan diteliti merupakan peubah acak diskret yang menyebar Poisson dimana lokasi diperhatikan, maka metode statistik yang digunakan yaitu Regresi Poisson Terboboti Geografis (Geographically Weigthed Poisson Regression). Model Regresi Poisson Terboboti Geografis (RPTG) akan diaplikasikan untuk menentukan faktor-faktor yang berpengaruh terhadap banyaknya jumlah penderita gizi buruk provinsi di Jawa Timur. Kerawanan penderita gizi buruk merupakan masalah yang sangat penting di Indonesia, sehingga diperlukan penanganan yang tepat. 2. TINJAUAN PUSTAKA 2.1 Model Regresi Poisson Model regresi Poisson merupakan suatu bentuk regresi yang digunakan untuk memodelkan data diskrit dan termasuk dalam model regresi nonlinear. Regresi poisson berdasarkan pada penggunaan sebaran poisson. Peluang sebaran poisson diberikan sebagai berikut (Myers, 1990). f(y; μ) = (), y = 0,1,2,! Fungsi penghubung (link function) yang sesuai digunakan adalah logaritma, sehingga diperoleh: logμ (x, x,, x ) = β + β X + β X + + β X μ (x, x,, x ) = exp(β + β X + β X + + β X ) = expβ + β X atau μ = expx β (1) dimana X = [1 x x x ], β = [β β β β ], β, β, β,, β menyatakan parameter-parameter yang tidak diketahui. Nilai dari parameter yang tidak diketahui diduga dengan menggunakan metode kemungkinan maksimum (Maximum Likelihood) kemudian diselesaikan dengan metode iterasi numerik yaitu Newton Raphson Model Regresi Terboboti Geografis (RTG) Model RTG merupakan pengembangan dari model regresi global dimana ide dasarnya diambil dari regresi nonparametrik (Mei, 2005). Model ini merupakan model regesi linier 129
3 lokal (locally linier regression) yang menghasilkan penduga parameter model yang bersifat lokal untuk setiap titik atau lokasi dimana data tersebut dikumpulkan. Model RTG dapat ditulis sebagai berikut (Fotheringham et al.,2002): Y = β (u, v ) + β (u, v ) X + ε ; i = 1,2,, n (2) dengan Y X β (u, v β (u, v ) (u, v ) nilai pengamatan peubah respon ke-i nilai pengamatan peubah prediktor k pada pengamatan ke-i nilai intersept model regresi RTG koefisien regresi menyatakan titik koordinat (lintang,bujur) lokasi i ε ~N(0, σ ) Pendugaan parameter β(u, v ) didapat dengan menggunakan metode kuadrat terkecil terboboti (weighted least square) dengan pembobot yang berbeda untuk setiap lokasi. Sehingga penduga parameter untuk model RTG di setiap lokasi adalah : β(u, v ) = (X w(u, v )X) X w(u, v )y (3) 2.3. Model Regresi Poisson Terboboti Geografis (RPTG) Regresi Poisson Terboboti Geografis menganalisis data spasial dari proses yang non stasioner. (RPTG) sebagai metode statistik untuk RPTG adalah metodologi non parametrik untuk mendapatkan parameter regresi dengan memperhitungkan faktor spasial dan merupakan pendekatan alternatif dari RTG yang dikembangkan berdasarkan kerangka model Gaussian. Pada penelitian ini akan digunakan metode MLE dalam menduga parameternya. Langkah awal dari metode tersebut adalah dengan membentuk fungsi likelihood. Karena variabel respon berdistribusi Poisson Y ~Poisson μ(x, β) maka fungsi likelihood adalah sebagai berikut: L(β) = (,)(,) (4)! Setelah diperoleh bentuk likelihood kemudian dilakukan operasi logaritma natural sehingga persamaan (4) menjadi : ln L(β) = ( μ(x, β) + y ln μ(x, β) ln y!) (5) Berdasarkan persamaan (1) maka persamaan (5) dapat ditulis sebagai : 130
4 ln L(β) = y x β expx β ln y! Pembobot diberikan pada bentuk log-likelihoodnya sehingga diperoleh : ln L β(u, v ) = y x βu, v exp x βu, v ln y! w (u, v ) (6) Estimasi parameter β(u, v ) diperoleh dengan mendefferensialkan persamaan (6) terhadap βu, v maka diperoleh : (, ), = y x x exp x βu, v w (u, v ) Nilai estimasi diperoleh dengan memaksimumkan bentuk differensial tersebut sehingga diperoleh (, ), = y x x exp x βu, v w (u, v ) = 0 (7) Karena fungsi pada persamaan (7) berbentuk implisit, maka digunakan suatu prosedur iterasi numerik yaitu metode Newton-Raphson. Secara umum persamaan untuk iterasi Newton-Raphson adalah : β () (u, v ) = β (u, v ) H () β (u, v )g β (u, v ) (8) dimana g β (u, v ) = (, ), = x w (u, v )exp x β(u, v ) + x w (u, v )y H () β (u, v ) = (, ), (9) = x w (u, v )x exp x β(u, v ) (10) Apabila persamaan (9) dan (10) disubsitusikan ke persamaan (8), maka diperoleh : β () (u, v ) = x w (u, v )μ () x x w (u, v )μ () () +x β () (u, v ) (11) Persamaan (11) dapat ditulis menjadi : β () (u, v ) = () x w (u, v )y () x = x w (u, v )y () () +x β () (u, v ) (12) () Apabila digunakan pendekatan matriks maka persamaan (12) dapat ditulis sebagai berikut : β () (u, v ) = X w(u, v )A(u, v ) () X X w(u, v )A(u, v ) () z(u, v ) () dengan 131
5 A(u, v ) = Matriks pembobot ragams untuk setiap lokasi i A(u, v ) () = diag y β () (u, v ) y β () (u, v ) y β () (u, v ) z(u, v ) = Vektor dari peubah respon z (u, v ) () = z () (u, v ), z () (u, v ),, z () (u, v ) Dengan mengulang prosedur iterasi untuk setiap titik regresi ke-i, maka penduga parameter lokal akan didapatkan. Iterasi berhenti pada saat konvergen, yaitu pada saat β () (u, v ) β () (u, v ) δ, dimana δ merupakan bilangan yang sangat kecil 2.4. Gizi Buruk Gizi buruk adalah suatu istilah teknis yang umumnya dipakai oleh kalangan gizi, kesehatan dan kedokteran. Gizi buruk adalah bentuk terparah dari proses terjadinya kekurangan gizi menahun. Anak balita sehat atau kurang gizi secara sederhana dapat diketahui dengan membandingkan antara berat badan menurut umurnya dengan rujukan (standar) yang telah ditetapkan. Apabila berat badan menurut umur sesuai dengan standar, anak disebut gizi baik. Kalau sedikit di bawah standar disebut gizi kurang. Apabila jauh di bawah standar dikatakan gizi buruk. Penyebab timbulnya masalah gizi buruk bersifat multifaktor yang terdiri dari faktor langsung dan tidak langsung. Gizi buruk secara langsung disebabkan oleh kurangnya asupan makanan dan penyakit infeksi, sedangkan secara tidak langsung disebabkan oleh ketersediaan pangan, sanitasi lingkungan, pelayanan kesehatan, pola asuh, kamampuan daya beli keluarga, pendidikan, dan pengetahuan (DBGM 2008). Masalah gizi buruk membutuhkan penanganan yang tepat, karena konsekuensinya dapat menimbulkan penurunan kualitas sumberdaya manusia. Gizi buruk secara langsung maupun tidak langsung akan menurunkan tingkat kecerdasan anak, terhambatnya pertumbuhan, perkembangan anak, serta menurunkan produktivitas. 3. METODOLOGI PENELITIAN 3.1. Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yang telah dikumpulkan oleh BPS, yaitu data Potensi Desa (PODES) dan survei sosial ekonomi nasional (SUSENAS) tahun 2008 pada 38 kabupaten/kota yang ada di Jawa Timur. Data yang digunakan adalah jumlah penderita gizi buruk, jumlah keluarga yang bertempat tinggal di 132
6 permukiman kumuh, jumlah keluarga yang anggotanya menjadi buruh tani, luas struktur penggunaan lahan tidak berpengairan, jumlah sarana pendidikan tingkat SD dan SMP sederajat, jumlah posyandu, jumlah keluarga yang menerima kartu Askeskin dalam setahun terakhir, jumlah tenaga kesehatan yang tinggal di desa/kelurahan, produk Domestik Regional Bruto per kapita atas dasar harga berlaku Metode Analisis Tahapan analisis data yang dilakukan adalah sebagai berikut: a. Menganalisis model regresi Poisson dengan langkah-langkah sebagai berikut : 1. Pemeriksaan kolinieritas antara peubah penjelas 2. Menduga parameter model regresi Poisson b. Menganalisis model RPTG dengan langkah-langkah sebagai berikut: 1. Menentukan u dan v setiap kabupaten/kota di Provinsi Jawa Timur. 2. Menentukan bandwidth optimum dengan menggunakan metode Cross Validation (CV) 3. Menghitung jarak Eucliden antara lokasi pengamatan berdasarkan posisi geografis. 4. Menghitung matriks pembobot dengan menggunakan fungsi Kernel Gaussian dan fungsi Bisquare 5. Menduga parameter model RPTG 6. Pengujian kesesuaian model regresi Poisson 7. Melakukan pengujian parameter secara parsial dengan menggunakan hipotesis berikut :. H β (u, v ) = 0, H β (u, v ) 0 ; k = 1,2,, p 8. Mendapatkan model regresi terbaik dengan membandingkan nilai AIC dan nilai R- square dari model regresi global dan RPTG. 9. Membuat kesimpulan Paket Program yang digunakan untuk menganalisa jumlah penderita gizi buruk dengan menggunakan metode RPTG adalah GWR HASIL DAN PEMBAHASAN Berdasarkan uji kolonieritas dengan menggunakan koefisien korelasi dan nilai Variance Inflation Factors (VIF) bahwa terdapat multikolinearitas diantara peubah, yaitu: jumlah keluarga yang anggotanya menjadi buruh tani (X ), jumlah sarana pendidikan tingkat SD dan SMP sederajat (X ), jumlah posyandu (X ). Sehingga peubah yang dapat 133
7 digunakan dalam pembentukan model regresi Poisson adalah jumlah keluarga yang bertempat tinggal di permukiman kumuh (X ), luas struktur penggunaan lahan tidak berpengairan (X ), jumlah keluarga yang menerima kartu Askeskin dalam setahun terakhir (X ), jumlah tenaga kesehatan yang tinggal di desa/kelurahan (X ), dan jumlah pendapatan domestik regional bruto per kapita (X ). Nilai dugaan parameter model regresi Poisson ditampilkan pada Tabel 1. Dari Tabel 1 tersebut terlihat bahwa seluruh parameter memiliki pengaruh yang signifikan terhadap model, Sehingga model regresi global dengan regresi Poisson yang dibentuk untuk jumlah penderita gizi buruk Propinsi Jawa Timur adalah : Tabel 1. Nilai dugaan parameter model regresi Poisson Parameter Nilai dugaan Standar Error T hit β x * β x x * β x x * β x x * β x x * β x x * Keterangan: * nyata pada taraf alpha 5 % μ = exp( x 10 X x 10 X x 10 X x 10 X x 10 X ) Selanjutnya dilakukan pemodelan dengan menggunakan model RPTG. Langkah pertama untuk membangun model RPTG adalah dengan menentukan letak geografis tiap kabupaten/kota di provinsi Jawa Timur, setelah diperoleh letak geografis maka langkah selanjutnya yaitu memilih bandwidth optimum. Nilai bandwidth untuk provinsi Jawa Timur yang diperoleh dari hasil iterasi adalah Setelah mendapatkan nilai bandwidth optimum, maka langkah selanjutnya adalah mendapatkan matriks pembobot, dimana dalam penelitian ini digunakan dua pembobot yaitu fungsi Kernel Gaussian dan Bisquare. Pendugaan parameter model RPTG menggunakan metode Newton-Raphson dapat diselesaikan dengan menggunakan software GWR 3.0, sehingga didapatkan nilai dugaan parameter disemua lokasi dengan masing-masing pembobot adalah : 134
8 Tabel 2. Nilai dugaan parameter model RPTG dengan pembobot Kernel Gaussian Mean S.Dev Min Max Intercep t x 7.45 x x x x x x x -3.2 x x x x x x x x x x Tabel 3. Nilai dugaan parameter model RPTG dengan pembobot Kernel Bisquare Mean S.Dev Min Max Intercept x 7.45 x x x x x x x x x x x x x x x x x x x Pengujian hipotesis diperlukan untuk mengetahui apakah benar model RPTG lebih sesuai digunakan (signifikan) dibanding model global. Bentuk hipotesisnya adalah sebagai berikut: H β (u, v ) = 0, H β (u, v ) 0 ; (tidak ada perbedaan yang signifikan antara model regresi global dan RPTG) k = 1,2,, p (ada perbedaan yang signifikan antara model regresi global dan RPTG) Tabel 4. Uji Goodness of Fit Model RPTG Model Devians df Devians/d f F hit Model Global (Regresi Poisson) Model RPTG (Kernel Gausian) Model RPTG (Kernel Bisquare) Berdasarkan Tabel 4 Didapatkan nilai F hit sebesar 1,07 dan 1.08 apabila digunakan tingkat signifikansi α = 5% maka nilai F (0.05,32,29) = 1.85 dan F (0.05,32,26) = Sehingga tidak ada alasan untuk menolak Ho. Dari pengujian tersebut diperoleh kesimpulan tidak ada perbedaan yang signifikan antara model RPTG fungsi Kernel Gausian dan model RPTG fungsi Kernel Bisquare dengan model regresi Poisson. Perbandingan model regresi Poisson dengan model RPTG baik dengan menggunakan pembobot fungsi Kernel Gaussian maupun Kernel Bisquare dilakukan untuk mengetahui model mana yang lebih baik diterapkan untuk jumlah penderita gizi buruk di Provinsi Jawa Timur. Kriteria kebaikan model yang digunakan adalah dengan membandingkan nilai AIC 135
9 (Akaike s Information Criterion) dan nilai R-square dari ketiga model tersebut. Model yang terbaik adalah model dengan nilai AIC terkecil dan nilai R-square terbesar. Hasil yang diperoleh adalah sebagai berikut : Tabel 5. Perbandingan Kesesuaian Model Model AIC R-square Model Global (Regresi Poisson) Model RPTG (Kernel Gausian) Model RPTG (Kernel Bisquare) Berdasarkan pada Tabel 5 model RPTG dengan menggunakan pembobot fungsi Kernel Bisquare lebih baik digunakan untuk menganalisis data jumlah penderita gizi buruk di Propinsi Jawa Timur karena mempunyai nilai AIC yang terkecil dan nilai R-square terbesar. 5. KESIMPULAN DAN SARAN Dari hasil pembahasan dan analisa yang telah dilakukan, maka didapatkan kesimpulan sebagai berikut : 1. Metode RPTG lebih baik digunakan untuk memodelkan jumlah penderita gizi buruk di Propinsi Jawa Timur dengan peubah-peubah penjelasnya, dibandingkan analisis regresi Poisson. 2. Fungsi pembobot terbaik pada RPTG dalam penelitian ini adalah fungsi pembobot Kernel Bisquare. Saran yang dapat diberikan pada penelitian lebih lanjut adalah analisis model RPTG apabila antar peubah penjelasnya terjadi multikolonieritas yaitu metode RGPTG (Regresi Gulud Poisson Terboboti Geografis). 6. DAFTAR PUSTAKA [BPPK] Badan Penelitian dan Pengembangan Kesehatan Laporan Hasil Riset Kesehatan Dasar (Riskesdas) Nasional. Jakarta: Departemen Kesehatan Republik Indonesia. [DBGM] Direktorat Bina Gizi Masyarakat Pedoman Respon Cepat Penanggulangan Gizi Buruk. Jakarta: Departemen Kesehatan Republik Indonesia. Fotheringham A.S., C. Brunsdon, and M.E. Charlton Geographically Weighted Regression, the analysis of spatially varying relationships. West Sussex, U.K.: John Wiley and Sons, LTD. Mei, C. L Geographically Weighted Regression Technique for Spatial Data Analysis, School of Science Xi an Jiaotong University Myers, R.H Classical and Modern Regression with Applications, second edition. Boston: PWS-KENT Publishing Company. 136
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 terperinciBAB III MODEL GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION SEMIPARAMETRIC (GWLRS)
28 BAB III MODEL GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION SEMIPARAMETRIC (GWLRS) 3.1 Geographically Weighted Logistic Regression (GWLR) Geographically Weighted Logistic Regression adalah metode untuk
Lebih terperinci(R.1) KAJIAN MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION UNTUK MASALAH DATA SPASIAL DISKRIT
REGRESI 2 (R.1) KAJIAN MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION UNTUK MASALAH DATA SPASIAL DISKRIT Dani Robini, Budi Nurani R., Nurul Gusriani Jurusan Matematika FMIPA Universitas Padjadjaran Jl.
Lebih terperinciPROSIDING 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 terperinciPEMODELAN 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 terperinciABSTRAK. Kata kunci : regresi Poisson, GWPR, Angka Kematian Bayi (AKB)
PEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) DI PROVINSI JAWA TIMUR Septika Tri Ardiyanti 1, Purhadi 2 1 Mahasiswa Jurusan Statistika ITS. 2 Dosen Jurusan
Lebih terperinciISSN: Vol. 1 No. 1 Agustus 2012
ISSN: 2303-1751 Vol. 1 No. 1 Agustus 2012 e-jurnal Matematika, Vol. 1, No. 1, Agustus 2012, 94-98 ISSN: 2303-1751 PEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION
Lebih terperinciPEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DI PROVINSI BALI
PEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DI PROVINSI BALI M ARRIE KUNILASARI ELYNA 1, I GUSTI AYU MADE SRINADI 2, MADE SUSILAWATI 3 1,2,3, Jurusan Matematika,
Lebih terperinciANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN PEMBOBOT KERNEL GAUSSIAN UNTUK DATA KEMISKINAN. Rita Rahmawati 1, Anik Djuraidah 2.
ANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN PEMBOBOT KERNEL GAUSSIAN UNTUK DATA KEMISKINAN Rita Rahmawati 1, Anik Djuraidah 2 1) Program Studi Statistika, FMIPA Universitas Diponegoro 2) Jurusan
Lebih terperinciMODEL REGRESI TERBOBOTI GEOGRAFIS DENGAN FUNGSI PEMBOBOT KERNEL GAUSSIAN, BISQUARE, DAN TRICUBE PADA PERSENTASE KEMISKINAN DI PROVINSI JAWA TENGAH
MODEL REGRESI TERBOBOTI GEOGRAFIS DENGAN FUNGSI PEMBOBOT KERNEL GAUSSIAN, BISQUARE, DAN TRICUBE PADA PERSENTASE KEMISKINAN DI PROVINSI JAWA TENGAH Nungki Fauzi T A N, Isnandar Slamet, Muslich Program Studi
Lebih terperinciBAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
BAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION 3.1 Mixed Geographically Weighted Regression Model Mixed Geographically Weighted Regression merupakan model kombinasi atau gabungan antara regresi global
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 terperinciHASIL DAN PEMBAHASAN
19 HASIL DAN PEMBAHASAN Deskripsi Data Secara umum, wilayah Jawa Timur dapat dibagi menjadi 2 bagian besar, yaitu Jawa Timur daratan dan Kepulauan Madura. Luas wilayah Jawa Timur daratan hampir mencakup
Lebih terperinciPemodelan Jumlah Kematian Bayi di Propinsi Jawa Timur dengan Pendekatan Geographically Weighted Poisson Regression Semi Parametric (GWPRS)
Seminar Tugas Akhir Pemodelan Jumlah Kematian Bayi di Propinsi Jawa Timur dengan Pendekatan Geographically Weighted Poisson Regression Semi Parametric (GWPRS) Oleh : Dessy Puspa Rani 1306. 100. 034 Dosen
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 terperinciPEMODELAN KEMISKINAN MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION DENGAN FUNGSI PEMBOBOT FIXED KERNEL
PEMODELAN KEMISKINAN MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION DENGAN FUNGSI PEMBOBOT FIXED KERNEL Hasriana 1, Raupong 2, Nirwan Ilyas 3 1 Program Studi Statistika FMIPA Universitas Hasanuddin
Lebih terperinciS - 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 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 terperinciBAB I PENDAHULUAN. Dalam bab ini akan dibahas mengenai hal-hal yang melatarbelakangi
BAB I PENDAHULUAN Dalam bab ini akan dibahas mengenai hal-hal yang melatarbelakangi penulisan tesis, rumusan masalah, tujuan dan manfaatnya, tinjauan-tinjauan pustaka dari hasil penelitian terkait serta
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI LAJU PERTUMBUHAN PENDUDUK KOTA SEMARANG TAHUN 2011 MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 2, Tahun 2014, Halaman 161-171 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI LAJU PERTUMBUHAN PENDUDUK
Lebih terperinciBAB III GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
BAB III GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) 3.1 Data Spasial Data spasial memuat informasi tentang atribut dan informasi lokasi. Sedangkan data bukan spasial (aspatial data) hanya memuat informasi
Lebih terperinciTINJAUAN PUSTAKA Pemilihan Peubah Gizi Buruk
5 TINJAUAN PUSTAKA Pemilihan Peubah Gizi Buruk Gizi buruk adalah keadaan kurang zat gizi tingkat berat yang disebabkan oleh rendahnya konsumsi energi dan protein dalam waktu cukup lama yang ditandai dengan
Lebih terperinciS - 17 MODEL GEOGRAPHICALLY WEIGHTED REGRESSION PENDERITA DIARE DI PROVINSI JAWA TENGAH DENGAN FUNGSI PEMBOBOT KERNEL BISQUARE
S - 17 MODEL GEOGRAPHICALLY WEIGHTED REGRESSION PENDERITA DIARE DI PROVINSI JAWA TENGAH DENGAN FUNGSI PEMBOBOT KERNEL BISQUARE Indriya Rukmana Sari 1, Dewi Retno Sari Saputro 2, Purnami Widyaningsih 3
Lebih terperinciPEMODELAN DATA KEMISKINAN PROVINSI KALIMANTAN TIMUR DENGAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN FUNGSI PEMBOBOT KERNEL BISQUARE
Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 17 3 September 17, Samarinda, Indonesia ISBN: 978-6-531--3 PEMODELAN DATA KEMISKINAN PROVINSI KALIMANTAN TIMUR DENGAN METODE GEOGRAPHICALLY
Lebih terperinciPemodelan Angka Harapan Hidup di Papua dengan pendekatan Geographically Weighted Regression
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (017) ISSN: 337-350 (301-98X Print) D-8 Pemodelan Angka Harapan Hidup di Papua dengan pendekatan Geographically Weighted Regression Ardianto Tanadjaja, Ismaini
Lebih terperinciBAB 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 terperinciPEMODELAN RISIKO PENYAKIT PNEUMONIA PADA BALITA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
E-Jurnal Matematika Vol. 4 (2), Mei 2015, pp. 31-36 ISSN: 2303-1751 PEMODELAN RISIKO PENYAKIT PNEUMONIA PADA BALITA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
Lebih terperinciDAFTAR ISI. HALAMAN JUDUL... i. HALAMAN PERSETUJUAN PEMBIMBING... ii. HALAMAN PENGESAHAN TUGAS AKHIR... iii. HALAMAN MOTTO... iv. KATA PENGANTAR...
DAFTAR ISI Halaman HALAMAN JUDUL... i HALAMAN PERSETUJUAN PEMBIMBING... ii HALAMAN PENGESAHAN TUGAS AKHIR... iii HALAMAN MOTTO... iv KATA PENGANTAR... v DAFTAR ISI... vii DAFTAR TABEL... x DAFTAR GAMBAR...
Lebih terperinciPengembangan dan Aplikasi Geoinformatika Bayesian pada Data Kemiskinan di Indonesia (Studi Kasus Jawa Timur)
Jurnal Ilmu Pertanian Indonesia (JIPI), Agustus 2012 ISSN 0853 4217 Pengembangan dan Aplikasi Geoinformatika Bayesian pada Data Kemiskinan di Indonesia (Studi Kasus Jawa Timur) Vol. 17 (2): 77 82 (Bayesian
Lebih terperinciKematian 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 terperinciAlgoritme Least Angle Regression untuk Model Geographically Weighted Least Absolute Shrinkage and Selection Operator
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Algoritme Least Angle Regression untuk Model Geographically Weighted Least Absolute Shrinkage and Selection Operator S-20 Yuliana 1, Dewi Retno Sari
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Model Regresi Linier Metode regresi linier merupakan suatu metode yang memodelkan hubungan antara variabel respon dengan variabel prediktor. Tujuannya adalah untuk mengukur
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah Atiya Maulani, 2013
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam kehidupan sehari-hari, tidak jarang dihadapkan pada berbagai masalah yang berkaitan dengan dua atau lebih variabel dalam suatu bentuk hubungan tertentu
Lebih terperinciGEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 717-726 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS
Lebih terperinciPEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION
PEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION SKRIPSI Disusun Oleh : DEPY VERONICA 24010212140035 DEPARTEMEN STATISTIKA
Lebih terperinciGEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH
GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH SKRIPSI Disusun Oleh : NURMALITA SARI 240102120008 DEPARTEMEN STATISTIKA FAKULTAS
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 terperinci: Persentase Penduduk Dengan Sumber Air Minum Terlindungi PDAM : Pengeluaran Perkapita Penduduk Untuk Makan Sebulan
22 BAB III MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR) 3.1 Variabel Penelitian Variabel penelitian yang digunakan dalam penelitian ini adalah data derajat kesehatan tahun 2013 pada 27 kabupaten
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 terperinciPEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 383-393 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA
Lebih terperinciPEMODELAN STATUS KESEJAHTERAAN DAERAH KABUPATEN ATAU KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION SEMIPARAMETRIC
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 43-52 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN STATUS KESEJAHTERAAN DAERAH KABUPATEN ATAU KOTA DI JAWA
Lebih terperinciPERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 535-544 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK
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 terperinciInformasi 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 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 terperinciRegresi 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam
Lebih terperinciBAB I PENDAHULUAN. terus dihadapi di sejumlah daerah di Indonesia, tidak terkecuali Provinsi Sumatera
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan kemiskinan merupakan salah satu persoalan mendasar yang terus dihadapi di sejumlah daerah di Indonesia, tidak terkecuali Provinsi Sumatera Barat. Berdasarkan
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 461-469 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN MODEL PERTUMBUHAN EKONOMI DI JAWA TENGAH DENGAN
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 terperinciKata Kunci : MGWMLM, GWMLM, DAS.
ANALISIS PENGARU CURA UJAN DAN MORFOMETRI PADA PENINGKATAN DEBIT DAN SEDIMEN DI DAS KONTO ULU DENGAN PENDEKATAN MIXED GEOGRAPICALLY WEIGTED MULTUVARIATE LINIER MODEL 1 Memi Nor ayati, 2 Purhadi 1 Jurusan
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 111-120 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN
Lebih terperinciPEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENTS ANALYSIS (GWRPCA)
PEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENTS ANALYSIS (GWRPCA) SKRIPSI Disusun Oleh : NOVIKA PRATNYANINGRUM 24010211140095
Lebih terperinciESTIMASI 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 terperinciGENERALIZED 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 terperinciPEMODELAN GEOGRAPHICALLY WEIGHTED REGRESSION DENGAN FUNGSI KERNEL BISQUARE
PEMODELAN GEOGRAPHICALLY WEIGHTED REGRESSION DENGAN FUNGSI KERNEL BISQUARE TERHADA FAKTOR- FAKTOR YANG MEMPENGARUHI TINGKAT KEMISKINAN DI KABUPATEN DEMAK 1 Marlita Vebiriyana, 2 M. Yamin Darsyah, 3 Indah
Lebih terperinciPENENTUAN MODEL KEMISKINAN DI JAWA TENGAH DENGAN MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 161-170 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL KEMISKINAN DI JAWA TENGAH DENGAN MULTIVARIATE
Lebih terperinciMODEL SPASIAL OTOREGRESIF POISSON UNTUK MENDETEKSI FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP JUMLAH PENDERITA GIZI BURUK DI PROVINSI JAWA TIMUR
MODEL SPASIAL OTOREGRESIF POISSON UNTUK MENDETEKSI FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP JUMLAH PENDERITA GIZI BURUK DI PROVINSI JAWA TIMUR SITI ROHMAH ROHIMAH SEKOLAH PASCASARJANA INSTITUT PERTANIAN
Lebih terperinciPENDEKATAN REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAH TANGGA UNTUK PENDIDIKAN DI JAWA TIMUR
PENDEKATAN REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAH TANGGA UNTUK PENDIDIKAN DI JAWA TIMUR Neser Ike Cahyaningrum 1307100012 Dosen Pembimbing Dr. Dra. Ismaini Zain, M.Si AGENDA
Lebih terperinciForum Statistika dan Komputasi, Oktober 2010 p : ISSN :
, Oktober 2010 p : 32-37 ISSN : 0853-8115 Vol 15 No.2 REGRESI TERBOBOTI GEOGRAFIS DENGAN PEMBOBOT KERNEL KUADRAT GANDA UNTUK DATA KEMISKINAN DI KABUPATEN JEMBER (Geographically Weighted Regression with
Lebih terperinciPEMODELAN JUMLAH KEMATIAN BAYI DI JAWA TIMUR DENGAN GEOGRAPHICALLY WEIGHTED POISSON REGESSION (GWPR)
PEMODELAN JUMLAH KEMATIAN BAYI DI JAWA TIMUR DENGAN GEOGRAPHICALLY WEIGHTED POISSON REGESSION (GWPR) Sisvia Cahya Kurniawati, Kuntoro Departemen Biostatistika dan Kependudukan FKM UNAIR Fakultas Kesehatan
Lebih terperinciPEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY AND TEMPORALLY WEIGHTED REGRESSION ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 691-700 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI
Lebih terperinciProsiding Seminar Nasional Matematika, Statistika, dan Aplikasinya September 2017, Samarinda, Indonesia ISBN:
Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 017 3 September 017, Samarinda, Indonesia ISBN: 978-60-5031-0-3 Analisis Data Spasial Menggunakan Metode Geographically Weighted Regression
Lebih terperinciSeminar Hasil Tugas Akhir
LOGO Seminar Hasil Tugas Akhir Oleh : Efta Dhartikasari Priyana 1312 105 012 Dosen Pebimbing: Dr. Purhadi, M.Sc 8/7/2014 1 8/7/2014 2 Latar Belakang Latar Belakang Perumusan Masalah Ginjal Kronik Stroke
Lebih terperinciAnalisis 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 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 terperinciPEMODELAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
PEMODELAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION (GWLR) DENGAN FUNGSI PEMBOBOT FIXED GAUSSIAN KERNEL DAN ADAPTIVE GAUSSIAN KERNEL (Studi Kasus Laju Pertumbuhan Penduduk Provinsi Jawa Tengah) SKRIPSI
Lebih terperinciREGRESI TERBOBOTI GEOGRAFIS DENGAN FUNGSI PEMBOBOT KERNEL GAUSSIAN
REGRESI TERBOBOTI GEOGRAFIS DENGANN FUNGSI PEMBOBOT KERNEL GAUSSIAN DAN KERNEL BISQUARE PADA ANGKA HARAPAN HIDUP (Studi Kasus : Angka Harapan Hidup Kabupaten/Kota di Provinsi Jawa Timur) LUKMAN MAULANA
Lebih terperinciPEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY AND TEMPORALLY WEIGHTED REGRESSION
PEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY AND TEMPORALLY WEIGHTED REGRESSION SKRIPSI Disusun Oleh : Khusnul Yeni Widiyanti 24010210130070
Lebih terperinciPEMODELAN ANGKA KEMATIAN IBU DI INDONESIA DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION
PEMODELAN ANGKA KEMATIAN IBU DI INDONESIA DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION Rivan Destyanugraha Robert Kurniawan Jurusan Komputasi Statistik, Sekolah Tinggi Ilmu Statistik (STIS)
Lebih terperinciOleh : Marisa Rifada Pembimbing : Dr. Purhadi, M.Sc
Oleh : Marisa Rifada 1309201006 Pembimbing : Dr. Purhadi, M.Sc JURUSAN STATISTIKA Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2011 Surabaya, 18 Juli 2011
Lebih terperinciREGRESI LOGISTIK UNTUK PEMODELAN INDEKS PEMBANGUNAN KESEHATAN MASYARAKAT KABUPATEN/KOTA DI PULAU KALIMANTAN
REGRESI LOGISTIK UNTUK PEMODELAN INDEKS PEMBANGUNAN KESEHATAN MASYARAKAT KABUPATEN/KOTA DI PULAU KALIMANTAN M. Fathurahman Jurusan Matematika, Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan
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 terperinciPEMODELAN KEMATIAN BALITA MALNUTRISI DENGAN PENDEKATAN ZERO-INFLATED POISSON (ZIP) REGRESSION DI PROVINSI JAWA TENGAH
PEMODELAN KEMATIAN BALITA MALNUTRISI DENGAN PENDEKATAN ZERO-INFLATED POISSON (ZIP) REGRESSION DI PROVINSI JAWA TENGAH 1 Prisca Shery Camelia, 2 Indah Manfaati Nur, 3 Moh. Yamin Darsyah 1,2,3 Program Studi
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
BAB IV ANALISIS DAN PEMBAHASAN Analisa pemodelan fungsi hubungan pada variabel repon dengan variabel prediktor akan dijelaskan pada bab ini. Analisis yang digunakan pada penelitian ini adalah menggunakan
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI LAJU PERTUMBUHAN PENDUDUK KOTA SEMARANG TAHUN 2011 MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI LAJU PERTUMBUHAN PENDUDUK KOTA SEMARANG TAHUN 2011 MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION SKRIPSI DisusunOleh : Catra Aditya Wisnu Aji NIM : J2E
Lebih terperinciKata kunci: Data Spatial, Heterogenitas Spatial, Geographically Weigthed Regression, Bandwidth, Fungsi Pembobot
GEOGRAPHICALLY WEIGTHED REGRESSION DALAM MENAKSIR MODEL OUTPUT SEKTOR INDUSTRI MENENGAH BESAR TAHUN 2012 Lani Amaliah 1, Nusar Hajarisman 2, Anna Chadijah 3 1 Program Magister Statistika Terapan UNPAD,
Lebih terperinciPEMODELAN BALITA GIZI BURUK DI KABUPATEN NGAWI DENGAN GEOGRAPHICALLY WEIGHTED REGRESSION. Latifah Ayunin 1 dan Sutikno 2
PEMODELAN BALITA GIZI BURUK DI KABUPATEN NGAWI DENGAN GEOGRAPHICALLY WEIGHTED REGRESSION Latifah Ayunin 1 dan Sutikno 2 1 Mahasiswa Jurusan Statistika, ITS, Surabaya 2 Dosen Pembimbing, Jurusan Statistika,
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 terperinciPEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENTS ANALYSIS (GWRPCA)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 171-180 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN
Lebih terperinciOleh : 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 terperinciKata kunci: Geographically Weighted Regression, Gauss Kernel, bandwidth, cross validation
PENGGUNAAN GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN PEMBOBOT GAUSS KERNEL UNTUK KLASIFIKASI DESA MISKIN (Studi kasus desa-desa di Kabupaten Jember, Jawa Timur) Rita Rahmawati 1, Anik Djuraidah 2,
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 terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Identifikasi Variabel Prediktor pada Model MGWR Setiap variabel prediktor pada model MGWR akan diidentifikasi terlebih dahulu untuk mengetahui variabel prediktor yang berpengaruh
Lebih terperinciPEMODELAN 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 terperinciPEMODELAN DATA KESEHATAN KABUPATEN BANYUWANGI DENGAN REGRESI TERBOBOTI GEOGRAFIS
Xplore, 2013, Vol. 1(1):e4(1-8) c 2013 Departemen Statistika FMIPA IPB PEMODELAN DATA KESEHATAN KABUPATEN BANYUWANGI DENGAN REGRESI TERBOBOTI GEOGRAFIS Dinar Arga Prasetyo, Bambang Sumantri, Mohammad Masjkur
Lebih terperinciPEMODELAN 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 terperinciPENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK PEMODELAN PERTUMBUHAN EKONOMI MENURUT KABUPATEN/KOTA DI JAWA TENGAH HALAMANAN JUDUL SKRIPSI
PENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK PEMODELAN PERTUMBUHAN EKONOMI MENURUT KABUPATEN/KOTA DI JAWA TENGAH HALAMANAN JUDUL SKRIPSI Disusun Oleh: PRATAMA GANANG WIDAYAKA 24010212120018
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS)
FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS) Yuditia Ari Prabowo, Yuliana Susanti, dan Santoso Budi Wiyono
Lebih terperinciANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) PADA KASUS PNEUMONIA BALITA DI PROVINSI JAWA BARAT
ANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) PADA KASUS PNEUMONIA BALITA DI PROVINSI JAWA BARAT Meila Nadya, Widyanti Rahayu, Vera Maya Santi Jurusan Matematika FMIPA UNJ meylanadya1@gmail.com Abstrak
Lebih terperinciPendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi
Statistika, Vol. No., Mei Pendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi MARZUKI, HIZIR SOFYAN, ASEP RUSYANA Jurusan Matematika FMIPA Universitas Syiah Kuala Jl.
Lebih terperinciPemodelan Faktor Penyebab Kecelakaan Lalu Lintas Berdasarkan Metode Geographically Weighted Regression di Jawa Timur
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Print) D-58 Pemodelan Faktor Penyebab Kecelakaan Lalu Lintas Berdasarkan Metode Geographically Weighted Regression di Jawa Timur Putu
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 terperinciPENENTUAN MODEL KEMISKINAN DI JAWA TENGAH DENGAN MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
PENENTUAN MODEL KEMISKINAN DI JAWA TENGAH DENGAN MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR) SKRIPSI Disusun Oleh : SINDY SAPUTRI 24010210141007 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinci2015 REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION (GWLR)
1 BAB I PENDAHULUAN 1.1 Latar Belakang Statistika merupakan salah satu cabang ilmu matematika yang mempelajari bagaimana merencanakan, mengumpulkan, mempresentasikan, menganalisis, dan menginterpretasikan
Lebih terperinciKata 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 terperinciPERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH
PERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH SKRIPSI Disusun Oleh: RIFKI ADI PAMUNGKAS 24010212140066 DEPARTEMEN STATISTIKA FAKULTAS SAINS
Lebih terperinciANALISIS 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 terperinciBAB 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 terperinciBAB II TINJAUAN PUSTAKA. variabel prediktor terhadap variabel respons. Hubungan fungsional
BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Dalam ilmu statistika, metode yang dapat digunakan untuk menganalisis pola hubungan antara satu variabel atau lebih dengan satu variabel atau lebih lainnya
Lebih terperinci