Model Campuran Linear Terampat dalam pemodelan spesies dan stok ikan di Sungai Na Thap - Thailand Selatan
|
|
- Yanti Lie
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Model Campuran Linear Terampat dalam pemodelan spesies dan stok ikan di Sungai Na Thap - Thailand Selatan Yenni Angraini Departemen Statistics, Institut Pertanian Bogor (y_angraini@ipb.ac.id) Khairil Anwar Notodiputro Departemen Statistics, Institut Pertanian Bogor (y_angraini@ipb.ac.id) Kusman Sadik Departemen Statistics, Institut Pertanian Bogor (y_angraini@ipb.ac.id) Abstract Pemodelan spesies ikan dan jumlah stok ikan merupakan suatu kajian yang sangat menarik untuk dilakukan. Salah satu sungai di Thailand Selatan, Na Thap, merupakan sungai yang hasil perikanannya dimanfaatkan oleh masyarakat disekitar perairan sungai. Dengan adanya pembungan limbah dari Electricity Generation Authority of Thailand (EGAT) dikhawatirkan akan memberikan dampak negatif terhadap keberagaman spesies ikan dan jumlah stok ikan yang tersedia. Penelitian ini mencoba memodelkan dengan menggunakan dua peubah respon spesies ikan dan jumlah stok ikan yang masing-masing diasumsikan menyebar poisson dan gamma. Selain itu, penelitian ini juga melakukan pendugaan model dengan dua pendekatan yaitu Model Campuran Linear Terampat (MCLT) dan Model Linear Terampat Berhirarki (MLTB). Peubah tetap yang terdiri dari lingkungan dan ekologi merupakan peubah yang berpengaruh nyata terhadap keberagaman spesies ikan maupun jumlah stok ikan di sungai Na Thap. Keywords : Model Campuran Linear Terampat (MCLT), Model Linear Terampat Berhirarki (MLTB), spesies ikan, stok ikan, sungai Na Thap. Pendahuluan Dalam bidang penangkapan ikan, dalam satu kali penangkapan ikan, akan diperoleh berbagai macam spesies ikan (Venables dan Dichmont, 2004). Pengetahuan tentang jumlah stok ikan untuk masing-masing spesies atau ada tidaknya suatu spesies dalam lingkungan perairan sangat diperlukan. Beberapa pengamatan yang dilakukan oleh para ahli perikanan dapat digunakan untuk mendapatkan informasi tentang jumlah stok ikan dari suatu spesies atau ada tidaknya suatu spesies tangkapan di daerah yang berbeda dan pada periode yang berbeda. Sungai Na Thap di Thailand Selatan merupakan salah satu sungai yang hasil perikanannya dimanfaatkan oleh masyarakat sekitar. Sejak dibangunnya Electricity Generation Authority of Thailand (EGAT) dimana limbahnya dibuang ke sungai Na Thap, tentunya akan mempengaruhi jumlah stok ikan suatu spesies maupun keberadaan suatu spesies ikan. Untuk itu EGAT melakukan penelitian untuk mengevaluasi biomassa organisme air yang ada di sepanjang perairan sungai Na Thap. Dalam survey yang dilakukan oleh EGAT, metode yang digunakan untuk menentukan jumlah stok ikan yaitu standing crop. Metode ini merupakan salah satu 1
2 teknik survei untuk mengevaluasi biomassa organisme air dalam berat basah atau jumlah total (volume) organisme hidup per wilayah air di lokasi tertentu di periode tertentu (Niwadee, 2015). Niwadee (2015) dalam disertasinya memprediksi stok jumlah ikan di sungai Na Thap, Thailand selatan. Pendekatan yang digunakan yaitu pemodelan dengan regresi deret waktu dengan peubah bebasnya adalah kepadatan anak ikan pada periode enam bulan sebelumnya. Terdapat lima spesies ikan komersial pada zona freshwater yang memiliki hubungan yang signifikan antara stok jumlah ikan dengan kepadatan anak ikan pada periode enam bulan sebelumnya. Keragaman suatu spesies ikan dalam suatu ekosistem dipengaruhi oleh struktur populasi ikan, interaksi antar spesies ikan dan kondisi lingkungan (faktor ekologi). Faktor ekologi diantaranya kedalaman air, temperatur, jarak dari pantai, nutrisi yang terkandung pada air serta kualitas air (Russev 1972 dalam Niwadee, 2015). Pada penelitian ini akan dilakukan pemodelan untuk mengetahui peubah yang berpengaruh terhadap jumlah spesies ikan maupun jumlah stok ikan di perairan sungai Na Thap. Data respon yang akan digunakan adalah jumlah spesies ikan dan jumlah stok ikan yang masing-masing memiliki sebaran yang bukan normal. Lokasi atau site dimana survei tersebut dilakukan, diasumsikan ditentukan secara acak. Sehingga peubah site akan dimasukkan sebagai peubah bebas namun merupakan pengaruh acak. Selain itu, untuk pemodelan jumlah stok ikan, selain site, pengaruh acak lainnya adalah spesies ikan. Sehingga untuk kasus data ini, model yang sesuai untuk dikembangkan adalah model campuran linear terampat. Model Campuran Linear Terampat (MCLT) Model Campuran Linear Terampat (MCLT) merupakan perluasan model dari Model Linear Terampat dimana pengaruh acak terlibat dalam model. Model ini menurut Bolker et al (2008) merupakam model yang lebih fleksibel untuk menganalisis data yang non-normal. Secara umum, MCLT terdiri dari tiga bagian yaitu linear prediktor, fungsi penghubung dan fungsi ragam. Seperti halnya model campuran linear, MCLT terdiri dari pengaruh tetap (β), pengaruh acak (u~n(0, G), matriks rancangan X untuk pengaruh tetap dan matriks rancangan Z untuk pengaruh acak serta vektor pengamatan y u dengan nilai harapan μ dan matriks peragam R atau dengan kata lain dapat dituliskan sebagai berikut : η = Xβ + Zu dimana η adalah prediktor liner dengan fungsi penghubung g(. ). E(y u) = μ tergantung kepada prediktor liner η melalui fungsi penghubung g(. ). Sementara matriks peragam R tergantung kepada μ melalui fungsi ragam. Fungsi hubung yang biasa digunakan dalam MCLT yaitu identitas untuk y yang diasumsikan menyebar normal, logit dan probit untuk y yang diasumsikan menyebar binomial, log untuk y yang diasumsikan menyebar poisson, invers dan log untuk y yang diasumsikan menyebar Gamma. Fungsi ragam pada MCLT, digunakan untuk memodelkan keragaman yang tidak sistematik. Dalam MCLT, keragaman sisaan terdari dari dua sumber yaitu dari sebaran percontohan dan keragaman tambahan atau overdispersi. Keragaman yang disebabkan oleh overdispersi, dapat dimodelkan dengan berbagai cara, yaitu dengan membuat var(y u) = φv(μ), dimana φ 2
3 adalah parameter overdispersi. Cara lain yang dapat dilakukan adalah menambahkan pengaruh acak e i ~N(0, φ) pada prediktor linear ke setiap pengamatan atau memilih sebaran lain yang lebih cocok untuk data. Untuk menduga parameter di MCLT, dapat dilakukan dengan berbagai cara yaitu maksimum likelihood, generalized estimating equations (GEE), Penalized quasi-likelihood dan Conditional likelihood (McCulloch dan Searle, 2001). Model Linear Terampat Berhirarki (MLTB) Model Campuran Linear Terampat (MCLT) biasanya mengasusmsikan pengaruh acak yang terlibat didalam model menyebar normal. Namun ada kalanya asumsi ini tidak cocok untuk digunakan, karena pengaruh acak tersebut menyebar selain sebaran normal. Metode yang dikembangkan untuk mengatasi hal ini adalah Model Linear Terampat Berhirarki (MLTB). Sebagai contoh, suaru respon yang menyebar poisson (data counting) yang pengaruh acaknya tidak menyebar normal, maka metode yang digunakan adalah Poisson Model Linear Terampat Berhirarki. Metode ini pertama kali dikembangkan oleh Lee dan Nelder (1996). Lee dan Lee (1998) menggunakan MLTB untuk menganalisis data count dimana responnya diasumsikan menyebar poisson sedangkan pengaruh acaknnya menyebar Gamma, disebut sebagai Poisson- Gamma MLTB. Misalkan y adalah peubah respon yang diamati dan u adalah pengaruh acak, conditional likelihood untuk y bersyarat u diasumsikan sebagai (Lee dan Lee, 1998): l(θ, Φ; y u) = {yθ b(θ )} + c(y, Φ) a(φ) Dimana a, b dan c adalah fungsi yang diketahui, θ dan Φ adalah parameter kanonik dan parameter dispersi. E(y u) = μ dan var(y u) = ΦV(μ ), dimana η = g(μ ) dengan fungsi penghubung g(. ). Adapun prediktor linear η = XB + Zv dimana v = v(u) merupakan fungsi menoton dari pengaruh acak u. Selanjutnya sebaran dari u diasumsikan berasal dari sebaran sembarang. Biasanya u diasumsikan menyebar normal, namun sebainya sebaran dari u diasumsikan sesuai dengan karakteristik dari data atau tujuan pengambilan keputusan. Hirarchical likelihood didefinisikan sebagai : h = l(θ, Φ; y v) + l(α; v) dimana l(θ, Φ; y v) adalah fungsi log-density untuk y v dan l(α; v) adalah fungsi log-density untuk v dengan parameter α. Hirarchical likelihood adalah bukan fungsi likelihood yang biasa karena v adalah pengaruh yang tidak teramati. Penduga dan prediktor dari pengaruh tetap dan acak dapat diturunkan dengan cara memaksimumkan Hirarchical likelihood, sehinga untuk mendapatkan solusi dengan cara turunan pertama dari h h = 0 dan = 0. Dengan menggunakan Hirarchical likelihood, dapat β v menghindari penggunaan integral untuk marginal likelihood. 3
4 Data dan Metode Data yang digunakan adalah data survei dari Electricity Generation Authority of Thailand (EGAT). Periode data yang akan digunakan yaitu dari bulan Januari 2010 sampai dengan Mei Dalam survei yang dilakukan oleh EGAT, lokasi sungai Na Thap seperti yang disajikan pada Gambar 1, dibagi atas tiga Zona, yaitu freshwater, brackish (payau) dan saline (air asin). Zona freshwater, dilambangkan dengan nomor site 1, 2, 3 dan 4. Zona air payau dilambangkan dengan nomor 5, 6 dan 7, sementara zona air asin dilambangkan dengan nomor 8, 9 dan 10. Lokasi EGAT ada disekitar site 3, sehingga limbah dari pembangkit listrik tersebut dibuang disekitar site 3. Zona freshwater sepanjang 7.5 kilometer, perairannya sebagian besar untuk penanaman padi, pertanian dan konsumsi rumah tangga. Zona tengah yaitu air payau sepanjang 9 kilometer merupakan wilayah tanaman bakau dan melaleuca cajuputi. Zona yang mengarah ke muara yaitu air asin sepanjang 10 kilometer merupakan wilayah yang sepanjang sungainya padat akan komunitas manusia, tambak udang, industri dan industri perikanan (Niwadee 2015). Gambar 1. Lokasi dan pembagian Zona survei di sungai Na Thap, Thailand Selatan Dalam penelitian ini, ada dua peubah respon yang diamati yaitu jumlah spesies ikan dan jumlah stok ikan yang ditangkap dengan menggunakan jaring, dan berat ikan suatu spesies diukur dalam grams/1000 m 2. Jumlah spesies ikan per site per periode penangkapan diasumsikan mengikuti sebaran poisson karena merupakan data counting dengan fungsi hubung log. Sementara jumlah stok ikan diasumsikan menyebar Gamma dengan fungsi hubung log, seperti yang disajikan pada Gambar 2. Pengaruh tetap yang akan digunakan baik untuk pemodelan spesies ikan maupun jumlah stok ikan terbagi dua bagian yaitu pengaruh lingkungan dan ekologi. Pengaruh lingkungan terbagi tiga kategori berdasarkan pembagian zona. Sedangkan pengaruh ekologi yang dilibatkan dalam penelitian ini adalah kedalaman air (WDEPTH), temperatur air (WTEMP), kadar garam (SAL), oksigen terlarut (DO) dan Biochemical Oxygen Demand (BOD). 4
5 Gambar 2. Histogram jumlah stok ikan per site Pada pemodelan jumlah spesies ikan, site diasumsikan sebagai pengaruh acak, menyebar normal untuk pemodelan dengan MCLT dan diasumsikan menyebar Gamma dengan fungsi hubung log untuk pemodelan dengan MLTB. Sementara pada pemodelan jumlah stok ikan, selain site merupakan pengaruh acak, spesies ikan diasumsikan tersarang dalam site. Pengaruh acak diasumsikan menyebar normal untuk pemodelan dengan MCLT dan diasumsikan menyabar Gaussian dan Gamma dengan masing-masing fungsi hubung identitas dan log. Secara umum tahapan yang dilakukan pada penelitian ini untuk masing-masing pemodelan adalah terbagi tiga yaitu eksplorasi, pemodelan dan pemilihan model terbaik. Tahapan eksplorasi data menggunakan grafik dan tabel sehingga dapat memberikan gambaran untuk analisis berikutnya. Pada tahapan pemodelan dikembangkan beberapa model yang mungkin dan selanjutnya dilakukan pemilihan model terbaik dengan menggunakan kriteria AIC dan karakteristik dari sisaan model. Pemodelan dilakukan dengan menggunakan pendekatan MCLT dan MLTB seperti yang sudah dijelaskan sebelumnya. Adapun model yang dikembangkan untuk kedua jenis respon yaitu : A. Model untuk data jumlah spesies ikan 1. Model H0 : Pengaruh acak : Site 2. Model H1 : Pengaruh tetap : Lingkungan yaitu Zona Pengaruh acak : Site 3. Model H2 : Pengaruh tetap : Lingkungan yaitu Zona, dan Ekologi terdiri dari WTEMP, WDEPTH, SAL, DO dan BOD Pengaruh acak : Site 5
6 B. Model untuk data jumlah stok ikan 1. Model H0 : Pengaruh acak : Site 2. Model H1 : Pengaruh acak : SP tersarang dalam site 3. Model H2 : Pengaruh tetap : Lingkungan yaitu Zona Pengaruh acak : SP tersarang dalam site 4. Model H3 : Pengaruh tetap : Lingkungan yaitu Zona, dan Ekologi terdiri dari WTEMP, WDEPTH, SAL, DO dan BOD Pengaruh acak : SP tersarang dalam site Hasil dan Pembahasan Eksplorasi data site1 site2 site3 site4 site5 site6 site7 site9 site8 site10 freshwater brackish saline Gambar 3. Jumlah spesies ikan di setiap site Jumlah stok ikan tertinggi di zona freshwater terpadat di site 3 yaitu sekitar 25 spesies sementara di site 4 hanya terdapat sekitar 15 spesies ikan (Gambar 3). Dibandingkan dengan zona air payau dan air asin, zona freshwater merupakan zona yang memiliki jumlah jenis spesies ikan relatif sedikit. Pada zona air payau, jumlah spesiesikan tertinggi terdapat pada site 7 yiatu 37 spesies ikan. Sementara site 5 merupakan site yang memiliki spesies ikan terendah di zona air payau. Untuk zona air asin yang bermuara ke lautan, jumlah spesies relatif seragam untuk ketiga site. Zona air asin merupakan zona yang memiliki jumlah spesies paling banyak dibandingkan kedua lainnya. Sebaran jumlah spesies ikan per bulan per site juga ditampilkan pada Gambar 4. Terlihat bahwa pada sekitar bulan Maret sampai dengan Mei, jumlah spesies ikan mengalami jumlah maksimum untuk setiap site. Sementara bulan Nopember dan Desember mengalami jumlah relatif minimum untuk site 1, 4, 5, 6, 7, 8, 9 dan 10. 6
7 site1 site2 site3 site4 site5 site6 site7 site8 site9 site10 freshwater brackish saline Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Gambar 4. Jumlah spesies ikan per bulan di setiap site Site 10 pada tahun pengamatan , memiliki rata-rata jumlah stok ikan tertinggi. Sementara rata-rata jumlah stok ikan tertinggi untuk tahun 2010 terdapat pada site 9 dan site 8 untuk tahun 2011 (Gambar 5). Secara umum dapat dikatakan site yang terdapat pada zona air asin memberikan rata-rata jumlah ikan tertinggi dibandingkan site pada zona lainnya. Hal ini sejalan dengan jumlah spesies ikan dimana pada zona air asin memiliki jumlah speies tertinggi dibandingkan zona lainnya (Gambar 3). Site 2 pada zona freshwater memberikan rata-rata terendah jumlah stok ikan pada tahun , sementara untuk tahun 2010 yaitu pada site 6. Gambar 5 juga menunjukkan dari tahun ke tahun, terlihat ada kenaikan jumlah stok ikan untuk setiap site Site1 Site2 Site3 Site4 Site5 Site6 Site7 Site8 Site9 Site10 Gambar 5. Rata-rata Jumlah stok ikan (gr/1000m 2 ) di setiap site per tahun 7
8 Tabel 1 menyajikan rata-rata jumlah stok ikan per speseis. Spesies 36 merupakan spesies yang rata-rata jumlah stok ikan tertinggi yaitu sebesar gr per 1000 m 2. Sebaliknya spesies 8 merupakan spesies yang rata-rata jumlah stok ikan terendah yaitu sebesar 25.4 gr per 1000 m 2. Tabel 1. Rata-rata Jumlah stok ikan (gr/1000m 2 ) per spesies Spesies Rata-rata Spesies Rata-rata Spesies Rata-rata SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP SP Korelasi antara peubah tetap yang berskala kontinu disajikan pada Tabel 2. Dapat dipastikan tidak adanya multikolinear antar peubah, hal ini ditunjukkan dengan nilai koefisien korelasi yang kecil antar peubah. Antar kedalaman dan temperatur air, terdapat korelasi positif, hal ini bertolak belakang dengan fakta bahwa semakin dalam suatu wilayah perairan maka tekanan menuju dasar akan semakin besar. Hal ini mengakibatkan temperatur akan semakin turun. Pada permukaan air, umumnya mempunyi temperatur tinggi namun kadar salinitas dan kandungan zat hara lainnya rendah. Hal ini ditunjukkan dengan korelasiyang bertanda negatif antara temperatur air dan kadar garam. Begitu juga dengan hubungan antara temperatur air terhadap DO dan BOD. Sementara itu, kadar garam di sungai Na Thap yang merupakan daerah tropis, di permukaan lebih rendah daripada di kedalaman sebagai akibat tingginya presipitasi (curah hujan). Korelasi antara kedalamair dan kadar garam pada Tabel 2 sebesar dan arahnya positif. Menurut Salmin (2005), dengan bertambahnya kedalaman akan terjadi penurunan kadar oksigen terlarut (DO dan BOD), karena proses fotosintesis semakin berkurang dan kadar oksigen yang ada banyak digunakan untuk pernapasan dan oksidasi bahan-bahan organik dan anorganik. 8
9 Tabel 2. Korelasi antar peubah tetap yang berskala kontinu untuk data jumlah spesies ikan WTEMP WDEPTH SAL DO BOD WTEMP 1 WDEPTH SAL DO BOD Pemodelan data jumlah spesies ikan Nilai AIC dari setiap model dan delta AIC yaitu selisih nilai AIC pada model teresebut dengan nilai AIC minimum dari keseluruhan model. Model H2 merupakan model dengan nilai AIC terendah (425.8) dibandingkan kedua model lainnya. Selanjutnya model dianggap model terbaik (Lampiran 1). Tabel 3. Pendugaan parameter pengaruh tetap dan pengaruh acak pemodelan data jumlah spesies ikan dengan metode MCLT dan MLTB Metode MCLT Metode MLTB Dugaan Std.galat t hitung Pr(> t ) Dugaan Std.galat t- hitung Pr(> t ) Intersep zonefreshwater zonesaline WTEMP WDEPTH SAL DO BOD σ 2 Site σ 2 Sisaan Berdasarkan hasil yang ditampilkan pada Tabel 3 pada kolom metode MCLT, peubah tetap yang berpengaruh terhadap jumlah spesies ikan pada taraf nyata 5% yaitu Zona Air asin, kadar garam yang terlarut, DO dan BOD. Ragam pengaruh acak sebesar dan lebih kecil dari ragam sisaan model, hal ini menunjukkan adanya keragaman dalam site namun tidak ada keragaman antar site. Pemodelan data jumlah spesies ikan dikatakan cukup baik karena memenuhi asumsi 9
10 sebaran dari sisaan acak dan menyebar normal. Hal ini dapat ditunjukkan dengan pola sisaan dari model yang acak dan histogram sisaan yang berbentuk kurva normal (Gambar 4). Gambar 4. Plot dan Histogram sisaan model H2 dengan metode MCLT Pendugaan parameter dengan pendekatan MLTB, disajikan juga pada Tabel 3. Peubah tetap yang berpengaruh terhadap jumlah spesies ikan pada taraf nyata 5% memberikan hasil yang sama dengan hasil yang diperoleh pada pendekatan MCLT, yaitu Zona Air asin, kadar garam yang terlarut, DO dan BOD. Ragam pengaruh acak sebesar (lebih besar dari hasil dengan pendekatan MCLT), namun tetap lebih kecil dari ragam sisaan sehingga dapat dikatakan adanya keragaman dalam site namun tidak ada keragaman antar site. Gambar 5. Plot sisaan model H2 dengan metode MLTB 10
11 Pemodelan data jumlah stok ikan Model H3 dengan melibatkan semua pengaruh tetap (lingkungan dan ekologi) dan pengaruh acak spesies tersarang pada site memberikan nilai AIC terkecil dibandingkan model lainnya, hal ini ditunjukkan dari nilai delta AIC terkecil (Lampiran 2). Korelasi antar pengaruh tetap pada pemodelan data jumlah stok ikan memberikan hasil yang sama ketika pembahasan pemodelan data jumlah spesies ikan. Tidak terdapat korelasi antar peubah, arah dan nilai korelasi relatif sama dengan pemodelan tersebut (Lampiran 3). Hasil pendugaan parameter yang diberikan pada Tabel 4 menunjukkan peubah yang berpengaruh pada taraf 5% terhadap jumlah stok ikan adalah Zona 2 yaitu air payau, kedalaman air (WDEPTH), temperatur air (WTEMP), kadar garam yang terlarut, DO dan BOD. Dugaan ragam pengaruh acak lebih kecil (0.122) dari pada ragam sisaan (0.293), sehingga dapat disimpulkan terdapat keragaman spesies dalam site. Tabel 4. Pendugaan parameter pengaruh tetap dan pengaruh acak pemodelan data jumlah stok ikan dengan metode MCLT Metode MCLT Dugaan Std.galat t hitung Pr(> t ) Intersep Zone Zone WTEMP WDEPTH SAL DO BOD σ 2 Site:Spesies σ 2 Sisaan Gambar 6. Plot sisaan model H3 dengan metode MCLT 11
12 Diagnostik model dengan menggunakan plot histogram data, menunjukkan sisaan data jumlah stok ikan menyebar normal, namun plot sisaan terhadap nilai dugaan menunjukkan adanya pola (Gambar 6). Hal ini mengindikasikan model tersebut masih belum cocok dengan data. Tabel 5 menyajikan hasil pendugaan parameter pengaruh tetap dan pengaruh acak pemodelan data jumlah stok ikan dengan metode MLTB. Peubah tetap yang berpengaruh nyata pada taraf 5% terhadap jumlah stok ikan untuk model yang asumsi responnya menyebar Gamma (fungsi penghubung log) dan pengaruh acak menyebar Gaussian (fungsi hubung identitas) yaitu Zona 2 yaitu air payau, kedalaman air (WDEPTH), temperatur air (WTEMP), kadar garam yang terlarut, DO dan BOD. Sementara untuk model yang asumsi responnya menyebar Gamma (fungsi penghubung log) dan pengaruh acak menyebar Gamma (fungsi hubung log) memberikan hasil yang sedikit berbeda. Zona yang nyata pada model ini yaitu zona 3 (air asin). Namun penduga ragam untuk kedua model menunjukkan lebih besar dari pada ragam sisaan, hal ini menunjukkan adanya keragaman spesies antar site. Hasil ini sangat bertolak belakang dengan hasil yang diperoleh pada model data dengan pendekatan MCLT. Diagnostik untuk sisaan dan deviance dari kedua model disajikan pada Lampiran 4 dan 5. Tabel 5. Pendugaan parameter pengaruh tetap dan pengaruh acak pemodelan data jumlah stok ikan dengan metode MLTB Gam(log),Gaus(iden) Pengaruh acak : Spesies tersarang di site Gam(log),Gam(log) Pengaruh acak : Spesies tersarang di site Dugaan Std.galat t hitung Pr(> t ) Dugaan Std.galat t hitung Pr(> t ) Intersep Zone Zone WTEMP WDEPTH SAL DO BOD σ 2 pengaruh acak σ 2 sisaan
13 Kesimpulan Pemodelan yang dilakukan terhadap data spesies ikan memberikan hasil yang relatif sama antara pendekatan model menggunakan MCLT dan MLTB. Peubah tetap yang berpengaruh terhadap jumlah spesies ikan pada taraf nyata 5% yaitu Zona Air asin, kadar garam yang terlarut, DO dan BOD. Peubah kedalaman air dan temperatur air tidak memberikan pengaruh terhadap spesies ikan. Pengaruh acak pada kedua model menunjukkan bahwa, adanya keberagaman spesies dalam site, namun keberagaman antar site belum bisa ditunjukkan oleh data. Sementara itu, untuk data jumlah stok ikan, hasil yang diperoleh antara pendekatan model menggunakan MCLT dan MLTB berbeda. Khususnya hasil dari pengaruh acak. Pada model MCLT, adanya keberagaman spesies dalam site, sementara dengan pendekatan MLTB diperoleh bahwa ada keberagaman antar site. Diagnostik model MCLT, belum dapat mengatakan bahwa modeltersebut yang terbaik, karena plot antara sisaan dan nilai dugaan mengindikasikan adanya pola tertentu. Perlu dilakukan kajian lebih lanjut terhadap diagnostik model. Indikasi awal hal ini terjadi karena adanya pencilan dalam data. Sehingga merupakan suatu kajian yang menarik untuk penulisan berikutnya untuk menangani data pencilan dalam pemodelan spesies ikan dan jumlah stok ikan. 13
14 Daftar Pustaka 1. McCulloch, C.E., (1997). An Introduction to Generalized Linear Mixed Models. 2. McCulloch, CE and Searle, SR (2001). Generalized, linear, and mixed models. 3. Venables. W.N., Dichmont. C.M. (2004). GLMs, GAMs and GLMMs: an overview of theory for applications in fisheries research. Fish Research. 70, Brand ao, A., Butterworth, D.S., Johnston, S.J., Glazer, J.P., (2004). Using a GLMM to estimate the somatic growth rate for male South African west coast rock lobster Jasus lalandi. Fish Research. 70, Venables. W.N., Dichmont. C.M. (2004). A generalised linear model for catch allocation: an example from Australia s Northern Prawn Fishery. Fish Research. 70, Bejamin et. al (2009). Generalized linear mixed models: a practical guide for ecology and evolution. Trend in ecology and evolution. Volume 24, Issue 3, March 2009, Pages Baum, J.K, Blanchard, W. (2010). Inferring shark population trends from generalized inear mixed models of pelagic longline catch and effort data. Fish Research. 102, Saheem, N., A. Lim and S. Chesoh. (2014). Predicting standing crop using lagged fingerling density of freshwater fish in the Na Thap River of Southern Thailand. Songklanakarin J. Sci.Technol. 36: Saheem, N., A. Lim and S. Chesoh. (2015). Factor Analysis for Clustering and Estimating Fish Distribution Pattern in a Tropical Estuary in Southern Thailand. Kasetsart J. (Nat. Sci.) 49 : Saheem, N. (2015). Statistical Modeling of Aquatic Animal Abundance in the Na Thap River. A Thesis Submitted in Fulfillment of the Requirements for the Degree of Doctor of Philosophy in Research Methodology. Prince of Songkla University. 11. Lee, Y., Nelder.J.A (1996). Hierarchical Generalized Linear Models. Journal of the Royal Statistical Society. Series B (Methodological), Vol. 58, No. 4(1996), pp Rönnegård, L., Shen, X., Alam, M. (2010). hglm: A Package for Fitting Hierarchical Generalized Linear Models. The R Journal Vol. 2/2 13. Lee, C., Lee, Y. (1997). Sire Evaluation of Count Traits with a Poisson-Gamma HGLM. AJAS Vol 11 (N0.6)
15 Lampiran Lampiran 1. Nilai AIC dan delta AIC model jumlah spesies ikan Model AIC Delta AIC H H H Lampiran 2. Nilai AIC dan delta AIC model jumlah stok ikan Model AIC delta AIC H0 pengaruh acak : site H1 pengaruh acak : Spesies tersarang dalam site H2 pengaruh tetap : Lingkungan, pegaruh acak : Spesies tersarang dalam site H3 pengaruh tetap : Lingkungan dan ekologi, pegaruh acak : Spesies tersarang dalam site Lampiran 3. Korelasi antar peubah tetap yang berskala kontinu untuk data jumlah spesies ikan WDEPTH WTEMP WDEPTH SAL DO SAL DO BOD
16 Lampiran 4. Diagnostik sisaan model MLTB untuk data jumlah stok ikan Lampiran 5. Diagnostik deviance pengaruh acak untuk setiap pengamatan model MLTB (data jumlah stok ikan) 16
Pemodelan Data Cacahan (Count Data) dalam GLM. Dr. Kusman Sadik, M.Si Sekolah Pascasarjana Departemen Statistika IPB Semester Genap 2017/2018
Pemodelan Data Cacahan (Count Data) dalam GLM Dr. Kusman Sadik, M.Si Sekolah Pascasarjana Departemen Statistika IPB Semester Genap 2017/2018 Pendahuluan Pada model linear klasik, seperti regresi linear,
Lebih terperinciPENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1)
PENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1) Anang Kurnia Departemen Statistika FMIPA IPB Jl. Meranti, Wing 22 Level 4 Kampus IPB Darmaga, Bogor Email: anangk@ipb.ac.id
Lebih terperinciPEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG. Indahwati, Yenni Angraeni, Tri Wuri Sastuti
S-25 PEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG Indahwati, Yenni Angraeni, Tri Wuri Sastuti Departemen Statistika FMIPA IPB Email : Indah_stk@yahoo.com Abstrak Pemodelan multilevel adalah
Lebih terperinciHASIL DAN PEMBAHASAN Model Regresi Poisson
HASIL DAN PEMBAHASAN Model Regresi Poisson Hubungan antara jumlah penderita DBD dan faktor-faktor yang mempengaruhinya dapat diketahui dengan menggunakan analisis regresi. Analisis regresi yang digunakan
Lebih terperinciMasalah Overdispersi dalam Model Regresi Logistik Multinomial
Statistika, Vol. 16 No. 1, 29 39 Mei 2016 Masalah Overdispersi dalam Model Regresi Logistik Multinomial Annisa Lisa Nurjanah, Nusar Hajarisman, Teti Sofia Yanti Prodi Statistika, Fakultas Matematika dan
Lebih terperinciBAB 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 terperinci3.7 Further Results and Technical Notes. Yenni Angraini-G
3.7 Further Results and Technical Notes Yenni Angraini-G161150051 Outline Nonlinear Gauss-Seidel Algorithm (NLGSA) Sifat asimtotik dari penduga Penalized Generalized Weighted Least Squares (PGWLS) Mean
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 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 terperinciAPLIKASI REGRESI DUA LEVEL TERHADAP NILAI AKHIR METODE STATISTIKA. Indahwati, Dian Kusumaningrum, Wiwid Widiyani
S-4 APLIKASI REGRESI DUA LEVEL TERHADAP NILAI AKHIR METODE STATISTIKA Indahwati, Dian Kusumaningrum, Wiwid Widiyani Departemen Statistika FMIPA IPB Email : Indah_stk@yahoo.com Abstrak Metode Statistika
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 terperinciLANDASAN 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 terperinciGENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI
GENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI Agus Supriatna 1), Riaman 2), Sudradjat 3), Tari Septiyani 4) Departemen Matematika, FMIPA Unpad Jalan Raya Bandung-Sumedang
Lebih terperinciBAB 2 LANDASAN TEORI
19 BAB 2 LANDASAN TEORI 2.1. Metode Analisis Data 2.1.1. Uji Validitas Validitas adalah suatu ukuran yang membuktikan bahwa apa yang diamati peneliti sesuai dengan apa yang sesungguhnya ada dalam dunia
Lebih terperinciOleh. Yenni Angraini (G )
Tugas 3 Analisis Data Lanjutan Resume : Analysis of sex sequences by means of generalized linear mixed models Roberto Ambrosini, Diego Rubolini, Nicola Saino Oleh Yenni Angraini (G161150051) SEKOLAH PASCA
Lebih terperinciDr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017
Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017 1 Pada model linear klasik, seperti regresi linear, memerlukan asumsi bahwa peubah respon y menyebar Normal. Pada kenyataanya banyak ditemukan bahwa
Lebih terperinciTINJAUAN PUSTAKA TIMSS 2007
3 TINJAUAN PUSTAKA TIMSS 007 TIMSS ( Trends in Mathematics and Science Study) merupakan penelitian yang dilakukan oleh IEA (International Association for the Evaluation of Educational Achievement) yang
Lebih terperinciResume 2 : Analysis of sex sequences by means of generalized linear mixed models. Yenni Angraini G
Resume 2 : Analysis of sex sequences by means of generalized linear mixed models Roberto Ambrosini, Diego Rubolini, Nicola Saino Yenni Angraini G161150051 Eksplorasi Data Data Simulasi proportion of male
Lebih terperinciPEMILIHAN MODEL REGRESI LINIER MULTILEVEL TERBAIK (Choice the Best Linear Regression Multilevel Models)
, Oktober 2009 p : 1-7 ISSN : 0853-8115 Vol 14 No.2 PEMILIHAN MODEL REGRESI LINIER MULTILEVEL TERBAIK Bertho Tantular 1, Aunuddin 2, Hari Wijayanto 2 1 Jurusan Statistika FMIPA Universitas Padjadjaran
Lebih terperinciBAB II LANDASAN TEORI. landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di
5 BAB II LANDASAN TEORI Bab ini membahas pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di bahas adalah sebagai berikut: A.
Lebih terperinciII. LANDASAN TEORI. sєs (S ruang sampel) dengan sebuah bilangan real. Salah satu peubah acak adalah
II. LANDASAN TEORI Peubah acak X(s) merupakan sebuah fungsi X yang menetapkan setiap anggota sєs (S ruang sampel) dengan sebuah bilangan real. Salah satu peubah acak adalah peubah acak diskrit, yaitu banyaknya
Lebih terperinciPENAKSIRAN 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 terperinciKelas 2. Kelas 1 Mahasiswa. Mahasiswa. Gambar 1 Struktur data kelompok dalam pengukuran berulang pada data Metode Statistika
4 Kelas 2 Kelas 1 N3 N4 N3 N4 Gambar 1 Struktur data kelompok dalam pengukuran berulang pada data Metode Statistika BAHAN DAN METODE Bahan Data yang digunakan adalah data nilai capaian mahasiswa dalam
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 terperinciBAB 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 terperinciPemodelan Regresi 2-Level Dengan Metode Iterative Generalized Least Square (IGLS) (Studi Kasus: Tingkat Pendidikan Anak di Kabupaten Semarang)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman 51-60 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian Pemodelan Regresi 2-Level Dengan Metode Iterative Generalized
Lebih terperinci(DS.5) MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER
(DS.5) MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER (Kasus : Pendugaan Proporsi Keluarga Miskin Di kabupaten Jember Jawa Timur) Etis Sunandi 1), Khairil A Notodiputro 2), Anik
Lebih terperinciMetode Langkah-langkah yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1. Eksplorasi data. Identifikasi model ARCH
6 Metode Langkah-langkah yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1. Eksplorasi data Identifikasi model ARCH Pendugaan parameter dan pemilihan model ARCH/GARCH Uji pengaruh asimetrik
Lebih terperinciE-Jurnal Matematika Vol. 3 (3), Agustus 2014, pp ISSN:
E-Jurnal Matematika Vol. 3 3), Agustus 2014, pp. 107-115 ISSN: 2303-1751 PERBANDINGAN REGRESI BINOMIAL NEGATIF DAN REGRESI GENERALISASI POISSON DALAM MENGATASI OVERDISPERSI Studi Kasus: Jumlah Tenaga Kerja
Lebih terperinciMODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON
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
Lebih terperinciBAB II TINJAUAN PUSTAKA. level, model regresi tiga level, penduga koefisien korelasi intraclass, pendugaan
6 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini yaitu analisis regresi, analisis regresi multilevel, model regresi dua level, model regresi tiga
Lebih 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 terperinciPROSEDUR PENAKSIRAN PARAMETER MODEL MULTILEVEL MENGGUNAKAN TWO STAGE LEAST SQUARE DAN ITERATIVE GENERALIZED LEAST SQUARE
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 PROSEDUR PENAKSIRAN PARAMETER MODEL MULTILEVEL MENGGUNAKAN TWO STAGE LEAST
Lebih terperinciESTIMASI 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 terperinci5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS
5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS Pendahuluan Pada model VARX hubungan peubah penjelas dengan peubah respon bersifat parametrik. Stone (1985) mengemukakan pemodelan yang bersifat fleksibel
Lebih terperinciEARLY WARNING SYSTEM JUMLAH ANAK PUTUS SEKOLAH DENGAN METODE ZERO TRUNCATED NEGATIVE BINOMIAL
EARLY WARNING SYSTEM JUMLAH ANAK PUTUS SEKOLAH DENGAN METODE ZERO TRUNCATED NEGATIVE BINOMIAL Robert Kurniawan Jurusan Statistika Komputasi, Sekolah Tinggi Ilmu Statistik (STIS), Jakarta Jl. Otto Iskandardinata
Lebih terperinciKAJIAN SEBARAN SPASIAL PARAMETER FISIKA KIMIA PERAIRAN PADA MUSIM TIMUR DI PERAIRAN TELUK SEMARANG
KAJIAN SEBARAN SPASIAL PARAMETER FISIKA KIMIA PERAIRAN PADA MUSIM TIMUR DI PERAIRAN TELUK SEMARANG F1 08 Nurul Latifah 1)*), Sigit Febrianto 1), Churun Ain 1) dan Bogi Budi Jayanto 2) 1) Program Studi
Lebih terperinciModel Regresi Zero Inflated Poisson Pada Data Overdispersion
Model Regresi Zero Inflated Poisson Pada Data Overdispersion Wirajaya Kusuma Fakultas MIPA, Universitas Mataram e-mail: Kusuma_Wirajaya@yahoo.co.id Desy Komalasari Fakultas MIPA, Universitas Mataram e-mail:
Lebih 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 terperinciBAB I PENDAHULUAN. mengetahui fenomena yang akan terjadi pada periode mendatang akan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pada kehidupan sehari-hari, adanya ketidakmampuan manusia untuk mengetahui fenomena yang akan terjadi pada periode mendatang akan mengakibatkan kurang tepatnya
Lebih terperinciHASIL DAN PEMBAHASAN
18 HASIL DAN PEMBAHASAN Eksplorasi data Tahap pertama dalam pembentukan model VAR adalah melakukan eksplorasi data untuk melihat perilaku data dari semua peubah yang akan dimasukkan dalam model. Eksplorasi
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1. Waktu dan Lokasi Penelitian Penelitian dilakukan dalam dua tahap, yaitu penelitian pendahuluan dan penelitian utama. Penelitian pendahuluan dilaksanakan pada bulan September
Lebih terperinciBAB 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 I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Banyak jenis data memiliki struktur hirarki, tercluster, atau bersarang (nested). Hirarki tersebut dapat hadir secara alami dalam pengamatan observasional
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan fungsional antara variabel respon dengan satu atau beberapa variabel prediktor.
Lebih terperinciAnalysis of sex sequences by means of generalized linear mixed models. Roberto Ambrosini, Diego Rubolini, Nicola Saino. Yenni Angraini G
Analysis of sex sequences by means of generalized linear mixed models Roberto Ambrosini, Diego Rubolini, Nicola Saino Yenni Angraini G161150051 Latar Belakang Reproduksi merupakan salah satu kemampuan
Lebih terperinciPelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi. Bertho Tantular 1)
Pelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi S-28 Bertho Tantular 1) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD berthotantular@gmail.com Abstrak Secara umum model
Lebih terperinciKAJIAN PENDUGAAN AREA KECIL UNTUK MENDUGA JUMLAH KEMATIAN BAYI DI JAWA BARAT ARIE ANGGREYANI
KAJIAN PENDUGAAN AREA KECIL UNTUK MENDUGA JUMLAH KEMATIAN BAYI DI JAWA BARAT ARIE ANGGREYANI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI SERTA
Lebih terperinciMETODE PREDIKSI TAK-BIAS LINEAR TERBAIK DAN BAYES BERHIRARKI UNTUK PENDUGAAN AREA KECIL BERDASARKAN MODEL STATE SPACE KUSMAN SADIK
METODE PREDIKSI TAK-BIAS LINEAR TERBAIK DAN BAYES BERHIRARKI UNTUK PENDUGAAN AREA KECIL BERDASARKAN MODEL STATE SPACE KUSMAN SADIK SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2009 PERNYATAAN MENGENAI
Lebih terperinciBAB II TINJAUAN PUSTAKA. Hal ini sangat membantu dalam proses pembuktian sifat-sifat dan perhitungan
6 BAB II TINJAUAN PUSTAKA 2.1 Matriks Persamaan regresi linear berganda dapat dinyatakan dalam bentuk matriks. Hal ini sangat membantu dalam proses pembuktian sifat-sifat dan perhitungan matematis dari
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 REGRESI MULTILEVEL ORDINAL PADA DATA PENDIDIKAN DI JAWA BARAT
PEMODELAN REGRESI MULTILEVEL ORDINAL PADA DATA PENDIDIKAN DI JAWA BARAT Bertho Tantular Departemen Statistika FMIPA Universitas Padjadjaran bertho@unpad.ac.id ABSTRAK. Dalam generalized linear models,
Lebih terperinciBAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol
BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel
Lebih terperinciOleh. Yenni Angraini (G )
Tugas 4 Analisis Data Lanjutan Resume 2: Analysis of sex sequences by means of generalized linear mixed models Roberto Ambrosini, Diego Rubolini, Nicola Saino Oleh Yenni Angraini (G161150051) SEKOLAH PASCASARJANA
Lebih terperinciBAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n<<p DAN TERDAPAT KEKOLINEARAN-GANDA
BAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n
Lebih terperinciBAB III REGRESI TERSENSOR (TOBIT) Model regresi yang didasarkan pada variabel terikat tersensor disebut
BAB III REGRESI TERSENSOR (TOBIT) 3.1 Model Regresi Tersensor (Tobit) Model regresi yang didasarkan pada variabel terikat tersensor disebut model regresi tersensor (tobit). Untuk variabel terikat yang
Lebih terperinciPEMODELAN 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 terperinciProsiding Statistika ISSN:
Prosiding Statistika ISSN: 2460-6456 Distribusi Binomial Negatif-Lindley pada Data Frekuensi Klaim Asuransi Kendaraan Bermotor di Indonesia Binomial Negative-Lindley Distribution in the Frequency Data
Lebih terperinci4. HASIL DAN PEMBAHASAN
4. HASIL DAN PEMBAHASAN 4.1. Pertumbuhan Mikroalga Laut Scenedesmus sp. Hasil pengamatan pengaruh kelimpahan sel Scenedesmus sp. terhadap limbah industri dengan dua pelakuan yang berbeda yaitu menggunakan
Lebih terperinciII. TINJAUAN PUSTAKA 2.1 Metode Regresi 2.2 Model Aditif Terampat ( Generalized additive models , GAM)
II. TINJAUAN PUSTAKA. Metode Regresi Analisis regresi merupakan bagian dalam analisis statistika yang digunakan untuk memodelkan hubungan antara peubah tidak bebas (respon) dengan satu atau beberapa peubah
Lebih terperinciPEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)
PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
20 BAB IV HASIL DAN PEMBAHASAN 4.1 Parameter Oseanografi Pesisir Kalimantan Barat Parameter oseanografi sangat berperan penting dalam kajian distribusi kontaminan yang masuk ke laut karena komponen fisik
Lebih terperinciE-Jurnal Matematika Vol. 5 (4), November 2016, pp ISSN:
E-Jurnal Matematika Vol 5 (4), November 2016, pp 133-138 ISSN: 2303-1751 PERBANDINGAN REGRESI ZERO INFLATED POISSON (ZIP) DAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA DATA OVERDISPERSION (Studi
Lebih terperinciBAB IV MODEL HIDDEN MARKOV
BAB IV MODEL HIDDEN MARKOV 4.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang (Ω, F, P). Misalnya X = {X : k N} adalah rantai Markov dengan state berhingga yang bersifat homogen
Lebih terperinciRegresi Logistik Nominal dengan Fungsi Hubung CLOGLOG
Regresi Logistik Nominal dengan Fungsi Hubung CLOGLOG Julio Adisantoso, G16109011/STK 11 Mei 2010 Ringkasan Regresi logistik merupakan suatu pendekatan pemodelan yang dapat digunakan untuk mendeskripsikan
Lebih terperinciBAB 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 terperinciIma Yudha Perwira, S.Pi, MP, M.Sc (Aquatic)
PENGELOLAAN KUALITAS AIR DALAM KEGIATAN PEMBENIHAN IKAN DAN UDANG Ima Yudha Perwira, S.Pi, MP, M.Sc (Aquatic) DISSOLVED OXYGEN (DO) Oksigen terlarut ( DO ) adalah jumlah oksigen terlarut dalam air yang
Lebih terperinciPENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA
PENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih 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 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 terperinci(R.3) PENERAPAN MODEL MULTILEVEL LOGISTIK UNTUK DATA STATUS SETENGAH PENGANGGUR
(R.3) PENERAPAN MODEL MULTILEVEL LOGISTIK UNTUK DATA STATUS SETENGAH PENGANGGUR 1Gde Harta Wijaya, 2 Gandhi Pawitan, 3 Budhi Handoko 1Mahasiswa Program Pascasarjana Magister Statistika Terapan, Universitas
Lebih terperinciBAB 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 terperinciBab V Hasil dan Pembahasan
biodegradable) menjadi CO 2 dan H 2 O. Pada prosedur penentuan COD, oksigen yang dikonsumsi setara dengan jumlah dikromat yang digunakan untuk mengoksidasi air sampel (Boyd, 1988 dalam Effendi, 2003).
Lebih terperinciBAB 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(DS.4) MODEL OTOREGRESIF SIMULTAN BAYES UNTUK ANALISIS DATA KEMISKINAN
(DS.4) MODEL OTOREGRESIF SIMULTAN BAYES UNTUK ANALISIS DATA KEMISKINAN Safaat Yulianto 1, Anik Djuraidah 2, Aji Hamim Wigena 2 1Akademi Statistika Muhammadiyah Semarang 2Jurusan Statistika, Institut Pertanian
Lebih terperinciA. Latar Belakang Analisis regresi merupakan suatu metode yang digunakan untuk mengetahui
PENDAHULUAN A. Latar Belakang Analisis regresi merupakan suatu metode yang digunakan untuk mengetahui hubungan sebab akibat antara peubah respon dengan peubah penjelas. Analisis regresi terbagi atas dua
Lebih terperinciTINJAUAN PUSTAKA. Model Linier dengan n pengamatan dan p variable penjelas biasa ditulis sebagai
II. TINJAUAN PUSTAKA 2.1. Model Linear Model Linier dengan n pengamatan dan p variable penjelas biasa ditulis sebagai berikut : Y i = β 0 + X i1 β 1 + X i2 β 2 + + X ip β p +ε i ; i = 1,2,, n bila dirinci
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN A.
BAB IV HASIL DAN PEMBAHASAN A. Pencemaran Organik di Muara S. Acai, S. Thomas, S. Anyaan dan Daerah Laut yang Merupakan Perairan Pesisir Pantai dan Laut, Teluk Youtefa. Bahan organik yang masuk ke perairan
Lebih terperinciSIMULASI LAJU PERTUMBUHAN PENJUALAN AUTOMOTIF DENGAN METODE EKSPONENSIAL DAN GUI MATLAB DI JAWA TIMUR
SIMULASI LAJU PERTUMBUHAN PENJUALAN AUTOMOTIF DENGAN METODE EKSPONENSIAL DAN GUI MATLAB DI JAWA TIMUR Yopi Andry Lesnussa Jurusan Matematika Universitas Pattimura yopi_a_lesnussa@yahoo.com Abstrak Laju
Lebih terperinci4. HASIL DAN PEMBAHASAN
14 4. HASIL DAN PEMBAHASAN 4.1. Kondisi Fisika Kimia Perairan dan Substrat Estuari mempunyai kondisi lingkungan yang berbeda dengan sungai dan laut. Keberadaan hewan infauna yang berhabitat di daerah estuari
Lebih terperinciJurnal Dinamika, April 2015, halaman Vol. 06. No. 1 ISSN
Jurnal Dinamika, April 2015, halaman 61-66 Vol. 06. No. 1 ISSN 2087-7889 SIMULASI PERBANDINGAN METODE PERAMALAN MODEL GENERALIZED SEASONAL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (GSARIMA) DENGAN SEASONAL
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 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 terperinciBAB IV PENGUMPULAN DATA
BAB IV PENGUMPULAN DATA Pengumpulan data yang dilakukan dibatasi hanya di dalam wilayah Jabodetabek. Data yang dikumpulkan terdiri atas data primer maupun data sekunder. Data primer meliputi kriteria drainase
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 terperinciBAB 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 terperinciBAB II KAJIAN TEORI. Analisis survival atau analisis ketahanan hidup adalah metode yang
BAB II KAJIAN TEORI BAB II KAJIAN TEORI A. Analisis Survival Analisis survival atau analisis ketahanan hidup adalah metode yang berhubungan dengan jangka waktu, dari awal pengamatan sampai suatu kejadian
Lebih terperinciHASIL DAN PEMBAHASAN
3 HASIL DAN PEMBAHASAN Analisis Dekriptif Analisis deskripsi merupakan teknik eksplorasi data untuk melihat pola data secara umum. Dari data TIMSS 7 rata-rata capaian matematika siswa Indonesia sebesar
Lebih terperinciKARAKTERISTIK PENDUGA PARAMETER GENERALIZED ESTIMATING EQUATION (GEE) PADA DATA LONGITUDINAL. (Skripsi) Oleh NAELU RASYIDA
KARAKTERISTIK PENDUGA PARAMETER GENERALIZED ESTIMATING EQUATION (GEE) PADA DATA LONGITUDINAL (Skripsi) Oleh NAELU RASYIDA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG BANDARLAMPUNG
Lebih terperinciSTK 203 TEORI STATISTIKA I
STK 203 TEORI STATISTIKA I V. SEBARAN FUNGSI PEUBAH ACAK V. Sebaran Fungsi Peubah Acak 1 Sebaran Fungsi Peubah Acak Dalam banyak kasus untuk melakukan inferensi terhadap suatu parameter kita lebih banyak
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Salah satu permasalahan penting dalam asuransi kerugian adalah cadangan klaim. Cadangan klaim merupakan perkiraan banyaknya uang yang harus disiapkan
Lebih terperinciMODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER
MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER Etis Sunandi 1), Khairil A Notodiputro 2), Anik Djuraidah 2) 1) Jurusan Matematika FMIPA Universitas Bengkulu 2) Jurusan Statistika,
Lebih terperinciProsiding Seminar Nasional Hasil-Hasil PPM IPB 2016 Hal : 1 7 ISBN :
Hal : 1 7 ISBN : 978-62-8853-29-3 MODEL LINIER BERDASARKAN SEBARAN GAMMA DENGAN REGULARISASI PERSENTIL L1 DAN L2 UNTUK PENDUGAAN CURAH HUJAN EKSTRIM (Linear Model based on Gamma Distribution with Percentile
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB 1 PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Perkembangan ilmu pengetahuan dewasa ini tidak lepas dari kompleknya permasalahan hidup manusia. Salah satu ilmu yang berkenaan dengan hal tersebut
Lebih terperinciPendugaan Komponen Utama pada Pengaruh Acak Model Linear Campuran Terampat. Mohammad Masjkur Departemen Statistika, FMIPA-IPB.
Pendugaan Komponen Utama pada Pengaruh Acak Model Linear Campuran Terampat Mohammad Masjkur Departemen Statistika, FMIPA-IPB Abstrak Model linear campuran terampat (generalized linear mixed model) merupakan
Lebih terperincistasiun 2 dengan stasiun 3 dengan stasiun 3 Stasiun 1 dengan Stasiun 1 Morishita Horn
Didapatkan hasil sungai Wonorejo Surabaya mempunyai indeks kesamaan komunitas makrozoobenthos antara stasiun 1 dengan stasiun 2 yaitu 0.88. Perbandingan dari kedua stasiun ini memiliki indeks kesamaan
Lebih terperinciBAB III. Model Regresi Linear 2-Level. Sebuah model regresi dikatakan linear jika parameter-parameternya bersifat
BAB III Model Regresi Linear 2-Level Sebuah model regresi dikatakan linear jika parameter-parameternya bersifat linear. Untuk data berstruktur hirarki 2 tingkat, analisis regresi yang dapat digunakan adalah
Lebih terperinciMETODE PENELITIAN 3.1. Waktu dan Lokasi Penelitian 3.2. Pelaksanaan Penelitian Penentuan stasiun
15 3. METODE PENELITIAN 3.1. Waktu dan Lokasi Penelitian Penelitian dilaksanakan pada bulan Mei Agustus 2011 di Danau Lido, Bogor, Jawa Barat. Danau Lido terletak pada koordinat posisi 106 48 26-106 48
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 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) 1 Parwoto, 2 Septiadi Padmadisastra, 3 Anna Chadidjah 1 Mahasiswa Magister Statistika
Lebih terperinci