Pemodelan Jumlah Kematian Bayi Di Kabupaten Bojonegoro Dengan Menggunakan Metode Analisis Regresi Binomial Negatif
|
|
- Verawati Atmadjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya Abstrak Jumlah Kematian Bayi di Kabupaten Bojonegoro masih cukup tinggi dan mengalami peningkatan setiap tahun. Peningkatan ini ditunjukkan dengan jumlah kematian bayi tahun 2008 sebanyak 7,36 % dan pada tahun 2009 meningkat menjadi 7,80% serta bertambah lagi menjadi 9,35%. Penelitian ini bertujuan untuk mengetahui ada atau tidaknya kasus overdispersi pada data jumlah kematian bayi tahun 2011 yang diperoleh dari Dinas Kesehatan Kabupaten Bojonegoro dengan menggunakan analisis Regresi binomial negatif. Penelitian ini menunjukan bahwa rata-rata jumlah kematian bayi pada setiap Kecamatan sebesar 7 kasus pertahun sehingga kasus kematian bayi di Kabupaten Bojonegoro masih sangat tinggi dan jumlah kasus kematian bayi tertinggi berada pada Kecamatan Baureno sebanyak 17 kasus. Berdasarkan hasil dari Regresi binomial negatif memberikan model yang lebih baik di bandingkan dengan Regresi poisson karena menghasilkan nilai AIC yang lebih kecil yaitu sebesar 162,00. Dan berdasarkan model Regresi binomial negatif diketahui variabel yang berpengaruh terhadap jumlah kematian bayi adalah Persentase BBLR (X 1 ), dan persentase Rumah sehat (X 10 ). Sehingga dapat dibentuk model sebagai berikut, J Kata Kunci Jumlah Kematian Bayi, Regresi Binomial Negatif I. PENDAHULUAN umlah kematian bayi di Indonesia masih sangat tinggi.tercatat pada tahun 2008 terjadi 18 kasus kematian bayi tiap jam [1]. Beberapa faktor yang berpengaruh langsung antara lain kemampuan dan keterampilan penolong persalinan, sesuai dengan pesan pertama kunci Making Pregnancy Safer (MPS). Sementara penyebab tidak langsung kematian bayi baru lahir yang ada di Indonesia adalah karena kondisi masyarakat seperti pendidikan orang tua, sosial ekonomi keluarga dan budaya. Selain itu kondisi geografis serta keadaan sarana pelayanan yang kurang siap ikut memperberat permasalahan ini Jumlah kematian bayi pada kabupaten Bojonegoro dari tahun mengalami kenaikan pada setiap tahunnya. Hal ini dapat dilihat berdasarkan data yang diperoleh melalui Dinas Kesehatan Bojonegoro, dimana pada data tersebut menyatakan bahwa jumlah kematian bayi pada tahun 2008 sebanyak 7,36%, tahun 2009 meningkat menjadi sebanyak 7,80% sedangkan pada tahun 2010 menunjukkan peningkatan dari 2 tahun sebelumnya menjadi 9,35%. Penelitian sebelumnya memodelkan jumlah kematian bayi dengan menggunakan pemodelan regresi spline, dimana faktor-faktor yang mempengaruhi jumlah kematian bayi adalah presentase persalinan yang menggunakan tenaga non medis, presentase wanita yang tidak pernah sekolah atau tidak tamat SD/MI, presentase wanita berkeluarga dibawah umur 17 tahun, presentase bayi tidak diberi ASI, presentase penduduk golongan sosial ekonomi menengah kebawah, jumlah fasilitas kesehatan dan jumlah tenaga kesehatan [2]. Selain itu pemodelan jumlah kematian bayi juga menggunakan pendekatan geographically weighted poisson regression di propinsi Jawa Timur [3]. Didapatkan hasil bahwa terdapat informasi perbedaan yang menarik dan penting tiap kabupaten/kota di Propinsi Jawa Timur mengenai faktor yang berpengaruh signifikan terhadap jumlah kematian bayi diseluruh kabupaten/kota di Propinsi Jawa Timur adalah presentase persalinan yang dilakukan dengan bantuan tenaga non medis. Sementara dalam penelitian ini menggunakan analisis regresi binomial negatif yang merupakan model untuk menghitung jumlah kematian bayi. II. TINJAUAN PUSTAKA A. Regresi Poisson Model regresi Poisson merupakan model standar untuk data diskrit dan termasuk dalam model regresi nonlinear. Regresi Poisson berdasarkan pada penggunaan distribusi Poisson [4]. Regresi Poisson berdasarkan pada penggunaan distribusi Poisson. Probabilitas distribusi Poisson diberikan sebagai berikut [5]. y e py ( ; ) (1) y! Dimana μ adalah mean dan varian distribusi poisson. Parameter μ sangat bergantung pada beberapa unit yang ditetapkan atau periode waktu, jarak, luas, volume dan lainlain. Distribusi poisson digunakan untuk memodelkan peristiwa yang relatif jarang terjadi selama periode yang dipilih sedangkan yi adalah banyaknya kejadian pada daerah ke-i, i=1,2,..,n. B. Penaksiran Parameter Model Regresi Poisson Penaksiran parameter regresi poisson dilakukan dengan menggunakan metode maximmum likelihood Estimation (MLE). Taksiran maksimum likelihood untuk parameter β k dinyatakan dengan ˆ k yang merupakan penyelesaian dari turunan pertama fungsi likelihoodnya, dengan langkahlangkah sebagai berikut : 1. Mengambil n sampel random y 1,y 2,y 3,...,y n 2. Membuat fungsi likelihoodnya. Berdasarkan persamaan distribusi poisson yang ditunjukkan pada persamaan (1), maka fungsi likelihoodnya adalah sebagai berikut : Bentuk logaritma natural dari fungsi likelihood pada persamaan dinyatakan sebagai berikut:
2 2 ( ) ( ) ( ) ( ) ( ) C. Pengujian Parameter Model Regresi Poisson Pengujian parameter model Regresi Poisson dilakukan dengan menggunakan metode Maximum Likelihood Ratio Test (MLRT) dengan hipotesis sebagai berikut: H 1 : paling sedikit ada satu Likelihood ratio dapat dinotasikan sebagai berikut: L( ˆ ) (4) L( ˆ ) Karena Regresi Poisson termasuk dalam keluarga ekponensial sehingga likelihood ratio pada persamaan (4) dapat juga ditulis dalam bentuk: ˆ L( ˆ ) D( ) 2ln 2ln L( ˆ (5) ) D( βˆ ) merupakan devians model regresi poisson atau devians yang dihitung pada seluruh parameter dalam model. Nilai D( β ˆ) yang semakin kecil menyebabkan semakin kecil pula tingkat kesalahan yang dihasilkan model, sehingga model menjadi semakin tepat. D( βˆ ) disebut juga sebagai statistik rasio likelihood, dimana untuk ukuran sampel besar distribusi dari statistik uji pada persamaan (4) akan mengikuti distribusi khi-kuadrat dengan derajat bebasnya adalah banyaknya parameter model dibawah populasi dikurangi dengan banyaknya parameter dibawah H 0. Kriteria pengujiannya 2 adalah tolak H 0 apabila D( βˆ) ( ; n k 1) Dimana, n = jumlah Kecamatan k = jumlah variabel Selanjutnya dilakukan pengujian parameter model secara parsial yaitu untuk mengetahui parameter mana yang memberikan pengaruh signifikan terhadap model. Misalkan, ingin menguji apakah parameter j berpengaruh terhadap model dirumuskan sebagai berikut: H 0 : j = 0 H 1 :, i = 1,2,3...,k Statistik uji: ( (6) ) Daerah penolakan H 0 adalah nilai dari D. Overdispersi Model Regresi Poisson Regresi poisson dikatakan mengandung overdispersi apabila nilai variansnya lebih besar dari nilai meannya. Overdispersi memiliki dampak yang sama dengan pelang-garan asumsi jika pada data diskrit terjadi overdispersi namun tetap digunakan regresi poisson, dugaan dari parameter koefisien regresinya tetap konsisten namun tidak efisien. Hal ini berdampak pada nilai standar error yang menjadi under estimate, sehingga kesimpulannya menjadi tidak valid. Fenomena overdispersi [6] dapat dituliskan Var Y E Y. E. Regresi Binomial Negatif Regresi Binomial Negatif merupakan salah satu model regresi terapan dari GLM Sebagai penerapan dari GLM maka distribusi binomial negatif memiliki ketiga komponen yang akan dijelaskan sebagai berikut [7], 1. Komponen Random 2. Komponen Sistematis 3. Fungsi Link F. Estimasi Parameter Binomial Negatif Estimasi parameter Regresi Binomial Negatif dilakukan dengan langkah sebagai berikut: Langkah 1 : Menentukan taksiran awal dari k, misal = 0 Langkah 2 : Menentukan estimasi maksimum likelihood dari parameter β menggunakan prosedur iterasi Fisher Scoring dengan asumsi k = (7) Iterasi berakhir jika diperoleh. Langkah 3 : Menggunakan untuk menghasilkan estimasi dari parameter k dengan menggunakan prosedur iterasi Newthon-Rhapson satu dimensi. Iterasi berakhir jika diperoleh Langkah 4 : Jika selesai; bila tidak, gunakan parameter dan kembali ke langkah 2. Nilai merupakan nilai bilangan positif yang sangat kecil, misalnya. G. Uji Kesesuaian Model Regresi Binomial Negatif Uji kesesuaian model Regresi Binomial Negatif dengan uji deviansi dengan hipotesis sebagai berikut. H 0 : β 1 = β 2 =... = β k = 0 H 1 : paling sedikit ada satu β j 0, j = 1, 2,..., k Statistik Uji : ( ) ( ( ) ) ( ( ) ) (9) Kriteria Uji : H 0 ditolak jika statistik uji ( ) Uji signifikasi individu variabel prediktornya dengan menggunakan uji Wald dengan hipotesisi sebagai berikut, H 0 : β j = 0 H 1 : β j 0
3 3 Statistik Uji : ( ( ) ) Kriteria Uji : H 0 ditolak jika statistik uji Wj 2 ;1 C. Akaike Information Criterion (AIC) Terdapat beberapa metode dalam menentukan model terbaik, salah satunya adalah Akaike Information Criterion (AIC)AIC didefinisikan sebagai berikut [8]. ( ) dimana ( )adalah nilai likelihood, dan k adalah jumlah parameter. Model terbaik ada-lah model yang mempunyai nilai AIC terkecil. D. Multikolinearitas Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi antara masing-masing variabel independen dalam model regresi. Multikoli-nearitas biasanya terjadi ketika sebagian besar variabel yang digunakan saling terkait dalam suatu model regresi [9]. Oleh karena itu masalah multikolinearitas tidak terjadi pada regresi linier sederhana yang hanya melibatkan satu variabel independen. Pendeteksian adanya kasus multikolinieritas dapat dilihat melalui [10], 1. Variance Inflation Factors (VIF) > 10 VIF dinyatakan sebagai berikut, merupakan nilai koefisien determinasi antara variabel dengan variabel lain-nya. Nilai VIF yang lebih besar dari 10 menunjukkan adanya kasus multikolinieritas antar variabel prediktor. 2. Nilai koefisien korelasi Pearson (r ij ) antar variabel-variabel prediktor. Apabila nilai koefisien korelasi Pearson antar variabel prediktor cukup besar (lebih dari 0,95) maka mengindikasikan adanya multikolinieritas. A. Sumber Data III. METODOLOGI PENELITIAN Sumber data yang digunakan dalam penelitian ini adalah data sekunder diperoleh dari Dinas Kesehatan Bojonegoro. Pada penelitian inin menggunakan data jumlah kematian bayi pada tahun 2011 yang berjumlah sebanyak 27 kecamatan yang ada di Kabupaten Bojonegoro [11]. B. Variabel Penelitian Variabel yang digunakan dalam penelitian ini terdiri atas variabel y (respon) atau dependen dan variabel x (prediktor) atau independen. Variabel respon yang digunakan adalah Jumlah kematian bayi yang ada di Kabupaten Bojonegoro. Sedangkan variabel prediktor adalah variabel yang diduga berpengaruh terhadap jumlah kematian bayi di Kabupaten Bojonegoro. Berikut 10 variabel prediktor yang diduga mempengaruhi jumlah kematian bayi di Kabupaten Bojonegoro. Tabel 1. Variabel Prediktor Nama Variabel Persentase Berat Badan bayi lahir rendah (BBLR) (X1) Persentase Bayi Gizi Buruk (X2) Persentase Persalinan Ditolong Tenaga kesehatan (X3) Persentase Bayi Yang diberi ASI ekslusif (X4) Presentase cakupan Imunisasi TT2 pada Ibu Hamil (X5) Presentase BUMIL KEK (kurang energi kronis) (X6) Presentase pemberian Tablet FE(90 tablet) pada Ibu hamil (X7) Presentase pemberian vitamin A pada bayi (X8) Persentase rumah bebas jentik (X9) Persentase rumah sehat (X10) Tipe Variabel C. Metode Penelitian Metode penelitian yang digunakan sebagai langkahlangkah untuk mencapai tujuan penelitian dijabarkan sebagai berikut : 1. Mendeskripsikan jumlah kematian bayi dan faktorfaktor yang mempengaruhi. 2. Mengidentifikasi pola hubungan antara masingmasing variabel prediktor dengan variabel respon. 3. Memeriksa multikolinieritas antar variabel prediktor. Mendapatkan ukuran AIC Regresi Binomial Negatif sebagai kriteria penentuan model. i. Menentukan model untuk Regresi Poisson Sebelum melakukan Uji Binomial Negatif untuk mendeteksi adanya Overdispersi pada data dengan melihat nilai Pearson Chi-squares dan Deviance yang dibagi dengan derajat bebasnya. Pada pemodelan jumlah kematian bayi di Kabupaten Bojonegoro dengan langkah-langkah: a. Menghitung nilai penaksir parameter model Regresi Poisson b. Menguji signifikansi parameter model Regresi Poisson c. Menghitung nilai R 2 dari model Regresi Poisson ii. Menentukan model untuk Regresi Binomial Negatif pada pemodelan jumlah kematian bayi di Kabupaten Bojonegoro. a. Menaksir parameter model Regresi Binomial Negatif. b. Menguji signifikansi parameter model Regresi Binomial Negatif secara serentak dan parsial. c. Menghitung nilai AIC dari model Regresi Binomial Negatif. IV. ANALISIS DAN PEMBAHASAN A. Karakteristik AKB di Kabupaten Bojonegoro Tahun 2011 Berikut adalah karakteristik jumlah kematian bayi di Kabupaten Bojonegoro Tahun 2011 yang ditampilkan pada
4 4 Gambar 1. Gambar 1. Peta AKB Kabupaten Bojonegoro Gambar 1. Peta Jumlah Kematian Bayi Kabupaten Bojonegoro Pada Gambar 1 dapat dilihat dari gambar peta diatas bahwa jumlah kematian bayi di Kabupaten Bojonegoro yang termasuk kedalam kategori yang sangat tinggi antara15-19 bayi terjadi di Kecamatan Baureno dan Kanor. Di Kecamatan Kanor sejumlah 15 bayi dan Kecamatan Baureno sejumlah 19 bayi. Sedangkan Kecamatan yang mempunyai jumlah kematian bayi terkecil terjadi pada Kecamatan Kasiman dan Kedewan karena tidak terjadi kasus kematian bayi pada kedua kecamatan tersebut. Variabel yang diduga mempengaruhi jumlah kasus kematian bayi di Kabupaten Bojonegoro apabila dilihat berdasarkan statistika yang akan disajikan pada Tabel 2 sebagai berikut, Tabel 2. Statistik Deskriptif (%) Variabel Mean Variance Minimum Maksimum Y 6,63 25,781 0,00 17,00 X1 3,055 2,782 1,00 7,311 X2 0,165 0,036 0,00 0,784 X3 95,835 20,706 85,63 100,00 X4 46,03 219,42 19,07 73,1 X5 85,22 205,57 44,01 100,00 X6 9,32 89,07 0,00 40,23 X7 83,58 104,07 54,73 97,08 X8 86,24 127,42 50,56 100,00 X9 87,38 156,36 45,04 99,53 X10 63,75 271,3 36,67 99,97 Berdasarkan Tabel 2 menunjukkan bahwa jumlah kasus Kematian Bayi di Kabupaten Bojonegoro rata-rata di setiap kecamatan sebesar 6,630. Nilai varians dari variabel respon yaitu 25,781 hal ini menunjukan bahwa Kasus kematian bayi dikabupaten Bojonegoro masih sangat tinggi dengan Jumlah kasus tertinggi berada pada Kecamatan Baureno sebesar 17 kasus kematian bayi pada tahun 2011.Pada variabel prediktor Presentase BBLR (X 1 ) di setiap kecamatan memiliki rata-rata sebesar 3,055% dengan varians sebesar 2,782 artinya tidak terdapat kesenjangan antar tiap kecamatan pada Presentase BBLR (X 1 ) dan presentase tertinggi berada pada Kecamatan Sekar. Selanjutnya untuk variabel prediktor Presentase Bayi Gizi Buruk (X 2 ) memiliki rata-rata sebesar 0,1653 dengan varians sebesar 0,0359. Angka varians ini sangat kecil dengan nilai presentase bayi gizi buruk pada semua Kecamatan cukup kecil kurang dari 1%. Pada variabel Persentase Persalinan ditolong Tenaga Kesehatan (X 3 ) memiliki rata-rata sebesar 95,835% sehingga dapat disimpulkan bahwa sebagian besar proses persalinan ditolong tenaga kesehatan misalnya dokter atau bidan dan sebagian kecil menggunakan jasa selain tenaga kesehatan. Untuk variabel prediktor dengan tingkat kesenjangan cukup tinggi antar setiap kecamatan yaitu pada persentase variabel Bayi yang Diberi ASI eksklusif(x 4 ), Cakupan imunisasi TT pada Ibu Hamil (X 5 ), Ibu hamil kurang energi kronis (X 6 ), Pemberian Tablet Fe (Zat Besi), Pemberian Vitamin A (X 8 ), Rumah Bebas Jentik (X 9 ) dan Rumah Sehat (X 10 ). B. Pemeriksaan Multikolinearitas Berikut adalah hasil pemeriksaan multikolinearitas antar variabel prediktor yang ditampilkan pada Tabel 3, Tabel 3. Korelasi antar Variabel Prediktor X3 X4 X5 X7 X8 X9 X10 X1 X3 X4 X5 X7 X8 X9 0,136 0,499-0,211 0,246 0,29 0,215 0,159-0,007 0,143 0,427 0,971 0,477 0,129 0,231-0,134 0,061 0,521 0,247 0,507 0,764 0,096-0,028-0,083 0,199 0,138 0,633 0,89 0,682 0,319 0,493 0,05 0,007-0,161 0,065-0,206-0,029 0,805 0,971 0,421 0,747 0,303 0,886-0,115 0,189-0,024-0,149 0,091 0,203-0,007 0,567 0,346 0,905 0,458 0,651 0,311 0,974 Berdasarkan Tabel 3 menunjukkan bahwa tidak ada nilai korelasi yang sangat tinggi dan tidak ada nilai p-value yang kurang dari nilai alpha sebesar 0,05. Sehingga mengindikasikan tidak ada multikolinearitas pada variabel tersebut. C. Pemodelan Jumlah kematian bayi di Kabupaten Bojonegoro Regresi Poisson. Data jumlah kematian bayi yang mengikuti distribusi poisson. Pemodelan dengan menggunakan analisis regresi poisson ini dilakukan untuk mengetahui faktor-faktor yang mempengaruhi jumlah kematian pada bayi. Tabel 4. Estimasi Parameter Model Regresi Poisson Parameter Estimasi Standard Error t β 0-5,2299 2,1284-2,460 β 1 0,060 0,046 1,320 β 3 0,033 0,021 1,580 β 4 0,007 0,006 1,080 β 5 0,014 0,007 2,180 β 7 0,011 0,010 1,170 β 8-0,004 0,008-0,460 β 9 0,008 0,007 1,120 β 10 0,014 0,005 2,800
5 5 Nilai estimasi yang diperoleh kemudian diuji signifikasi parameter secara serentak dan parsial. Uji serentak parameter regresi poisson dengan hipotesis sebagai berikut. H 0 : β 1 = β 3 = β 4 = β 5 = β 7 = β 8 = β 9 = β 10 = 0 H 1 : minimal ada satu β j 0; i = 1, 3, 4, 5, 7, 8, 9, 10 Nilai ( ) yaitu sebesar 82,749 Kemudian nilai devians dibandingkan dengan nilai Chi-Square dengan taraf signifikasi ( ) sebesar 10%. Nilai = 13,362 maka. Jadi keputusannya yaitu Tolak H 0 artinya bahwa minimal terdapat satu parameter yang berpengaruh signifikan terhadap model. Selanjutnya untuk mengetahui variabel prediktor mana saja yang memberikan pengaruh secara signifikan, dilakukan pengujian parameter secara parsial dengan hipotesis sebagai berikut. H 0 : β j = 0 (pengaruh variabel ke-j tidak signifikan) H 1 : β j 0 (pengaruh variabel ke-j signifikan) Berdasarkan Tabel 4 dengan taraf signifikansi 10% dapat diketahui bahwa p-value dari parameter β 5 dan β 10 lebih kecil 0,1. Selain itu, jika nilai dari maka tolak H 0 yang artinya bahwa parameter tersebut signifikan. Nilai dari parameter β 5 dan β 10 lebih besar dari = 2,306 sehingga parameter β 5 dan β 10 signifikan berpengaruh terhadap model. Jadi model regresi poisson yang dihasilkan adalah. μ dimana Variabel prediktor yang berpengaruh terhadap jumlah kasus kematian pada bayi yaitu β 5 (Presentase cakupan Imunisasi TT pada Ibu hamil) dan β 10 (Presentase rumah sehat) mempunyai pengaruh signifikan terhadap model regresi poisson disamping itu dengan berkurangnya cakupan imunisasi TT pada ibu hamil dan rumah sehat maka jumlah kematian bayi di Bojonegoro akan semakin tinggi. D. Pemeriksaan Overdispersi Dalam regresi poisson terdapat asumsi equidispersi yaitu nilai means sama dengan nilai varians harus dipenuhi. Namun, keadaan tersebut jarang terpenuhi sehingga muncul adanya kasus overdispersi. Untuk mendeteksi, dapat dilihat dari nilai deviace/dbatau pearson/db. Jika nilai deviace/db atau pearson/db lebih besar dari 1 maka dapat dikatakan terjadi overdispersi sedangkan jika kurang dari 1 maka terjadi underdispersi. Tabel 5. Nilai Deviance dan Pearson darimodel Regresi Poisson Kriteria Nilai Db Nilai/db Deviance 82, ,597 Pearson Chi-Square 77, ,301 Berdasarkan Tabel 5 dapat diketahui bahwa nilai deviance/dbdan pearson chi-square/dblebih besar dari 1 sehingga dapat disimpulkan pada model regresi poisson kasus kematian bayi dikabupaten Bojonegoro terjadi overdispersi. Adanya overdispersi tersebut menyebabkan model yang terbentuk akan menghasilkan estimasi parameter yang bias. E. Pemodelan Jumlah Kasus Kematian Bayi di Kabupaten Bojonegoro Menggunakan Regresi Binomial Negatif Pada model regresi poisson, dapat juga menggunakan model regresi binomial negatif. Sepuluh variabel prediktor yang signifikan pada model regresi poisson tersebut dapat membentuk 255 kemungkinan model regresi binomial negatif. Model dengan nilai AIC terkecil adalah model yang terbaik. Pada Tabel 6 ditampilkan kemungkinan model regresi binomial negatif dengan nilai AIC terkecil untuk setiap kombinasi variabel mulai dari kombinasi satu sampai sembilan variabel prediktor dengan menggunakan taraf signifikan sebesar 10%. Tabel 6. Kemungkinan Model Regresi Binomial Negatif dari Kombinasi Variabel Kemungkinan Model Parameter yang AIC (Y dengan Xi) Signifikan X 3 160,33 β 3 X 5 X ,54 β 10 X 1 X 4 X ,00 β 1, β 10 X 1 X 4 X 7 X ,54 β 1, β 10 X 1 X 3 X 4 X 5 X ,71 β 10 X 1 X 3 X 4 X 5 X 9 X ,36 β 10 X 1 X 4 X 5 X 7 X 8 X 9 X ,48 β 1, β 10 X 1 X 3 X 4 X 5 X 7 X 8 X 9 X ,04 β 10 Nilai estimasi atau taksiran parameter dari masing-masing kemungkinan model tersebut. Pada Tabel 6 dapat diketahui model yang memiliki parameter signifikan dari kemungkinan model yang paling banyak pada X 1 X 4 X 10, X 1 X 4 X 7 X 10, dan X 1 X 4 X 5 X 7 X 8 X 9 X 10 yang mempunyai nilai AIC terkecil dari ketiga kemungkinan model tersebut adalah kemungkinan model pada X 1 X 4 X 10 yang mempunyai AIC yaitu 162,00. Dan dapat diketahui juga nilai AIC pada regresi poisson mempunyai nilai yaitu 192,1 pada dan untuk memilih nilai AIC antara Regresi poisson dan Regresi Binomial Negatif lebih kecil dan lebih baik menggunakan AIC dari Regresi Binomial negatif dan Hasil estimasi parameter model Regresi Binomial negatif ditampilkan pada Tabel 7 sebagai berikut. Tabel 7. Estimasi Parameter Model Regresi Binomial Negatif. Parameter Estimasi SE Z β 0-0,412 0,905-0,456 β 1 0,165 0,091 1,817 β 10 0,019 0,009 2,063 Θ 2,425 0,955 2,539 Langkah selanjutnya adalah pengujian parameter. Pengujian secara serentak dilakukan untuk mengetahui pengaruh variabel prediktor terhadap variabel respon. Uji serentak parameter model regresi binomial negatif dengan hipotesis sebagai berikut.
6 6 Nilai devians ( ) ditunjukkan pada Tabel 5 yaitu sebesar 152,00. Kemudian nilai devians dibandingkan dengan nilai Chi-Square dengan taraf signifikasi ( ) sebesar 10%. Nilai 6,251 maka ( ). Jadi keputusannya yaitu Tolak H 0 artinya bahwa minimal terdapat satu parameter yang berpengaruh signifikan terhadap model. Selanjutnya untuk mengetahui variabel prediktor mana saja yang memberikan pengaruh secara signifikan, dilakukan pengujian parameter secara parsial dengan hipotesis sebagai berikut. H 0 : β j = 0 (pengaruh variabel ke-j tidak signifikan) H 1 : β j 0 (pengaruh variabel ke-j signifikan) Berdasarkan Tabel 7 dengan taraf signifikansi 10% dapat diketahui bahwa p-value dari semua parameter lebih kecil 0,10 kecuali parameter β 4. Selain itu, jika nilai dari maka tolak H 0 yang artinya bahwa parameter tersebut signifikan. Nilai dari semua parameter lebih besar dari = 1,644 kecuali dari β 9 sehingga parameter β 1 dan β 10 signifikan berpengaruh terhadap model. Parameter θ sebesar 2,425 atau lebih besar dari 0 menunjukkan terjadinya kasus overdispersi sesuai dengan hasil pengujian yang dilakukan sebelumnya. Jadi model regresi binomial negatif yang dihasilkan adalah sebagai berikut. Variabel prediktor yang berpengaruh terhadap jumlah kematian bayi berdasarkan model regresi binomial negatif yang dihasilkan yaitu Persentase BBLR, Persentase rumah sehat. Berdasarkan hasil estimasi dapat diketahui bahwa setiap kenaikan 1% Persentase BBLR akan menaikkan sebesar exp (0,165) = 1,179 1,2 jumlah kematian bayi. Sementara setiap peningkatan 1% Persentase rumah sehat akan menurunkan jumlah kematian bayi sebesar exp(0,019) = 1,01 1. III. KESIMPULAN DAN SARAN A. Kesimpulan Berdasarkan hasil analis is dan pembahasan maka dapat diperoleh kesimpulan sebagai berikut. 1. Jumlah kematian bayi di Kabupaten Bojonegoro rata-rata pada setiap Kecamatan sebesar 7 Kasus per-tahun sehingga kasus Jumlah kematian bayi di Kabupaten Bojonegoro masih sangat tinggi dengan Jumlah kasus tertinggi berada pada Kecamatan Baureno sebesar 17 kasus kematian bayi pada tahun Model Regresi binomial negatif memberikan model yang lebih baik di bandingkan dengan Regresi poisson karena menghasilkan nilai AIC yang lebih kecil yaitu sebesar 162,00. Berdasarkan pemodelan dengan menggunkan Regresi binomial negatif variabel yang berpengaruh terhadap jumlah kematian bayi adalah Persentase BBLR, Persentase rumah sehat. Sehingga dapat membentuk model sebagai berikut, Θ B. Saran Saran yang dapat diberikan oleh peneliti kepada dinkes kabupaten Bojonegoro untuk menurunkan jumlah kematian bayi adalah dengan mengurangi jumlah bayi yang lahir dengan berat badan lahir rendah dan meningkatkan jumlah rumah sehat dikabupaten Bojonegoro dan pada penelitian selanjutnya sebaiknya perlu memasukan variabel prediktor lain yang belum dimasukkan ke dalam model sehingga diharapkan dapat menghasilkan model yang lebih informatif dan aplikatif. UCAPAN TERIMA KASIH Penulis Nike Dwi Wilujeng Mahardika mengucapkan terima kasih kepada ITS khususnya jurusan Statistika yang telah membimbing penulis dalam mengerjakan Tugas Akhir sebagai syarat kelulusan DAFTAR PUSTAKA [1] Badan Pusat Statistik. (2009). Mortalitas, Data Statistik Indonesia. diakses pada tanggal 9 Februari 2013, Sumber: [2] Pemodelan Jumlah Kematian Bayi di Jawa Timur Dengan Regresi Spline di Jawa Timur. Skripsi, Jurusan Statistika Institut Teknologi Sepuluh Nopember,Surabaya. [3] Septika, T. A. (2006). Pemodelan Jumlah Kematian Bayi dengan pendekatan Geographically Weighted Poisson Regression. Skripsi, Jurusan Statistika InstitutTeknologi Sepuluh Nopember, Surabaya. [4] Cameron, dan Trivedi (1998). Regression Analysis of Count Data. Cambridge University Press, Cambridge. [5] Myers, R. H. (1990). Classicaland Modern Regression with Applications, second edition. PWS-KENT Publishing Company, Boston. [6] McCullagh, P., dan Nelder, J. A. (1983). Generalized Linier Models Chapmann and Hall, London. [7] Bozdogan, H. (2000). Akaike's Information Criterion and Recent Developments in Infor-mation Complexity, Mathematical Psychology, 44, hal [8] Cameron, dan Trivedi (1998). Regression Analysis of Count Data. Cambridge University Press, Cambridge. [9] Draper, N. R., dan Smith, H. (1992). Analisis Regresi Terapan. PT Gramedia Pustaka Utama, Jakarta. [10] Hocking, R. (1996). Methods and Application of Linear Mo2. dels. John Wiley & Sons, Inc, New York. [11] Dinas Kesehatan Bojonegoro. (2011). Profil Kesehatan Kabupaten Bojonegoro. Pemerintah Kabupaten Bojonegoro, Bojonegoro.
Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan
VIF Distribusi Poisson Regresi Poisson Kematian Bayi Kematian Ibu Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan 1 Pendaharan terberat pada masa nifas
Lebih 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 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 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 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 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 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 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 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 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 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 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 terperinciJURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print)
Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Tetanus Neonatorum (TN) di Jawa Timur dengan Metode Regresi Zero- Inflated Generalized Poisson (ZIGP) D-116 Siska Puji Lestari dan Sri Pingit Wulandari
Lebih 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 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 terperinciJurnal Matematika Vol. 2 No. 2, Desember ISSN :
Jurnal Matematika Vol. 2 No. 2, Desember 2012. ISSN : 1693-1394 Perbandingan Analisis Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif Untuk Mengatasi Overdispersi Studi Kasus: Pemodelan
Lebih 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 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 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 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 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 terperinciAPLIKASI MODEL REGRESI POISSON TERGENERALISASI PADA KASUS ANGKA KEMATIAN BAYI DI JAWA TENGAH TAHUN 2007
APLIKASI MODEL REGRESI POISSON TERGENERALISASI PADA KASUS ANGKA KEMATIAN BAYI DI JAWA TENGAH TAHUN 2007 SKRIPSI Oleh: Nurwihda Safrida Umami NIM : J2E006025 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih 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 terperinciPemodelan Jumlah Kematian Ibu di Jawa Timur dengan Geographically Weighted Negative Binomial Regression (GWNBR)
JURNAL SAINS DAN SENI POMITS Vol. 3, No., (014) ISSN: 337-3539 (301-971 Print) D-18 Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Geographically Weighted Negative Binomial Regression (GWNBR) Eriska
Lebih 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 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 terperinciPemodelan Jumlah Kasus Hiv dan Aids di Kota Surabaya Menggunakan Bivariate Generalized Poisson Regression
JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 337-3 (3-98X Print) D-98 Pemodelan Jumlah Kasus Hiv dan Aids di Kota Surabaya Menggunakan Bivariate Generalized Poisson Regression Suprianto Simanuntak,
Lebih terperinciPEMODELAN ANGKA PUTUS SEKOLAH BAGI ANAK USIA WAJIB BELAJAR DI JAWA TIMUR DENGAN PENDEKATAN GENERALIZED POISSON REGRESSION
PEMODELAN ANGKA PUTUS SEKOLAH BAGI ANAK USIA WAJIB BELAJAR DI JAWA TIMUR DENGAN PENDEKATAN GENERALIZED POISSON REGRESSION 1 Tanty Citrasari Wijayanti (1307100024) 2 Setiawan (19601030 198701 1 001) 1 Mahasiswa
Lebih 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 terperinciE-Jurnal Matematika Vol. 2, No.2, Mei 2013, ISSN:
E-Jurnal Matematika Vol., No., Mei 013, 37-41 ISSN: 303-1751 PENERAPAN REGRESI QUASI-LIKELIHOOD PADA DATA CACAH (COUNT DATA) YANG MENGALAMI OVERDISPERSI DALAM REGRESI POISSON (Studi Kasus: Jumlah Kasus
Lebih terperinciPENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON
E-Jurnal Matematika Vol., No., Mei 013, 49-53 ISSN: 303-1751 PENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON I PUTU YUDANTA EKA PUTRA 1, I PUTU EKA
Lebih 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 terperinciDosen Pembimbing : Dr. Purhadi, M.Sc
Citra Fatimah Nur / 1306 100 065 Dosen Pembimbing : Dr. Purhadi, M.Sc Outline 1 PENDAHULUAN TINJAUAN PUSTAKA 3 METODOLOGI PENELITIAN 4 ANALISIS DAN PEMBAHASAN 5 KESIMPULAN Latar Belakang 1960-1970 1970-1980
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar belakang
BAB I PENDAHULUAN 1.1 Latar belakang Analisis regresi merupakan salah satu metode statistika yang digunakan untuk mengetahui hubungan antara variabel Y(variabel dependen, respon, tak bebas, outcome) dengan
Lebih terperinci(R.5) Pemodelan Regresi Poisson Terboboti Geografis Pada Kasus Gizi. buruk di Jawa Timur.
(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
Lebih terperinciE-Jurnal Matematika Vol. 2, No.3, Agustus 2013, ISSN:
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 23-28 ISSN: 2303-1751 PENERAPAN REGRESI ZERO INFLATED POISSON UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON (Studi Kasus: Ketidaklulusan Siswa SMA/MA
Lebih terperinci(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 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 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi
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 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 terperinciJURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: ( X Print) D-108
JURNAL SAINS DAN SENI IS Vol. 6, No., (7 ISSN: 337-3 (3-98X Print D-8 Analisis Faktor-Faktor yang Berpengaruh erhadap Jumlah Kematian Ibu dan Jumlah Kematian Bayi di Provinsi Jawa engah dengan Bivariate
Lebih 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 terperinciPerbandingan Analisis Generalized Poisson Regression
1 Perbandingan Analisis Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif (Studi Kasus: Pemodelan Jumlah Penderita Kusta di Jawa Timur Tahun 2012 Sari Putri (1) dan Wiwiek Setya Winahju
Lebih 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 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 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 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 terperinciPENERAPAN HURDLE NEGATIVE BINOMIAL PADA DATA TERSENSOR
PENERAPAN HURDLE NEGATIVE BINOMIAL PADA DATA TERSENSOR SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 215 S-5 Penerapan Hurdle Negative Binomial pada Data Tersensor Resa Septiani Pontoh, Defi
Lebih 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Sebelum melakukan pembahasan mengenai permasalahan dari skripsi ini, akan diuraikan beberapa teori penunjang antara lain: Kredit Macet, Regresi Logistik, Model Terbaik
Lebih 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 terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA PENDERITA GIZI BURUK PADA BALITA DI PAPUA TAHUN 2015 DENGAN METODE REGRESI ZERO INFLATED POISSON (ZIP)
Jurnal LOG!K@, Jilid 7, No. 1, 2017, Hal. 1-14 ISSN 1978 8568 FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA PENDERITA GIZI BURUK PADA BALITA DI PAPUA TAHUN 2015 DENGAN METODE REGRESI ZERO INFLATED POISSON (ZIP)
Lebih 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 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 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 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 terperinciPemodelan Spline Truncated dalam Regresi Nonparametrik Birespon
Konferensi Nasional Sistem & Informatika 7 STMIK STIKOM Bali, Agustus 7 Pemodelan Spline Truncated dalam Regresi Nonparametrik Birespon Luh Putu Safitri Pratiwi Program Studi Sistem Informasi STMIK STIKOM
Lebih terperinci(M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT
Univeitas Padjadjaran, 3 November 00 (M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT Vita Ratnasari, Purhadi, Ismaini, Suhartono Mahasiswa S3 Jurusan Statistika
Lebih 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 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 terperinciBAB I PENDAHULUAN. Tingkat kesejahteraan suatu negara salah satunya dapat dilihat dari tingkat
BAB I PENDAHULUAN 1.1 Latar Belakang Tingkat kesejahteraan suatu negara salah satunya dapat dilihat dari tingkat kesehatan masyarakat atau derajat kesehatannya. Indikator kesehatan suatu negara dapat dilihat
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 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 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 terperinciPenaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar
Vol.14, No. 2, 159-165, Januari 2018 Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Sutrianah Burhan 1, Andi Kresna Jaya 1
Lebih terperinciSEMINAR TUGAS AKHIR. Oleh : Arief Yudissanta ( ) Pembimbing : Dra. Madu Ratna, M.Si
Oleh : Arief Yudissanta (1310 105 018) Pembimbing : Dra. Madu Ratna, M.Si Analisis Pemakaian Kemoterapi Pada Kasus Kanker Payudara dengan Menggunakan Metode Regresi Logistik Multinomial (Studi Kasus Pasien
Lebih terperinciANALISIS REGRESI LOGISTIK ORDINAL PADA FAKTOR-FAKTOR BERPENGARUH TERHADAP PENYAKIT MATA KATARAK BAGI PASIEN PENDERITA DI KLINIK MATA UTAMA GRESIK
LAPORAN TUGAS AKHIR ANALISIS REGRESI LOGISTIK ORDINAL PADA FAKTOR-FAKTOR BERPENGARUH TERHADAP PENYAKIT MATA KATARAK BAGI PASIEN PENDERITA DI KLINIK MATA UTAMA GRESIK Latar Belakang Katarak Indonesia Klinik
Lebih terperinciPENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-285
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) 2337-3520 (2301-928X Print) D-285 Analisis Faktor-Faktor Risiko yang Mempengaruhi Jumlah Kasus Malaria di Jawa Timur Tahun 2013 dengan Geographically Weighted
Lebih terperinciAnalisis Faktor-Faktor yang Mempengaruhi Anggaran Pembelian Barang Tahan Lama Rumah Tangga di Jawa Timur dengan Menggunakan Regresi Tobit
Analisis Faktor-Faktor yang Mempengaruhi Anggaran Pembelian Barang Tahan Lama Rumah Tangga di Jawa Timur dengan Menggunakan Regresi Tobit Nama : Margareth G. Shari NRP : 1307 100 026 JURUSAN STATISTIKA
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 terperinciIII. METODE PENELITIAN. Penelitian ini menggunakan data time series tahunan Data
40 III. METODE PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunakan data time series tahunan 2002-2012. Data sekunder tersebut bersumber dari Badan Pusat Statistik (BPS) Lampung. Adapun data
Lebih terperinciIII. METODE PENELITIAN. Ruang lingkup penelitian ini bertujuan untuk menganalisis pengaruh Upah
63 III. METODE PENELITIAN A. Ruang Lingkup Penelitian Ruang lingkup penelitian ini bertujuan untuk menganalisis pengaruh Upah Minimum Provinsi (UMP) dan Belanja Barang dan Jasa (BBJ) terhadap pembangunan
Lebih terperinciPENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO 2 dan Gross Nation Product di Malaysia, Bhutan, dan Nepal)
PENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO dan Gross Nation Product di Malaysia, Bhutan, dan Nepal) Yanti I 1, Islamiyati A, Raupong 3 Abstrak Regresi geometrik
Lebih 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 Regresi Probit Ordinal Pada Kasus Penentuan Predikat Kelulusan Mahasiswa FMIPA Universitas Mulawarman Tahun 2014
Prosiding Seminar Sains dan Teknologi FMIPA Unmul Pemodelan Regresi Probit Ordinal Pada Kasus Penentuan Predikat Kelulusan Mahasiswa FMIPA Universitas Mulawarman Tahun 2014 Dewi Andriani 1, Sri Wahyuningsih
Lebih terperinciPenerapan Hurdle Negative Binomial pada Data Tersensor
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 Penerapan Hurdle Negative Binomial pada Data Tersensor S - 5 Resa Septiani Pontoh, Defi Yusti Faidah. Departemen Statistika FMIPA Universitas
Lebih terperinciEstimasi Parameter Model Generalized Poisson Regression Jumlah Kematian Ibu di Jawa Timur yang Mengalami Overdispersi
Estimasi Parameter Model Generalized Poisson Regression Jumlah Kematian Ibu di Jawa Timur yang Mengalami Overdispersi Ika Ramadhan Wulandari, Soenarnatalina Melaniani Departemen Biostatistika dan Kependudukan
Lebih terperinciREGRESI LINIER BERGANDA
REGRESI LINIER BERGANDA 1. PENDAHULUAN Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal
Lebih terperinciIDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK
IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK Mohamad Jajuli Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciBAB IV METODE PENELITIAN. dilakukan secara sengaja (purposive) melihat bahwa propinsi Jawa Barat
4.1. Waktu dan Tempat Penelitian BAB IV METODE PENELITIAN Penelitian dilakukan dalam lingkup wilayah Jawa Barat. Pemilihan lokasi dilakukan secara sengaja (purposive) melihat bahwa propinsi Jawa Barat
Lebih terperinciESTIMASI PARAMETER REGRESI LOGISTIK BINER DENGAN METODE PARTIAL LEAST SQUARES
ESTIMASI PARAMETER REGRESI LOGISTIK BINER DENGAN METODE PARTIAL LEAST SQUARES Selpadina Indriyani 1, Raupong 2, Anisa 3 1 Mahasiswa Program Studi Statistika FMIPA Universitas Hasanuddin 2,3 Dosen Program
Lebih terperinciModel Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur M.Fariz Fadillah Mardianto,
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS KESEHATAN KABUPATEN DAN KOTA DI PROVINSI JAWA TIMUR
FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS KESEHATAN KABUPATEN DAN KOTA DI PROVINSI JAWA TIMUR Oleh AUDDIE VIENEZA M. NRP 1310030043 DOSEN PEMBIMBING Dr. Vita Ratnasari,M.Si DOSEN PENGUJI Dr. Dra. Ismaini
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 terperinci1. PENDAHULUAN PADA PRODUKSI JAGUNG DI JAWA TENGAH
MODEL REGRESI ROBUST ESTIMASI DENGAN PEMBOBOT FAIR PADA PRODUKSI JAGUNG DI JAWA TENGAH Oktaviana Wulandari, Yuliana Susanti, dan Sri Sulistijowati Handajani Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciPendekatan Flexibly Shaped Spatial Scan Statistic untuk Deteksi Wilayah Kantong Penyakit DBD Melalui Pemodelan Regresi.
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) 337-350 (301-98X Print) D-0 Pendekatan Flexibly Shaped Spatial Scan Statistic untuk Deteksi Wilayah Kantong Penyakit DBD Melalui Pemodelan Regresi Binomial
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 terperinciBAB III METODE PENELITIAN. Penelitian Penelitian ini dilakukan di Bursa Efek Indonesia (BEI) untuk
BAB III METODE PENELITIAN 3.1 Lokasi Penelitian Penelitian Penelitian ini dilakukan di Bursa Efek Indonesia (BEI) untuk periode 4 tahun yaitu mulai tahun periode 2009-2012. Dipilihnya BEI sebagai tempat
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 V KESIMPULAN DAN SARAN
5 BAB V KESIMPULAN DAN SARAN 5. Kesimpulan Berdasarkan hasil analisis sebelumnya, dapat ditarik kesimpulan bahwa :. Model regresi yang mampu menjelaskan hubungan antara angka kematian bayi di Jawa Timur
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 IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Gambaran Umum Objek Penelitian Objek dalam penelitian ini adalah perusahaan manufaktur disektor 5 (consumer goods industry) periode 2008-2010. Berikut ini peneliti
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
J u r n a l E K B I S / V o l. V I / N o. / e d i s i M a r e t 2 0 2 379 ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
Lebih terperinciX 3 : Flow Top (Aliran Atas) (lt/min) X 4 : Speed (Kecepatan) (m/min)
Periode Maret 06, Samarinda, Indonesia ISBN: 978-60-7658--3 Pemilihan Model Regresi Linier Multivariat Terbaik Dengan Kriteria Mean Square Error Dan Akaike s Information Criterion Edriani Lestari, Rito
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 terperinciSEMINAR TUGAS AKHIR 16 JANUARI Penyaji : I Dewa Ayu Made Istri Wulandari Pembimbing : Prof.Dr.Drs. I Nyoman Budiantara, M.
16 JANUARI ANALISIS FAKTOR FAKTOR YANG MEMPENGARUHI PENDUDUK MISKIN DAN PENGELUARAN PERKAPITA MAKANAN DI JAWA TIMUR DENGAN METODE REGRESI NONPARAMETRIK BIRESPON SPLINE Penyaji : I Dewa Ayu Made Istri Wulandari
Lebih terperinci