PUSPA DEWI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

Ukuran: px
Mulai penontonan dengan halaman:

Download "PUSPA DEWI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR"

Transkripsi

1 KAJIAN OVERDISPERSI PADA REGRESI POISSON DENGAN MENGGUNAKAN REGRESI BINOMIAL NEGATIF (Studi Kasus Ketidaklulusan Siswa SMA dalam Ujian Nasional di DKI Jakarta) RANI PUSPA DEWI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2008

2 Karya ini ku persembahkan untuk... Orang tuaku.. Teman-temanku: Meta, Mala, Yusri, Ika, Agustina, Ufi, Neng, Sevrien. Thx for our friendship,,hope we will be friends forever... Teman-teman STK 41 : Tjipto, Efril, Dhika, Zul, Nikhen, Rere, Chery, Rangga, Leisha, Amey, Wiwik, Lia, Fisca, Mbay, Irene, Inal, Kus dan teman-teman lainnya yang tidak dapat di sebutkan satu per satu. Senang bisa bertemu kalian dan menjadi bagian dari kalian semua...

3 RINGKASAN RANI PUSPA DEWI. Kajian Overdispersi pada Regresi Poisson dengan Menggunakan Regresi Binomial Negatif (Studi Kasus Ketidaklulusan Siswa SMA dalam Ujian Nasional di DKI Jakarta). Dibimbing oleh AGUS M. SOLEH dan FARIT MOCHAMMAD AFENDI. Model Regresi Poisson secara umum digunakan untuk menganalisis data cacah (count data) di mana rata-rata dan ragamnya harus sama. Namun kondisi ini jarang sekali ditemukan sehingga seringkali terjadi masalah overdispersi pada data. Salah satu model yang dapat mengakomodir masalah ini adalah Regresi Binomial Negatif. Kajian yang digunakan dalam penelitian ini adalah mengetahui pengaruh faktor eksternal terhadap ketidaklulusan siswa SMA dalam Ujian Nasional (UN) di DKI Jakarta. Pendidikan merupakan salah satu faktor penting yang berperan dalam upaya peningkatan kesejahteraan rakyat dan pembentukan sumber daya manusia yang berkualitas. Ujian Nasional merupakan salah satu isu pendidikan yang sering menimbulkan kontroversi dikalangan siswa, dimulai ketika tahun 2003 dimana terjadi perubahan sistem pendidikan di Indonesia dengan adanya pemberlakuan standar nilai kelulusan. siswa yang tidak lulus UN diasumsikan menyebar mengikuti sebaran Poisson, sehingga untuk mengetahui pengaruh faktor eksternal dapat digunakan Regresi Poisson. siswa yang tidak lulus UN menunjukkan terjadi overdispersi, sehingga pemodelan yang tepat adalah menggunakan Regresi Binomial Negatif. Hasil analisis menunjukkan bahwa faktor eksternal yang berpengaruh terhadap jumlah siswa tidak lulus UN adalah akreditasi SMA, jumlah ruang kelas dengan kondisi baik, jumlah laboratorium komputer, jumlah laboratorium IPS, jumlah perpustakaan dan jumlah guru. Model Regresi Binomial Negatif memenuhi kriteria kebaikan model daripada model Regresi Poisson dalam masalah overdispersi, sehingga dapat disimpulkan Regresi Binomial Negatif merupakan salah satu solusi yang dapat digunakan untuk mengatasi permasalahan overdispersi. Kata kunci : Ujian Nasional, Regresi Poisson, Regresi Binomial Negatif, overdispersi

4 KAJIAN OVERDISPERSI PADA REGRESI POISSON DENGAN MENGGUNAKAN REGRESI BINOMIAL NEGATIF (Studi Kasus Ketidaklulusan Siswa SMA dalam Ujian Nasional di DKI Jakarta) RANI PUSPA DEWI Skripsi Sebagai Salah satu syarat untuk meperoleh gelar Sarjana Sains Pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2008

5 Judul Skripsi : KAJIAN OVERDISPERSI PADA REGRESI POISSON DENGAN MENGGUNAKAN REGRESI BINOMIAL NEGATIF (Studi Kasus Ketidaklulusan Siswa SMA dalam Ujian Nasional di DKI Jakarta) Nama : Rani Puspa Dewi NRP : G Menyetujui: Pembimbing I, Pembimbing II, Agus M. Soleh, S.Si, M.T. Farit Mochamad Afendi, M.Si NIP NIP Mengetahui: Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Dr. Drh. Hasim, DEA NIP Tanggal Lulus:

6 RIWAYAT HIDUP Penulis dilahirkan di Jakarta tanggal 23 Desember 1986 sebagai anak pertama dari pasangan Bambang Sudjati dan Linda Syarifah. Pendidikan dasar diselesaikan penulis di SD Waskito 4 pada tahun 1998, dilanjutkan dengan pendidikan menengah pertama di SLTP Negeri 2 Pamulang dan lulus pada tahun Tahun 2004 penulis menyelesaikan pendidikan menengah atas di SMA Negeri 1 Pamulang dan pada tahun yang sama diterima sebagai mahasiswa di Departemen Statistika Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI). Selama perkuliahan penulis aktif berorganisasi sebagai Anggota Departemen Olahraga dan Seni Himpunan Profesi Gamma Sigma Beta tahun 2006 dan anggota Divisi Data Analysis Decision Centre. Selain itu, penulis juga aktif mengikuti beberapa kegiatan kepanitiaan seperti Statistika Ria 2005, Statistika Ria 2006, Studium General dan Software Training 2006 serta Pesta Sains Nasional Penulis juga pernah menjadi asisten responsi untuk mata kuliah Metode Statistika pada tahun Pada bulan Februari-Maret 2008 penulis diberi kesempatan untuk melaksanakan kegiatan praktik lapang pada Strategic Planning Departement di Hotline Advertising.

7 KATA PENGANTAR Alhamdulillahi robbil alamin, puji dan syukur penulis panjatkan kehadirat Allah SWT atas limpahan nikmat dan karunia-nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Tak lupa shalawat serta salam penulis panjatkan kepada Rasulullah Muhammad SAW beserta keluarga, sahabat dan umatnya. Karya ilmiah ini berjudul Kajian Overdispersi pada Regresi Poisson dengan Menggunakan Regresi Binomial Negatif (Studi Kasus Ketidaklulusan Siswa SMA dalam Ujian Nasional di DKI Jakarta). Karya ilmiah ini memuat kajian mengenai pemodelan Regresi Poisson dan Regresi Binomial Negatif untuk mengetahui faktor eksternal yang berpengaruh terhadap ketidaklulusan siswa SMA dalam Ujian Nasional di DKI Jakarta yang dapat memberikan manfaat kepada penulis khususnya dan kepada semua pihak pada umumnya. Terima kasih penulis ucapkan kepda semua pihak yang telah membantu dalam penyusunan karya ilmiah ini, antara lain : 1. Bapak Agus M. Soleh S.Si, M.T. dan Bapak Farit Mochammad Afendi M.Si atas bimbingannya selama menyelesaikan karya ilmiah ini. 2. Bapak Daryono, Ibu Eli dan pihak DIKMENTI Propinsi DKI Jakarta atas bantuannya kepada penulis memperoleh data untuk karya ilmiah ini. 3. Efril dan Cheria sebagai teman seperjuangan dan atas bantuannya dalam entry data. 4. Mas Supri dan Adi atas softcopy skripsinya dan waktu sharing-nya tentang materi penelitian ini. 5. Wiwik, Lia dan Doddy yang telah bersedia menjadi pembahas dalam seminar. 6. Keluarga khususnya kedua orang tuaku dan adikku Vina atas doa, kasih sayang dan dukungannya yang mendorong penulis untuk memberikan yang terbaik. 7. Semua pihak yang tidak dapat disebutkan satu per satu yang telah membantu penulis selama menyelesaikan karya ilmiah ini. Bogor, September 2008 Rani Puspa Dewi

8 DAFTAR ISI Halaman DAFTAR TABEL... vii DAFTAR GAMBAR... vii DAFTAR LAMPIRAN... vii PENDAHULUAN Latar Belakang... 1 Tujuan... 1 TINJAUAN PUSTAKA Generalized Linear Model... 1 Regresi Poisson... 1 Overdispersi Pada Regresi Poisson... 1 Regresi Binomial Negatif... 2 Goodness of Fits Tests... 2 BAHAN DAN METODE Bahan... 2 Metode... 2 HASIL DAN PEMBAHASAN Deskripsi Data... 3 Model Regresi Poisson dan Regresi Binomial Negatif... 5 Goodness of Fits Model... 6 SIMPULAN DAN SARAN Simpulan... 6 Saran... 7 DAFTAR PUSTAKA... 7 LAMPIRAN... 8

9 DAFTAR TABEL Halaman 1. Peubah penjelas untuk membangun model SMA negeri dan swasta berdasarkan rayon wilayah Nilai rata-rata karakteristik SMA Deskripsi peubah penjelas Hasil uji overdispersi tahun ajaran 2005/2006 dan 2006/ Persamaan Regresi Poisson tahun ajaran 2005/2006 dan 2006/ Persamaan Regresi Binomial Negatif tahun ajaran 2005/2006 dan 2006/ Goodness of fits statistics model Regresi Poisson dan Regresi Binomial Negatif tahun ajaran 2005/ Goodness of fits statistics model Regresi Poisson dan Regresi Binomial Negatif tahun ajaran 2006/ DAFTAR GAMBAR Halaman 1. Diagram alur analisis Persentase jumlah siswa tidak lulus UN Grafik distribusi jumlah siswa tidak lulus UN tiap rayon wilayah di DKI Jakarta... 4 DAFTAR LAMPIRAN Halaman 1. Hasil uji parameter model Regresi Poisson masing-masing tahun ajaran 1.1 Hasil uji parameter model Regresi Poisson tahun ajaran 2005/ Hasil uji parameter model Regresi Poisson tahun ajaran 2006/ Hasil uji parameter model Regresi Binomial Negatif masing-masing tahun ajaran 2.1 Hasil uji parameter model Regresi Binomial Negatif tahun ajaran 2005/ Hasil uji parameter model Regresi Binomial Negatif tahun ajaran 2006/

10 1 PENDAHULUAN Latar Belakang Model Regresi Poisson secara umum telah banyak digunakan untuk menganalisis data cacah di mana rata-rata dan ragamnya sama. Akan tetapi kondisi ini jarang sekali ditemukan pada data, sehingga seringkali ditemukan keragaman data lebih besar daripada rata-ratanya. Fenomena seperti ini disebut overdispersi. Kajian yang digunakan dalam penelitian ini adalah mengetahui pengaruh faktor eksternal terhadap ketidaklulusan siswa SMA dalam Ujian Nasional (UN) di DKI Jakarta. UN merupakan salah satu isu pendidikan yang sering menimbulkan kontroversi dikalangan siswa. Hal ini bermula pada tahun 2003 ketika pemerintah mengubah Evaluasi Belajar Tahap Akhir Nasional (EBTANAS) menjadi UN. Perubahan ini ditujukan agar sumber daya yang dihasilkan lebih berkualitas yaitu dengan memberlakukan standar nilai kelulusan. siswa SMA yang tidak lulus UN dapat dikatakan masih cukup tinggi. Sementara itu diketahui bahwa tingkat pendidikan penduduk berkorelasi positif dengan status ekonomi, derajat kesehatan dan laju pertumbuhan penduduk (Depdiknas dalam Wulansari 2008). Hasil penelitian Wulansari (2008) menyatakan secara statistik jumlah siswa yang tidak lulus UN dapat diasumsikan berdistribusi Poisson karena kejadian tersebut jarang terjadi dalam ruang sampel yang besar, sehingga hubungan antara jumlah siswa yang tidak lulus UN dengan faktor-faktor yang berpengaruh dapat diketahui melalui Regresi Poisson. Tujuan Tujuan dari penelitian ini adalah mengetahui faktor-faktor eksternal yang mempengaruhi ketidaklulusan siswa SMA dalam UN di DKI Jakarta untuk tahun ajaran 2005/2006 dan 2006/2007. TINJAUAN PUSTAKA Generalized Linear Model Generalized Linear Model (GLM) merupakan perluasan dari model regresi umum untuk respon berdistribusi dalam keluarga eksponensial dan modelnya merupakan fungsi dari nilai harapannya. Agresti (2002) menyatakan ada tiga komponen dalam GLM yaitu: Random component (komponen acak) yang ditunjukkan dengan peubah respon Y dan peluang distribusinya. Systematic component (komponen sistematik) yang ditunjukkan dengan peubah penjelas yang digunakan. Link function ditunjukkan dengan fungsi nilai harapannya sama dengan systematic component. Regresi Poisson Regresi Poisson termasuk ke dalam GLM dan merupakan salah satu bentuk analisis regresi yang digunakan untuk model data cacah (count data) dan data dalam bentuk tabel kontingensi. Model Regresi Poisson kadang dikenal dengan log-linear model, terutama ketika digunakan untuk model tabel kontingensi. Model Regresi Poisson dengan peubah penjelas X dapat dituliskan sebagai berikut (Agresti, 2002) : Log = + x Fungsi peluang sebaran Poisson adalah: y e f ( y; ) y=0,1,2,... y! dengan asumsi E(Y)= Var(Y)=. Fungsi penghubung kanonik (cannonical link function) untuk Regresi Poisson yaitu: g( ) log( ) ( X ' ) Pendugaan parameter koefisien Regresi Poisson dapat diduga dengan menggunakan Maximum Likelihood Estimation (MLE) melalui iterasi dengan metode Newton Raphson untuk memaksimumkan fungsi loglikelihoodnya L(y,, ). Overdispersi pada Regresi Poisson Data cacah untuk Regresi Poisson dikatakan mengandung overdispersi apabila keragamannya lebih besar dari nilai tengahnya. Jika pada data cacah terjadi overdispersi namun tetap digunakan Regresi Poisson, maka 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 (McCullagh & Nelder, 1983) dapat dituliskan: Var(Y) > E(Y)

11 2 Overdispersi dapat diindikasikan dengan nilai dispersi Pearson Chi-square dan Deviance yang dibagi dengan derajat bebasnya. Jika kedua nilai ini lebih besar dari 1 maka dikatakan terjadi overdispersi pada data. Overdispersi dapat pula terjadi karena adanya pengamatan missing pada peubah penjelas, adanya pencilan pada data, perlunya interaksi dalam model, peubah penjelas perlu ditransformasi atau kesalahan spesifikasi link function (Hardin & Hilbe, 2007). Regresi Binomial Negatif Regresi Binomial Negatif merupakan salah satu solusi untuk mengatasi masalah overdispersi pada data cacah yang didasarkan pada model campuran Poisson-Gamma (Hardin & Hilbe, 2007). Fungsi peluang Binomial Negatif adalah sebagai berikut: k y ( y k) k k f ( y, k, ) 1 ( k) ( y 1) k k y=0,1,2,... di mana k dan adalah parameter dengan E(Y)= dan Var(Y)= + 2 /k ; k -1 disebut parameter dispersi. Goodness Of Fit Tests Ismail dan Jemain (2007) menyatakan bahwa goodness of fits model Regresi Poisson dan Regresi Binomial Negatif dapat dilihat dari nilai Pearson Chi-squares, Deviance, AIC (Akaike Information Criterion), BSC (Bayesian Schwartz Information Criterion) dan nilai Likelihood Ratio statistics. Nilai Pearson Chi-squares dan Deviance yang lebih mendekati derajat bebasnya menunjukkan model yang lebih baik. Sedangkan nilai AIC dan BSC yang lebih kecil menujukkan model yang lebih baik dan untuk nilai Likelihood Ratio Statistics yang menunjukkan Tolak H 0 berarti model tersebut yang lebih baik, karena mengindikasikan adanya overdispersi pada data. Famoye, Wulu & Singh (2004) menyatakan untuk goodness of fits dapat pula digunakan nilai log-likelihood di mana model dengan nilai log-likelihood yang lebih besar menunjukkan model yang lebih baik. BAHAN DAN METODE Bahan Data yang digunakan dalam penelitian ini adalah data sekunder jumlah kelulusan siswa tiap SMA di DKI Jakarta yang diperoleh dari Dinas Pendidikan Menengah dan Tinggi (DIKMENTI) Propinsi DKI Jakarta. Peubah respon yang diamati adalah jumlah siswa yang tidak lulus UN tahun ajaran dan Peubah penjelas yang digunakan berupa data karakteristik SMA tahun ajaran 2007/2008 disajikan pada Tabel 1. Pada penelitian ini untuk membangun model dimasukkan pula peubah offset, yaitu suatu peubah penjelas yang dimasukkan ke dalam model namun nilai koefisiennya tidak diestimasi tapi diasumsikan nilainya sama dengan 1 dan biasanya nilainya bervariasi dari satu observasi ke observasi lain. Peubah yang digunakan sebagai peubah offset adalah jumlah peserta UN. Metode Tahapan metode yang dilakukan dalam penelitian ini disajikan pada Gambar 1. Secara lengkap langkah-langkah yang dilakukan adalah sebagai berikut : 1. Analisis statistika deskriptif jumlah siswa tidak lulus UN per rayon wilayah. 2. Deskripsi peubah penjelas untuk mendapatkan karakteristik SMA pada masing-masing tahun ajaran. 3. Pendeteksian overdispersi pada data dengan melihat nilai Pearson Chi-squares dan Deviance yang dibagi dengan derajat bebasnya. 4. Melakukan analisis Regresi Poisson dan Regresi Binomial Negatif untuk mengetahui faktor-faktor eksternal yang berpengaruh terhadap jumlah siswa yang tidak lulus UN. 5. Interpretasi model Regresi Poisson dan Regresi Binomial Negatif. 6. Identifikasi kebaikan model Regresi Poisson dan Regresi Binomial Negatif dengan melihat nilai AIC, BSC, Pearson Chi-squares, Deviance, Likelihood ratio statistics dan log-likelihood dalam permasalahan overdispersi. Software yang digunakan dalam penelitian ini adalah Microsoft Excel 2007, SPSS 15, Stata 10 dan SAS 9.1.

12 3 Tabel 1. Peubah penjelas untuk membangun model Peubah Penjelas Simbol Kategori peserta UN Peubah offset Status SMA X1 Negeri=1, Swasta=2 Akreditasi SMA X2 A=1, B=2, C=3 Rata-rata jumlah X3 siswa per kelas ruang kelas dengan X4 kondisi baik ruang kelas dengan kondisi rusak X5 ringan ruang kelas dengan kondisi rusak X6 berat ruang X7 kelas bukan milik X8 laboratorium IPA laboratorium X9 bahasa laboratorium X10 komputer X11 laboratorium IPS X12 perpustakaan guru X13 Data siswa tidak lulus (Y) 13 Peubah penjelas (X1,,X13) HASIL DAN PEMBAHASAN Deskripsi Data Banyaknya SMA di DKI Jakarta terhitung sebanyak 497 sekolah yang terdiri dari 116 SMA negeri dan 381 SMA swasta dengan distribusi jumlah SMA pada masing-masing rayon wilayah dapat dilihat pada Tabel 2. Persentase jumlah siswa yang tidak lulus UN untuk tahun ajaran 2005/2006 tercatat sebesar 5.61% lebih besar dibandingkan tahun ajaran 2006/2007 yang hanya sebesar 3.67% (Gambar 2). Tabel 2. SMA negeri dan swasta berdasarkan rayon wilayah Rayon Wilayah Negeri Swasta Jakarta Barat Jakarta Pusat Jakarta Selatan Jakarta Timur Jakarta Utara Kepulauan Seribu Persentase Siswa Tidak Lulus 6% 5% 4% 3% 2% 1% 0% 5.61% 3.76% 2005/ /2007 Gambar 2. Persentase jumlah siswa tidak lulus UN Analisis Regresi Poisson Deskripsi data Deteksi Overdispersi Analisis Regresi Binomial Negatif Distribusi jumlah siswa tidak lulus UN tahun ajaran 2005/2006 dan 2006/2007 untuk tiap rayon wilayah di DKI Jakarta memperlihatkan jumlah siswa tidak lulus terbesar terjadi pada tahun ajaran 2005/2006 (Gambar 3). Ketidaklulusan tertinggi terjadi pada rayon Jakarta Pusat untuk tahun ajaran 2005/2006, sedangkan untuk tahun ajaran 2006/2007 ketidaklulusan tertinggi terjadi pada rayon Jakarta Timur. Gambar 1. Diagram alur analisis

13 4 Ju m la h S isw a T id a k L u lu s / /2007 jumlah ruang kelas dengan kondisi baik, jumlah ruang kelas dengan kondisi rusak ringan, jumlah ruang kelas dengan kondisi rusak berat, jumlah ruang kelas bukan milik, jumlah laboratorium IPA, jumlah laboratorium bahasa, jumlah laboratorium komputer, jumlah laboratorium IPS, jumlah perpustakaan dan jumlah guru hampir sama dengan tahun ajaran 2005/2006. Rayon Wilayah Gambar 3. Grafik distribusi jumlah siswa tidak lulus UN tiap rayon wilayah di DKI Jakarta Karakteristik untuk masing-masing tahun ajaran berdasarkan peubah penjelas secara lengkap dapat dilihat pada Tabel 3 dan Tabel 4. Tahun ajaran 2005/2006 Karakteristik tahun ajaran 2005/2006 menunjukkan bahwa rata-rata jumlah siswa tidak lulus UN lebih tinggi daripada tahun ajaran 2006/2007. Kebanyakan SMA negeri pada tahun ajaran ini terakreditasi A, hanya satu yang terkreditasi B dan tidak ada SMA negeri yang terakreditasi C. Sedangkan untuk SMA swasta banyaknya SMA terakreditasi A dan B tidak berbeda jauh dan hanya 16 SMA swasta yang terakreditasi C. Rata-rata Log dari jumlah peserta UN lebih besar dibandingkan tahun ajaran 2006/2007. Rata-rata jumlah siswa per kelas, jumlah ruang kelas dengan kondisi baik, jumlah ruang kelas dengan kondisi rusak ringan, jumlah ruang kelas dengan kondisi rusak berat, jumlah ruang kelas bukan milik, jumlah laboratorium IPA, jumlah laboratorium bahasa, jumlah laboratorium komputer, jumlah laboratorium IPS, jumlah perpustakaan dan jumlah guru hampir sama dengan tahun ajaran 2006/2007. Tahun Ajaran 2006/2007 Karakteristik pada tahun ajaran 2006/2007 menunjukkan bahwa jumlah siswa tidak lulus UN lebih rendah daripada tahun ajaran 2005/2006. Seluruh SMA negeri pada tahun ajaran ini terakreditasi A, sedangkan banyaknya SMA swasta yang terkreditasi A, B dan C tidak jauh berbeda dengan tahun ajaran 2005/2006. Rata-rata Log dari jumlah peserta UN lebih kecil dibanding tahun ajaran 2005/2006. Rata-rata jumlah siswa per kelas, Tabel 3. Nilai rata-rata karakteristik SMA Karakteristik Rata-rata SMA 2005/ /2007 siswa tidak lulus Rata-rata jumlah siswa per kelas ruang kelas dengan kondisi baik ruang ringan kelas dengan kondisi rusak ruang berat kelas dengan kondisi rusak ruang kelas bukan milik laboratorium IPA laboratorium Bahasa laboratorium Komputer laboratorium IPS perpustakaan guru Peserta (Offset)

14 5 Tabel 4. Deskripsi peubah penjelas Tahu Akr n Status Juml edit Ajara SMA ah asi n 2005/ / 2007 Negeri Swasta Negeri Swasta % A % B % C 0 0% A % B % C % A % B 0 0% C 0 0% A % B % C % Model Regresi Poisson dan Regresi Binomial Negatif Overdispersi terjadi pada data tahun ajaran 2005/2006 dan 2006/2007 yang ditunjukkan oleh nilai Pearson Chi-squares dan Deviance dibagi dengan derajat bebas bernilai lebih dari 1 (Tabel 5). Tabel 5. Hasil uji overdispersi tahun ajaran 2005/2006 dan 2006/2007 Tahun Pearson Ajaran Chi-squares Deviance 2005/ / Model Regresi Poisson untuk tahun ajaran 2005/2006 dan tahun 2006/2007 dapat dilihat pada Tabel 6 dengan taraf nyata yang digunakan =10%. Hasil analisis dari uji koefisien parameter Regresi Poisson disajikan pada Lampiran 3.1 dan Lampiran 3.2. Berdasarkan hasil analisis dari Uji Wald untuk koefisien parameter Regresi Poisson model tahun ajaran 2005/2006 faktor eksternal yang berpengaruh terhadap jumlah siswa yang tidak lulus UN adalah status SMA, akreditasi SMA, rata-rata jumlah siswa per kelas, jumlah ruang kelas dengan kondisi rusak berat, jumlah ruang kelas bukan milik, jumlah laboratorium bahasa dan jumlah guru. Sedangkan untuk model tahun ajaran 2006/2007 faktor eksternal yang berpengaruh adalah status SMA, akreditasi SMA, rata-rata jumlah siswa per kelas, jumlah ruang kelas dengan kondisi baik, jumlah ruang kelas dengan kondisi rusak ringan, jumlah ruang kelas bukan milik, jumlah laboratorium IPA, jumlah laboratorium bahasa, jumlah laboratorium komputer, jumlah laboratorium IPS, jumlah perpustakaan dan jumlah guru. Pada Tabel 6 terlihat bahwa nilai dugaan parameter model tahun ajaran 2005/2006 untuk rata-rata jumlah siswa per kelas, jumlah ruang kelas dengan kondisi rusak berat, jumlah ruang kelas bukan milik, laboratorium bahasa dan jumlah guru bernilai negatif. Hal ini menunjukkan bahwa hubungan antara peubah-peubah tersebut dengan log rata-rata dari jumlah siswa tidak lulus UN berbanding terbalik dan berlaku sebaliknya untuk nilai dugaan parameter yang bernilai positif. Hasil dari model Regresi Poisson ini dibandingkan dengan model Regresi Binomial Negatif. Tabel 6. Persamaan Regresi Poisson tahun ajaran 2005/2006 dan 2006/2007 Tahun Model Regresi Poisson Ajaran Log( )= X1 (1) X2 (3) /2006 X X X X X13 Log( )= X1 (1) X3 (3) X3 (2) X X X /2007 X X X X X X X14 Model Regresi Binomial Negatif untuk tahun ajaran 2005/2006 dan tahun 2006/2007 dapat dilihat pada Tabel 7. Hasil analisis dari uji koefisien parameter Regresi Binomial Negatif disajikan pada Lampiran 4.1 dan Lampiran 4.2. Akreditasi dan jumlah guru merupakan faktor eksternal yang berpengaruh terhadap ketidaklulusan siswa dalam UN untuk kedua tahun ajaran. Faktor jumlah ruang kelas dengan kondisi baik, jumlah laboratorium komputer, jumlah laboratorium IPS, jumlah perpustakaan dan jumlah guru merupakan faktor eksternal lainnya yang berpengaruh pula untuk tahun ajaran 2006/2007. Tidak berpengaruhnya jumlah ruang kelas dengan kondisi rusak ringan, jumlah ruang kelas dengan kondisi rusak berat dan jumlah ruang kelas bukan milik disebabkan karena hampir sebagian besar SMA di DKI Jakarta tidak memiliki ruang kelas dengan kondisi tersebut.

15 6 Tabel 7. Persamaan Regresi Binomial Negatif tahun ajaran 2005/2006 dan 2006/2007 Tahun Ajaran Model Regresi Binomial Negatif 2005/2006 Log( )= X2 (3) X13 Log( )= X2 (2) X2 (3) 2006/ X X X X X13 Dari Tabel 7 terlihat bahwa untuk model tahun ajaran 2005/2006 nilai dugaan parameter untuk jumlah guru bernilai negatif yang berarti hubungan antara log rata-rata jumlah siswa tidak lulus UN dengan jumlah guru berbanding terbalik. Jika terjadi kenaikan jumlah guru maka log rata-rata jumlah siswa tidak lulus akan menurun. Begitu pula berlaku sebaliknya untuk nilai dugaan parameter akreditasi SMA yang bernilai positif. Model Regresi Poisson menghasilkan hampir semua peubah penjelas berpengaruh terhadap jumlah siswa tidak lulus UN sedangkan pada model Regresi Binomial Negatif menunjukkan hal yang sebaliknya. Hal ini menunjukkan bahwa Regresi Binomial Negatif memberikan hasil uji signifikansi peubah penjelas yang lebih berarti dibanding Regresi Poisson sebagai akibat adanya overdispersi pada data. Goodness of Fits Model Kebaikan model Regresi Poisson dan Regresi Binomial Negatif tahun ajaran 2005/ 2006 dan 2006/2007 dapat dilihat pada Tabel 8 dan Tabel 9. Untuk mendapatkan model yang terbaik dapat dilihat dari nilai AIC dan BSC yang paling kecil, nilai Pearson Chi-squares dan Deviance yang lebih mendekati derajat bebasnya dan nilai log-likelihood yang lebih besar. Pada Tabel 8 dan Tabel 9 terlihat bahwa hasil pemodelan faktor eksternal terhadap jumlah siswa tidak lulus UN dengan Regresi Binomial Negatif memenuhi kriteria yang telah disebutkan sehingga dapat dikatakan model Regresi Binomial Negatif lebih baik dibandingkan model Regresi Poisson untuk mengatasi permasalahan overdispersi. Nilai p- value dari Likelihood ratio test model Regresi Binomial Negatif untuk tahun ajaran 2005/2006 dan 2006/2007 yaitu (pvalue < =10%) atau Tolak H 0 dan disimpulkan bahwa terjadi overdispersi pada data. Tabel 8. Goodness of fits statistics model Regresi Poisson dan Regresi Binomial Negatif tahun ajaran 2005/2006 Goodness of Fits Statitics Regresi Poisson Regresi Binomial Negatif AIC BSC Pearson Tabel 9. Goodness of fits statistics model Regresi Poisson dan Regresi Binomial Negatif tahun ajaran 2006/2007 Goodness of Fits Statitics Regresi Poisson Regresi Binomial Negatif AIC BSC Pearson Chi-squares Deviance Loglikelihood Likelihood ratio statistics (p-value = (p-value = ) Chi-squares Deviance Loglikelihood Likelihood ratio statistics (p-value = (p-value = ) SIMPULAN DAN SARAN Simpulan Faktor eksternal yang berpengaruh terhadap jumlah siswa tidak lulus untuk tahun ajaran 2005/2006 adalah akreditasi SMA dan jumlah guru. Sedangkan untuk tahun ajaran 2006/2007 faktor eksternal yang berpengaruh antara lain akreditasi SMA, jumlah ruang kelas dengan kondisi baik, jumlah laboratorium komputer, jumlah laboratorium IPS, jumlah perpustakaan dan jumlah guru. Model Regresi Binomial Negatif merupakan salah satu solusi yang dapat digunakan untuk mengatasi permasalahan dalam data yang mengandung overdispersi.

16 7 Hal ini ditunjukkan dengan terpenuhinya kriteria kebaikan modelnya yaitu nilai AIC dan BSC yang paling kecil, nilai Pearson Chisquares dan Deviance yang lebih mendekati derajat bebasnya, nilai log-likelihood yang lebih besar dan nilai likelihood ratio tests yang menunjukkan Tolak H 0. Saran Beberapa solusi lain yang dapat digunakan untuk mengatasi permasalahan overdispersi yaitu dengan Quasi-Likelihood dan Generalized Poisson Regression. Untuk penelitian selanjutnya dapat dibandingkan beberapa metode tersebut untuk mengetahui metode mana yang dapat memberikan tingkat akurasi yang cukup tinggi. DAFTAR PUSTAKA Agresti A Categorical Data Analysis. John Wiley & Sons, Inc. Ismail N & AA. Jemain Handling Overdispersion with Binomial Negative and Generalized Poisson Regression Models. Casualty Actuarial Society Forum Casualty Actuarial Society Arlington:Virginia:Winter, rum/07w109.pdf. [29 April 2008] Famoye F, Wulu JT., Singh KP On The Generalized Poisson Regression Model with An Apllication to Accident Data. Journal of Data Science 2, Hardin JW, JM Hilbe Generalized Linear Models and Extensions. Texas: A Stata Press Publication McCullagh P & JA Nelder Generalized Linear Models. London: Chapmann and Hall. Wulansari, AD Aplikasi Poisson Regression [abstrak]. Institut Teknologi Sepuluh November. [25 April 2008]

17 LAMPIRAN

18 9 Lampiran 1. Hasil uji parameter model Regresi Poisson masing-masing tahun ajaran Lampiran 1.1 Hasil uji parameter model Regresi Poisson tahun ajaran 2005/ % Wald Hypothesis Test Confidence Interval Std. Parameter B Wald Error Lower Upper Chi- df Sig. Square (Intercept) Swasta C B Rata-rata jumlah siswa per kelas Baik Rusak ringan Berat Bukan Milik Lab IPA Lab Bahasa Lab Komputer Lab IPS Perpustakaan guru (Scale) 1 Lampiran 1.2 Hasil uji parameter model Regresi Poisson tahun ajaran 2006/ % Wald Confidence Interval Parameter B Std. Error Lower Upper Wald Chi- Square Hypothesis Test (Intercept) Swasta C B Rata-rata jumlah df Sig siswa per kelas Baik Rusak ringan Berat Bukan Milik Lab IPA Lab Bahasa Lab Komputer Lab IPS Perpustakaan guru (Scale) 1

19 10 Lampiran 2. Hasil uji parameter model Regresi Binomial Negatif masing-masing tahun ajaran Lampiran 2.1 Hasil uji parameter model Regresi Binomial Negatif tahun ajaran 2005/ % Wald Confidence Hypothesis Test Interval Std. Parameter B Wald Error Lower Upper Chi- df Sig. Square (Intercept) Swasta C B Rata-rata jumlah siswa per kelas Baik Rusak ringan Berat Bukan Milik Lab IPA Lab Bahasa Lab Komputer Lab IPS Perpustakaan guru (Scale) Lampiran 2.2 Hasil uji parameter model Regresi Binomial Negatif tahun ajaran 2006/ % Wald Confidence Hypothesis Test Interval Std. Parameter B Wald Error Lower Upper Chi- df Sig. Square (Intercept) Swasta C B Rata-rata jumlah siswa per kelas Baik Rusak ringan Berat Bukan Milik Lab IPA Lab Bahasa Lab Komputer Lab IPS Perpustakaan guru (Scale)

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

PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 58 65 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA

Lebih terperinci

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

E-Jurnal Matematika Vol. 3 (3), Agustus 2014, pp ISSN: E-Jurnal Matematika Vol. 3 3), Agustus 2014, pp. 107-115 ISSN: 2303-1751 PERBANDINGAN REGRESI BINOMIAL NEGATIF DAN REGRESI GENERALISASI POISSON DALAM MENGATASI OVERDISPERSI Studi Kasus: Jumlah Tenaga Kerja

Lebih terperinci

PEMODELAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION PADA REGRESI POISSON

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

Lebih terperinci

Masalah Overdispersi dalam Model Regresi Logistik Multinomial

Masalah Overdispersi dalam Model Regresi Logistik Multinomial Statistika, Vol. 16 No. 1, 29 39 Mei 2016 Masalah Overdispersi dalam Model Regresi Logistik Multinomial Annisa Lisa Nurjanah, Nusar Hajarisman, Teti Sofia Yanti Prodi Statistika, Fakultas Matematika dan

Lebih terperinci

Model Regresi Zero Inflated Poisson Pada Data Overdispersion

Model Regresi Zero Inflated Poisson Pada Data Overdispersion Model Regresi Zero Inflated Poisson Pada Data Overdispersion Wirajaya Kusuma Fakultas MIPA, Universitas Mataram e-mail: Kusuma_Wirajaya@yahoo.co.id Desy Komalasari Fakultas MIPA, Universitas Mataram e-mail:

Lebih terperinci

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

PENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON E-Jurnal Matematika Vol., No., Mei 013, 49-53 ISSN: 303-1751 PENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON I PUTU YUDANTA EKA PUTRA 1, I PUTU EKA

Lebih terperinci

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

E-Jurnal Matematika Vol. 5 (4), November 2016, pp ISSN: E-Jurnal Matematika Vol 5 (4), November 2016, pp 133-138 ISSN: 2303-1751 PERBANDINGAN REGRESI ZERO INFLATED POISSON (ZIP) DAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA DATA OVERDISPERSION (Studi

Lebih terperinci

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

Pengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat) Statistika, Vol. 14 No. 2, 69 76 November 2014 Pengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat) Jurusan Matematika, Fakultas Sains dan

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL

ANALISIS 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 terperinci

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 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 terperinci

BAB I PENDAHULUAN. 1.1 Latar belakang

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

Lebih terperinci

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

E-Jurnal Matematika Vol. 2, No.2, Mei 2013, ISSN: E-Jurnal Matematika Vol., No., Mei 013, 37-41 ISSN: 303-1751 PENERAPAN REGRESI QUASI-LIKELIHOOD PADA DATA CACAH (COUNT DATA) YANG MENGALAMI OVERDISPERSI DALAM REGRESI POISSON (Studi Kasus: Jumlah Kasus

Lebih terperinci

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

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

Lebih terperinci

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

MODEL 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 terperinci

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

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

Lebih terperinci

Lampiran 1. Perhitungan nilai IR (incident rate per kecamatan) = x = 61, karena nilai IR Kecamatan Adiwerna > 55 per 100.

Lampiran 1. Perhitungan nilai IR (incident rate per kecamatan) = x = 61, karena nilai IR Kecamatan Adiwerna > 55 per 100. Lampiran 1 Perhitungan nilai IR (incident rate per kecamatan) 1. IR Adiwerna = JKD = 79 128968 x100.000 = 61, karena nilai IR Kecamatan Adiwerna > 55 per 100.000 penduduk, maka digolongkan sebagai daerah

Lebih terperinci

KAJIAN PENDEKATAN REGRESI SINYAL P-SPLINE PADA MODEL KALIBRASI. Oleh : SITI NURBAITI G

KAJIAN PENDEKATAN REGRESI SINYAL P-SPLINE PADA MODEL KALIBRASI. Oleh : SITI NURBAITI G KAJIAN PENDEKATAN REGRESI SINYAL P-SPLINE PADA MODEL KALIBRASI Oleh : SITI NURBAITI G14102022 DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2007 ABSTRAK SITI

Lebih terperinci

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

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

Lebih terperinci

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

Pemodelan Jumlah Kematian Bayi Di Kabupaten Bojonegoro Dengan Menggunakan Metode Analisis Regresi Binomial Negatif 1 Pemodelan Jumlah Kematian Bayi Di Kabupaten Bojonegoro Dengan Menggunakan Metode Analisis Regresi Binomial Negatif Nike Dwi Wilujeng Mahardika dan Sri Pingit Wulandari Statistika, FMIPA, Institut Teknologi

Lebih terperinci

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

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

Lebih terperinci

GENERALIZED POISSON REGRESSION (GPR)

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

Lebih terperinci

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

PEMODELAN JUMLAH KEMATIAN AKIBAT DIFTERI DI PROVINSI JAWA TIMUR DENGAN REGRESI BINOMIAL NEGATIF DAN ZERO-INFLATED POISSON Prosiding Seminar Nasional Matematika, Universitas Jember, 9 November 04 0 PEMODELAN JUMLAH KEMATIAN AKIBAT DIFTERI DI PROVINSI JAWA TIMUR DENGAN REGRESI BINOMIAL NEGATIF DAN ZERO-INFLATED POISSON Nurul

Lebih terperinci

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

PEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF Jurnal Matematika UNAND Vol. VI No. 1 Hal. 74 82 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF

Lebih terperinci

ESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD

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

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah

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

Lebih terperinci

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

PENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 11-16 ISSN: 2303-1751 PENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA NI MADE SEKARMINI 1, I KOMANG GDE SUKARSA

Lebih terperinci

PENERAPAN HURDLE NEGATIVE BINOMIAL PADA DATA TERSENSOR

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

Lebih terperinci

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

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

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan

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

Lebih terperinci

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

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

Lebih terperinci

Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017

Dr. 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 terperinci

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

PENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1) PENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1) Anang Kurnia Departemen Statistika FMIPA IPB Jl. Meranti, Wing 22 Level 4 Kampus IPB Darmaga, Bogor Email: anangk@ipb.ac.id

Lebih terperinci

PENERAPAN DAN PERBANDINGAN CARA PENGUKURAN RESPON PADA ANALISIS KONJOIN

PENERAPAN DAN PERBANDINGAN CARA PENGUKURAN RESPON PADA ANALISIS KONJOIN PENERAPAN DAN PERBANDINGAN CARA PENGUKURAN RESPON PADA ANALISIS KONJOIN (Studi Kasus: Preferensi Mahasiswa Statistika IPB Angkatan 44, 45, dan 46 terhadap Minat Bidang Kerja) DONNY ARIEF SETIAWAN SITEPU

Lebih terperinci

Penerapan Hurdle Negative Binomial pada Data Tersensor

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

Lebih terperinci

Regresi Logistik Nominal dengan Fungsi Hubung CLOGLOG

Regresi Logistik Nominal dengan Fungsi Hubung CLOGLOG Regresi Logistik Nominal dengan Fungsi Hubung CLOGLOG Julio Adisantoso, G16109011/STK 11 Mei 2010 Ringkasan Regresi logistik merupakan suatu pendekatan pemodelan yang dapat digunakan untuk mendeskripsikan

Lebih terperinci

TUGAS AKHIR. Untuk Memenuhi Sebagian Persyaratan Memperoleh Gelar Sarjana Sains HASNARIKA NIM /2007

TUGAS AKHIR. Untuk Memenuhi Sebagian Persyaratan Memperoleh Gelar Sarjana Sains HASNARIKA NIM /2007 PENGARUH FAKTOR EKSTERNAL TERHADAP KETIDAKLULUSAN SISWA SMA/MA/SMK DALAM UJIAN NASIONAL MENGGUNAKAN REGRESI POISSON (Studi Kasus Pada SMA/MA/SMK di Kota Tanjungpinang) TUGAS AKHIR Untuk Memenuhi Sebagian

Lebih terperinci

E-Jurnal Matematika OPEN JOURNAL SYSTEMS Journal Help USER Username Password 1 of 3 3/17/2015 1:27 PM

E-Jurnal Matematika OPEN JOURNAL SYSTEMS Journal Help USER Username Password 1 of 3 3/17/2015 1:27 PM E-Jurnal Matematika http://ojs.unud.ac.id/index.php/mtk/index 1 of 3 3/17/2015 1:27 PM E - J u r n a l M a t e m a t i k a OPEN JOURNAL SYSTEMS Journal Help USER Username Password E-Jurnal Matematika http://ojs.unud.ac.id/index.php/mtk/index

Lebih terperinci

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

GENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI GENERALIZED LINEAR MODELS (GLM) UNTUK DATA ASURANSI DALAM MENENTUKAN HARGA PREMI Agus Supriatna 1), Riaman 2), Sudradjat 3), Tari Septiyani 4) Departemen Matematika, FMIPA Unpad Jalan Raya Bandung-Sumedang

Lebih terperinci

KAJIAN OVERDISPERSI PADA REGRESI POISSON BERDASARKAN MODEL GENERALIZED POISSON MARTISAH

KAJIAN OVERDISPERSI PADA REGRESI POISSON BERDASARKAN MODEL GENERALIZED POISSON MARTISAH KAJIAN OVERDISPERSI PADA REGRESI POISSON BERDASARKAN MODEL GENERALIZED POISSON MARTISAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN

Lebih terperinci

PEMODELAN DATA PANEL SPASIAL DENGAN DIMENSI RUANG DAN WAKTU TENDI FERDIAN DIPUTRA

PEMODELAN DATA PANEL SPASIAL DENGAN DIMENSI RUANG DAN WAKTU TENDI FERDIAN DIPUTRA PEMODELAN DATA PANEL SPASIAL DENGAN DIMENSI RUANG DAN WAKTU TENDI FERDIAN DIPUTRA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 RINGKASAN TENDI

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan

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

Lebih terperinci

ANALISIS PEUBAH RESPONS KATEGORIK DENGAN MODEL REGRESI ORDINAL

ANALISIS PEUBAH RESPONS KATEGORIK DENGAN MODEL REGRESI ORDINAL ANALISIS PEUBAH RESPONS KATEGORIK DENGAN MODEL REGRESI ORDINAL SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta untuk memenuhi sebagian persyaratan guna

Lebih terperinci

PENGARUH POLA ASUH BELAJAR, LINGKUNGAN PEMBELAJARAN, MOTIVASI BELAJAR DAN POTENSI AKADEMIK TERHADAP PRESTASI AKADEMIK SISWA SEKOLAH DASAR

PENGARUH POLA ASUH BELAJAR, LINGKUNGAN PEMBELAJARAN, MOTIVASI BELAJAR DAN POTENSI AKADEMIK TERHADAP PRESTASI AKADEMIK SISWA SEKOLAH DASAR 63 PENGARUH POLA ASUH BELAJAR, LINGKUNGAN PEMBELAJARAN, MOTIVASI BELAJAR DAN POTENSI AKADEMIK TERHADAP PRESTASI AKADEMIK SISWA SEKOLAH DASAR KARTIKA WANDINI PROGRAM STUDI GIZI MASYARAKAT DAN SUMBERDAYA

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

IDENTIFIKASI 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 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 terperinci

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

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

Lebih terperinci

BAB V HASIL PENELITIAN DAN PEMBAHASAN

BAB V HASIL PENELITIAN DAN PEMBAHASAN 95 BAB V HASIL PENELITIAN DAN PEMBAHASAN 5.1. Identifikasi Sampel Penelitian Seleksi sampel mencakup sektor perbankan yang menerbitkan obligasi di PEFINDO, tetapi hanya sektor perbankan yang terdaftar

Lebih terperinci

PENERAPAN REGRESI POISSON UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMENGARUHI JUMLAH SISWA SMA/SMK YANG TIDAK LULUS UN DI BALI

PENERAPAN REGRESI POISSON UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMENGARUHI JUMLAH SISWA SMA/SMK YANG TIDAK LULUS UN DI BALI PENERAPAN REGRESI POISSON UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMENGARUHI JUMLAH SISWA SMA/SMK YANG TIDAK LULUS UN DI BALI KOMANG AYU YULIANINGSIH 1, KOMANG GDE SUKARSA 2, LUH PUTU SUCIPTAWATI 3 1,2,3

Lebih terperinci

PENERAPAN 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 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 terperinci

PENGARUH VARIAN EFEK ACAK TERHADAP PENGESTIMASIAN EFEK TETAP DALAM MODEL POISSON-GAMMA PADA HGLM (HIERARCHICAL GENERALIZED LINEAR MODEL) SKRIPSI

PENGARUH VARIAN EFEK ACAK TERHADAP PENGESTIMASIAN EFEK TETAP DALAM MODEL POISSON-GAMMA PADA HGLM (HIERARCHICAL GENERALIZED LINEAR MODEL) SKRIPSI PENGARUH VARIAN EFEK ACAK TERHADAP PENGESTIMASIAN EFEK TETAP DALAM MODEL POISSON-GAMMA PADA HGLM (HIERARCHICAL GENERALIZED LINEAR MODEL) SKRIPSI Oleh Siskha Kusumaningtyas NIM 091810101030 JURUSAN MATEMATIKA

Lebih terperinci

PENERAPAN METODE CHAID DAN REGRESI LOGISTIK DALAM ANALISIS SEGMENTASI PASAR KONSUMEN AQUA DIMAS FAJAR AIRLANGGA

PENERAPAN METODE CHAID DAN REGRESI LOGISTIK DALAM ANALISIS SEGMENTASI PASAR KONSUMEN AQUA DIMAS FAJAR AIRLANGGA PENERAPAN METODE CHAID DAN REGRESI LOGISTIK DALAM ANALISIS SEGMENTASI PASAR KONSUMEN AQUA DIMAS FAJAR AIRLANGGA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

Lebih terperinci

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

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

Lebih terperinci

Regresi Poisson dan Penerapannya Untuk Memodelkan Hubungan Usia dan Perilaku Merokok Terhadap Jumlah Kematian Penderita Penyakit Kanker Paru-Paru

Regresi Poisson dan Penerapannya Untuk Memodelkan Hubungan Usia dan Perilaku Merokok Terhadap Jumlah Kematian Penderita Penyakit Kanker Paru-Paru Regresi Poisson dan Penerapannya Untuk Memodelkan Hubungan Usia dan Perilaku Merokok Terhadap Jumlah Kematian Penderita Penyakit Kanker Paru-Paru IIN SUNDARI Program Studi Matematika, Fakultas Matematika

Lebih terperinci

BAB I PENDAHULUAN. mengetahui fenomena yang akan terjadi pada periode mendatang akan

BAB 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 terperinci

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

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

Lebih terperinci

Pemodelan Logit, Probit dan Complementary Log-Log pada Studi Kasus Partisipasi Perempuan dalam Pembangunan Ekonomi di Kalimantan Selatan

Pemodelan Logit, Probit dan Complementary Log-Log pada Studi Kasus Partisipasi Perempuan dalam Pembangunan Ekonomi di Kalimantan Selatan D181 Logit, Probit dan Complementary Log-Log pada Studi Kasus Partisipasi Perempuan dalam Pembangunan Ekonomi di Kalimantan Selatan Rizfanni Cahya Putri dan Vita Ratnasari Jurusan Statistika, Fakultas

Lebih terperinci

Regresi dengan Microsoft Office Excel

Regresi dengan Microsoft Office Excel Regresi dengan Microsoft Office Excel Author: Junaidi Junaidi 1. Pengantar Dalam statistik, regresi merupakan salah satu peralatan yang populer digunakan, baik pada ilmu-ilmu sosial maupun ilmu-ilmu eksak.

Lebih terperinci

METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE

METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2010 RINGKASAN

Lebih terperinci

PENERAPAN MODEL FINITE LENGTH LINE SOURCE UNTUK MENDUGA KONSENTRASI POLUTAN DARI SUMBER GARIS (STUDI KASUS: JL. M.H. THAMRIN, DKI JAKARTA)

PENERAPAN MODEL FINITE LENGTH LINE SOURCE UNTUK MENDUGA KONSENTRASI POLUTAN DARI SUMBER GARIS (STUDI KASUS: JL. M.H. THAMRIN, DKI JAKARTA) PENERAPAN MODEL FINITE LENGTH LINE SOURCE UNTUK MENDUGA KONSENTRASI POLUTAN DARI SUMBER GARIS (STUDI KASUS: JL. M.H. THAMRIN, DKI JAKARTA) EKO SUPRIYADI DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA

Lebih terperinci

Kegiatan Anak Usia Tahun di Jawa Timur Menggunakan Regresi Logistik Multinomial: Suatu Peranan Urutan Kelahiran

Kegiatan Anak Usia Tahun di Jawa Timur Menggunakan Regresi Logistik Multinomial: Suatu Peranan Urutan Kelahiran Kegiatan Anak Usia 10-15 Tahun di Jawa Timur Menggunakan Regresi Logistik Multinomial: Suatu Peranan Urutan Kelahiran Rudi Salam Badan Pusat Statistik, Tinggi Ilmu Statistik, Jakarta, Indonesia rudisalam@stis.ac.id

Lebih terperinci

PEMODELAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION

PEMODELAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION PEMODELAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION (GWLR) DENGAN FUNGSI PEMBOBOT FIXED GAUSSIAN KERNEL DAN ADAPTIVE GAUSSIAN KERNEL (Studi Kasus Laju Pertumbuhan Penduduk Provinsi Jawa Tengah) SKRIPSI

Lebih terperinci

FAKTOR-FAKTOR YANG MEMPENGARUHI KEBERHASILAN BELAJAR MAHASISWA PENDIDIKAN MATEMATIKA DENGAN REGRESI LOGISTIK

FAKTOR-FAKTOR YANG MEMPENGARUHI KEBERHASILAN BELAJAR MAHASISWA PENDIDIKAN MATEMATIKA DENGAN REGRESI LOGISTIK FAKTOR-FAKTOR YANG MEMPENGARUHI KEBERHASILAN BELAJAR MAHASISWA PENDIDIKAN MATEMATIKA DENGAN REGRESI LOGISTIK SKRIPSI Diajukan untuk Memenuhi Syarat Memperoleh Gelar Sarjana S1 Oleh Purwita Erviana 0901060024

Lebih terperinci

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

PEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2 INDONESIA (SUMATERA) Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 116 124 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN AKTIVITAS REHABILITASI PASIEN PASCA STROKE DENGAN MENGGUNAKAN DECISION TABLE TUGAS AKHIR

SISTEM PENDUKUNG KEPUTUSAN AKTIVITAS REHABILITASI PASIEN PASCA STROKE DENGAN MENGGUNAKAN DECISION TABLE TUGAS AKHIR ii SISTEM PENDUKUNG KEPUTUSAN AKTIVITAS REHABILITASI PASIEN PASCA STROKE DENGAN MENGGUNAKAN DECISION TABLE TUGAS AKHIR Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Jurusan Teknik Informatika

Lebih terperinci

MASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG)

MASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) MASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) Shaifudin Zuhdi, Dewi Retno Sari Saputro Fakultas Matematika dan Ilmu Pengetahuan

Lebih terperinci

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

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

Lebih terperinci

ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI INVERSE GAUSSIAN SKRIPSI

ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI INVERSE GAUSSIAN SKRIPSI ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI INVERSE GAUSSIAN SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta untuk memenuhi sebagian persyaratan

Lebih terperinci

ESTIMASI PARAMETER PADA MODEL REGRESI LINIER MULTILEVEL DENGAN METODE RESTRICTED MAXIMUM LIKELIHOOD (REML) abang Semarang SKRIPSI.

ESTIMASI PARAMETER PADA MODEL REGRESI LINIER MULTILEVEL DENGAN METODE RESTRICTED MAXIMUM LIKELIHOOD (REML) abang Semarang SKRIPSI. ESTIMASI PARAMETER PADA MODEL REGRESI LINIER MULTILEVEL DENGAN METODE RESTRICTED MAXIMUM LIKELIHOOD (REML) abang Semarang PT Jasa Marga ro) C SKRIPSI Disusun Oleh : ISNI RAKHMI DIANTI J2E 006 018 PROGRAM

Lebih terperinci

ANALISIS DATA KELEMBABAN UDARA PROVINSI JAWA TIMUR DENGAN MODEL REGRESI BETA SKRIPSI. Oleh. Riska Setyowati NIM

ANALISIS DATA KELEMBABAN UDARA PROVINSI JAWA TIMUR DENGAN MODEL REGRESI BETA SKRIPSI. Oleh. Riska Setyowati NIM i ANALISIS DATA KELEMBABAN UDARA PROVINSI JAWA TIMUR DENGAN MODEL REGRESI BETA SKRIPSI Oleh Riska Setyowati NIM 071810101038 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA A. Keberhasilan Belajar 1. Pengertian Keberhasilan Belajar Dalam kamus besar bahasa Indonesia, keberhasilan itu sendiri adalah hasil yang telah dicapai (dilakukan, dikerjakan dan

Lebih terperinci

Jurnal Gradien Vol 8 No 2 Juli 2012: Yuli Andriani, Uxti Mezulianti, dan Herlina Hanum

Jurnal Gradien Vol 8 No 2 Juli 2012: Yuli Andriani, Uxti Mezulianti, dan Herlina Hanum Jurnal Gradien Vol 8 No 2 Juli 2012:809-814 Model Tingkat Kelancaran Pembayaran Kredit Bank Menggunakan Model Regresi Logistik Ordinal (Studi Kasus: Bank Rakyat Indonesia Tbk Unit Pasar Bintuhan) Yuli

Lebih terperinci

ANALISIS STATUS KREDIT MIKRO DENGAN REGRESI LOGISTIK TJIPTO AJI SUDARSO

ANALISIS STATUS KREDIT MIKRO DENGAN REGRESI LOGISTIK TJIPTO AJI SUDARSO ANALISIS STATUS KREDIT MIKRO DENGAN REGRESI LOGISTIK TJIPTO AJI SUDARSO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2008 RINGKASAN TJIPTO AJI SUDARSO. Analisis

Lebih terperinci

EARLY WARNING SYSTEM (EWS) UNTUK PREDIKSI KESEHATAN BANK PERKREDITAN RAKYAT (BPR) DI INDONESIA: PENDEKATAN MODEL REGRESI LOGISTIK

EARLY WARNING SYSTEM (EWS) UNTUK PREDIKSI KESEHATAN BANK PERKREDITAN RAKYAT (BPR) DI INDONESIA: PENDEKATAN MODEL REGRESI LOGISTIK EARLY WARNING SYSTEM (EWS) UNTUK PREDIKSI KESEHATAN BANK PERKREDITAN RAKYAT (BPR) DI INDONESIA: PENDEKATAN MODEL REGRESI LOGISTIK Diah Arianti, 1) dan Nur Iriawan 2) 1) Information Management Technology,

Lebih terperinci

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

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

Lebih terperinci

PERBANDINGAN REGRESI ZERO INFLATED POISSON (ZIP) DAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA DATA OVERDISPERSION

PERBANDINGAN REGRESI ZERO INFLATED POISSON (ZIP) DAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA DATA OVERDISPERSION PERBANDINGAN REGRESI ZERO INFLATED POISSON (ZIP) DAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA DATA OVERDISPERSION (Studi Kasus: Angka Kematian Ibu di Provinsi Bali) KOMPETENSI STATISTIKA SKRIPSI

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman Online di: ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 111-120 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN

Lebih terperinci

Relevansi-Nilai Kredit. Tahun

Relevansi-Nilai Kredit. Tahun Lampiran 1 Model Penelitian Hipotesis 1a, 1b, dan 2 Laba Bersih Pendapatan Komprehensif Lain Peringkat Obligasi Laba Komprehensif Lampiran 2 Model Penelitian Hipotesis 3a, 3b, dan 3c Relevansi-Nilai Kredit

Lebih terperinci

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

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

Lebih terperinci

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

PEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing

Lebih terperinci

Gambaran Duplikasi Penomoran Rekam Medis. Gambaran Kualifikasi Pendidikan. Gambaran Pengetahuan. Statistics pemberian nomor. N Valid 60.

Gambaran Duplikasi Penomoran Rekam Medis. Gambaran Kualifikasi Pendidikan. Gambaran Pengetahuan. Statistics pemberian nomor. N Valid 60. Gambaran Duplikasi Penomoran Rekam Medis Statistics N Valid 60 Missing 0 Frequency Percent Valid Percent Cumulative Percent Valid duplikasi 24 40.0 40.0 40.0 tidak duplikat 36 60.0 60.0 100.0 Total 60

Lebih terperinci

EARLY WARNING SYSTEM JUMLAH ANAK PUTUS SEKOLAH DENGAN METODE ZERO TRUNCATED NEGATIVE BINOMIAL

EARLY WARNING SYSTEM JUMLAH ANAK PUTUS SEKOLAH DENGAN METODE ZERO TRUNCATED NEGATIVE BINOMIAL EARLY WARNING SYSTEM JUMLAH ANAK PUTUS SEKOLAH DENGAN METODE ZERO TRUNCATED NEGATIVE BINOMIAL Robert Kurniawan Jurusan Statistika Komputasi, Sekolah Tinggi Ilmu Statistik (STIS), Jakarta Jl. Otto Iskandardinata

Lebih terperinci

Prosiding Statistika ISSN:

Prosiding 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 terperinci

Jurusan Teknik Informatika Dan Statistika

Jurusan Teknik Informatika Dan Statistika UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Dan Statistika Program Studi Strata 1 Skripsi Sarjana Program Ganda Semester Ganjil 2006/2007 PERANCANGAN PROGRAM APLIKASI UNTUK MENGETAHUI HUBUNGAN

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB 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 terperinci

Perbandingan Analisis Generalized Poisson Regression

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

Lebih terperinci

ANALISIS HUBUNGAN ANTARA LAMA STUDI, JALUR MASUK DAN INDEKS PRESTASI KUMULATIF (IPK) MENGGUNAKAN MODEL LOG LINIER

ANALISIS HUBUNGAN ANTARA LAMA STUDI, JALUR MASUK DAN INDEKS PRESTASI KUMULATIF (IPK) MENGGUNAKAN MODEL LOG LINIER ANALISIS HUBUNGAN ANTARA LAMA STUDI, JALUR MASUK DAN INDEKS PRESTASI KUMULATIF (IPK) MENGGUNAKAN MODEL LOG LINIER (Studi Kasus: Lulusan Mahasiswa FSM UNDIP Periode Wisuda Tahun 2012/2013) SKRIPSI Oleh

Lebih terperinci

VI. FAKTOR-FAKTOR YANG MEMPENGARUHI PERSEPSI DAN SIKAP RESPONDEN TERHADAP PRODUK OREO SETELAH ADANYA ISU MELAMIN

VI. FAKTOR-FAKTOR YANG MEMPENGARUHI PERSEPSI DAN SIKAP RESPONDEN TERHADAP PRODUK OREO SETELAH ADANYA ISU MELAMIN VI. FAKTOR-FAKTOR YANG MEMPENGARUHI PERSEPSI DAN SIKAP RESPONDEN TERHADAP PRODUK OREO SETELAH ADANYA ISU MELAMIN Penelitian ini menggunakan regresi logistik untuk mengetahui faktorfaktor yang mempengaruhi

Lebih terperinci

Pendekatan Flexibly Shaped Spatial Scan Statistic untuk Deteksi Wilayah Kantong Penyakit DBD Melalui Pemodelan Regresi.

Pendekatan 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 terperinci

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

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

Lebih terperinci

TUGAS AKHIR ROSDIANA

TUGAS AKHIR ROSDIANA ANALISIS PENGARUH KEGIATAN EKSTRAKURIKULER DAN INTERAKSI SOSIAL TERHADAP HASIL BELAJAR MATEMATIKA SISWA KELAS 2 IPA SMA DHARMA PANCASILA MEDAN DENGAN METODE ANALISIS JALUR TAHUN 2013 TUGAS AKHIR ROSDIANA

Lebih terperinci

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

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

Lebih terperinci

BAB IV HASIL PENELITIAN

BAB IV HASIL PENELITIAN BAB IV HASIL PENELITIAN A. Penyajian Statistik Deskripsi Hasil Penelitian 1. Kemampuan Awal Siswa Dalam penelitian ini seperti telah dijelaskan pada bab III, analisis tentang data kemampuan awal digunakan

Lebih terperinci

Model Log-Linier dan Regresi Logistik

Model Log-Linier dan Regresi Logistik Model Log-Linier dan Regresi Logistik Julio Adisantoso, G16109011/STK 26 Mei 2010 Ringkasan Regresi log-linier adalah suatu pendekatan pemodelan linier terampat yang dapat digunakan untuk data yang menyebar

Lebih terperinci

Dosen Pembimbing : Dr. Purhadi, M.Sc

Dosen Pembimbing : Dr. Purhadi, M.Sc Citra Fatimah Nur / 1306 100 065 Dosen Pembimbing : Dr. Purhadi, M.Sc Outline 1 PENDAHULUAN TINJAUAN PUSTAKA 3 METODOLOGI PENELITIAN 4 ANALISIS DAN PEMBAHASAN 5 KESIMPULAN Latar Belakang 1960-1970 1970-1980

Lebih terperinci