(DS.4) MODEL OTOREGRESIF SIMULTAN BAYES UNTUK ANALISIS DATA KEMISKINAN
|
|
- Yandi Tan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 (DS.4) MODEL OTOREGRESIF SIMULTAN BAYES UNTUK ANALISIS DATA KEMISKINAN Safaat Yulianto 1, Anik Djuraidah 2, Aji Hamim Wigena 2 1Akademi Statistika Muhammadiyah Semarang 2Jurusan Statistika, Institut Pertanian Bogor Abstrak Simultaneous Autoregressive (SAR) adalah model spasial yang berasal dari persamaan regresi linear dengan galatnya dimodelkan dalam bentuk model otoregresif. Dalam penelitian terdahulu (Meilisa, 2010) menggunakan metode kemungkinan maksimum/maximum likelihood (ML) dalam pendugaan parameter tanpa mempertimbangkan informasi awal (prior). Pada penelitian ini digunakan pendekatan metode Bayes dengan informasi awal yang terdiri dari independence Jeffreys, Jeffreys-rule dan uniform. Data yang digunakan adalah Headcount Index tingkat kabupaten di Provinsi Jawa Timur yang merupakan data sekunder berasal dari hasil Pendataan Potensi Desa/Kelurahan tahun 2008 yang dilakukan oleh BPS. Berdasarkan analisis diperoleh model Bayesian Simultaneous Autoregressive (SAR Bayes) terbaik yaitu dengan informasi awal Jefrreys-rule, model SAR dan model SAR Bayes sama baiknya digunakan dalam menentukan faktor-faktor untuk menganalisis kemiskinan di Provinsi Jawa Timur. Kata kunci: otoregresif simultan Bayes, prior noninformatif, fungsi kemungkinan terintegrasi, matriks tetangga terdekat 1. PENDAHULUAN Permasalahan kemiskinan tidak hanya berdiri sendiri, sehingga dalam penanggulangannya menuntut pemahaman, kecermatan dan kehati-hatian. Berbagai upaya dilakukan pemerintah untuk mengatasi masalah kemiskinan. Strategi dan bentuk intervensi yang tepat dari pemerintah dalam upaya mengurangi kemiskinan di tanah air diantaranya ketersediaan data kemiskinan yang akurat. Strategi penanggulangan kemiskinan lebih efektif dengan pendekatan geografis yang akan berhubungan dengan sumber daya alam dan manusia, karena kemiskinan suatu wilayah dipengaruhi oleh kemiskinan di wilayah sekitarnya. Hal ini berdasarkan hukum geografi I yang dikemukakan Tobler yang berbunyi Segala sesuatu saling berhubungan satu dengan yang lainnya, tetapi sesuatu yang lebih dekat mempunyai pengaruh dari sesuatu yang jauh (Waller & Gotway, 2004). Adanya efek spasial merupakan hal yang lazim terjadi antara satu wilayah dengan wilayah yang lain, ini berarti bahwa wilayah yang satu mempengaruhi wilayah lainnya. Dalam statistika, model yang dapat menjelaskan hubungan antara suatu wilayah dengan wilayah sekitarnya disebut sebagai model spasial. 406
2 2. MODEL SAR Model SAR dideskripsikan sebagai suatu model yang mempertimbangkan apabila suatu daerah yang dipilah-pilah menjadi subdaerah-subdaerah, antara subdaerah yang satu dan subdaerah lainnya saling berhubungan secara simultan, {A i : i = 1, 2,..., n}, A i melambangkan kumpulan dari subdaerah-subdaerah. Misalkan y ( ): A (A,, A ) adalah proses gaussian acak dimana {A 1,..., A n} bentuk lattice dari D, dengan A A A = D dan A i A j = 0; i j (Oliviera & Song, 2008). Peubah y (Ai) merupakan peubah respon untuk setiap subdaerah yang diobservasi dengan peubah penjelas x i = (x i1,..., x ip) dimana p < n. Untuk penyederhanaan, peubah y (Ai) selanjutnya dituliskan dalam notasi y i. Model regresi SAR dari y = (y 1,..., y n) dapat dituliskan dalam persamaan: y = x β + b y x β + ε, i = 1,..., n (1) Jika dimisalkan B = (b ij) nxn, maka persamaan (1) dapat dituliskan : y = Xβ + B(y Xβ) + ε dengan β = (β 1,..., β p), ε = (ε 1,..., ε n) diasumsikan ε i ~N(0,σ i 2) sehingga y ~ N[X β, ( (I n - B) -1 M (I n - B ) -1 )] (2) M = σ 2 I n, dan σ 2 > 0 tidak diketahui ; (I n - B) = matriks nonsingular B = φw dengan φ merupakan parameter spasial yang tidak diketahui W = (w ij) nxn merupakan matriks pembobot spasial simetri yang nonnegatif. Matriks pembobot spasial pada dasarnya merupakan matriks ketergantungan spasial yang menggambarkan hubungan antar daerah. Kedekatan suatu daerah berdasarkan ketergantungan spasial biner, sehingga matriks pembobot ini mempunyai aturan sebagai berikut : 1, untuk daerah i yang bersebelahan dengan daerah j w = 0, untuk lainnya Baris pada matriks ketergantungan spasial menunjukkan hubungan spasial suatu daerah dengan daerah lain. 3. MODEL SAR BAYES Model Bayesian Simultaneous Autoregressive (SAR Bayes) adalah model spasial yang berasal dari persamaan regresi linear dengan galatnya dimodelkan dalam bentuk model otoregresif. Peubah acak pada satu daerah dan daerah lainnya diamati secara simultan sedangkan pendugaan parameternya memanfaatkan informasi awal dan informasi contoh. Misalkan y i peubah acak yang mempunyai sebaran pada persamaan (2) maka fungsi kemungkinan dari η = (β, σ, φ) berdasarkan data yang diobservasi sebagai berikut: 407
3 L(η y) (σ ) Σ exp (y Xβ) Σ (y Xβ) (3) dengan Σ = (I φw )(I φw) = (I φw) Sebaran informasi awal dari η adalah : π(η) () ( ), η ε Ω, (4) dengan Ω = R p x (0, ) merupakan ruang parameter yang memiliki ciri khas tergantung pada pembobotnya, R yang nilainya ditetapkan (Gill, 2002) dan π(φ) merupakan informasi awal marginal dari φ dalam selang (λ n -1, λ 1-1); λ i, untuk i = 1,..., n adalah nilai akar ciri dari matriks pembobot W. Fungsi posterior dari persamaan (3) dan (4) dinotasikan sebagai berikut: L(η y)π(η)dβdσ 2 = L (φ y)π(φ) (5) (,) dengan L (φ y) Σ X Σ X S S = (y Xβ ) Σ (y Xβ ) ; β = (X Σ X) (X Σ y) L (φ y) disebut fungsi kemungkinan terintegrasi dari φ (Oliviera & Song, 2008). Informasi awal noninformatif digunakan yakni: 1. Informasi awal Jeffreys Informasi awal Jeffreys terbagi menjadi dua, yakni : i) informasi awal independence Jeffreys π (φ) ii) informasi awal Jeffreys-rule π (φ) X (I φw) X π (φ) 2. Informasi awal uniform Informasi awal uniform memberikan bobot nilai yang sama untuk semua nilai parameter spasial, di tuliskan sebagai : π (φ) 1, (φ) Dalam tahapan pendugaan parameter model, ketika menggunakan metode bayes berhirarki, maka perhitungan yang dilakukan biasanya melalui integral multidimensi, alternatif yang dapat digunakan yakni menghitung besaran posterior melalui integrasi numerik dan salah satu metode yang digunakan adalah algoritma MCMC. Pendugaan parameter model didasarkan sampel pada sebaran posterior : π(β, σ, φ y) = π(β σ, φ, y)π(σ φ, y)π(φ y) dari persamaan (3) dan (4) diketahui bahwa : (i) π(β σ, φ, y)~n β, σ (X Σ X) 1 408
4 (ii) π(σ φ, y)~ig + a 1, S (6) (iii) (π(φ y) Σ X Σ X (S ) π(φ) Simulasi dari (i) dan (ii) untuk mendapatkan parameter β dan σ pada persamaan (6) dapat dibangkitkan secara langsung dengan menggunakan algoritma MCMC, sedangkan untuk mendapatkan sampel φ dari (iii) pada persamaan (6) diselesaikan dengan menggunakan algoritma Adaptive Rejection Metropolis Sampling (ARMS) yang diusulkan oleh Gilks dkk. (1995). 4. PEMILIHAN MODEL TERBAIK Metode yang digunakan untuk memilih model bayes terbaik dengan Bayesian Information Criterion (BIC) dan ragam dari penduga, sedangkan kebaikan model dapat dilihat dari nyata atau tidaknya koefisien parameter model dan nilai koefisien determinasi (R 2 ). Untuk menghitung nilai BIC digunakan rumus sebagai berikut: BIC = -2log L + p log (n) dengan L = nilai maksimum dari fungsi kemungkinan p = banyaknya parameter dalam model ; n = banyaknya ulangan Model dikatakan baik jika memiliki nilai BIC yang kecil. Selain metode tersebut, nilai ragam penduga juga dapat menjadi kriteria pemilihan model terbaik. Penduga dikatakan baik jika memiliki ragam yang kecil. Untuk menghitung ragam penduga digunakan rumus sebagai berikut: var (η) = E(η ) [E(η)] Untuk pemilihan model yang terbaik dapat digunakan uji kebaikan model, yakni dengan menggunakan koefisien determinasi yang dinotasikan dengan : R = ( ) ( ) Sedangkan Kuadrat Tengah Galat (KTG) digunakan untuk membandingkan antara model SAR Bayes dan model SAR. Untuk menghitung KTG digunakan rumus sebagai berikut: KTG = (y y ) n p Model dikatakan baik jika memiliki nilai KTG yang lebih kecil dibandingkan model lainnya. 409
5 5. DATA Dalam penelitian ini digunakan data Potensi Desa (Podes) 2008 dari BPS Provinsi Jawa Timur. Peubah respon pada penelitian ini adalah headcount index (HCI) kemiskinan di tingkat kabupaten. HCI adalah persentase penduduk yang berada dibawah garis kemiskinan. Garis Kemiskinan (GK) merupakan penjumlahan dari Garis Kemiskinan Makanan (GKM) dan Garis Kemiskinan Non-Makanan (GKNM), dengan GKM adalah jumlah nilai pengeluaran dari 52 komoditi dasar makanan yang dikonsumsi penduduk, disetarakan dengan 2100 kalori perkapita sehari, sedangkan GKNM adalah penjumlahan nilai kebutuhan dari komoditi non makanan terpilih meliputi perumahan, sandang, pendidikan dan kesehatan (BPS 2008). Berdasarkan Meilisa (2010), peubah penjelas dari data Podes yang signifikans dengan model, yaitu : persentase penduduk yang mempunyai pendidikan dibawah SD (X 1), persentase rumah tangga yang tidak menggunakan air minum yang tidak berasal dari air mineral, air PAM, pompa air, sumur atau mata air yang terlindung (X 2), persentase penduduk yang mendapatkan jaminan pemeliharaan kesehatan (X 3), persentase penduduk yang dibolehkan membeli beras dengan harga murah bersubsidi (X 4) dan persentase penduduk yang mendapat surat miskin (X 5). 6. HASIL PEMBAHASAN Analisis Model SAR Bayes Hasil pendugaan berdasarkan tiga informasi awal noninformatif dengan pengambilan contoh sebanyak kali. Dari hasil pendugaan tersebut diperoleh perbandingan nilai BIC pada Tabel 1 yang menunjukkan bahwa nilai BIC yang terkecil diperoleh pada pendugaan dengan informasi awal Jeffreys-rule, sehingga dapat dikatakan pendugaan model SAR Bayes terbaik didapatkan jika pendugaannya menggunakan informasi awal Jeffreys-rule. Tabel 1 Perbandingan Nilai BIC dan Ragam Penduga Ragam Indep. Jeffreys Jeffreys-rule Uniform BIC b b b b b b σ φ
6 Koefisien model SAR Bayes dengan informasi awal Jeffreys-rule yang sesuai tertera pada Tabel 2 menunjukkan bahwa semua nilai pendugannya nyata. Koefisien determinasi (R 2 ) model sebesar 99.43% menggambarkan proporsi keragaman peubah yang mempengaruhi persentase penduduk di bawah garis kemiskinan dapat dijelaskan dengan peubah penjelas yang dipilih. Tabel 2 Koefisien Penduga Model SAR Bayes Penduga Koefisien se Koefisien t-hitung p value b 0 3,111 0,4213 7,3836 0,0000* b 1 0,835 0, ,6647 0,0000* b 2 0,163 0,0712 2,2822 0,0293* b 3 0,113 0,0515 2,1933 0,0357* b 4 0,350 0,0929 3,7680 0,0007* b 5 0,358 0,0477 7,5089 0,0000* φ 0,100 0,0555 1,7948 0,0809* R Keterangan : *) nyata pada α = 10% Berdasarkan hasil perhitungan tersebut dapat diketahui bahwa besarnya nilai penduga untuk persentase penduduk yang mempunyai pendidikan dibawah SD mengindikasikan sumbangan terbesar bagi kenaikan persentase penduduk di bawah garis kemiskinan, sehingga peubah tersebut seharusnya menjadi prioritas utama dalam program pengentasan kemiskinan. Hubungan spasial yang ada akan mempengaruhi persentase kemiskinan sebesar 0.10 yang berpengaruh terhadap peningkatan persentase penduduk di bawah garis kemiskinan di Provinsi Jawa Timur. yakni : Pengujian asumsi regresi pada model SAR Bayes dengan informasi awal Jeffreys-rule a. Asumsi Kehomogenan Uji ini dapat dilihat dari plot sisaan pada Gambar 1(a). Dari plot sisaan terhadap dugaan dari model ini memberikan petunjuk bahwa plot tidak mengikuti pola tertentu dan menyebar merata serta tidak cenderung berada di sekitar garis nol. Plot ini menunjukkan asumsi homos- kedastisitas atau uji kehomogenan sisaan terpenuhi. b. Asumsi Kenormalan Pengujian asumsi sisaan berdistribusi normal atau uji kenormalan terlihat pada Gambar 1(b). Berdasarkan gambar tersebut terlihat plot sisaan cenderung terlihat disekitar garis lurus, yang menunjukkan sisaan mengikuti distribusi normal. Hal ini 411
7 diperkuat dengan nilai Kolmogorov-Smirnov (KS) sebesar dengan nilai p- value > yang menunjukkan sisaan berdistribusi normal. (a) (b) Gambar 1 Uji homoskedastisitas atau uji kehomogenan sisaan terhadap nilai dugaan dari model SAR Bayes dari 38 kabupaten/kota (a), Uji sisaan berdistribusi normal atau uji kenormalan pada model SAR Bayes menggunakan informasi awal Jeffreys-rule (b) c. Asumsi Otokorelasi Sisaan Uji ini dilakukan dengan uji Durbin Watson (DW). Hasil pengolahan yang diperoleh, nilai uji DW sebesar Pada p = 5, α = 1%, n = 38, diperoleh nilai d L = 1.02 dan nilai d U = 1.58, karena d U < DW < 4-d L, maka DW nyata yang berarti tolak H 0 sehingga disimpulkan asumsi tidak ada otokorelasi pada sisaan terpenuhi. Analisis Perbandingan Model SAR Bayes dan Model SAR Beberapa kriteria yang tercantum dalam Tabel 3, menunjukkan bahwa nilai koefisien determinasi, nilai R 2 adjust, dan nilai KTG dari model SAR Bayes dan model SAR untuk kasus kemiskinan di Provinsi Jawa Timur sama. Tabel 3. Hasil perbandingan model Bayesian SAR dan model SAR Penduga Bayesian SAR SAR b b b b b b σ φ R R 2 adjust MSE
8 7. SIMPULAN Dari tiga informasi awal noninformatif yang digunakan, informasi awal Jeffreys-rule merupakan informasi awal terbaik dalam model SAR Bayes. Berdasarkan nilai koefisien determinasi, nilai R 2 adjust, dan nilai Kuadrat Tengah Galat (KTG), model SAR dan model SAR Bayes sama baiknya digunakan untuk menganalisis kemiskinan di Provinsi Jawa Timur berdasarkan peubah-peubah penjelas yang dipilih dalam model. 8. DAFTAR PUSTAKA [BPS] Badan Pusat Statistik Data dan Informasi Kemiskinan Jakarta: Badan Pusat Statistik. Gilks WR, Best NG, Tan KKC Adaptive Rejection Metropolis Sampling within Gibbs Sampling. Journal of the Royal Statistical Society. Series C (Applied Statistics) 44(4): Gill J Bayesian Methods: A Social and Behavioral Sciences Approach. Chapman & Hall/CRC Press Company Meilisa M Model Otoregresif Simultan dan Otoregresif Bersyarat untuk Analisis Kemiskinan di Provinsi Jawa Timur [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Oliviera V de, Song JJ Bayesian Analysis of Simultaneous Autoregressive Models. The Indian Journal of Statistics 70-B(2): Waller RA, Gotway CA Applied Spatial Statistics for Public Health Data. New Jersey: JohnWiley & Sons, Inc. 413
TINJAUAN PUSTAKA. merupakan nilai peubah bebas ke-p pada merupakan nilai koefisien peubah penjelas merupakan galat acak pengamatan ke-i.
TINJAUAN PUSTAKA Model egresi Berganda egresi linier adalah persamaan matematika yang menggambarkan hubungan antara peubah respon y dan peubah bebas X X X2 Xp. Hubungan antara kedua peubah tersebut dinyatakan
Lebih terperinciHASIL DAN PEMBAHASAN Deskripsi Data
HASIL DAN PEMBAHASAN Deskripsi Data Jawa Timur merupakan salah satu provinsi di Indonesia yang mempunyai 38 kabupaten/kota, terdiri atas 29 kabupaten dan 9 kota. Secara umum wilayah Provinsi Jawa Timur
Lebih terperinciMODEL OTOREGRESIF SIMULTAN BAYES UNTUK ANALISIS KEMISKINAN DI PROVINSI JAWA TIMUR SAFAAT YULIANTO
MODEL OTOREGRESIF SIMULTAN BAYES UNTUK ANALISIS KEMISKINAN DI PROVINSI JAWA TIMUR SAFAAT YULIANTO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASINYA
Lebih terperinciANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN PEMBOBOT KERNEL GAUSSIAN UNTUK DATA KEMISKINAN. Rita Rahmawati 1, Anik Djuraidah 2.
ANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN PEMBOBOT KERNEL GAUSSIAN UNTUK DATA KEMISKINAN Rita Rahmawati 1, Anik Djuraidah 2 1) Program Studi Statistika, FMIPA Universitas Diponegoro 2) Jurusan
Lebih terperinciRegresi Spasial untuk Menentuan Faktorfaktor Kemiskinan di Provinsi Jawa Timur
Statistika, Vol. 12 No. 1, 1 8 Mei 2012 Regresi Spasial untuk Menentuan Faktorfaktor Kemiskinan di Provinsi Jawa Timur Anik Djuraidah dan Aji Hamim Wigena Departemen Statistika FMIPA-IPB, Kampus IPB Darmaga,
Lebih terperinci(DS.5) MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER
(DS.5) MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER (Kasus : Pendugaan Proporsi Keluarga Miskin Di kabupaten Jember Jawa Timur) Etis Sunandi 1), Khairil A Notodiputro 2), Anik
Lebih terperinciMODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER
MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER Etis Sunandi 1), Khairil A Notodiputro 2), Anik Djuraidah 2) 1) Jurusan Matematika FMIPA Universitas Bengkulu 2) Jurusan Statistika,
Lebih terperinciMODEL OTOREGRESI SIMULTAN DAN OTOREGRESI BERSYARAT UNTUK ANALISIS KEMISKINAN DI PROVINSI JAWA TIMUR MIRA MEILISA
MODEL OTOREGRESI SIMULTAN DAN OTOREGRESI BERSYARAT UNTUK ANALISIS KEMISKINAN DI PROVINSI JAWA TIMUR MIRA MEILISA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2011 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciBAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n<<p DAN TERDAPAT KEKOLINEARAN-GANDA
BAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n
Lebih terperinciPengembangan dan Aplikasi Geoinformatika Bayesian pada Data Kemiskinan di Indonesia (Studi Kasus Jawa Timur)
Jurnal Ilmu Pertanian Indonesia (JIPI), Agustus 2012 ISSN 0853 4217 Pengembangan dan Aplikasi Geoinformatika Bayesian pada Data Kemiskinan di Indonesia (Studi Kasus Jawa Timur) Vol. 17 (2): 77 82 (Bayesian
Lebih terperinci(R.11) PENGGUNAAN MATRIKS PEMBOBOT SPASIAL PADA MODEL SMALL AREA ESTIMATION DENGAN METODE SPATIAL EMPIRICAL BEST LINEAR UNBIASED PREDICTION
(R.11) PENGGUNAAN MATRIKS PEMBOBOT SPASIAL PADA MODEL SMALL AREA ESTIMATION DENGAN METODE SPATIAL EMPIRICAL BEST LINEAR UNBIASED PREDICTION Dariani Matualage (1), Asep Saefuddin (2), Aji Hamim Wigena (2)
Lebih terperinciMODEL REGRESI SPASIAL UNTUK DETEKSI FAKTOR-FAKTOR KEMISKINAN DI PROVINSI JAWA TIMUR RESTU ARISANTI
MODEL REGRESI SPASIAL UNTUK DETEKSI FAKTOR-FAKTOR KEMISKINAN DI PROVINSI JAWA TIMUR RESTU ARISANTI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi adalah suatu metode yang digunakan untuk menganalisa hubungan antara variabel respon dan variabel prediktor. Pada umumnya analisis regresi
Lebih terperinciPENDEKATAN REGRESI SPASIAL DALAM PEMODELAN TINGKAT PENGANGGURAN TERBUKA MARIANA
PENDEKATAN REGRESI SPASIAL DALAM PEMODELAN TINGKAT PENGANGGURAN TERBUKA MARIANA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan
Lebih terperinciPENDEKATAN BAYESIAN SPASIAL EKONOMETRIKA PADA PEMODELAN MIGASI PENDUDUK DI JAWA BARAT. Oleh : Priyono
PENDEKATAN BAYESIAN SPASIAL EKONOMETRIKA PADA PEMODELAN MIGASI PENDUDUK DI JAWA BARAT Oleh : Priyono Dosen Pembimbing : Dr. Ir. Setiawan, MS Dr. Sutikno, M.Si PROGRAM MAGISTER JURUSAN STATISTIKA FMIPA
Lebih terperinciPROSIDING ISSN : Seminar Nasional Statistika 12 November 2011 Vol 2, November 2011
(R.7) Model Regresi Poisson dan Model Spasial Otoregresif Poisson untuk Mendeteksi Faktor-Faktor yang Berpengaruh terhadap Jumlah Penderita Gizi Buruk di Provinsi Jawa Timur Siti Rohmah Rohimah 1, Muhammad
Lebih terperinciMODEL REGRESI TERBOBOTI GEOGRAFIS BAYES UNTUK DATA KEMISKINAN (Kasus 35 Desa atau Kelurahan di Kabupaten Jember) YUSNITA
MODEL REGRESI TERBOBOTI GEOGRAFIS BAYES UNTUK DATA KEMISKINAN (Kasus 35 Desa atau Kelurahan di Kabupaten Jember) YUSNITA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012 PERNYATAAN MENGENAI TESIS
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEMISKINAN DI JAWA TENGAH MENGGUNAKAN MODEL GALAT SPASIAL
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEMISKINAN DI JAWA TENGAH MENGGUNAKAN MODEL GALAT SPASIAL SKRIPSI Oleh: OCTAFINNANDA UMMU FAIRUZDHIYA 24010210130057 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciTINJAUAN PUSTAKA Profil Kabupaten Jember Pengeluaran Per kapita
TINJAUAN PUSTAKA Profil Kabupaten Jember Berdasarkan data BPS (2009), Kabupaten Jember secara geografis terletak pada 113 0 30-113 0 45 Bujur Timur dan 8 0 00-8 0 30 Lintang Selatan. Wilayah Kabupaten
Lebih terperinciBAB III GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
BAB III GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) 3.1 Data Spasial Data spasial memuat informasi tentang atribut dan informasi lokasi. Sedangkan data bukan spasial (aspatial data) hanya memuat informasi
Lebih terperincipendekatan dalam penelitian ini dinilai cukup beralasan.
Tabel Hasil pendugaan model pengaruh tetap dengan Y sebagai peubah respon dan X, X dan X sebagai C -. 00 X -5 0.50 X.05 00 X 00 R 0.6 Adjusted R 0.6 Hasil pendugaan model data panel dengan Y sebagai peubah
Lebih terperinciTeknik Ensemble dengan Additive Noise pada Estimasi Parameter Model Autoregressive Spasial
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Teknik Ensemble dengan Additive Noise pada Estimasi Parameter Model Autoregressive Spasial Sulistiyaningsih 1, Dewi Retno Sari Saputro 2, Purnami Widyaningsih
Lebih terperinciBAB II TINJAUAN PUSTAKA. level, model regresi tiga level, penduga koefisien korelasi intraclass, pendugaan
6 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini yaitu analisis regresi, analisis regresi multilevel, model regresi dua level, model regresi tiga
Lebih terperinciBAB I PENDAHULUAN. hubungan antara dua variabel yang terdiri dari variabel tak bebas (Y ) dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi adalah metode statistika yang paling sering digunakan dalam segala bidang ilmu pengetahuan, analisis ini bertujuan untuk memodelkan hubungan antara
Lebih terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih terperinciTINJAUAN PUSTAKA Pemilihan Peubah Gizi Buruk
5 TINJAUAN PUSTAKA Pemilihan Peubah Gizi Buruk Gizi buruk adalah keadaan kurang zat gizi tingkat berat yang disebabkan oleh rendahnya konsumsi energi dan protein dalam waktu cukup lama yang ditandai dengan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Pada bab ini dibahas model regresi probit spasial, dan algoritme Gibbs sampling. Selanjutnya algoritme Gibbs sampling tersebut diterapkan untuk estimasi nilai parameter model
Lebih terperinciBAB III METODE PENELITIAN. Dalam penelitian ini, penulis akan melaksanakan langkah-langkah sebagai
BAB III METODE PENELITIAN A. Langkah Penelitian Dalam penelitian ini, penulis akan melaksanakan langkah-langkah sebagai berikut: 1. Merumuskan spesifikasi model Langkah ini meliputi: a. Penentuan variabel,
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS)
FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS) Yuditia Ari Prabowo, Yuliana Susanti, dan Santoso Budi Wiyono
Lebih terperinciABSTRAK. Mariana, Dosen Pendidikan Matematika Fakultas Tarbiyah dan Keguruan, IAIN Ambon ,
ABSTRAK PENDEKATAN REGRESI SPASIAL DALAM PEMODELAN TINGKAT PENGANGGURAN TERBUKA (Spatial Regression Approach in Modeling of Open Unemployment Rate) Mariana, Dosen Pendidikan Matematika Fakultas Tarbiyah
Lebih terperinciANALISIS SPASIAL DATA PANEL UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEMISKINAN DI PROVINSI SUMATERA SELATAN YULIA ANGGRAENI
i ANALISIS SPASIAL DATA PANEL UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEMISKINAN DI PROVINSI SUMATERA SELATAN YULIA ANGGRAENI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREYS 1. PENDAHULUAN
ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREYS Firda Amalia, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika FMIPA Abstrak.
Lebih terperinciPENDUGAAN AREA KECIL TERHADAP ANGKA MELEK HURUF DI KABUPATEN KUTAI KARTANEGARA DENGAN METODE EMPIRICAL BAYES BERBASIS MODEL BETA-BINOMIAL
PENDUGAAN AREA KECIL TERHADAP ANGKA MELEK HURUF DI KABUPATEN KUTAI KARTANEGARA DENGAN METODE EMPIRICAL BAYES BERBASIS MODEL BETA-BINOMIAL Norlatifah 1), Gandhi Pawitan 2), Enny Supartini 3) 1) Mahasiswa
Lebih terperinciMODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK BAYESIAN
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 128 133 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE
Lebih terperinciPEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG. Indahwati, Yenni Angraeni, Tri Wuri Sastuti
S-25 PEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG Indahwati, Yenni Angraeni, Tri Wuri Sastuti Departemen Statistika FMIPA IPB Email : Indah_stk@yahoo.com Abstrak Pemodelan multilevel adalah
Lebih terperinciPelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi. Bertho Tantular 1)
Pelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi S-28 Bertho Tantular 1) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD berthotantular@gmail.com Abstrak Secara umum model
Lebih terperinciPENERAPAN REGRESI SPASIAL UNTUK DATA KEMISKINAN KABUPATEN DI PULAU JAWA MIA AMELIA
PENERAPAN REGRESI SPASIAL UNTUK DATA KEMISKINAN KABUPATEN DI PULAU JAWA MIA AMELIA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 RINGKASAN MIA
Lebih terperinciPROSEDUR PENAKSIRAN PARAMETER MODEL MULTILEVEL MENGGUNAKAN TWO STAGE LEAST SQUARE DAN ITERATIVE GENERALIZED LEAST SQUARE
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 PROSEDUR PENAKSIRAN PARAMETER MODEL MULTILEVEL MENGGUNAKAN TWO STAGE LEAST
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Model Regresi Linier Metode regresi linier merupakan suatu metode yang memodelkan hubungan antara variabel respon dengan variabel prediktor. Tujuannya adalah untuk mengukur
Lebih terperinciBAB III MARKOV SWITCHING AUTOREGRESSIVE (MSAR)
25 BAB III (MSAR) 3.1 Model Markov Switching Autoregressive Model runtun waktu Markov Switching Autoregressive adalah salah satu model runtun waktu yang merupakan perluasan dari model Autoregressive (AR).Ide
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan sebuah alat statistik yang memberi penjelasan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan sebuah alat statistik yang memberi penjelasan tentang pola hubungan (model) antara dua peubah atau lebih (Draper dan Smith, 1992).
Lebih terperinciPROFIL KEMISKINAN DI PROVINSI PAPUA BARAT SEPTEMBER 2016
No. 03/01/91 Th.XI, 3 Januari 2017 PROFIL KEMISKINAN DI PROVINSI PAPUA BARAT SEPTEMBER 2016 Jumlah penduduk miskin (Penduduk yang berada di bawah Garis Kemiskinan) di Papua Barat kondisi Maret 2016 sebesar
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Kemiskinan Berdasarkan pendekatan kebutuhan dasar, ada tiga indikator kemiskinan yang digunakan, Pertama Head Count Index (HCI- P0) yaitu persentase penduduk yang dibawah garis
Lebih terperinciKata Kunci: Analisis Regresi Linier, Penduga OLS, Penduga GLS, Autokorelasi, Regresor Bersifat Stokastik
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 168 176 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN PENDUGA ORDINARY LEAST SQUARES (OLS) DAN GENERALIZED LEAST SQUARES (GLS) PADA MODEL REGRESI
Lebih terperinciANALISIS REGRESI TOBIT SPASIAL: Studi Kasus Penggunaan Internet di Pulau Jawa
ANALISIS REGRESI TOBIT SPASIAL: Studi Kasus Penggunaan Internet di Pulau Jawa oleh: Andhie Surya Mustari NRP. 1310 201 719 Pembimbing: Dr. Dra. Ismaini Zain, M.Si. Seminar Tesis, Senin, 16 Januari 2012
Lebih terperinciPENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION (HB SAE) DALAM MENGESTIMASI ANGKA MELEK HURUF KECAMATAN DI KABUPATEN INDRAMAYU
PENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION (HB SAE) DALAM MENGESTIMASI ANGKA MELEK HURUF KECAMATAN DI KABUPATEN INDRAMAYU Ari Shobri B 1), Septiadi Padmadisastra 2), Sri Winarni 3) 1) Mahasiswa
Lebih terperinciSPATIAL AUTOREGRESSIVE MODEL DAN MATRIKS PEMBOBOT SPASIAL ROOK CONTIGUITY UNTUK PEMODELAN GINI RATIO DI INDONESIA TAHUN 2014.
Spatial Autoregressive Model... (Lailatul Syaadah) 1 SPATIAL AUTOREGRESSIVE MODEL DAN MATRIKS PEMBOBOT SPASIAL ROOK CONTIGUITY UNTUK PEMODELAN GINI RATIO DI INDONESIA TAHUN 214 Jurnal Diajukan kepada Fakultas
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1 Lokasi dan Waktu Penelitian Penelitian di lakukan di Provinsi Jawa Barat dengan menggunakan data tahun 2005 sampai dengan data tahun 2009. Pemilihan dilakukan secara sengaja
Lebih terperinciBAB III PEMBAHASAN. Pada pembahasan kali ini akan diuraikan langkah-langkah dalam melakukan
BAB III PEMBAHASAN Pada pembahasan kali ini akan diuraikan langkah-langkah dalam melakukan pemodelan menggunakan Spatial Autoregressive Model dan Matriks pembobot spasial Rook Contiguity. Langkah-langkah
Lebih terperinciHASIL DAN PEMBAHASAN Pendugaan Pengeluaran Per Kapita
HASIL DAN PEMBAHASAN Pendugaan Pengeluaran Per Kapita Kabupaten Jember terdiri dari 247 desa/kelurahan. 14.17% dari jumlah tersebut atau 35 desa/kelurahan terpilih sebagai contoh dalam susenas 2008, dengan
Lebih terperinciMODEL REGRESI WEIBULL DENGAN ADDITIVE FRAILTIES PADA DATA SURVIVAL. Universitas Hasanuddin
MODEL REGRESI WEIBULL DENGAN ADDITIVE FRAILTIES PADA DATA SURVIVAL 1 Rima Ruktiari, 2 Sri Astuti Thamrin, 3 Armin Lawi 1,2,3 Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 563-572 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS PENGARUH INFLASI, KURS, DAN SUKU BUNGA SERTIFIKAT BANK
Lebih terperinciPERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA
PERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA Febriani Astuti, Kartiko, Sri Sulistijowati Handajani Jurusan Matematika
Lebih terperinciMetode Regresi Ridge dengan Iterasi HKB dalam Mengatasi Multikolinearitas
Vol. 14, No. 1, 93-99, Juli 2017 Metode Regresi Ridge dengan Iterasi HKB dalam Mengatasi Multikolinearitas Nurhasanah Abstrak Regresi berganda dengan peubah bebas saling berkorelasi (multikolinearitas)
Lebih terperinciDATA DAN METODE Sumber Data
14 DATA DAN METODE Sumber Data Data yang digunakan dalam penelitian ini adalah data hasil simulasi dan data dari paket Mclust ver 3.4.8. Data simulasi dibuat dalam dua jumlah amatan yaitu 50 dan 150. Tujuan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Statistik area kecil (small area statistics) saat ini telah menjadi perhatian para statistisi dunia secara sangat serius. Telah banyak penelitian yang dikembangkan
Lebih terperinciIV. METODOLOGI PENELITAN. Penelitian dilakukan di objek wisata Taman Margasatwa Ragunan, Jakarta
IV. METODOLOGI PENELITAN 4.1 Lokasi dan Waktu Penelitian Penelitian dilakukan di objek wisata Taman Margasatwa Ragunan, Jakarta Selatan. Penelitian lapang dilakukan selama dua bulan, yaitu Maret-April
Lebih terperinciPEMODELAN DATA PANEL SPASIAL MENGGUNAKAN MODEL SUR-SAR DENGAN PENDEKATAN BAYESIAN HILMAN DWI ANGGANA
PEMODELAN DATA PANEL SPASIAL MENGGUNAKAN MODEL SUR-SAR DENGAN PENDEKATAN BAYESIAN HILMAN DWI ANGGANA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciTINJAUAN PUSTAKA. Model Linier dengan n pengamatan dan p variable penjelas biasa ditulis sebagai
II. TINJAUAN PUSTAKA 2.1. Model Linear Model Linier dengan n pengamatan dan p variable penjelas biasa ditulis sebagai berikut : Y i = β 0 + X i1 β 1 + X i2 β 2 + + X ip β p +ε i ; i = 1,2,, n bila dirinci
Lebih terperinciSemakin besar persentase CCR yang dihasilkan, maka tingkat akurasi yang dihasilkan semakin tinggi (Hair et. al., 1995).
3 fungsi diskriminan cukup untuk memisahkan k buah kelompok. Karena fungsi-fungsi diskriminan tidak saling berkorelasi, maka komponen aditif dari V masing-masing didekati dengan khi-kuadrat dengan V j
Lebih terperinciTINGKAT KEMISKINAN BALI, MARET 2009
No. 29/07/51/Th. III, 1 Juli 2009 TINGKAT KEMISKINAN BALI, MARET 2009 Jumlah penduduk miskin di Bali pada bulan Maret 2009 tercatat sebesar 181,7 ribu orang, mengalami penurunan sebesar 33,99 ribu orang
Lebih terperinciPENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN
PENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN A. Rofiqi Maulana; Suci Astutik Universitas Brawijaya; arofiqimaulana@gmail.com ABSTRAK. Filariasis (Penyakit Kaki Gajah) adalah penyakit
Lebih terperinciMETODE PENELITIAN. Setiabudi 8
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian mengenai sikap konsumen terhadap daging sapi lokal dan impor ini dilakukan di DKI Jakarta, tepatnya di Kecamatan Setiabudi, Kotamadya Jakarta
Lebih terperinciESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC)
ESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC) Radite Astana Murti 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika
Lebih terperinciANALISIS REGRESI KUANTIL
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 103 107 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI KUANTIL SAIDAH, FERRA YANUAR, DODI DEVIANTO Program Studi Magister Matematika, Fakultas
Lebih terperinciBAB II TINJAUAN PUSTAKA. Hal ini sangat membantu dalam proses pembuktian sifat-sifat dan perhitungan
6 BAB II TINJAUAN PUSTAKA 2.1 Matriks Persamaan regresi linear berganda dapat dinyatakan dalam bentuk matriks. Hal ini sangat membantu dalam proses pembuktian sifat-sifat dan perhitungan matematis dari
Lebih terperinciSimulasi Radius Jarak Pengaruhnya terhadap Kebaikan Model Regresi Logistik Spasial 1. Abstrak
Simulasi Radius Jarak Pengaruhnya terhadap Kebaikan Model Regresi Logistik Spasial 1 Utami Dyah Syafitri 2, Agus M Sholeh 2, Poppy Suprapti 3 Abstrak Pemodelan regresi logistik dengan basis ruang spasial
Lebih terperinciIII. METODE PENELITIAN. topik penelitian secara keseluruhan. Dalam kaitannya dengan hal ini, metode
III. METODE PENELITIAN Metode penelitian merupakan pendekatan umum untuk membangun topik penelitian secara keseluruhan. Dalam kaitannya dengan hal ini, metode penelitian merupakan sistem atas peraturan-peraturan
Lebih terperinciMETODE PENELITIAN. wilayah Kecamatan Karawang Timur dijadikan sebagai kawasan pemukiman dan
IV. METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian Penelitian ini merupakan studi kasus yang dilakukan di Kecamatan Karawang Timur, Kabupaten Karawang. Pemilihan lokasi tersebut didasarkan atas wilayah
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 terperinciJumlah dan Persentase Penduduk Miskin Riau pada Maret 2016 adalah 515,40 ribu atau 7,98 persen dari total penduduk.
No. 35/07/14 Th. XVII, 18 Juli 2016 TINGKAT KEMISKINAN RIAU MARET 2016 Jumlah dan Persentase Penduduk Miskin Riau pada Maret 2016 adalah 515,40 ribu atau 7,98 persen dari total penduduk. Jumlah penduduk
Lebih terperinciPERBANDINGAN ANTARA MODEL LINIER DENGAN FAKTOR TETAP (GLM) DENGAN MODEL LINIER DENGAN FAKTOR TETAP DAN ACAK (GLMM) WULAN METAFURRY
PERBANDINGAN ANTARA MODEL LINIER DENGAN FAKTOR TETAP (GLM) DENGAN MODEL LINIER DENGAN FAKTOR TETAP DAN ACAK (GLMM) WULAN METAFURRY DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGTAHUAN ALAM INSTITUT
Lebih terperinciREGRESI TERBOBOTI GEOGRAFIS DENGAN FUNGSI PEMBOBOT KERNEL GAUSSIAN
REGRESI TERBOBOTI GEOGRAFIS DENGANN FUNGSI PEMBOBOT KERNEL GAUSSIAN DAN KERNEL BISQUARE PADA ANGKA HARAPAN HIDUP (Studi Kasus : Angka Harapan Hidup Kabupaten/Kota di Provinsi Jawa Timur) LUKMAN MAULANA
Lebih terperinciDeteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013)
Deteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013) Dwiningrum Prihastiwi, Dadang Juandi, Nar Herrhyanto
Lebih terperinciMODEL-MODEL LEBIH RUMIT
MAKALAH MODEL-MODEL LEBIH RUMIT DISUSUN OLEH : SRI SISKA WIRDANIYATI 65 JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS ISLAM INDONESIA 04 BAB I PENDAHULUAN. Latar Belakang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinciPENERAPAN METODE PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PADA PENENTUAN PROPORSI RUMAH TANGGA MISKIN DI KABUPATEN KLUNGKUNG
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 35-39 ISSN: 2303-1751 PENERAPAN METODE PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PADA PENENTUAN PROPORSI RUMAH TANGGA MISKIN DI KABUPATEN KLUNGKUNG PUTU
Lebih terperinciPENERAPAN MODEL SPASIAL DURBIN PADA ANGKA PARTISIPASI MURNI JENJANG SMA SEDERAJAT DI PROVINSI JAWA TENGAH
PENERAPAN MODEL SPASIAL DURBIN PADA ANGKA PARTISIPASI MURNI JENJANG SMA SEDERAJAT DI PROVINSI JAWA TENGAH Erliyana Devitasari, Sri Sulistijowati Handayani, dan Respatiwulan Program Studi Matematika FMIPA
Lebih terperinciBAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur
BAB I PENDAHULUAN 1.1 Latar Belakang Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis dan interpretasi data. Statistika
Lebih terperinciPROFIL KEMISKINAN PROVINSI KALIMANTAN TENGAH SEPTEMBER 2011
No. 07/01/62/Th. VI, 2 Januari 2012 PROFIL KEMISKINAN PROVINSI KALIMANTAN TENGAH SEPTEMBER 2011 RINGKASAN Jumlah penduduk miskin (penduduk dengan pengeluaran per kapita per bulan di bawah garis kemiskinan)
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 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 terperinciPROFIL KEMISKINAN PROVINSI SUMATERA BARAT SEPTEMBER 2014
No. 05 /1 /13/Th. XVIII / 2 Januari 2015 PROFIL KEMISKINAN PROVINSI SUMATERA BARAT SEPTEMBER 2014 Jumlah penduduk miskin di Provinsi Sumatera Barat pada September 2014 adalah 354.738 jiwa. Dibanding Maret
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan fungsional antara variabel respon dengan satu atau beberapa variabel prediktor.
Lebih terperinciPROFIL KEMISKINAN PROVINSI SUMATERA BARAT SEPTEMBER 2015
No. 04 / 01 /13/Th. XIX / 4 Januari 2016 PROFIL KEMISKINAN PROVINSI SUMATERA BARAT SEPTEMBER 2015 Jumlah penduduk miskin di Provinsi Sumatera Barat pada adalah 349.529 jiwa. Dibanding (379.609 jiwa) turun
Lebih terperinciMETODE PENELITIAN. Struktur, Perilaku, dan Kinerja Industri Kakao di Indonesia. Kegiatan penelitian ini
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian ini dilakukan di Bogor, Provinsi Jawa Barat dengan studi kasus Struktur, Perilaku, dan Kinerja Industri Kakao di Indonesia. Kegiatan penelitian
Lebih terperinciPROFIL KEMISKINAN DI SULAWESI TENGGARA MARET 2017 RINGKASAN
38/07/Th. XX, 17 JULI 2017 PROFIL KEMISKINAN DI SULAWESI TENGGARA MARET 2017 RINGKASAN Jumlah penduduk miskin (penduduk yang berada dibawah Garis Kemiskinan) di Sulawesi Tenggara pada bulan Maret 2017
Lebih terperinciMODEL REGRESI SPASIAL UNTUK ANAK TIDAK BERSEKOLAH USIA KURANG 15 TAHUN DI KOTA MEDAN
Saintia Matematika Vol. 1, No. 1 (2013), pp. 87 99. MODEL REGRESI SPASIAL UNTUK ANAK TIDAK BERSEKOLAH USIA KURANG 15 TAHUN DI KOTA MEDAN Musfika Rati, Esther Nababan, Sutarman Abstrak. Penelitian ini dilakukan
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI A. Persamaan Regresi Linear Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk mengetahui pola hubungan antara dua atau lebih variabel. Analisis regresi
Lebih terperinciPENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1)
PENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1) Anang Kurnia Departemen Statistika FMIPA IPB Jl. Meranti, Wing 22 Level 4 Kampus IPB Darmaga, Bogor Email: anangk@ipb.ac.id
Lebih terperinciIV. METODE PENELITIAN. Penelitian dilakukan di Desa Tugu Utara dan Kelurahan Cisarua,
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian dilakukan di Desa Tugu Utara dan Kelurahan Cisarua, Kecamatan Cisarua, Kabupaten Bogor, Provinsi Jawa Barat. Pemilihan lokasi dilakukan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah Atiya Maulani, 2013
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam kehidupan sehari-hari, tidak jarang dihadapkan pada berbagai masalah yang berkaitan dengan dua atau lebih variabel dalam suatu bentuk hubungan tertentu
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. Obyek dari penelitian yang akan diteliti dalam penelitian ini adalah besarnya
BAB 3 METODOLOGI PENELITIAN 3.1 Obyek Penelitian Obyek dari penelitian yang akan diteliti dalam penelitian ini adalah besarnya yield to maturity (YTM) dari obligasi negara seri fixed rate tenor 10 tahun
Lebih terperinciTINJAUAN PUSTAKA. Menurut Usman dan Warsono (2000) bentuk model linear umum adalah :
II. TINJAUAN PUSTAKA. Model Linear Umum Menurut Usman dan Warsono () bentuk model linear umum adalah : Y = Xβ + ε dengan : Y n x adalah vektor peubah acak yang teramati. X n x p adalah matriks nxp dengan
Lebih terperinciPROFIL KEMISKINAN PROVINSI SUMATERA BARAT MARET 2016
No. 42/7/13/Th. XIX/18 Juli 2016 PROFIL KEMISKINAN PROVINSI SUMATERA BARAT MARET 2016 Jumlah penduduk miskin di Provinsi Sumatera Barat pada 2016 adalah 371.555 jiwa. Dibanding (349.529 jiwa) naik sebanyak
Lebih terperinciBAB III METODE PENELITIAN
33 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Penelitian ini dilakukan berdasarkan data series bulan yang dipublikasikan oleh Bank Indonesia (BI) dan Badan Pusat Statistik (BPS), diantaranya adalah
Lebih terperinciIII. METODE PENELITIAN
21 III. METODE PENELITIAN 3.1 Lokasi dan Waktu Penelitian Penelitian ini dilaksanakan di Desa Babakan Kecamatan Dramaga Kabupaten Bogor. Pemilihan tersebut dengan pertimbangan bahwa wilayah tersebut merupakan
Lebih terperinciTINGKAT KEMISKINAN RIAU MARET 2010
No. 28/ 07/14/Th. X, 1 Juli 2010 TINGKAT KEMISKINAN RIAU MARET 2010 Jumlah dan Persentase Penduduk Miskin Riau pada Maret 2010 adalah 500,26 ribu atau 8,65 persen dari total penduduk. Jumlah penduduk miskin
Lebih terperinciTingkat Kemiskinan Jawa Barat Maret 2015
BPS PROVINSI JAWA BARAT No. 55/09/32/Th. XVII, 15 September 2015 Tingkat Kemiskinan Jawa Barat Maret 2015 Jumlah penduduk miskin (penduduk yang berada dibawah Garis Kemiskinan) di Jawa Barat pada bulan
Lebih terperinciPROFIL KEMISKINAN DI PROVINSI PAPUA BARAT MARET 2017
No. 34/07/91 Th. XI, 17 Juli 2017 PROFIL KEMISKINAN DI PROVINSI PAPUA BARAT MARET 2017 Jumlah penduduk miskin (Penduduk yang berada di bawah ) di Papua Barat kondisi September 2016 sebesar 223,60 ribu
Lebih terperinci