DIAGNOSTIK SISAAN DENGAN AUTOCORRELOGRAM PADA MODEL REGRESI LOGISTIK. (Studi Kasus pada Pendugaan Desa Miskin di Jawa Barat) 1
|
|
- Ivan Pranoto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 DIAGNOSTIK SISAAN DENGAN AUTOCORRELOGRAM PADA MODEL REGRESI LOGISTIK (Studi Kasus pada Pendugaan Desa Miskin di Jawa Barat) 1 Utami Dyah Syafitri 2, Agus M Soleh 2, Salamatutanzil 3 Abstrak regresi logistik spasial merupakan model regresi logistik dengan memasukkan pengaruh spasial. Pembobot spatial yang digunakan salah satunya adalah model variogram spherical. Diagnostik sisaan dilakukan dengan menggunakan autocorrelogram. Penelitian ini menitikberatkan pada algoritma penyusunan autocorrelogram. Hasil penelitian menunjukkan bahwa pola autocorrelogram menurun secara eksponensial dan nilai autokorelasinya mendekati nol. Hal ini menunjukkan bahwa sisaan model regresi logistik spasial sudah tidak berautokorelasi. Kata kunci: Autokorelasi Spasial, Autocorrelogram, Indeks Moran, dan Koefisien Geary. PENDAHULUAN Latar Belakang Pengaruh antar ruang diperlukan dalam pemodelan dengan basis ruang (spasial). Pemodelan klasik yang mengasumsikan bahwa antar ruang saling bebas menjadi kurang relevan. Pemodelan regresi logistik spasial memasukkan pengaruh spasial ke dalam model regresi logistik dengan harapan bahwa pendugaan model yang dihasilkan lebih akurat. Beberapa penelitian telah dilakukan berkaitan dengan regresi logistik spatial. Pendugaan status kemiskinan desa di Kabupaten dan Kota Bogor menggunakan model regresi logistik spasial dengan pendekatan matriks contiguity telah dilakukan Thaib (2008). Secara umum hasil pendugaan regresi logistic spatial sedikit lebih bagusdibandingkan dengan regresi klasik. Penelitian Thaib (2008) tidak memasukkan diagnostic sisaan. Salamatutanzil (2009) melanjutkan penelitian Thaib (2008). Dari diagnostik sisaan yang dilakukan dengan menggunakan index moran dan index geary diperoleh bahwa sisaan model regresi logistik spatial yang dikembangkan Thaib (2008) sudah tidak ber-autokorelasi. Pratama (2008) dan Suprapti (2009) melakukan pemodelan regresi logistik spatial dengan menggunakan fungsi variogram sebagai bentuk general dari matriks contiguity. Kedua penelitian tersebut menghasilkan bahwa pendekatan regresi logistik spatial menghasilkan pendugaan desa miskin di Jawa Barat lebih baik dari regresi klasik. Suprapti (2009) menghasilkan bahwa model terbaik diperoleh dengan pendekatan model variogram spherical. Dalam penelitian tersebut belum dilakukan diagnostik sisaan berkaitan dengan kemampuan model mengakomodir keragaman spasial. 1 Disampaikan pada Seminar Nasional Statistika ke-9, ITS, 7 November Staf Departemen Statistika FMIPA IPB 3 Alumni Departemen Statistika FMIPA IPB
2 Oleh karena itu, penelitian ini bertujuan untuk melakukan diagnostik terhadap sisaan model regresi logistic spatial dengan pendekatan fungsi variogram spherical melalui autocorrelogram. Titik berat dari penelitian ini adalah menyusun algoritma dalam membangun autocorrelogram. TINJAUAN PUSTAKA Autocorrelogram Autocorrelogram atau dalam deret waktu biasa disebut dengan Correlogram, merupakan suatu plot koefisien autokorelasi dengan jarak (interval) (Rossi, J.P, 1997). Dapat digunakan sebagai visualisasi trend spasial dalam hubungan kebertetanggaan. Jika titik-titik plot menyebar acak, plot tersebut berada dekat dengan nilai nol untuk semua radius jarak, dan menjadi tidak acak apabila satu atau lebih titik-titik pada plot tersebut berada pada bukan selain nilai nol. Webster and Oliver (1990) dalam Lauzon (2005) menyatakan bahwa koefisien autokorelasi pada jarak h, diberikan oleh fungsi : ρ(h) = C(h) / C(0) [1] dimana ρ(h) merupakan koefisien autokorelasi sisaan pada jarak ke-h, C(h) adalah fungsi autocovariance dari sisaan yang dipisahkan pada jarak ke-h, dan C(0) adalah fungsi ragam sisaan. C(h) = E[(x) (x - h)] -E(x)E(x - h) C(0) = E[(x 2 )]-[E(x)] 2 = σ 2 [2] Cressie (1993) menyebutkan bahwa correlogram yang disebut juga sebagai fungsi autokorelasi, biasa digunakan pada analisis deret waktu untuk mendiagnosis ketidakstasioneran, untuk fitted model, dan lain-lain. Variogram Analisis variogram melakukan penghitungan pada sejumlah lokasi dan melihat hubungan antar observasi pada berbagai lokasi. Variogram menghitung hubungan antara perbedaan pengukuran berpasangan dan jarak dari poin-poin yang bersesuaian satu sama lain. Variogram merupakan keragaman spasial antar lokasi dengan saling ketergantungan satu sama lain dalam ruang berdimensi m. Variogram merupakan fungsi spasial terbaik yang diketahui (Ashraf et al, 1997). Cressie (1993) menyebutkan bahwa variogram mempunyai beberapa model, diantaranya: 1. Power γ(h) = C 0 + ph a h 0 0 [3] h=0
3 2. Spherical γ h = 0, h = 0 c 0 + c s c 0 + c s, h a 1 3 h 2 a < h a 3 h 2 a, 0 [4] dimana A adalah range, h merupakan jarak antar pengamatan, p merupakan kemiringan kurva, c o merupakan intersep, dan c 0 + c s merupakan sill. Sill merupakan titik tertinggi yang dicapai oleh variogram sedangkan range merupakan jarak pengamatan saat mencapai sill. Autokorelasi Spasial Hukum I Geografi berbunyi, segala sesuatu berhubungan satu sama lain, dan sesuatu yang berada lebih dekat mempunyai hubungan yang lebih erat dibandingkan dengan yang berada lebih jauh (Lee & Wong, 2001). Secara umum, data geografis tidak akan saling bebas. Autokorelasi spasial adalah suatu ukuran kemiripan dari objek di dalam suatu ruang, baik jarak, waktu, ataupun wilayah. Dengan kata lain autokorelasi spasial adalah korelasi antara variabel dengan dirinya sendiri berdasarkan ruang. Adanya autokorelasi spasial mengindikasikan bahwa nilai atribut pada daerah tertentu terkait oleh nilai atribut tersebut pada daerah lain yang letaknya berdekatan (bertetanggaan). Lembo (2006) menyebutkan jika ada pola yang sistematik dalam sebaran spasial suatu atribut, maka dapat dikatakan bahwa ada autokorelasi spasial dalam atribut tersebut. Jika dalam suatu daerah yang saling berdekatan mempunyai nilai yang sangat mirip, menunjukkan autokorelasi spasial positif. Jika nilai di daerah yang berdekatan tidak mirip, menunjukkan autokorelasi spasial negatif. Nilai yang acak menunjukkan tidak adanya autokorelasi spasial. Secara visual dapat dilihat pada Gambar 1. Konsep dasar dalam analisis autokorelasi spasial untuk data area adalah matriks pembobot spasial. Regresi Logistik Spasial Augustin et al. (1996) dalam Fernandez (2003) menggunakan model dalam bentuk: ( x) g( x) log 1 ( x) dengan i k j 1 k j 1` w yˆ ij w ij i
4 model dari ψ merupakan bentuk dari autocovarian dan merupakan rataan terboboti dari jumlah kejadian dalam suatu lokasi ke-i yang terdiri dari k tetangganya. Pembobot dari lokasi ke-j adalah w ij = 1/h ij dimana h ij adalah jarak euclidean antara lokasi ke-i dan ke-j. Serta ŷ adalah dugaan dari ada/tidaknya suatu kejadian. Autokorelasi positif Autokorelasi negatif Tidak ada autokorelasi Gambar 1 Pola autokorelasi spasial Pratama (2008), Thaib (2008), dan Suprapti (2009) menggunakan pendekatan model regresi logistik spatial sebagai berikut: π x log = Xβ + β 2 Zy + ε 1 π x Dimana Z adalah matriks pembobot spatial yang dibangun dari fungsi variogram dan matriks contiguity. Secara umum proses pendugaan, pengujian hipotesis, penarikan kesimpulan serta interpretasi mengikuti regresi logistik klasik. Begitu pula dengan sisaan, untuk suatu peubah bebas tertentu nilai sisaan Pearson untuk amatan ke-i didefinisikan sebagai berikut: X i = y i n i p(hat) i / {n i p i (1 p(hat) i )} 1/2 BAHAN DAN METODE Bahan Data yang digunakan dalam penelitian ini adalah data Potensi Desa (PODES) 2006, yang meliputi wilayah sebagian Jawa Barat (Tabel 1). Sisaan yang digunakan adalah sisaan dari
5 model regresi logistik spatial yang dikembangkan oleh Suprapti (2009). Dalam hal ini pendekatan variogram yang diambil adalah model variogram spherical. Tabel 1 Total desa dalam penelitian berdasarkan kota dan kabupaten di sebagian Jawa Barat Nomor Nama Kabupaten Jumlah Desa 1. Kab Bogor Kab Sukabumi Kab Cianjur Kab Bandung Kab Subang Kab Purwakarta Kab Karawang Kab Bekasi Kota Bogor Kota Sukabumi Kota Bandung Kota Bekasi Kota Cimahi 15 Total 2749 Metode Berikut adalah alur penelitian yang digunakan untuk membuat autocorrelogram. 1. Dari model variogram spherical yang dilakukan oleh Suprapti (2009) dicari vektor sisaannya (e) berdasarkan pembobot jarak yang dilakukan sebelumnya, yaitu pada radius 7.5 km, 10 km, 15 km, 20 km, 25 km, 27.5 km, dan 30 km. 2. Untuk setiap radius jarak dihitung nilai koefisien autokorelasinya, selengkapnya dapat dilihat pada Gambar 1. a. Membuat kategori berdasarkan matriks jarak. Tabel 2 Kategori matriks jarak yang dibagi Kategori Jarak antar desa 1 0 km < h 7.5 km 2 0 km < h 10 km 3 0 km < h 15 km 4 0 km < h 20 km 5 0 km < h 25 km 6 0 km < h 27.5 km 7 0 km < h 30 km
6 Start Matriks Jarak M Vektor Sisaan (e) Vektor Katergori (k) k = 1 Ya k < 7 i = 1 Tidak Stop if i < 2749 Tidak Ya j = i + 1 Tidak Tidak if j < 2749 Ya if M[i,j] < k Ya insert J[i,j] = e[i],e[j] i= i+1 k = k + 1 j = j + 1 koef.auto [i] = ρ cari std e i, e j, dan coragam e ij koef. autokorelasi = coragam e ij /std(e i ).std(e j ) Gambar 1 Diagram alir perhitungan koefisien autokorelasi
7 b. Untuk masing masing kategori membuat matriks J yang terdiri dari dua kolom. Untuk membuat matriks J harus mengakses matriks jarak M dan vektor sisaan (e). Kolom ke-1 matriks J berisikan nilai sisaan ke-i. Sama halnya dengan kolom ke-2 matriks J yang berisikan nilai sisaan ke-j. c. Menghitung nilai koefisien korelasi dari matriks J. 3. Memplotkan nilai koefisien autokorelasi dengan jaraknya. 4. Melihat hasil dari autocorrelogram tersebut. HASIL DAN PEMBAHASAN Diagnostik sisaan terhadap model regresi logistik spasial dengan membuat plot antara urutan data dengan sisaan terdapat dalam Gambar 2. Pada plot tersebut terlihat bahwa nilai sisaan terbagi 2 (di atas 0 mendekati 1, dan di bawah 0 mendekati -1). Hal ini sesuai dengan respon dalam regresi logistik yang bersifat biner. Pada plot ini sulit melihat apakah jarak sudah mampu mengakomodir pola spasial. Oleh karena itu, digunakanlah autocorrelogram untuk melihat autokorelasi spasial dalam sisaan. Gambar 2. Plot sisaan model logistik spatial dengan pendekatan model variogram spherical pada radius jarak 7.5 km Nilai koefisien autokorelasi untuk model spherical, pada setiap kategori jarak dapat dilihat pada Tabel 3, sedangkan salah satu contoh autocorrelogram dapat dilihat pada Gambar 3. Dari Tabel 3, terlihat bahwa semakin besar kategori jaraknya maka nilai koefisien autokorelasi akan menunjukkan nilai yang acak. Itu terjadi pada semua model kecuali model dengan h 25 km, h 27.5 km, dan h 30 km. Nilai koefisien autokorelasi dari seluruh pembobot jarak untuk setiap kategori jarak mendekati nilai 0. Gambar 3 menunjukkan bahwa pada kategori jarak 7.5 km mempunyai autokorelasi sebesar kemudian turun dan naik lagi pada kategori jarak 20 km.
8 Koefisien Autokorelasi Gambar 3 Autocorrelogram model spherical pada h<7.5 km Sedangkan pada model lainnya relatif menurun secara eksponensial. Berdasarkan selang kepercayaan (SK) 95% menunjukkan sudah tidak ada autokorelasi spasial (Tabel 4). Hal yang sama juga terjadi pada model variogram power. dengan h 7.5 km, h 10 km, h 15 km, dan h 20 km mempunyai nilai koefisien autokorelasi menunjukkan nilai yang acak. Tabel 3 Koefisien autokorelasi pada model spherical Kategori Jarak h<7.5 km h<10 km h<15 km Kategori Jarak h<20 km h<25 km h<27.5 km h< 30 km <7.5 km <10 km <15 km <20 km <25 km <27.5 km <30 km Tabel 4 Selang kepercayaan 95% koefisien autokorelasi model variogram spherical Kategori Jarak SK 95% Batas Atas Batas Bawah <7.5 km <10 km <15 km <20 km <25 km <27.5 km <30 km
9 SIMPULAN Pendekatan regresi logistik spasial baik dengan model variogram spherical sudah mampu mengakomodir keragaman spasial antar desa. Hal ini ditunjukkan oleh selang kepercayaan 95% pada nilai koefisien autokorelasi masing-masing model variogram untuk setiap kategori jarak. DAFTAR PUSTAKA Ashraf, M, Loftis, JC, Hubbard, KG Application of Geostatistics to Evaluate Partial Weather Station Network. J. Agricultural and Forest Meteorology. 84: Cressie, NAC Statistics for Spatial Data. Canada : John Wiley and Sons, Inc. Fernandez, BH Classification and ing of Trees Outside Forest in Central American Landscapes by Combining Remotely Sensed Data and GIS. [Disertasi]. Forstwissenshaftlichen Fakultat. Albert-Ludwigs-Universitat. Lauzon, JD Spatial Variability of Soil Test Phosphorus, Potassium, and ph of Ontario Soils. Madison: American Society of Agronomy. Lembo, AJ Spatial Autocorrelation. Cornell University. [25 oktober 2008] Lee, J & Wong, DWS Statistical Analysis ArcView GIS. New York: John Wiley & Sons, Inc. Rossie, JP Statistical tool for soil biology. XI. Autocorrelogram and Mantel test. Paris: ORSTOM. Salamatuttanzil Eskplorasi Sisaan pada Regresi Logistik Spatial Pendugaan Desa Miskin di Jawa Barat. [Skripsi]. Institut Pertanian Bogor. Suprapti, P Pembobot Jarak dan Titik Potong Optimum dalam Regresi Logistik Spasial untuk Pendugaan Status Kemiskinan Desa di Jawa Barat. [Skripsi]. Institut Pertanian Bogor. Susianto, A Autokorelasi Spasial Tingkat Konsumsi BBM Propinsi Jawa Tengah. [Skripsi]. Institut Pertanian Bogor. Thaib, Z Pemodelan Regresi Logistik Spasial dengan Pendekatan Matriks Contiguity. [Skripsi]. Institut Pertanian Bogor.
EKSPLORASI SISAAN PADA MODEL REGRESI LOGISTIK SPASIAL STATUS KEMISKINAN DESA DI JAWA BARAT SALAMATUTTANZIL
EKSPLORASI SISAAN PADA MODEL REGRESI LOGISTIK SPASIAL STATUS KEMISKINAN DESA DI JAWA BARAT SALAMATUTTANZIL DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
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 terperinciPEMBOBOT JARAK DAN TITIK POTONG OPTIMUM DALAM REGRESI LOGISTIK SPASIAL UNTUK PENDUGAAN STATUS KEMISKINAN DESA DI JAWA BARAT POPPY SUPRAPTI
PEMBOBOT JARAK DAN TITIK POTONG OPTIMUM DALAM REGRESI LOGISTIK SPASIAL UNTUK PENDUGAAN STATUS KEMISKINAN DESA DI JAWA BARAT POPPY SUPRAPTI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPERBANDINGAN HASIL AKURASI PREDIKSI MODEL REGRESI LOGISTIK SPASIAL UNTUK BERBAGAI MODEL VARIOGRAM. Vinda Pratama G
PERBANDINGAN HASIL AKURASI PREDIKSI MODEL REGRESI LOGISTIK SPASIAL UNTUK BERBAGAI MODEL VARIOGRAM Vinda Pratama G14104042 DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
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 terperinciSIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY KRIGING DENGAN TEKNIK JACKKNIFE
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 333-342 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian SIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY
Lebih terperinciMODEL SAR, EKSPANSI SAR DAN PLOT MORAN UNTUK PEMETAAN HASIL AKREDITASI SEKOLAH DI PROVINSI JAWA BARAT *)
MODEL SAR, EKSPANSI SAR DAN PLOT MORAN UNTUK PEMETAAN HASIL AKREDITASI SEKOLAH DI PROVINSI JAWA BARAT *) Atje Setiawan Abdullah 1., Budi Nurani Ruchjana 2,Toni Toharudin 3, Rudi Rosadi 4 1,4 Prodi Teknik
Lebih terperinciKajian Pemilihan Model Semivariogram Terbaik Pada Data Spatial (Studi Kasus : Data Ketebalan Batubara Pada Lapangan Eksplorasi X)
Jurnal Gradien Vol 8 No Januari 0: 756-76 Kajian Pemilihan Semivariogram Terbaik Pada Data Spatial (Studi Kasus : Data Ketebalan Batubara Pada Lapangan Eksplorasi X) Fachri Faisal dan Jose Rizal Jurusan
Lebih terperinciPENERAPAN REGRESI LOGISTIK ORDINAL SPASIAL UNTUK MENDUGA STATUS KEMISKINAN KABUPATEN DI PULAU JAWA TUTI PURWANINGSIH
PENERAPAN REGRESI LOGISTIK ORDINAL SPASIAL UNTUK MENDUGA STATUS KEMISKINAN KABUPATEN DI PULAU JAWA TUTI PURWANINGSIH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
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 terperinci(DS.4) MODEL OTOREGRESIF SIMULTAN BAYES UNTUK ANALISIS DATA KEMISKINAN
(DS.4) MODEL OTOREGRESIF SIMULTAN BAYES UNTUK ANALISIS DATA KEMISKINAN Safaat Yulianto 1, Anik Djuraidah 2, Aji Hamim Wigena 2 1Akademi Statistika Muhammadiyah Semarang 2Jurusan Statistika, Institut Pertanian
Lebih 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 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 terperinciPEMODELAN TINGKAT PRODUK DOMESTIK REGIONAL BRUTO KABUPATEN/KOTA JAWA BARAT DENGAN SPASIAL DATA PANEL NUR HIKMAH
PEMODELAN TINGKAT PRODUK DOMESTIK REGIONAL BRUTO KABUPATEN/KOTA JAWA BARAT DENGAN SPASIAL DATA PANEL NUR HIKMAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
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 terperinciArrowiyah Pembimbing: Dr. Sutikno S.Si M.Si. Seminar Tugas Akhir SS091324
Arrowiyah 1307 100 070 Pembimbing: Dr. Sutikno S.Si M.Si Seminar Tugas Akhir SS091324 1 Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran Daftar Pustaka Seminar
Lebih terperinciPEMODELAN SPATIAL ERROR MODEL (SEM) UNTUK INDEKS PEMBANGUNAN MANUSIA (IPM) DI PROVINSI JAWA TENGAH
PEMODELAN SPATIAL ERROR MODEL (SEM) UNTUK INDEKS PEMBANGUNAN MANUSIA (IPM) DI PROVINSI JAWA TENGAH 1 Diana Wahyu Safitri, 2 Moh Yamin Darsyah, 3 Tiani Wahyu Utami 1,2,3 Program Studi Statistika FMIPA Universitas
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 terperinciMODEL SPASIAL DURBIN EROR UNTUK INDEKS PEMBANGUNAN MANUSIA DI PROVINSI JAWA TENGAH
MODEL SPASIAL DURBIN EROR UNTUK INDEKS PEMBANGUNAN MANUSIA DI PROVINSI JAWA TENGAH Albertus Revoliko Septiawan, Sri Sulistijowati Handajani, dan Titin Sri Martini Program Studi Matematika Fakultas Matematika
Lebih terperinciKata kunci : LISA, Moran I, Spatial Autocorrelation. Abstract
Jurnal Edukasi, Volume 1 No.2, Oktober 2015 ISSN. 2443-0455 ANALISIS SPASIAL AUTOKORELASI PADA DATA PERSENTASE WANITA PERNAH KAWIN DAN TIDAK PERNAH MENGGUNAKAN ALAT / CARA KB DI PROVINSI LAMPUNG Risdiana
Lebih terperinciMODEL AMMI PERCOBAAN LOKASI GANDA PEMUPUKAN N, P, K
, April 2009 p : 11-15 ISSN : 0853-8115 Vol 14 No.1 MODEL AMMI PERCOBAAN LOKASI GANDA PEMUPUKAN N, P, K Mohammad Masjkur 1 dan Niken Dyah Septiastuti Departemen Statistika FMIPA-IPB E-mail : 1 masjkur@gmail.com
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 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 terperinci(R.10) ESTIMASI TOTAL POPULASI DENGAN MENGGUNAKAN PENAKSIR GENERALIZED REGRESSION (GREG)
(R.10) ESTIMASI TOTAL POPULASI DENGAN MENGGUNAKAN PENAKSIR GENERALIZED REGRESSION (GREG) 1Agus Muslim, 2 Sutawanir Darwis, 3 Achmad Zanbar Soleh 1Mahasiswa Magister Statistika Terapan, Universitas Padjadjaran,
Lebih terperinciPENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA
PENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciPERAMALAN TINGKAT PARTISIPASI ANGKATAN KERJA PEREMPUAN DAN FAKTOR-FAKTOR YANG MEMPENGARUHI DI JAWA BARAT
Jurnal Ilmiah UMMI, Volume X1, No. 03 Desember 2017 37 PERAMALAN TINGKAT PARTISIPASI ANGKATAN KERJA PEREMPUAN DAN FAKTOR-FAKTOR YANG MEMPENGARUHI DI JAWA BARAT Agustina Fakultas Ekonomi Universitas Swadaya
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 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 terperinciEstimasi Parameter pada Regresi Spatial Error Model (SEM) yang Memuat Outlier menggunakan Iterative Z Algorithm
PRISMA 1 (2018) https://journal.unnes.ac.id/sju/index.php/prisma/ Estimasi Parameter pada Regresi Spatial Error Model (SEM) yang Memuat Outlier menggunakan Iterative Z Algorithm Yulia Sari, Nur Karomah
Lebih terperinciIII. BAHAN DAN METODE
III. BAHAN DAN METODE 3.1 Lokasi dan Waktu Penelitian Penelitian dilaksanakan di daerah Daerah Aliran Sungai (DAS) Cipunagara dan sekitarnya, Jawa Barat (Gambar 1). DAS Cipunagara berada dibawah pengelolaan
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 terperinciABSTRAK. Kata kunci: DBD, Efek Spasial, Spatial Autoregressive (SAR).
Judul Nama Pembimbing : Pemodelan Penyebaran Kasus Demam Berdarah Dengue (DBD) di Kota Denpasar dengan Metode Spatial Autoregressive (SAR) : Ni Made Surya Jayanti : 1. I Wayan Sumarjaya, S.Si., M.Stats.
Lebih terperinciMODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA. 1. Pendahuluan
MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA Kornelius Ronald Demu, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika FMIPA
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 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 terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 2, 71-81, Agustus 2001, ISSN :
PENANGANAN MULTIKOLINEARITAS (KEKOLINEARAN GANDA) DENGAN ANALISIS REGRESI KOMPONEN UTAMA Tatik Widiharih Jurusan Matematika FMIPA UNDIP Abstrak Multikolinearitas yang tinggi diantara peubah-peubah bebas,
Lebih terperinciPROSIDING TPT XXV PERHAPI 2016 MASALAH PENCOCOKAN MODEL VARIOGRAM PADA PENAKSIRAN KADAR MEMAKAI METODE GEOSTATISTIKA
MASALAH PENCOCOKAN MODEL VARIOGRAM PADA PENAKSIRAN KADAR MEMAKAI METODE GEOSTATISTIKA Waterman Sulistyana Bargawa Magister Teknik Pertambangan UPN Veteran Yogyakarta Email: waterman.sulistyana@gmail.com
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 terperinciKata Kunci : MGWMLM, GWMLM, DAS.
ANALISIS PENGARU CURA UJAN DAN MORFOMETRI PADA PENINGKATAN DEBIT DAN SEDIMEN DI DAS KONTO ULU DENGAN PENDEKATAN MIXED GEOGRAPICALLY WEIGTED MULTUVARIATE LINIER MODEL 1 Memi Nor ayati, 2 Purhadi 1 Jurusan
Lebih terperinciPENANGANAN MULTIKOLINEARITAS (KEKOLINEARAN GANDA) DENGAN ANALISIS REGRESI KOMPONEN UTAMA. Tatik Widiharih Jurusan Matematika FMIPA UNDIP
PENANGANAN MULTIKOLINEARITAS (KEKOLINEARAN GANDA) DENGAN ANALISIS REGRESI KOMPONEN UTAMA Tatik Widiharih Jurusan Matematika FMIPA UNDIP Abstrak Multikolinearitas yang tinggi diantara peubah-peubah bebas,
Lebih terperinciPENDEKATAN EKONOMETRIKA PANEL SPASIAL UNTUK PEMODELAN PRODUK DOMESTIK REGIONAL BRUTO DI KALIMANTAN BARAT
Buletin Ilmiah Math. Stat. Dan Terapannya (Bimaster) Volume 07, No. (08), hal 8. PENDEKATAN EKONOMETRIKA PANEL SPASIAL UNTUK PEMODELAN PRODUK DOMESTIK REGIONAL BRUTO DI KALIMANTAN BARAT Ridho Pratama,
Lebih terperinciGEOSTATISTIK MINERAL MATTER BATUBARA PADA TAMBANG AIR LAYA
GEOSTATISTIK MINERAL MATTER BATUBARA PADA TAMBANG AIR LAYA 1 Surya Amami P a, Masagus Ahmad Azizi b a Program Studi Pendidikan Matematika FKIP UNSWAGATI Jl. Perjuangan No 1 Cirebon, amamisurya@gmail.com
Lebih terperinciAlgoritme Least Angle Regression untuk Model Geographically Weighted Least Absolute Shrinkage and Selection Operator
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Algoritme Least Angle Regression untuk Model Geographically Weighted Least Absolute Shrinkage and Selection Operator S-20 Yuliana 1, Dewi Retno Sari
Lebih terperinciPROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2011 ISBN:
161 STRUCTURAL EQUATION MODELLING (SEM) DENGAN MODEL STRUKTURAL REGRESI SPASIAL Tisti Ilda Prihandini 1, Sony Sunaryo 2 1) Mahasiswa Magister Jurusan Statistika ITS 2) Dosen Jurusan Statistika ITS Abstrak
Lebih terperinci(Geographically Weighted Binary Logistic Regression with Fixed Bi-Square Weight)
Penerapan Regresi Logistik Biner Terboboti Geografi dengan Pembobot Fixed Bi-Square Tuti Purwaningsih Universitas Islam Indonesia Jl Kaliurang KM 14.5, Yogyakarta tuti.purwaningsih@uii.ac.id ABSTRACT Geographically
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bagian pertama bab ini diberikan tinjauan pustaka yang berisi penelitian sebelumnya yang mendasari penelitian ini Pada bagian kedua bab ini diberikan teori penunjang yang berisi
Lebih terperinciPEMODELAN DATA PANEL SPASIAL DENGAN DIMENSI RUANG DAN WAKTU (Spatial Panel Data Modeling with Space and Time Dimensions)
Forum Statistika dan Komputasi : Indonesian Journal of Statistics ISSN : 05-5 Vol. No., April 0, p: 6-4 available online at: journal.ipb.ac.id/index.php/statistika PEMODELAN DATA PANEL SPASIAL DENGAN DIMENSI
Lebih terperinciPERAMALAN BANYAKNYA PELANGGAN LISTRIK MENGGUNAKAN MODEL HARVEY
BIAStatistics (2016) Vol. 10, No. 1, hal. 38-51 PERAMALAN BANYAKNYA PELANGGAN LISTRIK MENGGUNAKAN MODEL HARVEY Ami Andriania 1, Gumgum Darmawan 2, Resa Septiani Pontoh 2 1 Mahasiswa Dept. Statistika, FMIPA,
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 terperinciMODEL STATISTICAL DOWNSCALING DENGAN DOMAIN HASIL ANALISIS VARIOGRAM YUAN ASTIKA MILLAFANTI
MODEL STATISTICAL DOWNSCALING DENGAN DOMAIN HASIL ANALISIS VARIOGRAM YUAN ASTIKA MILLAFANTI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 005 ABSTRAK YUAN
Lebih terperinciPRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Statistika Spasial Kode/SKS: SS / (2/1/0) Dosen : Sutikno Semester : VII
RP-S1-SLK-01 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 1 dari 5 A. CAPAIAN PEMBELAJARAN : CP 5.2 : Mampu menganalisis data di bidang Statistika Lingkungan dan Kesehatan, serta bidang lainnya
Lebih terperinciDESAIN SAMPLING UNTUK PEMODELAN SPATIAL. Bertho Tantular Departemen Statistika FMIPA Universitas Padjadjaran
ISBN : 978.62.36.2. DESAIN SAMPLING UNTUK PEMODELAN SPATIAL Bertho Tantular Departemen Statistika FMIPA Universitas Padjadjaran berthotantular@gmail.com ABSTRAK. Desain sampling bergantung pada banyak
Lebih terperinciMetode Langkah-langkah yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1. Eksplorasi data. Identifikasi model ARCH
6 Metode Langkah-langkah yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1. Eksplorasi data Identifikasi model ARCH Pendugaan parameter dan pemilihan model ARCH/GARCH Uji pengaruh asimetrik
Lebih terperinciPengujian Kestabilan Parameter pada Model Regresi Menggunakan Dummy Variabel
Statistika, Vol. 10 No. 2, 99 105 Nopember 2010 Pengujian Kestabilan Parameter pada Model Regresi Menggunakan Dummy Variabel Teti Sofia Yanti Program Studi Statistika Universitas Islam Bandung Email: buitet@yahoo.com
Lebih terperinciPIKA SILVIANTI, M.SI
PIKA SILVIANTI, M.SI No. Materi Pokok (Materi Ajar) Alokasi Waktu (menit) 1 Pengenalan analisis regresi 2 x 50 2: Bab 1 2 Model regresi linier sederhana 2 x 50 Bahan / Sumber Belajar 2: Bab 2 3: Bab 1
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(M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT
Univeitas Padjadjaran, 3 November 00 (M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT Vita Ratnasari, Purhadi, Ismaini, Suhartono Mahasiswa S3 Jurusan Statistika
Lebih terperinciPERBANDINGAN BAGAN KENDALI T 2 HOTELLING KLASIK DENGAN T 2 HOTELLING PENDEKATAN BOOTSTRAP PADA DATA BERDISTRIBUSI NON-NORMAL MULTIVARIAT
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 17 4 ISSN : 303 910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN BAGAN KENDALI T HOTELLING KLASIK DENGAN T HOTELLING PENDEKATAN BOOTSTRAP PADA DATA BERDISTRIBUSI
Lebih terperinciANALISIS SPASIAL DATA PANEL PADA RATA-RATA PENGELUARAN PER KAPITA JAWA BARAT DENGAN MATRIKS Queen Contiguity DAN AKSES JALAN ASTRI FITRIANI
i ANALISIS SPASIAL DATA PANEL PADA RATA-RATA PENGELUARAN PER KAPITA JAWA BARAT DENGAN MATRIKS Queen Contiguity DAN AKSES JALAN ASTRI FITRIANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPENERAPAN REGRESI LOGISTIK DAN REGRESI SPASIAL PADA PENETAPAN KEBIJAKAN ANGGARAN PENDIDIKAN
PENERAPAN REGRESI LOGISTIK DAN REGRESI SPASIAL PADA PENETAPAN KEBIJAKAN ANGGARAN PENDIDIKAN (Studi Kasus: Alokasi Anggaran Pendidikan Kabupaten/Kota untuk Wilayah Indonesia Bagian Timur Tahun 2013) BUDI
Lebih terperinci1 Peneliti Pusbangja, LAPAN 2 Dosen Statistika, IPB 3 Mahasiswa Statistika, IPB. Abstrak
ANALISIS PENERAPAN METODE KRIGGING DAN INVERS DISTANCE PADA INTERPOLASI DATA DUGAAN SUHU, AIR MAMPU CURAH (AMC) DAN INDEKS STABILITAS ATMOSFER (ISA) DARI DATA NOAA-TOVS (The Analizys of Application of
Lebih terperinciSTRUCTURAL EQUATIO MODELLI G (SEM) DE GA MODEL STRUKTURAL REGRESI SPASIAL. Tisti Ilda Prihandini 1, Sony Sunaryo 2
STRUCTURAL EQUATIO MODELLI G (SEM) DE GA MODEL STRUKTURAL REGRESI SPASIAL Tisti Ilda Prihandini 1, Sony Sunaryo 2 1) Mahasiswa Magister Jurusan Statistika ITS, 2) Dosen Jurusan Statistika ITS Abstrak Suatu
Lebih terperinciIDENTIFIKASI FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP INDEKS PEMBANGUNAN MANUSIA PROVINSI JAWA BARAT DENGAN PENDEKATAN REGRESI SPASIAL HAPPY BERTHALINA
IDENTIFIKASI FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP INDEKS PEMBANGUNAN MANUSIA PROVINSI JAWA BARAT DENGAN PENDEKATAN REGRESI SPASIAL HAPPY BERTHALINA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU
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 terperinciAPLIKASI REGRESI DUA LEVEL TERHADAP NILAI AKHIR METODE STATISTIKA. Indahwati, Dian Kusumaningrum, Wiwid Widiyani
S-4 APLIKASI REGRESI DUA LEVEL TERHADAP NILAI AKHIR METODE STATISTIKA Indahwati, Dian Kusumaningrum, Wiwid Widiyani Departemen Statistika FMIPA IPB Email : Indah_stk@yahoo.com Abstrak Metode Statistika
Lebih terperinciPEMODELAN PRODUKSI TANAMAN PANGAN BERDASARKAN KARAKTERISTIK TENAGA KERJA MENGGUNAKAN REGRESI AKAR CIRI
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 86 95 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN PRODUKSI TANAMAN PANGAN BERDASARKAN KARAKTERISTIK TENAGA KERJA MENGGUNAKAN REGRESI AKAR CIRI
Lebih terperinciForum Statistika dan Komputasi, Oktober 2010 p : ISSN :
, Oktober 2010 p : 23-31 ISSN : 0853-8115 Vol 15 No.2 APLIKASI REGRESI LOGISTIK ORDINAL MULTILEVEL UNTUK PEMODELAN DAN KLASIFIKASI HURUF MUTU MATA KULIAH METODE STATISTIKA (The Application of Multilevel
Lebih terperinciAnalisis Regresi Nonlinear (I)
9 Oktober 2013 Topik Inferensi dalam Regresi Nonlinear Contoh Kasus Regresi linear berganda secara umum sesuai untuk kebanyakan kasus. Namun, banyak kasus peubah respons dan bebas berhubungan melalui fungsi
Lebih 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 terperinciIII. METODE PENELITIAN
39 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder tersebut merupakan data cross section dari data sembilan indikator
Lebih terperinciMasalah Overdispersi dalam Model Regresi Logistik Multinomial
Statistika, Vol. 16 No. 1, 29 39 Mei 2016 Masalah Overdispersi dalam Model Regresi Logistik Multinomial Annisa Lisa Nurjanah, Nusar Hajarisman, Teti Sofia Yanti Prodi Statistika, Fakultas Matematika dan
Lebih 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 terperinciPEMILIHAN PERAGAM SPASIAL MENGGUNAKAN MODEL LINEAR CAMPURAN. Mohammad Masjkur 1. Abstrak
PEMILIHAN PERAGAM SPASIAL MENGGUNAKAN MODEL LINEAR CAMPURAN Mohammad Masjkur 1 1) Departemen Statistika FMIPA-IPB Abstrak Pada umumnya data hasil tanaman dan sifat-sifat tanah selalu berkorelasi spasial,
Lebih terperinci(α = 0.01). Jika D i > , maka x i atau pengamatan ke-i dianggap pencilan (i = 1, 2,..., 100). HASIL DAN PEMBAHASAN
4 karena adanya perbedaan satuan pengukuran antar peubah. 1.. Memastikan tidak adanya pencilan pada data dengan mengidentifikasi adanya pencilan pada data. Pengidentifikasian pencilan dilakukan dengan
Lebih terperinciBAB V HASIL DAN PEMBAHASAN. 5.1 Analisis Tingkat Kesenjangan Pendapatan dan Trend Ketimpangan Kabupaten/Kota di Provinsi Jawa Barat
BAB V HASIL DAN PEMBAHASAN 5.1 Analisis Tingkat Kesenjangan Pendapatan dan Trend Ketimpangan Kabupaten/Kota di Provinsi Jawa Barat Penghitungan kesenjangan pendapatan regional antar kabupaten/kota di Provinsi
Lebih terperinciPENENTUAN KONDISI OPTIMUM PADA PEMBENTUKAN POHON TERBAIK DENGAN METODE POHON KLASIFIKASI (CLASSIFICATION TREE)
Natural Vol. 11, No. 2, Mei 2007, hal. 112-118. PENENTUAN KONDISI OPTIMUM PADA PEMBENTUKAN POHON TERBAIK DENGAN METODE POHON KLASIFIKASI (CLASSIFICATION TREE) A. Efendi dan H. Kusdarwati Program Studi
Lebih terperinciANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) PADA KASUS PNEUMONIA BALITA DI PROVINSI JAWA BARAT
ANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) PADA KASUS PNEUMONIA BALITA DI PROVINSI JAWA BARAT Meila Nadya, Widyanti Rahayu, Vera Maya Santi Jurusan Matematika FMIPA UNJ meylanadya1@gmail.com Abstrak
Lebih terperinciDAFTAR ISI... ABSTRAK... KATA PENGANTAR UCAPAN TERIMA KASIH.. DAFTAR GAMBAR... DAFTAR TABEL...
DAFTAR ISI ABSTRAK... KATA PENGANTAR UCAPAN TERIMA KASIH.. DAFTAR ISI... DAFTAR GAMBAR... DAFTAR TABEL... i ii iii vii xi xii BAB I BAB II PENDAHULUAN 1.1 Latar Belakang Masalah... 1 1.2 Rumusan Masalah...
Lebih terperinciDidin Astriani P, Oki Dwipurwani, Dian Cahyawati (Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sriwijaya)
(M.2) ANALISIS BIPLOT UNTUK MENGETAHUI KARAKTERISTIK PUTUS SEKOLAH PENDIDIKAN DASAR PADA MASYARAKAT MISKIN ANTAR WILAYAH KECAMATAN DI KABUPATEN OGAN ILIR Didin Astriani P, Oki Dwipurwani, Dian Cahyawati
Lebih terperinciANALISIS PELUANG STATUS GIZI ANAK DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL BERBASIS KOMPUTER
ANALISIS PELUANG STATUS GIZI ANAK DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL BERBASIS KOMPUTER Kimmy Octavian Yongharto Binus University, DKI Jakarta, Jakarta, Indonesia Abstrak Salah satu
Lebih terperinciAplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri
Vol. 6, No.1, 0-8, Juli 009 Aplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri Wahidah Sanusi Abstrak Penelitian ini dilakukan untuk mengestimasi model pertumbuhan
Lebih terperinciREGRESI LINIER NONPARAMETRIK DENGAN METODE THEIL
Jurnal Matematika UNAND Vol. 2 No. 3 Hal. 167 174 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND REGRESI LINIER NONPARAMETRIK DENGAN METODE THEIL ALDILA SARTI Program Studi Matematika, Fakultas Matematika
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 terperinciBAB V KESIMPULAN DAN SARAN
5 BAB V KESIMPULAN DAN SARAN 5. Kesimpulan Berdasarkan hasil analisis sebelumnya, dapat ditarik kesimpulan bahwa :. Model regresi yang mampu menjelaskan hubungan antara angka kematian bayi di Jawa Timur
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
BAB IV ANALISIS DAN PEMBAHASAN Analisa pemodelan fungsi hubungan pada variabel repon dengan variabel prediktor akan dijelaskan pada bab ini. Analisis yang digunakan pada penelitian ini adalah menggunakan
Lebih terperinciKualitas Fitted Model
Kualitas Fitted Model Apakah model regresi sudah cukup pas mewakili data? Apakah model regresi cukup baik untuk model peramalan? Tebaran titik amatan / scatter plot y Mana di antara gambar gambar ini yang
Lebih terperinciPendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi
Statistika, Vol. No., Mei Pendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi MARZUKI, HIZIR SOFYAN, ASEP RUSYANA Jurusan Matematika FMIPA Universitas Syiah Kuala Jl.
Lebih terperinciPENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO 2 dan Gross Nation Product di Malaysia, Bhutan, dan Nepal)
PENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO dan Gross Nation Product di Malaysia, Bhutan, dan Nepal) Yanti I 1, Islamiyati A, Raupong 3 Abstrak Regresi geometrik
Lebih terperinciSTATISTIKA 2 IT
STATISTIKA 2 IT-021259 UMMU KALSUM UNIVERSITAS GUNADARMA 2016 Regresi & Korelasi Linier Regresi? Korelasi? 1. Regresi Linier Sederhana Model regresi adalah persamaan matematik yang memungkinkan dalam peramalan
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB LANDASAN TEORI. Metode Kuadrat Terkecil Persamaan regresi linier yang biasa didefinisikan dengan menggunakan metode pendugaan parameter Ordinary Least Square (OLS), secara umum dapat dituliskan :
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi
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 terperinciPREDIKSI DAN INTERPOLASI MELALUI ORDINARY KRIGING: STUDI KASUS KEMISKINAN DI PROVINSI JAWA TIMUR
PREDIKSI DAN INTERPOLASI MELALUI ORDINARY KRIGING: STUDI KASUS KEMISKINAN DI PROVINSI JAWA TIMUR Rokhana Dwi Bekti Mathematics & Statistics Department, School of omputer Science, Binus University Jl. K.H.
Lebih terperinciPENERAPAN HURDLE NEGATIVE BINOMIAL PADA DATA TERSENSOR
PENERAPAN HURDLE NEGATIVE BINOMIAL PADA DATA TERSENSOR SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 215 S-5 Penerapan Hurdle Negative Binomial pada Data Tersensor Resa Septiani Pontoh, Defi
Lebih terperinciMENENTUKAN PENGARUH INTERAKSI PERLAKUAN DENGAN METODE POLINOMIAL ORTOGONAL
MENENTUKAN PENGARUH INTERAKSI PERLAKUAN DENGAN METODE POLINOMIAL ORTOGONAL E. JULIANTINI Balai Besar Penelitian dan Pengembangan Bioteknologi dan Sumberdaya Genetik Pertanian, Jl. Tentara Pelajar No.,
Lebih terperinci5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS
5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS Pendahuluan Pada model VARX hubungan peubah penjelas dengan peubah respon bersifat parametrik. Stone (1985) mengemukakan pemodelan yang bersifat fleksibel
Lebih terperinciPENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 53 61 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA OLIVIA ATINRI,
Lebih terperinciREGRESI SEMIPARAMETRIK SPLINE TRUNCATED DENGAN SOFTWARE R. Abstract. Keywords: Spline Truncated, GCV, Software R.
REGRESI SEMIPARAMETRIK SPLINE TRUNCATED DENGAN SOFTWARE R Tiani Wahyu Utami 1), Alan Prahutama 2) 1 Program studi Statistika, FMIPA, Universitas Mumammadiyah Semarang email: tianiutami@unimus.ac.id 2 Departemen
Lebih terperinciKOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 17-22 ISSN: 2303-1751 KOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN I MADE ANOM ARIAWAN 1, I PUTU EKA NILA KENCANA 2, NI LUH PUTU
Lebih terperinciTINJAUAN PUSTAKA. Model Regresi Linier Ganda
TINJAUAN PUSTAKA Model Regresi Linier Ganda Hubungan antara y dan X dalam model regresi linier umum adalah y = X ß + e () dengan y merupakan vektor pengamatan pada peubah respon (peubah tak bebas) berukuran
Lebih terperinci