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

Ukuran: px
Mulai penontonan dengan halaman:

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

Transkripsi

1 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 Poisson(ZIP) adalah suatu model regresi dimana variabel dependen berdistribusi Poisson dan memiliki banyak nilai nol. Regresi ini terbangun oleh regresi Poisson dan regresi logistik. Estimasi parameter model regresi ZIP dapat menggunakan metode Bayesian. Dalam metode Bayesian terdapat dua distribusi yaitu distribusi prior dan distribusi posterior. Jika distribusi posterior parameter sangat rumit dan tidak dapat dikerjakan secara langsung, maka dilakukan pembangkitan sampel yang mendekati distribusi posterior parameter dengan metode Markov chain Monte Carlo (MCMC ). Tujuan penelitian ini adalah untuk mengestimasi parameter model regresi ZIP menggunakan metode Bayesian dan menerapkannya pada data jumlah kematian difteri di Indonesia tahun 2014 yang dipengaruhi oleh banyaknya pemberian vaksin, jumlah rumah sakit, dan jumlah kasus difteri. Estimasi parameter dilakukan dengan menentukan distribusi prior dan posterior, kemudian melakukan simulasi dengan menetapkan nilai awal parameter. Hasil estimasi parameternya adalah ˆα = dan ˆβ = Pada contoh penerapan, estimasi parameternya diperoleh α = (0.3003, 0.01, , ) dan β = ( , 0.101). Hasil estimasi parameter α menjelaskan bahwa besarnya peluang penderita difteri yang tidak meninggal dipengaruhi oleh vaksin, jumlah rumah sakit, dan jumlah penderita difteri berturut-turut sebesar 1%, 0.56%, dan 0.64%. Hasil estimasi parameter β menjelaskan bahwa banyaknya kasus difteri yang meninggal dipengaruhi oleh vaksin dan jumlah penderita difteri sebesar 13.86% dan 10.1%. Kata kunci: overdispersi, zero-inflated Poisson (ZIP), metode Bayesian, Gibbs sampling. 1. PENDAHULUAN Model regresi digunakan untuk menduga pola hubungan antara dua variabel. Variabel dibedakan menjadi dua, yaitu variabel dependen atau disebut juga variabel respon dan variabel independen atau disebut juga variabel prediktor (Nawari [8]). Variabel dependen dapat bernilai kontinu atau diskrit. Model regresi Poisson merupakan model regresi yang digunakan untuk menduga pola hubungan variabel dependen berdistribusi Poisson dan benilai diskrit dengan variabel independen bernilai diskrit atau kontinu. Tidak semua variabel dependen bernilai diskrit cocok menggunakan model Poisson karena model Poisson mensyaratkan nilai rata-rata (mean) sama dengan nilai variansi. Jika nilai mean sama dengan nilai variansi, maka hal ini disebut equidispersi (Kusuma dkk. [6]). Dalam aplikasinya seringkali equidispersi tidak dapat dipenuhi. Ismail dan Jemain [4] menyatakan bahwa variansi data lebih kecil dari rata-ratanya disebut dengan underdispersi dan variansi data lebih besar dari rata-ratanya disebut dengan overdispersi. Salah satu penyebab terjadinya overdispersi adalah banyak nilai nol (excess zero) yang ada pada variabel dependen. Munculnya banyak 1

2 nilai nol pada variabel dependen dapat diatasi menggunakan model regresi zeroinflated Poisson (ZIP). Menurut Famoye dan Singh [2] proporsi data yang bernilai nol sekitar 63.7%. Estimasi parameter model regresi ZIP dapat menggunakan metode maximum likelihood estimation (MLE) atau metode Bayesian. Liu dan Powers [7] dalam penelitiannya membandingkan metode MLE dan Bayesian untuk estimasi parameter model regresi ZIP dan diperoleh hasil yaitu metode Bayesian lebih baik daripada MLE yang ditandai dengan nilai eror dari metode Bayesian lebih kecil dibandingkan dengan nilai eror pada metode MLE. Pada metode Bayesian terdapat dua distribusi yaitu distribusi prior dan distribusi posterior. Jika distribusi posterior parameter sangat rumit dan tidak dapat dikerjakan secara langsung, maka dilakukan pembangkitan sampel yang mendekati distribusi posterior parameter dengan metode Markov chain Monte Carlo (MCMC ). Liu dan Powers [7] menggunakan metode MCMC untuk menentukan distribusi posterior dengan algoritme Gibbs sampling. Tujuan penelitian ini adalah untuk mengestimasi parameter model regresi ZIP menggunakan metode Bayesian dan menerapkannya pada data jumlah kematian difteri di Indonesia tahun 2014 yang dipengaruhi oleh vaksin, jumlah rumah sakit, dan jumlah kasus difteri. 2. MODEL REGRESI ZIP Model regresi ini terbangun oleh regresi Poisson dan regresi logistik. Jika variabel dependen Y mengikuti model ZIP, maka fungsi kepadatan probabilitasnya dituliskan sebagai P (Y i = 0) = P (Y i = y) = ) e X 1jα (1 1 + e + ex 1jα e ex 2j β X 1jα ) (1 ex 1jα e e ( X 2j β) (e X2jβ ) y j, y = 1, 2, 3,.... (2.1) y j! Hubungan antara variabel dependen Y dan variabel independen X dapat dimodelkan menggunakan model linier tergeneralisasi sehingga dapat dibentuk model regresi ZIP yang terbangun oleh model regresi Poisson dan transformasi regresi logistik, yaitu p logit[ ] = X (1 p) 1α = α 0 + α 1 X 11 + α 2 X α m X 1m log(λ) = X 2 β = β 0 + β 1 X 21 + β 2 X β l X 2l, (2.2) dengan X 1 = (1, X 11, X 12,..., X 1m ) adalah matriks variabel independen dari regresi logistik dan X 2 = (1, X 21, X 22,..., X 2l ) adalah matriks variabel independen dari regresi Poisson, α = (α 0, α 1,..., α m ) T dan β = (β 0, β 1,..., β l ) T merupakan vektor dari koefisien regresi logistik dan regresi Poisson (Liu dan Powers [7])

3 3. METODE BAYESIAN Metode Bayesian merupakan metode estimasi yang berbasis pada aturan Bayes yang menggabungkan informasi dari data observasi baru dan informasi yang telah diperoleh sebelumnya. Pada estimasi parameter menggunakan metode Bayesian terdapat dua distribusi yaitu distribusi prior dan distribusi posterior. Menurut Soejoeti dan Soebanar [10], distribusi prior merupakan distribusi awal parameter sebelum dilakukan analisis data. Distribusi prior dinotasikan sebagai f(θ). Soejoeti dan Soebanar [10] juga mendefinisikan distribusi posterior sebagai fungsi densitas bersyarat θ jika nilai observasi x diketahui dan dituliskan sebagai f(θ x) = f(θ, x) f(x). Fungsi kepadatan bersama dan marginal yang diperlukan dapat ditulis dalam bentuk distribusi fungsi likelihood dan prior f(θ, x) = f(x θ)f(θ) dengan f(x θ) merupakan fungsi likelihood dan f(θ) merupakan distribusi prior. Metode Bayesian didasarkan pada distribusi posterior, yang dituliskan sebagai f(θ x) = f(x θ)f(θ). f(x) Menurut Ntzoufras [9], teorema Bayes lebih dikenal dengan f(θ x) f(x θ)f(θ). 4. MARKOV CHAIN MONTE CARLO (MCMC ) MCMC merupakan metode pendekatan untuk inferensi Bayesian. Menurut Walsh [11], MCMC digunakan untuk mendapatkan nilai estimasi parameter dengan mensimulasikan pengambilan sampel secara langsung dari distribusi posterior. Konsep utama dalam MCMC adalah membuat sampel pendekatan dari distribusi posterior parameter dengan membangkitkan sebuah rantai Markov yang memiliki distribusi limit mendekati distribusi posterior parameter. Pada MCMC terdapat algoritme Gibbs sampling. Algoritme ini digunakan apabila terdapat lebih dari satu parameter yang tidak diketahui. Menurut Casella dan George [1], Gibbs sampling merupakan teknik pembangkitan variabel random dari distribusi marginal tanpa memerlukan distribusi densitas. Algoritme ini menggunakan sampel sebelumnya untuk membangkitkan nilai sampel berikutnya secara random sehingga didapatkan suatu rantai Markov

4 5. HASIL DAN PEMBAHASAN 5.1. Estimasi Parameter Model. Model regresi ZIP memiliki parameter yang belum diketahui nilainya dan perlu diestimasi, yaitu α dan β. Berdasarkan fungsi kepadatan ZIP pada persamaan (2.1) dapat dibentuk fungsi likelihood yang merupakan distribusi bersama untuk n observasi, yaitu f(y α, β) = k [ e X 1j ) ] α (1 1 + e + ex 1jα e ex 2j β X 1jα [ n ( ) ] 1 ex 1jα e e X 2j β (e X2jβ ) y j, (5.1) y j! j=1 j=k+1 dengan k adalah banyaknya observasi yang menghasilkan nilai variabel dependen y = 0 dan y k+1,..., y n adalah observasi yang tidak bernilai nol. Fungsi likelihood pada persamaan (5.1) digunakan untuk menentukan distribusi posterior parameter. Estimasi parameter model menggunakan metode Bayes terdapat dua distribusi yaitu prior dan posterior. Berikut adalah penjelasan dari masing-masing distribusi prior dan posterior model ZIP Distribusi Prior Model ZIP. Pemilihan distribusi prior dalam metode Bayesian sangat penting untuk menentukan distribusi posterior karena pemilihan distribusi prior yang tepat akan mempermudah estimasi. Penambahan variabel independen dalam regresi ZIP tanpa informasi prior dapat menggunakan prior non informatif. Untuk model zero-inflated, distribusi prior normal dapat digunakan untuk parameter β dan distribusi prior beta dapat digunakan untuk parameter α. Jika tidak ada informasi yang tersedia, maka distribusi prior uniform yang didefinisikan pada interval (0, 1) dapat digunakan (Ntzoufras [9]). Distribusi prior untuk model ZIP dapat dituliskan sebagai f(α, β a, b, µ, σ 2 ) = 1 b a l 1 e 2πσβj j=0 (β j µ βj ) 2 2σ 2 β j, (5.2) dengan (a, b) adalah parameter distribusi uniform dan (µ, σ 2 ) parameter distribusi normal

5 Distribusi Posterior Model ZIP. Distribusi posterior parameter dapat diperoleh dengan mengalikan persamaan (5.1) dengan persamaan (5.2). Berikut merupakan distribusi posterior parameter model ZIP. f(α, β Y ) f(y α, β)f(α, β) k [ e X 1j ) ] α (1 1 + e + ex 1jα e ex 2j β X 1jα j=1 [ n ( ) ] 1 ex 1jα e e X 2j β (e X2jβ ) y j y j! j=k+1 1 (β j µ βj ) l 2 1 2σ β e 2 j. (5.3) b a 2πσβj j=0 Distribusi posterior pada persamaan (5.3) digunakan untuk menentukan nilai estimasi parameter Algoritme Gibbs sampling. Menurut Casella dan George [1] Gibbs sampling merupakan teknik pembangkitan variabel random yang menggunakan sampel sebelumnya untuk membangkitkan nilai sampel berikutnya secara random sehingga akan didapatkan suatu rantai Markov. Berikut diberikan langkah-langkah algoritme Gibbs sampling. (1) Menentukan parameter dan distribusi bersyaratnya. (2) Melakukan simulasi dengan pembangkitan data menggunakan algoritme Gibbs sampling dengan langkah berikut. (a) Menetapkan nilai awal masing-masing parameter. (b) Menentukan ukuran iterasi N. (c) Melakukan simulasi untuk i = 1, 2, 3,..., N. (d) Memperbarui nilai-nilai parameter dari nilai-nilai hasil simulasi. (3) Melakukan estimasi parameter model regresi ZIP. Berdasarkan langkah-langkah tersebut, dilakukan pembangkitan data berdistribusi Poisson dengan n = 100. Nilai awal parameter α dan β yang dipergunakan dapat dilihat pada Tabel 1. Berdasarkan Tabel 1 dapat ditunjukkan nilai-nilai estimasi untuk beberapa nilai awal α dan β

6 Tabel 1. Nilai estimasi parameter model regresi ZIP dengan simulasi berdasarkan algoritme Gibbs sampling Nilai awal parameter Nilai estimasi Std dev α = β = α = β = α = β = α = β = α = β = α = β = Contoh Penerapan. Data diambil dari Profil Kesehatan Indonesia Tahun 2014 [5] tentang jumlah kematian difteri tahun Penyakit difteri disebabkan oleh bakteri Corynebacterium diphtheriae yang menyerang sistem pernapasan bagian atas. Jumlah kasus meninggal sebanyak 16 kasus. Pada contoh penerapan ini ditentukan hubungan antara jumlah kematian difteri (Y ) yang dipengaruhi oleh banyaknya pemberian vaksin, jumlah rumah sakit, dan jumlah kasus difteri. Data jumlah kematian difteri menunjukkan banyak nilai nol yaitu 69.7%. Estimasi parameter model dilakukan dengan bantuan software WinBUGS. Nilai awal parameter α untuk distribusi uniform (0, 1) yaitu 0.02 dan parameter β untuk distribusi normal (0, 1000) yaitu Estimasi dilakukan dengan membangkitkan suatu rantai Markov dan dilakukan percobaan beberapa iterasi sampai mencapai konvergen. Hasil estimasi parameter model menggunakan software WinBUGS dapat dilihat dalam Tabel 2. Hasil estimasi parameter pada Tabel 2 merupakan hasil dari pembangkitan rantai Markov dengan 4170 iterasi. Model regresi ZIP dapat dituliskan sebagai p logit( 1 p ) = X X X 13 log(λ) = X X X 23, dengan X 11, X 21 adalah banyaknya pemberian vaksin, X 12, X 22 adalah jumlah rumah sakit, dan X 13, X 23 adalah jumlah penderita difteri

7 Tabel 2. Nilai estimasi parameter menggunakan metode Bayesian untuk α dan β Estimasi Nilai 2.5 Persentil 97.5 Persentil Hasil uji parameter ˆα Signifikan ˆα Signifikan ˆα Signifikan ˆα Signifikan ˆβ Tidak signifikan ˆβ Signifikan ˆβ Tidak signifikan ˆβ Signifikan Setelah mendapatkan model regresi, selanjutnya dilakukan pengujian parameter untuk mengetahui pengaruh variabel independen terhadap variabel dependen. Pengujian hipotesis terhadap parameter dilakukan dengan pendekatan credible interval. Parameter model yang telah dihasilkan diuji menggunakan credible interval pada tingkat kepercayaan 95% yang ditandai dengan persentil 2, 5% dan 97, 5%. Parameter dikatakan signifikan jika selang interval pada tingkat kepercayaan 95% parameter tidak memuat nilai nol. Parameter yang signifikan menunjukkan variabel independen berpengaruh terhadap variabel dependen (Hestiana [3]). Berdasarkan Tabel 2 parameter yang signifikan yaitu ˆα 1, ˆα 2, ˆα 3, ˆα 4, ˆβ 2, ˆβ 4 sehingga dilakukan estimasi ulang dan diperoleh hasil sebagai berikut. p logit( 1 p ) = X X X 13 (5.4) log(λ) = X X 23. (5.5) Persamaan (5.4) menjelaskan bahwa peluang terjadinya penderita difteri yang tidak meninggal dipengaruhi oleh banyaknya pemberian vaksin, jumlah rumah sakit, dan jumlah penderita difteri. Setiap bertambahnya pemberian vaksin meningkatkan peluang penderita difteri yang tidak meninggal sebesar 1%, setiap pertambahan 1 unit rumah sakit meningkatkan peluang penderita difteri yang tidak meninggal sebesar 0.56%, dan setiap pertambahan jumlah kasus difteri meningkatkan peluang penderita difteri yang tidak meninggal sebesar 0.64%. Persamaan (5.5) menjelaskan bahwa banyaknya kasus difteri yang meninggal dipengaruhi oleh banyaknya pemberian vaksin dan jumlah penderita difteri. Setiap bertambahnya pemberian vaksin maka terjadinya kasus difteri yang meninggal menurun sebesar 13.86% dan setiap kenaikan jumlah kasus difteri maka terjadinya kasus difteri yang meninggal meningkat sebesar 10.1%

8 6. KESIMPULAN Berdasarkan hasil dan pembahasan, hasil estimasi parameter model regresi ZIP diperoleh setelah dilakukan simulasi dan diterapkan pada contoh kasus. Distribusi prior untuk parameter α yaitu distribusi uniform (a, b) dan untuk parameter β yaitu distribusi normal (µ, σ 2 ), sehingga distribusi prior model regresi ZIP dapat dilihat pada persamaan (5.2). Distribusi posterior model regresi ZIP dapat dilihat pada persamaan (5.3). Untuk mendekati distribusi posterior parameter model regresi ZIP digunakan algoritme Gibbs sampling dengan ditentukan nilai awal parameter α yaitu 0, 02 dan β yaitu 0, 001. Hasil estimasi parameter model regresi ZIP adalah α = (0.3003, 0.01, , ) dan β = ( , 0.101). DAFTAR PUSTAKA [1] Casella, G. and E. I. George, Explaining the Gibbs Sampler, The American Statistisian 46 (1992), no. 3, pp [2] Famoye, F. and K. P. Singh, Zero-Inflated Generalized Poisson Regression Model with an Application to Domestic Violence Data, Journal of Data Science 4 (2006), pp [3] Hestiana, F., Mixture Count Regression dengan Pendekatan Bayesian, Jurnal Aplikasi Statistik & Komputasi Statistik 1 (2004), pp [4] Ismail, N. dan A. A. Jemain, Generalized Poisson Regression :An Alternative for Risk Classification, Jurnal Teknologi Universiti Teknologi Malaysia 43 (2005), pp [5] Kementerian Kesehatan Republik Indonesia, Profil Kesehatan Indonesia Tahun 2014, Kementerian Kesehatan RI, Jakarta, [6] Kusuma, W, D. Komalasari, dan M. Hadijati, Model Regresi Zero Inflated Poisson, Jurnal Matematika 3 (2013), no. 2, pp [7] Liu, H. and D. A. Powers, Bayesian Inference for Zero-Inflated Poisson Regression Models, Journal of Statistics: Advances in Theory and Applications 7 (2012), no. 2, pp [8] Nawari, Analisis Regresi dengan MS Excel 2007 dan SPSS 17, PT Elex Media Komputindo, Jakarta, [9] Ntzoufras, I., Bayesian Modeling Using WinBUGS, John Wiley, Greece, [10] Soejoeti, Z. dan Soebanar, Inferensi Bayesian, Karunika Universitas Terbuka, Jakarta, [11] Walsh, B., Markov Chain Monte Carlo and Gibbs Sampling, Lecture Notes for EEB 581,

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 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 terperinci

PENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN

PENERAPAN 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 terperinci

ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR INFORMATIF 1. PENDAHULUAN

ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR INFORMATIF 1. PENDAHULUAN ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR INFORMATIF Dina Ariek Prasdika, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika Fakultas Matematika

Lebih terperinci

PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL

PENERAPAN 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 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

ESTIMASI PARAMETER MODEL REGRESI MULTIVARIAT BAYESIAN DENGAN DISTRIBUSI PRIOR NONINFORMATIF JEFFREYS 1. PENDAHULUAN

ESTIMASI 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 terperinci

MODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK BAYESIAN

MODEL 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 terperinci

BAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol

BAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel

Lebih terperinci

BAB I PENDAHULUAN. yang mendapat perhatian dari masyarakat internasional. Menurut data World

BAB I PENDAHULUAN. yang mendapat perhatian dari masyarakat internasional. Menurut data World BAB I PENDAHULUAN 1.1.Latar Belakang Masalah Masalah kecelakaan lalu lintas saat ini sudah merupakan masalah global yang mendapat perhatian dari masyarakat internasional. Menurut data World Health Organization

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

ANALISIS REGRESI LOGISTIK DENGAN METODE PENDUGA BAYES UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN BAYI BERAT BADAN LAHIR RENDAH

ANALISIS REGRESI LOGISTIK DENGAN METODE PENDUGA BAYES UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN BAYI BERAT BADAN LAHIR RENDAH Jurnal Matematika UNAND Vol. 4 No. 1 Hal. 53 60 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI LOGISTIK DENGAN METODE PENDUGA BAYES UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI

Lebih terperinci

ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN

ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN Vania Mutiarani a, Adi Setiawan b, Hanna Arini Parhusip c a Program Studi Matematika FSM UKSW Jl. Diponegoro 52-6

Lebih terperinci

ADLN- PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB 1 PENDAHULUAN. metode yang bisaanya digunakan dalam estimasi parameter yakni Ordinary Least

ADLN- PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB 1 PENDAHULUAN. metode yang bisaanya digunakan dalam estimasi parameter yakni Ordinary Least BAB 1 PENDAHULUAN 1.1 Latar Belakang Data populasi dalam suatu penelitian berguna untuk mengetahui karakteristik objek yang akan menghasilkan gambaran akurat mengenai karakteristik objek tersebut. Statistik

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

BAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat

BAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan

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

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

ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang)

ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang) ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang) Didin Astriani P 1, Jadi Suprijadi 2, Zulhanif 3 Program Pendidikan

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 Analisis regresi merupakan teknik statistik untuk investigasi dan pemodelan hubungan antar variabel. Hubungan antara dua variabel dapat dilihat dengan analisis

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

Pengantar Statistika Matematika II

Pengantar Statistika Matematika II Pengantar Statistika Matematika II Distribusi Sampling Atina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com Bila sampling berasal dari populasi yang

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Pada masa sekarang ini, berada di lingkungan bisnis yang kompleks menuntut perusahaan untuk mampu bersaing dengan para kompetitornya. Perubahan-perubahan radikal yang

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

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

oleh YUANITA KUSUMA WARDANI M

oleh YUANITA KUSUMA WARDANI M ESTIMASI PARAMETER MODEL REGRESI PROBIT SPASIAL MENGGUNAKAN SOFTWARE R DENGAN ALGORITME GIBBS SAMPLING oleh YUANITA KUSUMA WARDANI M0111083 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan

Lebih terperinci

ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang)

ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang) BIAStatistics (215) Vol. 9, No. 2, hal. 1-6 ESTIMASI MODEL PERSAMAAN STRUKTURAL MELALUI PENDEKATAN BAYESIAN (Studi Kasus: Data Kinerja Pegawai Universitas Bina Darma Palembang) 1 Didin Astriani P, 2 Jadi

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

BAB 1 PENDAHULUAN. ii Bagaimana rata-rata atau nilai tengah dibuat oleh Stimulan eksternal.

BAB 1 PENDAHULUAN. ii Bagaimana rata-rata atau nilai tengah dibuat oleh Stimulan eksternal. BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu pengetahuan matematika dan penerapannya dalam berbagai bidang keilmuan selalu mencari metode baru untuk memudahkan dalam memprediksi dan menaksir

Lebih terperinci

ESTIMASI PARAMETER MODEL INAR(1) MENGGUNAKAN METODE BAYES

ESTIMASI PARAMETER MODEL INAR(1) MENGGUNAKAN METODE BAYES ESTIMASI PARAMETER MODEL INAR(1) MENGGUNAKAN METODE BAYES oleh NURMALITASARI M0106054 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika JURUSAN

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

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 Dewasa ini industri asuransi telah menjadi suatu bidang usaha yang menarik dan mempunyai peranan yang tidak kecil dalam perekonomian. Keberadaan industri

Lebih terperinci

Penerapan Metode Bayes dalam Menentukan Model Estimasi Reliabilitas Pompa Submersible pada Rumah Pompa Wendit I PDAM Kota Malang

Penerapan Metode Bayes dalam Menentukan Model Estimasi Reliabilitas Pompa Submersible pada Rumah Pompa Wendit I PDAM Kota Malang JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, 2017 2337-3520 2301-928X Print A33 Penerapan Metode Bayes dalam Menentukan Model Estimasi Reliabilitas Pompa Submersible pada Rumah Pompa Wendit I PDAM Kota Malang

Lebih terperinci

Pengantar Statistika Matematika II

Pengantar Statistika Matematika II Bab 3: Statistika FMIPA Universitas Islam Indonesia Bila sampling berasal dari populasi yang digambarkan melalui fungsi peluang f X (x θ), pengetahuan tentang θ menghasilkan karakteristik mengenai keseluruhan

Lebih terperinci

BAB 1 PENDAHULUAN Latar Belakang

BAB 1 PENDAHULUAN Latar Belakang BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam pembicaraan statistik, jawaban yang diinginkan adalah jawaban untuk ruang lingkup yang lebih luas, yakni populasi. Tetapi objek dari studi ini menggunakan sampel

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

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

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Statistika adalah salah satu cabang ilmu matematika yang memperhitungkan probabilitas dari suatu data sampel dengan tujuan mendapatkan kesimpulan mendekati

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN

BAB 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 terperinci

PEMODELAN KEMATIAN BALITA MALNUTRISI DENGAN PENDEKATAN ZERO-INFLATED POISSON (ZIP) REGRESSION DI PROVINSI JAWA TENGAH

PEMODELAN KEMATIAN BALITA MALNUTRISI DENGAN PENDEKATAN ZERO-INFLATED POISSON (ZIP) REGRESSION DI PROVINSI JAWA TENGAH PEMODELAN KEMATIAN BALITA MALNUTRISI DENGAN PENDEKATAN ZERO-INFLATED POISSON (ZIP) REGRESSION DI PROVINSI JAWA TENGAH 1 Prisca Shery Camelia, 2 Indah Manfaati Nur, 3 Moh. Yamin Darsyah 1,2,3 Program Studi

Lebih terperinci

Sarimah. ABSTRACT

Sarimah. 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 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

ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) DENGAN METODE FISHER SCORING

ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) DENGAN METODE FISHER SCORING ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS RLOTG DENGAN METODE FISHER SCORING Aulia Nugrahani Putri, Purnami Widyaningsih, dan Dewi Retno Sari Saputro Program Studi Matematika

Lebih terperinci

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

PENDUGAAN DATA HILANG DENGAN MENGGUNAKAN DATA AUGMENTATION. Abstract

PENDUGAAN DATA HILANG DENGAN MENGGUNAKAN DATA AUGMENTATION. Abstract Pendugaan Data Hilang Mesra Nova) PENDUGAAN DATA HILANG DENGAN MENGGUNAKAN DATA AUGMENTATION Mesra Nova 1, Moch. Abdul Mukid 2 1 Alumni Program Studi Statistika UNDIP 2 Staf Pengajar Program Studi Statistika

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

INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT. Oleh : ADE CANDRA SISKA NIM: J2E SKRIPSI

INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT. Oleh : ADE CANDRA SISKA NIM: J2E SKRIPSI INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT Oleh : ADE CANDRA SISKA NIM: J2E 006 002 SKRIPSI Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains Pada

Lebih terperinci

SIMULASI PENAKSIRAN PARAMETER DISTRIBUSI WEIBULL CAMPURAN UNTUK DATA SURVIVAL HETEROGEN DENGAN PENDEKATAN BAYESIAN

SIMULASI PENAKSIRAN PARAMETER DISTRIBUSI WEIBULL CAMPURAN UNTUK DATA SURVIVAL HETEROGEN DENGAN PENDEKATAN BAYESIAN IndoMS Journal on Statistics Vol. 2, No. 2 (2014), Page 37-46 SIMULASI PENAKSIRAN PARAMETER DISTRIBUSI WEIBULL CAMPURAN UNTUK DATA SURVIVAL HETEROGEN DENGAN PENDEKATAN BAYESIAN Sri Astuti Thamrin 1, Armin

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print)

JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print) Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Tetanus Neonatorum (TN) di Jawa Timur dengan Metode Regresi Zero- Inflated Generalized Poisson (ZIGP) D-116 Siska Puji Lestari dan Sri Pingit Wulandari

Lebih terperinci

Kata Kunci Overdispersi, regresi Zero-Inflated Generalized Poisson (ZIGP), Tetanus Neonatorum.

Kata Kunci Overdispersi, regresi Zero-Inflated Generalized Poisson (ZIGP), Tetanus Neonatorum. 1 Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Tetanus Neonatorum (TN) di Jawa Timur dengan Metode Regresi Zero- Inflated Generalized Poisson (ZIGP) 1 Siska Puji Lestari, 2 Ir. Sri Pingit Wulandari,

Lebih terperinci

PENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 23 28 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD FEBY RIDIANI Program

Lebih terperinci

Estimasi MCMC untuk Model GARCH(1,1) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR

Estimasi MCMC untuk Model GARCH(1,1) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 25 Estimasi MCMC untuk Model GARCH(,) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR Fransisca Cynthia Salim ), Didit Budi Nugroho 2), Bambang

Lebih terperinci

MODEL REGRESI ZERO INFLATED GENERALIZED POISSON

MODEL REGRESI ZERO INFLATED GENERALIZED POISSON MODEL REGRESI ZERO INFLATED GENERALIZED POISSON Oleh WICAKSONO CAHYO NUGROHO NIM. M0106067 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika JURUSAN

Lebih terperinci

LANDASAN TEORI. Generalized Lambda Distribution (GLD) awalnya diusulkan oleh Ramberg dan

LANDASAN TEORI. Generalized Lambda Distribution (GLD) awalnya diusulkan oleh Ramberg dan 4 II. LANDASAN TEORI Generalized Lambda Distribution (GLD) awalnya diusulkan oleh Ramberg dan Schmeiser (1974), yang memiliki empat parameter dari pengembangan distribusi Lambda Tukey. Keluarga distribusi

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN digilib.uns.ac.id BAB III METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah kajian pustaka dari buku referensi karya ilmiah. Karya ilmiah yang digunakan adalah hasil penelitian serta

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

Ekspektasi variabel random Variansi variabel random Skewness dan kurtosis variabel random

Ekspektasi variabel random Variansi variabel random Skewness dan kurtosis variabel random DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN...ii HALAMAN PERNYATAAN...iii HALAMAN PERSEMBAHAN... iv KATA PENGANTAR... v DAFTAR ISI...viii DAFTAR GAMBAR... xi DAFTAR TABEL... xii DAFTAR LAMPIRAN...xiii

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

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

BAB I PENDAHULUAN 1.1. Latar Belakang

BAB I PENDAHULUAN 1.1. Latar Belakang BAB I PENDAHULUAN 1.1. Latar Belakang Berawal dari kebutuhan analisis data untuk memprediksi suatu nilai bila diberikan suatu nilai-nilai variabel prediktor (x) pada beberapa kasus, maka metode regresi

Lebih terperinci

Kata Kunci: Model Regresi Logistik Biner, metode Maximum Likelihood, Demam Berdarah Dengue

Kata Kunci: Model Regresi Logistik Biner, metode Maximum Likelihood, Demam Berdarah Dengue Jurnal Matematika UNAND Vol. VI No. 1 Hal. 9 16 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN DBD (DEMAM BERDARAH DENGUE) MENGGUNAKAN REGRESI LOGISTIK

Lebih terperinci

BAB I PENDAH ULU AN 1.1. Latar Belakang

BAB I PENDAH ULU AN 1.1. Latar Belakang BAB I PENDAHULUAN 1.1. Latar Belakang Analisis regresi merupakan salah satu analisis statistika yang digunakan untuk menentukan hubungan sebab-akibat antara satu variabel dengan variabel-variabel lainnya,

Lebih terperinci

MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang.

MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang. MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL Winda Faati Kartika 1, Triastuti Wuryandari 2 1, 2) Program Studi Statistika Jurusan Matematika FMIPA Universitas Diponegoro

Lebih terperinci

ESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP

ESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP ESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP PADA DATA PASIEN HIPERKOLESTEROLEMIA DI BALAI LABORATORIUM KESEHATAN YOGYAKARTA Fransiska Grase S.W, Sri Sulistijowati H.,

Lebih terperinci

JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:

JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di: JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 125-134 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI BAYI BERAT LAHIR RENDAH DENGAN MODEL

Lebih terperinci

PENDEKATAN 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 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 terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Banyak cabang ilmu statistika yang digunakan dalam berbagai bidang, contohnya seperti ekonometri, biostatistika, psikometri, dan masih banyak yang lain. Ekonometri

Lebih terperinci

Pemodelan Hazard Proporsional dengan Perkalian Gamma Frailty Menggunakan Pendekatan Bayesian

Pemodelan Hazard Proporsional dengan Perkalian Gamma Frailty Menggunakan Pendekatan Bayesian Pemodelan Hazard Proporsional dengan Perkalian Gamma Frailty Menggunakan Pendekatan Bayesian 1 Ismi Try Amalia Jaya, 2 Armin Lawi, dan 3 Sri Astuti Thamrin 1,2,3 Jurusan Matematika, Fakultas Matematika

Lebih terperinci

Informasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG)

Informasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG) SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Informasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG) Aulia Nugrahani

Lebih terperinci

II. TINJAUAN PUSTAKA. Kata Kunci Kemiskinan, Kualitas Kesehatan, Kualitas Ekonomi, CFA, Bayesian, Kabupaten Jombang

II. TINJAUAN PUSTAKA. Kata Kunci Kemiskinan, Kualitas Kesehatan, Kualitas Ekonomi, CFA, Bayesian, Kabupaten Jombang 1 Penentuan Indikator Kemiskinan Berdasarkan Dimensi Kualitas Kesehatan dan Kualitas Ekonomi Menggunakan Confirmatory Factor Analysis (CFA) dengan Pendekatan Bayesian di Kabupaten Jombang Farisca Susiani

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Kesehatan merupakan bagian yang penting dalam kehidupan manusia karena kesehatan memengaruhi aktifitas hidup manusia. Dengan tubuh yang sehat manusia dapat menjalankan

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

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

MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES

MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES Hartayuni Saini 1 1 Jurusan Matematika, FMIPA-UNTAD. e-mail: yunh3_chendist@yahoo.co.id Abstrak Untuk menaksir nilai µ dari N(µ, ) umumnya digunakan

Lebih terperinci

ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK

ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK Adri Arisena 1, Anna Chadidjah 2, Achmad Zanbar Soleh 3 Departemen Statistika Universitas Padjadjaran 1 Departemen Statistika

Lebih terperinci

BAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur

BAB 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 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

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

SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS

SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.

Lebih terperinci

KONSEP DASAR TERKAIT METODE BAYES

KONSEP DASAR TERKAIT METODE BAYES KONSEP DASAR TERKAIT METODE BAYES 2.3. Peubah Acak dan Distribusi Peluang Pada statistika kita melakukan percobaan dimana percobaan tersebut akan menghasilkan suatu peluang. Ruang sampel pada percobaan

Lebih terperinci

LANDASAN TEORI. Dalam proses penelitian pendugaan parameter dari suatu distribusi diperlukan

LANDASAN TEORI. Dalam proses penelitian pendugaan parameter dari suatu distribusi diperlukan II. LANDASAN TEORI Dalam proses penelitian pendugaan parameter dari suatu distribusi diperlukan beberapa konsep dan teori yang mendukung dari ilmu statistika. Berikut akan dijelaskan beberapa konsep dan

Lebih terperinci

II. LANDASAN TEORI. sєs (S ruang sampel) dengan sebuah bilangan real. Salah satu peubah acak adalah

II. LANDASAN TEORI. sєs (S ruang sampel) dengan sebuah bilangan real. Salah satu peubah acak adalah II. LANDASAN TEORI Peubah acak X(s) merupakan sebuah fungsi X yang menetapkan setiap anggota sєs (S ruang sampel) dengan sebuah bilangan real. Salah satu peubah acak adalah peubah acak diskrit, yaitu banyaknya

Lebih 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

ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL

ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL 1) Program Studi Matematika Universitas Ahmad Dahlan dian@math.uad.ac.id

Lebih terperinci

ESTIMASI 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) 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 terperinci

INFERENSI PARAMETER SIMPANGAN BAKU POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF

INFERENSI PARAMETER SIMPANGAN BAKU POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF INFERENSI PARAMETER SIMPANGAN BAKU S - POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Fakultas Sains dan Matematika Universitas Kristen Satya Wacana, Jl Diponegoro

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

DISTRIBUSI STASIONER RANTAI MARKOV UNTUK PREDIKSI CURAH HUJAN DI WILAYAH JAWA BARAT

DISTRIBUSI STASIONER RANTAI MARKOV UNTUK PREDIKSI CURAH HUJAN DI WILAYAH JAWA BARAT DISTRIBUSI STASIONER RANTAI MARKOV UNTUK PREDIKSI CURAH HUJAN DI WILAYAH JAWA BARAT Firdaniza, Nurul Gusriani, Emah Suryamah Departemen Matematika Universitas Padjadjaran firdaniza@unpad.ac.id Abstrak:

Lebih terperinci

ESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO

ESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO ESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO Yessy Okvita 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika

Lebih terperinci

TINJAUAN PUSTAKA. merupakan nilai peubah bebas ke-p pada merupakan nilai koefisien peubah penjelas merupakan galat acak pengamatan ke-i.

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 terperinci

Pemodelan Mixture of Mixture dalam Pemilihan Portofolio

Pemodelan Mixture of Mixture dalam Pemilihan Portofolio Pemodelan Mixture of Mixture dalam Pemilihan Portofolio Nur Iriawan Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember (ITS), Surabaya nur_i@statistika.its.ac.id

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

6. Teori Estimasi. EL2002-Probabilitas dan Statistik. Dosen: Andriyan B. Suksmono

6. Teori Estimasi. EL2002-Probabilitas dan Statistik. Dosen: Andriyan B. Suksmono 6. Teori Estimasi EL2002-Probabilitas dan Statistik Dosen: Andriyan B. Suksmono Pendahuluan Inferensi statistik adalah metoda untuk menarik inferensi atau membuat generalisasi dari suatu populasi. Ada

Lebih terperinci

PEMODELAN INFANT MORTALITY RATE (IMR) DENGAN PENDEKATAN ZERO INFLATED POISSON REGRESSION BERBASIS ALGORITMA EM

PEMODELAN INFANT MORTALITY RATE (IMR) DENGAN PENDEKATAN ZERO INFLATED POISSON REGRESSION BERBASIS ALGORITMA EM E-ISSN 2527-9378 Jurnal Statistika Industri dan Komputasi Volume 3, No. 1, Januari 2018, pp. 71-78 PEMODELAN INFANT MORTALITY RATE (IMR) DENGAN PENDEKATAN ZERO INFLATED POISSON REGRESSION BERBASIS ALGORITMA

Lebih terperinci

BAB 2 LANDASAN TEORI DAN KAJIAN PUSTAKA

BAB 2 LANDASAN TEORI DAN KAJIAN PUSTAKA BAB 2 LANDASAN TEORI DAN KAJIAN PUSTAKA 2.1 Estimasi Bayes Definisi 1 Estimasi Bayes yang paling mungkin dari suatu nilai kebenaran θ 0 yang tidak diketahui pada parameter θ adalah nila ˆθ yang meminimumkan

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

PEMODELAN SEEMINGLY UNRELATED REGRESSION DENGAN PENDEKATAN BAYESIAN PADA SEKTOR UTAMA DI JAWA TIMUR

PEMODELAN SEEMINGLY UNRELATED REGRESSION DENGAN PENDEKATAN BAYESIAN PADA SEKTOR UTAMA DI JAWA TIMUR PEMODELAN SEEMINGLY UNRELATED REGRESSION DENGAN PENDEKATAN BAYESIAN PADA SEKTOR UTAMA DI JAWA TIMUR Agus Budhi Santosa 1, Nur iriawan 2, Seiawan 3, Mohammad Dokhi 4 S - 3 1,2,3 Jurusan Statistika FMIPA-ITS,

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

MODEL REGRESI WEIBULL DENGAN ADDITIVE FRAILTIES PADA DATA SURVIVAL. Universitas Hasanuddin

MODEL 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 terperinci

Pengantar Statistika Matematika II

Pengantar Statistika Matematika II Bab 3: Estimasi Titik dengan Metode Bayes Statistika FMIPA Universitas Islam Indonesia Dalam pendekatan klasik, parameter θ adalah besaran tetap yang tidak diketahui Sampel random X 1, X 2,..., X n diambil

Lebih terperinci