PEMODELAN DATA KEMISKINAN PROVINSI KALIMANTAN TIMUR DENGAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN FUNGSI PEMBOBOT KERNEL BISQUARE
|
|
- Ari Kartawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 17 3 September 17, Samarinda, Indonesia ISBN: PEMODELAN DATA KEMISKINAN PROVINSI KALIMANTAN TIMUR DENGAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN FUNGSI PEMBOBOT KERNEL BISQUARE Susanti Seha Aldi 1,*, Ika Purnamasari, Memi Nor Hayati 1 Laboratorium Statistika Terapan, Jurusan Matematika, FMIPA, Universitas Mulawarman Program Studi Statistika, Jurusan Matematika, FMIPA, Universitas Mulawarman korespondensi: susanseha@gmail.com Abstract Linear regression analysis is a technique used to connect between dependent and independent variables. Geographically Weighted Regression (GWR) is the local form of linear regression. GWR allows researchers to assess the spatial (geograhic) variations that may exist in the relationship between dependent and independent variables across all observation locations. Estimation of GWR model parameters using Weighted Least Square method is done by giving different weighting at every location. This study aims to model the percentage of poor population of Kalimantan Timur Province using GWR method with bisquare kernel weighting function. The analysis result obtained different GWR model every sub-district. Factors affecting the percentage of poor people in Kutai Barat it s a the percentage of illiterate (X 1) and the percentage of elemntary school participation (X). At sub-district of Balikpapan city and Penajam Paser Utara are the percentage of poor people is affected by the percentage of elemntary school participation (X) and percentage of gross regional domestic product industry sector (X 3). At sub-district of Kutai Timur, Berau, and Mahakam Ulu the percentage of poor people is affected the percentage of illiterate (X 1). At sub-district of Samarinda, Bontang city and Kutai Kartanegara the percentage of poor people is affected by the percentage of elemntary school participation (X). Keywords: bisquare, geographically weighted regression, poor people, weighted least square Pendahuluan Sebagai salah satu Provinsi terluas Kalimantan Timur memiliki sumber daya alam yang melimpah namun, ternyata memiliki tingkat kemiskinan yang cukup tinggi, Jumlah penduduk miskin Jumlah penduduk miskin di Kalimantan Timur pada September 15 sebesar 9,99 ribu (6,1 persen). Dibandingkan dengan penduduk miskin pada Maret 15 sebesar 1,89 ribu orang (6,3 persen), berarti jumlah penduduk miskin berkurang sebanyak,9 ribu orang (,13 persen). Jumlah penduduk miskin di daerah perkotaan secara persentase maupun absolut mengalami penurunan, sedangkan untuk di daerah pedesaan mengalami peningkatan. Selama periode Maret 15 September 15, penduduk miskin di daerah perkotaan turun sebanyak 6, ribu orang atau turun sebesar (,3 persen) dan di daerah perdesaan naik sebanyak 3,1 ribu orang (,17 persen). Jumlah penduduk miskin di daerah perdesaan masih lebih besar dibanding di daerah perkotaan. Persentase penduduk miskin yang berada di daerah perdesaan pada bulan Maret 15 dan September 15 masing-masing sebesar 9,96 persen dan 1,13 persen. Sedangkan di daerah perkotaan sebesar 4,3 persen pada bulan Maret 15 dan 3,73 persen pada bulan September 15. Melihat masih tingginya presentase tingkat kemiskinan di provinsi Kalimantan Timur, maka perlu adanya penelitian yang lebih mendalam berkaitan dengan faktor-faktor yang menyebabkannya, termasuk adanya efek spasial pada tingkat kemiskinan di provinsi Kalimantan Timur[]. Kemiskinan di Kalimantan Timur merupakan suatu permasalahan spasial yang dipengaruhi oleh faktor geografis, maka sering kali analisis regresi linier biasa (regresi gobal) tidak dapat menggambarkan pola hubungan dengan baik, hal tersebut disebabkan permasalahan kemiskinan di Kalimantan Timur memiliki perbedaan lokasi geografis juga memberikan pengaruh terhadap pola hubungan antara variabel independen dan variabel dependen. Sedangkan data spasial mempunyai pengertian sebagai suatu data yang mengacu pada posisi, obyek, dan hubungan diantaranya dalam ruang bumi [8]. Geographically Weighted Regression (GWR) adalah salah satu metode yang cukup efektif untuk mengestimasi data yang memiliki spatial heterogeneity. Ide dasar GWR adalah bahwa parameter dapat dihitung di manapun pada area studi dengan variabel dependen dan satu atau lebih variabel independen yang telah diukur di tempat-tempat yang lokasinya diketahui [5]. 38
2 Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 17 3 September 17, Samarinda, Indonesia ISBN: Berdasarkan uraian diatas, maka peneliti tertarik untuk melakukan penelitian dengan judul Pemodelan Data Kemiskinan Provinsi Kalimantan Timur dengan Metode Geographically Weighted Regression (GWR) dengan Fungsi Pembobot Kernel Bisquarel (Studi Kasus Data Persentase Kemiskina Penduduk Provinsi Kalimantan Timur Tahun 13). Teori/Metodologi Data penelitian diambil di Badan Pusat Statistika Provinsi Kalimantan Timur yang berlokasi di jalan Kemakmuran No. 4, Samarinda, Kalimantan Timur. penelitian ini dilaksanakan dari bulan Juli 16 sampai dengan Juni 17. Pengolahan data dilakukan di Laboratorium Statistika Terapan Fakutas Matematika dan Ilmu Pengetahuan Alam (FMIPA) Universitas Mulawarman, Samarinda. Metode yang digunakan adalah metode Geographically Weighted Regression (GWR), yaitu salah satu metode yang digunakan untuk mengestimasi data yang memiliki spatial heterogeneity [5]. Tahapan Penelitian meliputi; ). Tahapan penelitian meliputi; analisis data statistika deskriptif, deteksi multikolinieritas, uji heterogenitas spasial, menentukan jarak longitude dan latitude serta menghitung jarak euclidean dan bandwidth optimum berdasarkan nilai CV, kemudian dilakukan pemodelan GWR. Pemodelan GWR meliputi; menentukan nilai pembobot (weighted), estimasi parameter model, uji signifikansi parameter model, uji asumsi residual normal model, dan interpretasi model GWR. Hasil dan Pembahasan Data yang digunakan dalam penelitian ini merupakan data persentase kemiskinan Provinsi Kalimantan Timur tahun 15. Terdiri dari 1 variabel dependen (Y) dan 3 variabel independen (X) beserta letak koordinat (longitude dan latitude) untuk masing-masing wilayah. Variabel dependen yang digunakan dalam penelitian ini adalah persentase penduduk miskin (Y) dan variabel independen nya yaitu persentase penduduk buta huruf (X1), persentase partisipasi Sekolah Dasar (SD) (X), persentase Produk Regional Bruto (PDRB) Sektor Industri (X3) Analisis Statistik Deskriptif Analisis statistika deskriptif bertujuan untuk mengambarkan data kemiskinan pada kabupaten/kota di Provinsi Kalimantan Timur tahun 15 : Y X1 X X3 Tabel 1 Statistika Deskriptif Variabel Rata- Standar Min rata Deviasi Maks 7,93,84 4,8 1,5 1,64,9,39 3,9 97,39,641 9,5 1 4,35 1,93,4 7,5 Berdasarkan Tabel 1, dapat dilihat bahwa rata-rata untuk persentase penduduk miskin (Y) di Provinsi Kalimantan Timur Tahun 15 adalah 7,93%, hal ini berarti persentase penduduk miskin di setiap Kabupaten/ Kota di Kalimantan Timur umumnya berada dalam kisaran 7%. persentase penduduk miskin terendah adalah di Kota Samarinda sebesar 4,8% sedangkan persentase penduduk miskin tertinggi adalah di Kabupaten Mahakam Ulu sebesar 1,5%. Asumsi Non Multikolinieritas Antar Variabel Independen Tabel. Nilai VIF Variabel Nilai VIF X 1 1,37 X 1,41 X 3 1,31 Deteksi multikolinieritas antara variabelvariabel independen dilakukan dengan nilai Variance Inflation Factor (VIF) pada Tabel Dapat dilihat untuk seluruh variabel X nilai VIF < 1, hal ini menunjukkan bahwa tidak terjadi multikolinieritas antara variabel independen. Uji Heterogenitas Spasial Tabel 4. Uji Heterogenitas Spasial Pengujian BPhitung Breusch Pagan 8,364 Berdasarkan Tabel 3, dilakukan pengujian heterogenitas spasial dengan menggunakan uji Breusch Pagan. Hipotesis σ σ... σ,(tidak terdapat H : H1 : 1 1 σ heterogenitas spasial) Minimal ada satu σ σ, i= 1,,,1 (terdapat heterogenitas spasial) Taraf Signifikansi α = 1% =,1 i 39
3 Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 17 3 September 17, Samarinda, Indonesia ISBN: Daerah Kritis H ditolak apabila nilai BPhitung > χ (,1;3) atau nilai (p-value) < α =,1 Keputusan Dapat dilihat pada Tabel 3, menunjukkan bahwa nilai BPhitung (8,364)> χ (,1;3) (6,51) maka diputuskan tolak H Terdapat heterogenitas spasial pada data persentase penduduk miskin Provinsi Kalimantan Timur tahun 15. Model GWR dengan Pembobot Kernel Adaptive Gaussian Tabel 4 Nilai Bandwidth Optimum Bandwidth (q) CV score 3,16 5,5 Pada penelitian ini fungsi pembobot yang digunakan adalah Kernel fixed bisquare, sehingga nilai bandwidth optimum yang diperoleh pada Tabel 4 digunakan untuk semua lokasi atau dengan kata lain setiap lokasi pengamatan memiliki bandwidth yang sama. Tabel 5. Jarak Euclidean dan pembobot di lokasi Lokasi Jarak Euclidean Smd Bpp,846 Bontang,71 KuKar,155 KuTim 1,118 Berau,666 KuBar 1,473 Mahakam Ulu,833 PPU,918 Paser 1,79 Kernel Bisquare 1, , , , , , , , , Berdasarkan tabel 5, maka matriks pembobot yang dibentuk dengan fungsi kernel bisquare di lokasi adalah : = 1,886,917,58 Estimasi Parameter Model GWR dengan Pembobot Kernel Bisquare Tabel 6. Nilai Estimasi Parameter Variabel Minimum Maksimum Konstanta -54,34 77,5 X1,7956 4,869 X -,767,6336 X3-1,791,647 Pengujian Signifikansi Parameter Model GWR Pengujian ini dilakukan untuk mengetahui parameter apa saja yang berpengaruh nyata terhadap persentase kemiskinan di Provinsi Kalimantan Timur. Hipotesis : β (u,v ), k=,1,,,4, variabel k i i independen ke k tidak berpengaruh terhadap variabel dependen 1 : β (u,v ), k=,1,,,4, variabel k i i independen ke k berpengaruh terhadap variabel dependen Taraf Siginifkansi Taraf Siginifkansi α 1% Daerah Penolakan Tolak H jika nilai t t hitung,1 ( ;4,151) Keputusan Berdasarkan perhitungan dengan persamaan (16) menunjukkan bahwa setiap kabupaten/kota di Provinsi Kalimantan Timur mempunyai variabelvariabel yang berpengaruh terhadap persentase penduduk miskin berbeda dengan kabupaten/kota lainnya, karena nilai t > t maka diputuskan,1 ( ;4,151) menolak H Dapat disimpulkan bahwa seluruh variabel independen yakni X1, X, dan X3, berpengaruh signifikan terhadap variabel dependen di beberapa kabupaten/kota di Provinsi Kalimantan Timur. Dari semua hasil pengujian parameter diperoleh bahwa terdapat tiga variabel yang berpengaruh secara signifikan di semua 4
4 Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 17 3 September 17, Samarinda, Indonesia ISBN: wilayah Kabupaten/ Kota, yang disajikan pada Tabel 7 Tabel7. Variabel yang berpengaruh dalam Model GWR per Kabupaten/Kota Kabupaten/Kota Variabel Signifikan Kutai Barat Balikpapan dan Penajam Paser Utara Kutai Timur, Berau, dan Mahakam Ulu persentase penduduk buta huruf (X1), dan persentase partisipasi SD (X) persentase partisipasi SD (X) dan presentase Produk Domestik Regional Bruto (PDRB) sektor industri (X3) persentase penduduk buta huruf (X1) Model GWR Berdasarkan Kriteria R Tabel 8. Nilai R R Model GWR,936 Tabel 8 menunjukkan bahwa model GWR merupakan model yang tepat untuk menggambarkan persentase penduduk miskin di Provinsi Kalimantan Timur tahun 15, karena mempunyai nilai R sebesar,936. Hal ini berarti bahwa variabel-variabel independen (X1, X, dan X3) memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi persentase penduduk miskin di Provinsi Kalimantan Timur yaitu sebesar 93,6% sedangkan sisanya 6,4% dijelaskan oleh variabel lain yang tidak terdapat dalam model. Interpretasi Model GWR Berdasarkan pengujian yang telah dilakukan dapat diketahui bahwa terdapat semua variabel yaitu, persentase penduduk buta huruf (X1), persentase partisipasi SD (X), dan Produk Domestik Regional Bruto sektor industri (X3) yang mempengaruhi persentase penduduk miskin per Kabupaten/Kota di Provinsi Kalimantan Timur, Berikut merupakan contoh model GWR di Kota Samarinda : 1= 65,89 + 1,11X1;1,644X1; +,564X1;3 Dari model tersebut dapat dijelaskan bahwa, persentase penduduk miskin akan berkurang sebesar,644% jika terjadi peningkatan persentase partisipasi SD (X) sebesar 1% di Kota Samarinda. Berdasarkan analisis menggunakan metode GWR terhadap data persentase penduduk miskin di Provinsi Kalimantan Timur tahun 15, maka kesimpulan yang dapat diperoleh 1. Model GWR persentase penduduk miskin di Provinsi Kalimantan Timur tahun 15: a. Untuk model GWR Kota Samarinda 65,89 + 1,11X1;1,644X1; + 1=,564X1;3 b. Untuk model GWR Kota Balikpapan 77,53+,99X;1,76X; + =,69X;3 c. Untuk model GWR Kota Bontang adalah sebagai berikut: 3 = 43,61+ 1,16X3;1,413X3; +,41X3;3 d. Untuk model GWR Kabupaten Kutai Kartanegara 6,91+ 1,91X4;1,613X4; + 4 =,537X4;3 e. Untuk model GWR Kabupaten Kutai Timur 8, ,574X5;1,51X5; + 5 =,157X5;3 f. Untuk model GWR Kabupaten Berau 6 = -54, ,869X6;1 +,633X6; 1,79X6;3 g. Untuk model GWR Kabupaten Kutai Barat 5,513+ 1,865X7;1,547; + 7 =,93X7;3 h. Untuk model GWR Kabupaten Mahakam Ulu 16,4 +,376X8;1,13X8; + 8 =,93X8;3 i. Untuk model GWR Kabupaten Penajam Paser Utara 76,746 +,911X9;1,755X9; + 9 =,69X9;3 j. Untuk model GWR Kabupaten Paser 1 = 76,746 +,911X1;1,755X1; +,69X1;3. Faktor-faktor yang mempengaruhi persentase penduduk miskin di Provinsi Kalimantan Timur tahun 15 terbagi menjadi 4 kelompok, yaitu kelompok pertama lokasi Kutai Barat memiliki variabel berpengaruh terhadap persentase penduduk miskin yang sama yaitu persentase penduduk buta huruf (X1), dan persentase partisipasi SD (X). Kelompok kedua Balikpapan dan Penajam Paser Utara memiliki variabel 41
5 Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 17 3 September 17, Samarinda, Indonesia ISBN: persentase partisipasi SD (X) dan presentase Produk Domestik Regional Bruto (PDRB) sektor industri (X3). Untuk lokasi ketiga Kutai Timur, Berau, dan Mahakam Ulu memiliki variabel persentase penduduk buta huruf (X1). Untuk lokasi Samarinda, Bontang, dan Kutai Kartanegara memiliki variabel persentase partisipasi SD (X). Daftar Pustaka [1] Anselin, L. (1998). Spatial Econometrics: Methods and Models. Dordrecht: Kluwer Academic Publishers. [] BPS. (15). Analisis Kalimantan Timur Dalam Tahun 15. Kalimantan Timur: Badan Pusat Statistik. [3] [Draper, N., dan Smith, H. (199). Analisis Regresi Terapan. Jakarta: PT Gramedia Pustaka Utama. [4] Fotheringham, A.S., Brunsdon, C., dan Charlton, M. (1999). Some Notes on Parametric Significance Test for Geographically Weighted Regression. J.Reg.Sci., 39: [5] Fotheringham, A.S., Brunsdon, C., dan Charlton, M. (). Geographically Weighted Regression. Jhon Wiley & Sons, LTD. [6] Ginanjar, Kartasasmita. (1996). Pembangunan Untuk Rakyat: Memadukan Pertumbuhan dan Pemerataan. Jakarta. Cides, [7] Gujarati, D. (1999). Ekonometrika Dasar. Jakarta: Erlangga. [8] Gumelar, D. (7), Data Spasial, diunduh pada tanggal 4 Agustus 16. 4
Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya September 2017, Samarinda, Indonesia ISBN:
Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 017 3 September 017, Samarinda, Indonesia ISBN: 978-60-5031-0-3 Analisis Data Spasial Menggunakan Metode Geographically Weighted Regression
Lebih terperinciMODEL REGRESI TERBOBOTI GEOGRAFIS DENGAN FUNGSI PEMBOBOT KERNEL GAUSSIAN, BISQUARE, DAN TRICUBE PADA PERSENTASE KEMISKINAN DI PROVINSI JAWA TENGAH
MODEL REGRESI TERBOBOTI GEOGRAFIS DENGAN FUNGSI PEMBOBOT KERNEL GAUSSIAN, BISQUARE, DAN TRICUBE PADA PERSENTASE KEMISKINAN DI PROVINSI JAWA TENGAH Nungki Fauzi T A N, Isnandar Slamet, Muslich Program Studi
Lebih terperinciGEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH
GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH SKRIPSI Disusun Oleh : NURMALITA SARI 240102120008 DEPARTEMEN STATISTIKA FAKULTAS
Lebih terperinciPEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION
PEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION SKRIPSI Disusun Oleh : DEPY VERONICA 24010212140035 DEPARTEMEN STATISTIKA
Lebih terperinciPERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 535-544 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK
Lebih terperinciPERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH
PERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH SKRIPSI Disusun Oleh: RIFKI ADI PAMUNGKAS 24010212140066 DEPARTEMEN STATISTIKA FAKULTAS SAINS
Lebih terperinciPEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENTS ANALYSIS (GWRPCA)
PEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENTS ANALYSIS (GWRPCA) SKRIPSI Disusun Oleh : NOVIKA PRATNYANINGRUM 24010211140095
Lebih terperinciS - 17 MODEL GEOGRAPHICALLY WEIGHTED REGRESSION PENDERITA DIARE DI PROVINSI JAWA TENGAH DENGAN FUNGSI PEMBOBOT KERNEL BISQUARE
S - 17 MODEL GEOGRAPHICALLY WEIGHTED REGRESSION PENDERITA DIARE DI PROVINSI JAWA TENGAH DENGAN FUNGSI PEMBOBOT KERNEL BISQUARE Indriya Rukmana Sari 1, Dewi Retno Sari Saputro 2, Purnami Widyaningsih 3
Lebih terperinciBAB I PENDAHULUAN. Dalam bab ini akan dibahas mengenai hal-hal yang melatarbelakangi
BAB I PENDAHULUAN Dalam bab ini akan dibahas mengenai hal-hal yang melatarbelakangi penulisan tesis, rumusan masalah, tujuan dan manfaatnya, tinjauan-tinjauan pustaka dari hasil penelitian terkait serta
Lebih terperinciGEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 717-726 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS
Lebih terperinciPERBANDINGAN MODEL PERTUMBUHAN EKONOMI DI JAWA TENGAH DENGAN METODE REGRESI LINIER BERGANDA DAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION SKRIPSI
PERBANDINGAN MODEL PERTUMBUHAN EKONOMI DI JAWA TENGAH DENGAN METODE REGRESI LINIER BERGANDA DAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION SKRIPSI Oleh: KELIK ISBIYANTORO J2E 008 029 JURUSAN STATISTIKA
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 terperinciBAB III MODEL GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION SEMIPARAMETRIC (GWLRS)
28 BAB III MODEL GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION SEMIPARAMETRIC (GWLRS) 3.1 Geographically Weighted Logistic Regression (GWLR) Geographically Weighted Logistic Regression adalah metode untuk
Lebih terperinciPEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY AND TEMPORALLY WEIGHTED REGRESSION
PEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY AND TEMPORALLY WEIGHTED REGRESSION SKRIPSI Disusun Oleh : Khusnul Yeni Widiyanti 24010210130070
Lebih terperinciPemodelan Angka Harapan Hidup di Papua dengan pendekatan Geographically Weighted Regression
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (017) ISSN: 337-350 (301-98X Print) D-8 Pemodelan Angka Harapan Hidup di Papua dengan pendekatan Geographically Weighted Regression Ardianto Tanadjaja, Ismaini
Lebih terperinciBAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
BAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION 3.1 Mixed Geographically Weighted Regression Model Mixed Geographically Weighted Regression merupakan model kombinasi atau gabungan antara regresi global
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Model Regresi Linier Metode regresi linier merupakan suatu metode yang memodelkan hubungan antara variabel respon dengan variabel prediktor. Tujuannya adalah untuk mengukur
Lebih terperinciBAB III 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 terperinciISSN: Vol. 1 No. 1 Agustus 2012
ISSN: 2303-1751 Vol. 1 No. 1 Agustus 2012 e-jurnal Matematika, Vol. 1, No. 1, Agustus 2012, 94-98 ISSN: 2303-1751 PEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION
Lebih terperinciPEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DI PROVINSI BALI
PEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DI PROVINSI BALI M ARRIE KUNILASARI ELYNA 1, I GUSTI AYU MADE SRINADI 2, MADE SUSILAWATI 3 1,2,3, Jurusan Matematika,
Lebih terperinci(R.5) Pemodelan Regresi Poisson Terboboti Geografis Pada Kasus Gizi. buruk di Jawa Timur.
(R.5) Pemodelan Regresi Poisson Terboboti Geografis Pada Kasus Gizi Buruk di Jawa Timur Ida Mariati Hutabarat 1, Asep Saefuddin 2 1Jurusan Matematika Uncen. 2 Departemen Statistika IPB 1Jl.Kamp Wolker
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 461-469 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN MODEL PERTUMBUHAN EKONOMI DI JAWA TENGAH DENGAN
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 terperinciPEMODELAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
PEMODELAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION (GWLR) DENGAN FUNGSI PEMBOBOT FIXED GAUSSIAN KERNEL DAN ADAPTIVE GAUSSIAN KERNEL (Studi Kasus Laju Pertumbuhan Penduduk Provinsi Jawa Tengah) SKRIPSI
Lebih terperinciPEMODELAN KEMISKINAN MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION DENGAN FUNGSI PEMBOBOT FIXED KERNEL
PEMODELAN KEMISKINAN MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION DENGAN FUNGSI PEMBOBOT FIXED KERNEL Hasriana 1, Raupong 2, Nirwan Ilyas 3 1 Program Studi Statistika FMIPA Universitas Hasanuddin
Lebih terperinciPENENTUAN MODEL KEMISKINAN DI JAWA TENGAH DENGAN MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
PENENTUAN MODEL KEMISKINAN DI JAWA TENGAH DENGAN MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR) SKRIPSI Disusun Oleh : SINDY SAPUTRI 24010210141007 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciANALISIS ANGKA BUTA HURUF DI JAWA TIMUR MENGGUNAKAN GEOGRAPHICALLY WEIGHTED REGRESSION BERBASIS KOMPUTER
ANALISIS ANGKA BUTA HURUF DI JAWA TIMUR MENGGUNAKAN GEOGRAPHICALLY WEIGHTED REGRESSION BERBASIS KOMPUTER Andiyono Universitas Bina Nusantara Jl. K.H Syahdan No.9, Palmerah, Jakarta Barat, Indonesia, 11480,
Lebih terperinciPENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK PEMODELAN PERTUMBUHAN EKONOMI MENURUT KABUPATEN/KOTA DI JAWA TENGAH HALAMANAN JUDUL SKRIPSI
PENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK PEMODELAN PERTUMBUHAN EKONOMI MENURUT KABUPATEN/KOTA DI JAWA TENGAH HALAMANAN JUDUL SKRIPSI Disusun Oleh: PRATAMA GANANG WIDAYAKA 24010212120018
Lebih terperinciPEMODELAN BANYAKNYA PENDERITA DEMAM BERDARAH DENGUE (DBD) DI KOTA SURAKARTA DENGAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
PEMODELAN BANYAKNYA PENDERITA DEMAM BERDARAH DENGUE (DBD) DI KOTA SURAKARTA DENGAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR) Hardanti Nur Astuti, Yuliana Susanti dan Dewi Retno Sari Saputro Program
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah Atiya Maulani, 2013
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam kehidupan sehari-hari, tidak jarang dihadapkan pada berbagai masalah yang berkaitan dengan dua atau lebih variabel dalam suatu bentuk hubungan tertentu
Lebih terperinciPEMODELAN FIXED EFFECT GEOGRAPHICALLY WEIGHTED PANEL REGRESSION UNTUK INDEKS PEMBANGUNAN MANUSIA DI JAWA TENGAH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 2, Tahun 2017, Halaman 241-250 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN FIXED EFFECT GEOGRAPHICALLY WEIGHTED PANEL REGRESSION
Lebih terperinciPEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 383-393 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA
Lebih terperinciBAB I PENDAHULUAN. terus dihadapi di sejumlah daerah di Indonesia, tidak terkecuali Provinsi Sumatera
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan kemiskinan merupakan salah satu persoalan mendasar yang terus dihadapi di sejumlah daerah di Indonesia, tidak terkecuali Provinsi Sumatera Barat. Berdasarkan
Lebih terperinciBAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR)
BAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) 3.1 Regresi Poisson Regresi Poisson merupakan suatu bentuk analisis regresi yang digunakan untuk memodelkan data
Lebih 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 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 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 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 terperinciDAFTAR ISI. HALAMAN JUDUL... i. HALAMAN PERSETUJUAN PEMBIMBING... ii. HALAMAN PENGESAHAN TUGAS AKHIR... iii. HALAMAN MOTTO... iv. KATA PENGANTAR...
DAFTAR ISI Halaman HALAMAN JUDUL... i HALAMAN PERSETUJUAN PEMBIMBING... ii HALAMAN PENGESAHAN TUGAS AKHIR... iii HALAMAN MOTTO... iv KATA PENGANTAR... v DAFTAR ISI... vii DAFTAR TABEL... x DAFTAR GAMBAR...
Lebih terperinciPEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENTS ANALYSIS (GWRPCA)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 171-180 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN
Lebih terperinciPEMODELAN JUMLAH ANAK PUTUS SEKOLAH DI PROVINSI BALI DENGAN PENDEKATAN SEMI-PARAMETRIC GEOGRAPHICALLY WEIGHTED POISSON REGRESSION
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 29-34 ISSN: 2303-1751 PEMODELAN JUMLAH ANAK PUTUS SEKOLAH DI PROVINSI BALI DENGAN PENDEKATAN SEMI-PARAMETRIC GEOGRAPHICALLY WEIGHTED POISSON REGRESSION GUSTI
Lebih terperinciAPLIKASI REGRESI DATA PANEL UNTUK PEMODELAN TINGKAT PENGANGGURAN TERBUKA KABUPATEN/KOTA DI PROVINSI JAWA TENGAH
APLIKASI REGRESI DATA PANEL UNTUK PEMODELAN TINGKAT PENGANGGURAN TERBUKA KABUPATEN/KOTA DI PROVINSI JAWA TENGAH SKRIPSI Disusun Oleh : TYAS AYU PRASANTI 24010211130029 JURUSAN STATISTIKA FAKULTAS SAINS
Lebih terperinciPEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY AND TEMPORALLY WEIGHTED REGRESSION ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 691-700 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI
Lebih terperinciPEMODELAN RISIKO PENYAKIT PNEUMONIA PADA BALITA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
E-Jurnal Matematika Vol. 4 (2), Mei 2015, pp. 31-36 ISSN: 2303-1751 PEMODELAN RISIKO PENYAKIT PNEUMONIA PADA BALITA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
Lebih terperinciSKRIPSI. Disusun Oleh : RAHMA NURFIANI PRADITA
PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN MANUSIA KABUPATEN/ KOTA DI JAWA TIMUR MENGGUNAKAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION SKRIPSI Disusun Oleh : RAHMA NURFIANI
Lebih terperinciPEMODELAN GEOGRAPHICALLY WEIGHTED REGRESSION DENGAN FUNGSI KERNEL BISQUARE
PEMODELAN GEOGRAPHICALLY WEIGHTED REGRESSION DENGAN FUNGSI KERNEL BISQUARE TERHADA FAKTOR- FAKTOR YANG MEMPENGARUHI TINGKAT KEMISKINAN DI KABUPATEN DEMAK 1 Marlita Vebiriyana, 2 M. Yamin Darsyah, 3 Indah
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 terperinciPemodelan Indeks Pembangunan Manusia Provinsi Kalimantan Timur dengan Random Effect Model
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Pemodelan Indeks Pembangunan Manusia Provinsi Kalimantan Timur dengan Random Effect Model S - 2 Desi Yuniarti 1, Memi Nor Hayati 2, Nanda Arista Rizki
Lebih terperinci: Persentase Penduduk Dengan Sumber Air Minum Terlindungi PDAM : Pengeluaran Perkapita Penduduk Untuk Makan Sebulan
22 BAB III MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR) 3.1 Variabel Penelitian Variabel penelitian yang digunakan dalam penelitian ini adalah data derajat kesehatan tahun 2013 pada 27 kabupaten
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN Pada bab analisis dan pembahasan ini akan jelaskan tentang pola persebaran jumlah penderita kusta dan faktor-faktor yang mempengaruhinya, kemudian dilanjutkan dengan pemodelan
Lebih terperinciIII. METODE PENELITIAN. Ruang lingkup penelitian ini bertujuan untuk menganalisis pengaruh Upah
63 III. METODE PENELITIAN A. Ruang Lingkup Penelitian Ruang lingkup penelitian ini bertujuan untuk menganalisis pengaruh Upah Minimum Provinsi (UMP) dan Belanja Barang dan Jasa (BBJ) terhadap pembangunan
Lebih terperinciPEMODELAN PERSENTASE PENDUDUK MISKIN KABUPATEN/KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN REGRESI DATA PANEL
PEMODELAN PERSENTASE PENDUDUK MISKIN KABUPATEN/KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN REGRESI DATA PANEL SKRIPSI Disusun Oleh : NARISHWARI ARIANDHINI 24010211140105 JURUSAN STATISTIKA FAKULTAS SAINS
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEMISKINAN DI JAWA TENGAH MENGGUNAKAN MODEL GALAT SPASIAL ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 781-790 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEMISKINAN DI JAWA
Lebih terperinciSKRIPSI. Disusun oleh: NOVIAN TRIANGGARA
PEMODELAN INDEKS PEMBANGUNAN MANUSIA MENGGUNAKAN SPATIAL PANEL FIXED EFFECT (Studi Kasus: Indeks Pembangunan Manusia Propinsi Jawa Tengah Periode 2008-2013) SKRIPSI Disusun oleh: NOVIAN TRIANGGARA 24010211130045
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar belakang Masalah Annisa Nurul Aini, 2013
BAB I PENDAHULUAN 1.1 Latar belakang Masalah Statistika merupakan salah satu cabang ilmu matematik yang mempelajari bagaimana merencanakan, mengumpulkan, mempresentasikan, menganalisis, dan menginterpretasi
Lebih terperinciSKRIPSI. Disusun Oleh : MUHAMMAD HARIS NIM : J2E
ANALISIS FAKTOR FAKTOR YANG MEMPENGARUHI JUMLAH KEJAHATAN PENCURIAN KENDARAAN BERMOTOR (CURANMOR) MENGGUNAKAN MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) SKRIPSI Disusun Oleh : MUHAMMAD HARIS
Lebih terperinciPemodelan Indikator Pencemar Biological Oxygen Demand di Kali Surabaya Menggunakan Pendekatan Spatial-Temporal Weighted Regression
Pemodelan Indikator Pencemar Biological Oxygen Demand di Kali Surabaya Menggunakan Pendekatan Spatial-Temporal Weighted Regression Achmad Choiruddin 1309100067 Dr. Sutikno M.Si Dosen Pembimbing PENDAHULUAN
Lebih terperinciPEMODELAN INDEKS PEMBANGUNAN MANUSIA MENGGUNAKAN SPATIAL PANEL FIXED EFFECT (Studi Kasus: Indeks Pembangunan Manusia Propinsi Jawa Tengah )
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 173-182 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN INDEKS PEMBANGUNAN MANUSIA MENGGUNAKAN SPATIAL PANEL
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP ANGKATAN KERJA DI JAWA TENGAH MENGGUNAKAN PENDEKATAN MULTIPLE LINIER REGRESSION
ANALISIS FAKTOR-FAKTOR YANG BERPENGARUH TERHADAP ANGKATAN KERJA DI JAWA TENGAH MENGGUNAKAN PENDEKATAN MULTIPLE LINIER REGRESSION Naili Makarima 1), Moh Yamin Darsyah 2) 1, email: makarimanaily@gmail.com
Lebih terperinciBAB I PENDAHULUAN. Paradigma pembangunan modern memandang suatu pola yang berbeda
BAB I PENDAHULUAN A. Latar Belakang Masalah Paradigma pembangunan modern memandang suatu pola yang berbeda dengan pembangunan ekonomi tradisional. Pertanyaan beranjak dari benarkah semua indikator ekonomi
Lebih terperinciBAB II DASAR TEORI. Gambar 2.1 : Perbedaan Antara Proses Stationer dan Proses Non-Stationer
BAB II DASAR TEORI Model adalah penyederhanaan dunia nyata (real world) ke dalam suatu bentuk terukur (Deliar, 27). Bentuk terukur tersebut adalah asumsi yang dianggap dapat merepresentasikan dunia nyata
Lebih terperinciBAB 1 PENDAHULUAN. setelah sandang, pangan, dan papan. Setiap rumah tangga (RT) pasti menginginkan
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pada saat ini, pendidikan dapat dikatakan termasuk dalam kebutuhan primer setelah sandang, pangan, dan papan. Setiap rumah tangga (RT) pasti menginginkan anak
Lebih terperinciSKRIPSI. Disusun oleh: Alin Citra Suardi
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI TINGKAT KEMISKINAN DENGAN METODE REGRESI PROBIT ORDINAL (Studi Kasus Kabupaten/ Kota di Jawa Tengah Tahun 2013) SKRIPSI Disusun oleh: Alin Citra Suardi 24010211130066
Lebih terperinci2015 REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION (GWLR)
1 BAB I PENDAHULUAN 1.1 Latar Belakang Statistika merupakan salah satu cabang ilmu matematika yang mempelajari bagaimana merencanakan, mengumpulkan, mempresentasikan, menganalisis, dan menginterpretasikan
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI LAJU PERTUMBUHAN PENDUDUK KOTA SEMARANG TAHUN 2011 MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 2, Tahun 2014, Halaman 161-171 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI LAJU PERTUMBUHAN PENDUDUK
Lebih terperinciPEMODELAN UPAH MINIMUM KABUPATEN/KOTA DI JAWA TENGAH BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHINYA MENGGUNAKAN REGRESI RIDGE
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 123-132 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN UPAH MINIMUM KABUPATEN/KOTA DI JAWA TENGAH BERDASARKAN
Lebih terperinciPEMODELAN BALITA GIZI BURUK DI KABUPATEN NGAWI DENGAN GEOGRAPHICALLY WEIGHTED REGRESSION. Latifah Ayunin 1 dan Sutikno 2
PEMODELAN BALITA GIZI BURUK DI KABUPATEN NGAWI DENGAN GEOGRAPHICALLY WEIGHTED REGRESSION Latifah Ayunin 1 dan Sutikno 2 1 Mahasiswa Jurusan Statistika, ITS, Surabaya 2 Dosen Pembimbing, Jurusan Statistika,
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 terperinciPemodelan Faktor Penyebab Kecelakaan Lalu Lintas Berdasarkan Metode Geographically Weighted Regression di Jawa Timur
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Print) D-58 Pemodelan Faktor Penyebab Kecelakaan Lalu Lintas Berdasarkan Metode Geographically Weighted Regression di Jawa Timur Putu
Lebih terperinciSKRIPSI. Disusun Oleh: MAS AD DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO SEMARANG 2016
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH DENGAN METODE GEOGRAPHICALLY WEIGHTED PRINCIPAL COMPONENTS ANALYSIS (GWPCA) ADAPTIVE BANDWIDTH SKRIPSI Disusun Oleh: MAS
Lebih terperinciPENENTUAN MODEL KEMISKINAN DI JAWA TENGAH DENGAN MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 161-170 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL KEMISKINAN DI JAWA TENGAH DENGAN MULTIVARIATE
Lebih terperinciX 3 : Flow Top (Aliran Atas) (lt/min) X 4 : Speed (Kecepatan) (m/min)
Periode Maret 06, Samarinda, Indonesia ISBN: 978-60-7658--3 Pemilihan Model Regresi Linier Multivariat Terbaik Dengan Kriteria Mean Square Error Dan Akaike s Information Criterion Edriani Lestari, Rito
Lebih 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 terperinciPERBANDINGAN REGRESI METODE ROBUST DENGAN METODE OLS STUDY KASUS PENGARUH INFLASI DAN PDRB TERHADAP PENGANGGURAN TERBUKA DI PROVINSI JAWA TEGAH
PERBANDINGAN REGRESI METODE ROBUST DENGAN METODE STUDY KASUS PENGARUH INFLASI DAN PDRB TERHADAP PENGANGGURAN TERBUKA DI PROVINSI JAWA TEGAH Rofiqoh Istiqomah (1), Abdul Karim (2) 1, email: Rofiqohistiq15@gmail.com
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam
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 terperinciBAB III METODE PENELITIAN Lokasi provinsi jawa tengah dipilih karena Tingkat kemiskinan
BAB III METODE PENELITIAN A. Lokasi Penelitian Lokasi penelitian adalah di Provinsi Jawa Tengah yang meliputi 35 kabupaten/kota dengan objek penelitian adalah tingkat kemiskinan dan faktor penyebab kemiskinan
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEMISKINAN DI JAWA TENGAH MENGGUNAKAN MODEL GALAT SPASIAL
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEMISKINAN DI JAWA TENGAH MENGGUNAKAN MODEL GALAT SPASIAL SKRIPSI Oleh: OCTAFINNANDA UMMU FAIRUZDHIYA 24010210130057 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciBAB 3 METODE PENELITIAN. Wilayah dan pengumpulan data yang diambil adalah di Kabupaten Bekasi
BAB 3 METODE PENELITIAN 3.1 Wilayah dan Pengumpulan Data Wilayah dan pengumpulan data yang diambil adalah di Kabupaten Bekasi yang terdiri dari 23 Kecamatan. Lokasi masing-masing kecamatan dapat dilihat
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 terperinciPEMODELAN JUMLAH KEMATIAN BAYI DI JAWA TIMUR DENGAN GEOGRAPHICALLY WEIGHTED POISSON REGESSION (GWPR)
PEMODELAN JUMLAH KEMATIAN BAYI DI JAWA TIMUR DENGAN GEOGRAPHICALLY WEIGHTED POISSON REGESSION (GWPR) Sisvia Cahya Kurniawati, Kuntoro Departemen Biostatistika dan Kependudukan FKM UNAIR Fakultas Kesehatan
Lebih terperinciPemodelan Pneumonia pada Balita di Surabaya Menggunakan Spatial Autoregressive Models
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-89 Pemodelan Pneumonia pada Balita di Surabaya Menggunakan Spatial Autoregressive Models Ilhamna Aulia, Mutiah Salamah
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 terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 487-496 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PERSENTASE PENDUDUK
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI LAJU PERTUMBUHAN PENDUDUK KOTA SEMARANG TAHUN 2011 MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI LAJU PERTUMBUHAN PENDUDUK KOTA SEMARANG TAHUN 2011 MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION SKRIPSI DisusunOleh : Catra Aditya Wisnu Aji NIM : J2E
Lebih terperinciANALISIS FAKTOR PENANAMAN MODAL DALAM NEGERI, EKSPOR, DAN KONSUMSI PEMERINTAH TERHADAP PDRB KALIMANTAN BARAT DENGAN MODEL DATA PANEL INTISARI
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume xx, No. x (tahun), hal xx xx. ANALISIS FAKTOR PENANAMAN MODAL DALAM NEGERI, EKSPOR, DAN KONSUMSI PEMERINTAH TERHADAP PDRB KALIMANTAN BARAT DENGAN
Lebih terperinciREGRESI TERBOBOTI GEOGRAFIS DENGAN FUNGSI PEMBOBOT KERNEL GAUSSIAN
REGRESI TERBOBOTI GEOGRAFIS DENGANN FUNGSI PEMBOBOT KERNEL GAUSSIAN DAN KERNEL BISQUARE PADA ANGKA HARAPAN HIDUP (Studi Kasus : Angka Harapan Hidup Kabupaten/Kota di Provinsi Jawa Timur) LUKMAN MAULANA
Lebih terperinciANALISIS FAKTOR-FAKTOR PRODUKSI PERIKANAN TANGKAP PERAIRAN UMUM DARATAN DI JAWA TENGAH MENGGUNAKAN REGRESI BERGANDA DAN MODEL DURBIN SPASIAL ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 141-150 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS FAKTOR-FAKTOR PRODUKSI PERIKANAN TANGKAP PERAIRAN UMUM
Lebih terperinciPENGARUH PRODUK DOMESTIK REGIONAL BRUTO, TINGKAT INFLASI DAN TINGKAT PENGANGGURAN TERHADAP TINGKAT KEMISKINAN DI PROVINSI JAWA TENGAH ( )
PENGARUH PRODUK DOMESTIK REGIONAL BRUTO, TINGKAT INFLASI DAN TINGKAT PENGANGGURAN TERHADAP TINGKAT KEMISKINAN DI PROVINSI JAWA TENGAH (1988-2012) SKRIPSI DIAJUKAN UNTUK MEMENUHI PERSYARATAN UNTUK MENCAPAI
Lebih terperinciKematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan
VIF Distribusi Poisson Regresi Poisson Kematian Bayi Kematian Ibu Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan 1 Pendaharan terberat pada masa nifas
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA
PEMODELAN JUMLAH KRIMINALITAS DI INDONESIA DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION DIAJUKAN UNTUK MEMENUHI SEBAGIAN PERSYARATAN DALAM MEMPEROLEH GELAR SARJANA SAINS BIDANG
Lebih terperinciIII. METODE PENELITIAN. Dalam penelitian ini penulis menggunakan pendekatan kuantitatif yaitu
III. METODE PENELITIAN A. Jenis dan Sumber Data Dalam penelitian ini penulis menggunakan pendekatan kuantitatif yaitu menjelaskan hubungan antara variabel terikat dan variabel bebas dalam model regresi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam rangka meningkatkan kesejahteraan masyarakat di suatu negara, maka dibutuhkan pembangunan. Pada September tahun 2000, mulai dijalankannya Millennium Development
Lebih terperinciBAB III METODELOGI PENELTIAN. Riau, DKI Jakarta, Jawa Barat, Jawa Tengah, DI. Yogyakarta, Jawa Timur,
BAB III METODELOGI PENELTIAN A. Obyek/Subyek Penelitian Obyek dalam penelitian ini meliputi seluruh wilayah atau 33 provinsi yang ada di Indonesia, meliputi : Aceh, Sumatera Utara, Sumatera Barat, Riau,
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI UPAH MINIMUM KABUPATEN/KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN MODEL SPATIAL AUTOREGRESSIVE (SAR)
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI UPAH MINIMUM KABUPATEN/KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN MODEL SPATIAL AUTOREGRESSIVE (SAR) SKRIPSI Disusun Oleh: RAHMAH MERDEKAWATY 24010212140062 DEPARTEMEN
Lebih terperinciBAB III METODE PENELITIAN. Dalam penelitian ini, penulis akan melaksanakan langkah-langkah sebagai
BAB III METODE PENELITIAN A. Langkah Penelitian Dalam penelitian ini, penulis akan melaksanakan langkah-langkah sebagai berikut: 1. Merumuskan spesifikasi model Langkah ini meliputi: a. Penentuan variabel,
Lebih terperinciREGRESI TERBOBOTI GEOGRAFIS UNTUK ANALISIS PENDAPATAN ASLI DAERAH KABUPATEN/KOTA DI PROVINSI ACEH
Xplore, 2013, Vol. 1(1):e1(1-8) c 2013 Departemen Statistika FMIPA IPB REGRESI TERBOBOTI GEOGRAFIS UNTUK ANALISIS PENDAPATAN ASLI DAERAH KABUPATEN/KOTA DI PROVINSI ACEH Hanifatun Nufusia, Aam Alamudi,
Lebih terperinciMODEL MIXED GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (MGWPR) PADA BANYAKNYA PENDERITA PENYAKIT DIFTERI DI PROVINSI JAWA TIMUR.
MODEL MIXED GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (MGWPR) PADA BANYAKNYA PENDERITA PENYAKIT DIFTERI DI PROVINSI JAWA TIMUR oleh ZARAETA AYU LATIFASARI M0111087 SKRIPSI ditulis dan diajukan untuk memenuhi
Lebih terperinciPEMODELAN ANGKA HARAPAN HIDUP DI PAPUA DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION
TUGAS AKHIR SS141501 PEMODELAN ANGKA HARAPAN HIDUP DI PAPUA DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION ARDIANTO TANADJAJA NRP 1312 100 150 Dosen Pembimbing Dr. Dra. Ismaini Zain. M.Si. Dr. Wahyu
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Lokasi Penelitian Dalam penelitian ini, Indonesia dijadikan sebagai objek penelitian untuk menganalisis pengaruh pengeluaran pemerintah, ekspor dan jumlah penduduk terhadap
Lebih terperinci