MODEL REGRESI TERBOBOTI GEOGRAFIS BAYES UNTUK DATA KEMISKINAN (Kasus 35 Desa atau Kelurahan di Kabupaten Jember) YUSNITA
|
|
- Hadian Sasmita
- 6 tahun lalu
- Tontonan:
Transkripsi
1 MODEL REGRESI TERBOBOTI GEOGRAFIS BAYES UNTUK DATA KEMISKINAN (Kasus 35 Desa atau Kelurahan di Kabupaten Jember) YUSNITA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012
2 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakaan bahwa tesis Model Regresi Terboboti Geografis Bayes untuk Data Kemiskinan (Kasus 35 Desa atau Kelurahan di Kabupaten Jember) adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini. Bogor, Juli 2012 Yusnita NIM G
3 ABSTRACT YUSNITA. Bayesian Geographically Weighted Regression Model for Poverty Data (Case of 35 Villages in Jember Regency). Supervised by AJI HAMIM WIGENA and ANIK DJURAIDAH. Bayesian Geographically Weighted Regression (BGWR) is locally linear regression method to solve some difficulties that arise in Geographically Weighted Regression (GWR) model, such as outliers or non-constant variance. The Bayesian approach solves the problems by producing estimates that are robust against aberrant observations. The aberrant observations are automatically detected and downweighted to mitigate their influence on the estimates. In this research, the weighting used for BGWR model is Gaussian and bi-square kernel function. The results showed that BGWR model is better than GWR model. According to mean square error (MSE) values and coefficient of determinant (R 2 ), Gaussian kernel function is better than bi-square kernel function as BGWR weighting to analyze the data on average expenditure per capita of 35 villages in Jember Regency. Keywords: Bayesian, Geographically Weighted Regression, outlier, non-constant variance, Gaussian kernel, bi-square kernel
4 RINGKASAN YUSNITA. Model Regresi Terboboti Geografis Bayes untuk Data Kemiskinan (Kasus 35 Desa atau Kelurahan di Kabupaten Jember). Dibimbing oleh AJI HAMIM WIGENA dan ANIK DJURAIDAH. Permasalahan kemiskinan penduduk di Indonesia masih cukup serius. Berbagai upaya telah dilakukan oleh pemerintah untuk menanggulangi masalah ini, diantaranya dengan memprediksi wilayah-wilayah miskin hingga tingkat administrasi desa, sehingga diharapkan upaya pengentasan kemiskinan lebih tepat sasaran. Data yang biasanya digunakan dalam menentukan suatu wilayah desa tergolong miskin atau tidak adalah rata-rata pengeluaran rumah tangga per kapita. Analisis untuk menentukan miskin tidaknya suatu desa, umumnya masih menggunakan analisis yang masih bersifat global dan diberlakukan pada seluruh lokasi yang diamati. Namun kondisi data di lokasi yang satu dengan lokasi yang lain tidak sama, baik dari segi geografis, keadaan sosial-budaya maupun hal-hal lain yang melatarbelakanginya, sehingga muncul keragaman antar wilayah lokal atau heterogenitas spatial. Salah satu dampak yang ditimbulkan dari munculnya heterogenitas spasial adalah parameter regresi bervariasi secara spasial. Selain itu, masalah kemiskinan dan kondisi ketertinggalan suatu desa sangat mungkin dipengaruhi oleh lokasi pengamatan atau kondisi geografis desa, termasuk posisinya terhadap desa lain disekitarnya. Hal ini dipertegas dengan hukum pertama geografi yang dikemukakan Tobler (1979) yang menyatakan bahwa segala sesuatu saling berhubungan satu dengan yang lainnya, tetapi sesuatu yang lebih dekat akan lebih berpengaruh daripada sesuatu yang jauh. Efek spasial menyebabkan asumsi kebebasan antar pengamatan yang diperlukan dalam regresi global sulit dipenuhi. Untuk mengakomodir permasalahan tersebut, analisis Regresi Terboboti Geografis (RTG) atau Geographically Weighted Regression adalah salah satu solusi yang dapat digunakan untuk membentuk model regresi yang bersifat lokal untuk setiap lokasi. Isu penting dalam model RTG adalah masalah pencilan atau ragam tidak konstan antar amatan. Koefisien regresi yang berbeda-beda di tiap lokasi pengamatan memungkinkan ragam galat yang berbeda-beda pula untuk tiap lokasi pengamatan, sehingga salah satu solusi dari permasalahan tersebut adalah pendekatan Bayes yang disebut Regresi Terboboti Geografis Bayes (RTGB) atau Bayesian Geographically Weighted Regression. Model RTGB mengasumsikan ragam galat tidak konstan antar lokasi amatan, sehingga dapat mengakomodir adanya permasalahan keheterogenan ragam. Pendekatan Bayes secara langsung mendeteksi dan memboboti pengamatan yang berpotensi mengandung pencilan, sehingga dapat mengurangi efek pencilan terhadap pendugaan parameter model. Pendugaan parameter model RTGB menggunakan Gibbs sampling yaitu suatu teknik yang digunakan untuk membangkitkan contoh acak dari distribusi berdasarkan pendekatan Markov Chain Monte Carlo (MCMC). Pembobot yang digunakan adalah fungsi kernel normal (Gaussian) dan fungsi kernel kuadrat ganda (bi-square). Hasil analisis menunjukkan bahwa berdasarkan nilai KTG dan R 2 yang digunakan sebagai indikator kebaikan model, model RTGB lebih baik daripada model RTG dalam menjelaskan peubah jarak dari desa atau kelurahan ke ibukota
5 kabupaten atau kota (km), banyaknya sarana kesehatan di desa (poskesdes, polindes, posyandu, apotek dan toko khusus obat) per 1000 penduduk, dan persentase keluarga penerima ASKESKIN dalam setahun terakhir terhadap ratarata pengeluaran per kapita per bulan penduduk desa atau kelurahan di Kabupaten Jember. Pada penelitian ini, fungsi pembobot kernel normal lebih baik daripada fungsi pembobot kernel kuadrat ganda sebagai pembobot model RTGB untuk analisis data kemiskinan di 35 desa atau kelurahan di Kabupaten Jember. Kata kunci : Bayes, Regresi Terboboti Geografis, pencilan, ragam tidak konstan, Gibbs sampling, kernel normal, kernel kuadrat ganda
6 Hak Cipta milik IPB, tahun 2012 Hak Cipta dilindungi Undang-undang Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan yang wajar bagi IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apa pun tanpa izin IPB
7 MODEL REGRESI TERBOBOTI GEOGRAFIS BAYES UNTUK DATA KEMISKINAN (Kasus 35 Desa atau Kelurahan di Kabupaten Jember) YUSNITA Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Statistika SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012
8 Penguji Luar Komisi pada Ujian Tesis: Dr. Anang Kurnia
9 Judul Tesis Nama NRP Program Studi : Model Regresi Terboboti Geografis Bayes untuk Data Kemiskinan (Kasus 35 Desa atau Kelurahan di Kabupaten Jember) : Yusnita : G : Statistika Disetujui Komisi Pembimbing Dr. Ir. Aji Hamim Wigena, M.Sc. Ketua Dr. Ir. Anik Djuraidah, MS Anggota Diketahui, Ketua Program Studi Statistika Dekan Sekolah Pascasarjana Dr. Ir. Erfiani, M.Si. Dr. Ir. Dahrul Syah, M.Sc.Agr Tanggal Ujian: 26 Juni 2012 Tanggal Lulus:
10 PRAKATA Puji dan syukur penulis panjatkan kepada Allah SWT atas segala rahmat dan karunia-nya sehingga karya ilmiah ini dapat diselesaikan. Judul tesis ini adalah Model Regresi Terboboti Geografis Bayes untuk Data Kemiskinan (Kasus 35 Desa atau Kelurahan di Kabupaten Jember). Terima kasih penulis sampaikan kepada Bapak Dr. Ir. Aji Hamim Wigena, M.Sc selaku pembimbing I dan Ibu Dr. Ir. Anik Djuraidah, MS selaku pembimbing II, terima kasih atas bimbingan, saran dan waktunya. Disamping itu penulis juga mengucapkan terima kasih kepada bapak Dr. Anang Kurnia selaku penguji luar komisi pada ujian tesis. Terimakasih juga penulis sampaikan kepada seluruh staf Program Studi Statistika. Penulis juga ingin menyampaikan penghargaan dan terima kasih kepada keluarga, terutama kedua orangtua saya tercinta dan kakak-kakakku atas do a, dukungan dan dorongan semangat, serta kasih sayangnya tanpa henti. Terima kasih pula kepada teman-teman Statistika dan Statistika Terapan atas bantuan dan kebersamaannya. Semoga karya ilmiah ini dapat bermanfaat. Bogor, Juli 2012 Yusnita
11 RIWAYAT HIDUP Penulis dilahirkan di Buton, Sulawesi Tenggara pada tanggal 1 November 1986 dari pasangan Bapak H. Nur Salim dan Ibu Hj. Siti Rukaya. Penulis menyelesaikan pendidikan SLTA di SMAN 2 Bau-Bau pada tahun 2004 dan pada tahun yang sama melanjutkan perkuliahan di Program Studi Statistika Terapan Fakultas Sains Terapan Institut Sains dan Teknologi AKPRIND Yogyakarta dan selesai pada tahun Tahun 2009 penulis diterima di Program Studi Statistika pada Sekolah Pascasarjana IPB.
12 DAFTAR ISI DAFTAR TABEL.. DAFTAR GAMBAR. DAFTAR LAMPIRAN.. PENDAHULUAN Latar Belakang... Tujuan Penelitian... TINJAUAN PUSTAKA Model RTGB. Pendugaan Parameter RTGB. Pembobot Spatial... Kebaikan Model RTGB. Halaman METODOLOGI PENELITIAN Data Metode HASIL DAN PEMBAHASAN Deskripsi Data Model RTGB.. Model Terbaik Asumsi Normalitas. KESIMPULAN DAN SARAN Kesimpulan Saran.. DAFTAR PUSTAKA. LAMPIRAN xiii xiv xv
13 DAFTAR TABEL Halaman 1 Statistik deskriptif peubah penjelas Korelasi Pearson antar peubah.. 3 Nilai R 2 dan KTG untuk model RTGB dengan fungsi pembobot kernel normal... 4 Nilai R 2 dan KTG untuk model RTGB dengan fungsi pembobot kernel kuadrat ganda. 5 Nilai R 2 dan KTG untuk model RTG dan RTGB dengan pembobot kernel normal dan pembobot kernel kuadrat ganda
14 DAFTAR GAMBAR Halaman 1 Peta Kabupaten Jember Plot koefisien β 1 model RTG dan RTGB kernel normal pada r = 35 dan = Plot koefisien β 1 model RTG dan RTGB kernel kuadrat ganda pada r = 35 dan = Plot koefisien β 2 model RTG dan RTGB kernel normal pada r = 35 dan = Plot koefisien β 2 model RTG dan RTGB kernel kuadrat ganda pada r = 35 dan = Plot koefisien β 3 model RTG dan RTGB kernel normal pada r = 35 dan = Plot koefisien β 3 model RTG dan RTGB kernel kuadrat ganda pada r = 35 dan = Nilai V i pada model RTGB pembobot kernel normal dan RTGB pembobot kernel kuadrat ganda Diagram pencar Y amatan dan Y duga: Regresi, RTG dan RTGB pembobot kernel normal dan kernel kuadrat ganda Plot peluang galat RTGB pembobot kernel normal Plot peluang galat RTGB pembobot kernel kuadrat ganda
15 DAFTAR LAMPIRAN Halaman 1 Penduga parameter model RTGB kernel normal Penduga parameter model RTGB kernel kuadrat ganda Nilai V i model RTGB kernel normal Nilai V i model RTGB kernel kuadrat ganda Program RTGB.. 63
16 PENDAHULUAN Latar Belakang Menurut Badan Pusat Statistik (BPS 2011), penduduk miskin adalah penduduk yang memiliki rata-rata pengeluaran per kapita per bulan di bawah garis kemiskinan. Garis kemiskinan dipergunakan sebagai batas untuk menentukan miskin atau tidaknya seseorang. Pada periode Maret 2011, garis kemiskinan sebesar Rp ,- per kapita per bulan. Dengan memperhatikan garis kemiskinan, berdasarkan survei BPS tahun 2011, jumlah orang miskin di Indonesia sebesar 30,02 juta jiwa atau 12,49 persen dari total jumlah penduduk. Hal ini menunjukkan bahwa permasalahan kemiskinan penduduk di Indonesia cukup serius. Berbagai upaya telah dilakukan oleh pemerintah untuk menanggulangi masalah ini, di antaranya dengan memprediksi wilayah-wilayah miskin hingga tingkat administrasi desa, sehingga dengan adanya informasi sampai tingkat wilayah desa ini diharapkan upaya pengentasan kemiskinan lebih tepat sasaran (BPS 2005). BPS menggunakan rata-rata pengeluaran rumah tangga per kapita sebagai indikator utamanya dalam mengukur kemiskinan. Analisis mengenai kemiskinan yang umum digunakan adalah analisis yang masih bersifat global dan diberlakukan pada seluruh lokasi yang diamati, di antaranya analisis regresi. Pendekatan model global ini berarti menggunakan rata-rata dari wilayah-wilayah yang lebih kecil (wilayah lokal) ditempat tersebut. Namun kondisi data di lokasi yang satu dengan lokasi yang lain tidak sama, baik dari segi geografis, keadaan sosial-budaya maupun hal-hal lain yang melatarbelakanginya, sehingga muncul heterogenitas spatial. Pendekatan model global akan memberikan informasi yang andal untuk wilayah lokal jika tidak ada atau hanya ada sedikit keragaman antar wilayah lokalnya (Fotheringham et al. 2002). Salah satu dampak yang ditimbulkan dari munculnya heterogenitas spasial adalah parameter regresi bervariasi secara spasial. Jika terjadi heterogenitas spasial pada parameter regresi, maka informasi yang tidak dapat ditangani oleh metode regresi global akan ditampung sebagai galat. Bila kasus semacam itu terjadi, regresi global menjadi kurang mampu dalam menjelaskan fenomena data yang sebenarnya.
17 Salah satu asumsi yang diperlukan pada analisis regresi global adalah antar pengamatan harus bersifat saling bebas, tetapi masalah kemiskinan dan kondisi ketertinggalan suatu desa sangat mungkin dipengaruhi oleh lokasi pengamatan atau kondisi geografis desa, termasuk posisinya terhadap desa lain di sekitarnya. Hal ini dipertegas dengan hukum pertama geografi yang dikemukakan Tobler (1979) dalam Schabenberger dan Gotway (2005) yang berbunyi Segala sesuatu saling berhubungan satu dengan yang lainnya, tetapi sesuatu yang lebih dekat akan lebih berpengaruh daripada sesuatu yang jauh. Efek spasial menyebabkan asumsi kebebasan antar pengamatan yang diperlukan dalam regresi sulit dipenuhi, sehingga dalam statistika, model yang dapat menjelaskan hubungan antara suatu wilayah dengan wilayah di sekitarnya adalah model spatial. Analisis Regresi Terboboti Geografis (RTG) dapat digunakan untuk mengatasi masalah tersebut. RTG merupakan bagian dari analisis spasial yang bersifat lokal dengan pembobotan berdasarkan posisi atau jarak dari satu lokasi pengamatan dengan lokasi pengamatan lainnya. Parameter regresi pada model RTG diasumsikan bervariasi secara spasial, sehingga interpretasi yang berbeda dan berharga dapat diperoleh untuk setiap titik lokasi yang diteliti. Isu penting dalam model RTG adalah masalah pencilan atau ragam tidak konstan antar amatan. Koefisien regresi yang berbeda di tiap lokasi pengamatan memungkinkan ragam galat yang berbeda pula untuk tiap lokasi pengamatan. Efek pencilan juga akan mengakibatkan masalah heteroskedastisitas. Pendekatan Bayes dalam model RTG yang disebut Regresi Terboboti Geografis Bayes (RTGB) atau Bayesian Geographically Weighted Regression yang diperkenalkan LeSage adalah analisis yang tepat untuk menangani permasalahan tersebut. Pendekatan ini secara langsung mendeteksi dan memboboti pengamatan yang berpotensi mengandung pencilan, sehingga dapat mengurangi efek pencilan terhadap pendugaan parameter model. Pendekatan Bayes mengasumsikan ragam galat tidak konstan antar lokasi amatan, sehingga dapat mengatasi adanya permasalahan keheterogenan ragam galat antar lokasi. Penelitian tentang analisis spasial telah banyak dikembangkan, antara lain Meilisa (2010) menyatakan bahwa model otoregresif bersyarat (CAR) dan model otoregresif simultan (SAR) sama baiknya dalam menentukan faktor-faktor
18 kemiskinan di Provinsi Jawa Timur. Arisanti (2010) menyatakan bahwa model otoregresif lag spasial lebih baik dalam menentukan faktor-faktor yang berpengaruh terhadap kemiskinan di Provinsi Jawa Timur dibandingkan regresi linier klasik. Khusus untuk penelitian tentang RTG telah dilakukan oleh Rahmawati (2010) yang meneliti tentang model Regresi Terboboti Geografis (RTG) dengan pembobot kernel normal dan kernel kuadrat ganda untuk data kemiskinan pada desa atau kelurahan di Kabupaten Jember. Hasil penelitiannya diperoleh bahwa model RTG dengan pembobot kernel normal lebih baik digunakan untuk memodelkan rata-rata pengeluaran per kapita per bulan desa atau kelurahan dengan peubah-peubah penjelasnya, dibandingkan dengan model RTG dengan pembobot kernel kuadrat ganda dan model regresi klasik. Pembobot yang digunakan pada penelitian ini adalah pembobot jarak yang juga digunakan pada penelitian Rahmawati (2010), yaitu pembobot kernel normal (Gaussian) dan pembobot kernel kuadrat ganda (bi-square), sehingga diharapkan dapat membandingkan dan menentukan model terbaik antara RTG dan RTGB dengan pembobot kernel normal dan kernel kuadrat ganda pada kasus 35 desa atau kelurahan di Kabupaten Jember. Kabupaten Jember dipilih sebagai studi kasus pada penelitian ini karena berdasarkan data survei sosial ekonomi nasional (Susenas) Maret 2009, dari 38 kabupaten/kota di Jawa Timur, jumlah masyarakat miskin yang tertinggi yakni Kabupaten Jember yang mencapai rumah tangga. Tujuan Tujuan penelitian ini dapat dirumuskan sebagai berikut: 1. Membentuk model RTGB dengan fungsi pembobot kernel normal dan kernel kuadrat ganda untuk pendugaan rata-rata pengeluaran per kapita per bulan desa atau kelurahan. 2. Membandingkan model RTG dan model RTGB.
19 TINJAUAN PUSTAKA Model RTGB Analisis regresi merupakan analisis statistika yang bertujuan untuk memodelkan hubungan antara peubah respon Y dengan peubah penjelas X, di mana dugaan parameter persamaan berlaku untuk semua lokasi pengamatan. Model RTG merupakan pengembangan dari model regresi, tapi pada model RTG parameter persamaan untuk setiap lokasi pengamatan berbeda dengan lokasi lainnya, sehingga banyaknya vektor parameter yang diduga sama dengan banyaknya lokasi pengamatan yang digunakan dalam data. Model yang dihasilkan pada analisis RTG juga tidak dapat digunakan untuk menduga parameter selain parameter di lokasi pengamatan (Walter et al. 2005). Secara umum model RTG dapat ditulis dalam bentuk matriks berikut: W i y = W i Xβ i + ε i (1) β i merupakan vektor parameter berukuran k 1 pada pengamatan ke-i. Pendugaan parameter model untuk setiap lokasi pengamatan dengan metode kuadrat terkecil terboboti untuk lokasi ke-i, yaitu: b i = (X W i X) 1 X W i y (2) dengan W i = diag[w i1, w i2,, w in ] dan 0 w ij 1 (i, j = 1, 2,, n) W i adalah matriks diagonal berukuran n n (n = banyaknya pengamatan) yang merupakan matriks pembobot spasial lokasi ke-i (spatial weighting). Unsur-unsur diagonal matriks W i diambil dari vektor baris atau kolom ke-i dari matriks pembobot W. Nilai unsur-unsur diagonal W i ditentukan oleh kedekatan pengamatan (lokasi) ke-i dengan lokasi lainnya (lokasi ke-j). Semakin dekat lokasinya, semakin besar nilai pembobot pada unsur yang bersesuaian. Ragam galat pada model RTG diasumsikan homogen, sehingga tidak dapat menyelesaikan masalah yang muncul akibat adanya ragam yang tidak konstan antar area atau pencilan. LeSage (1998) menyelesaikan permasalahan tersebut dengan menggunakan pendekatan Bayes. Model RTG pada persamaan (1) dikembangkan dengan memasukan parameter penghalus hubungan atau parameter smoothing relationship berikut:
20 β i = w i1 I k w in I k β 1 + u i (3) β n w ij merupakan pembobot jarak antara lokasi ke-i dengan lokasi lainnya (lokasi ke-j) yang dinormalkan sehingga jumlah vektor baris (w i1, w i2,, w in ) = 1, dengan w ii = 0. dengan: Sebaran galat pada persamaan (1) dan (3) sebagai berikut: ε i ~N[0, σ 2 V i ] (4) u i ~N[0, σ 2 δ 2 (X W i 2 X) 1 ] (5) V i = diag[v 1, v 2,, v n ] r v i ~ χ 2 (r) r σ 2 adalah ragam galat dan V i adalah matriks diagonal berukuran nxn yang menunjukkan ragam tidak konstan antar lokasi amatan. Sebaran prior V i 2 (r), dimana r adalah hyperparameter yang mengontrol sejumlah sebaran pendugaan V i. Prior ini digunakan oleh Lindley (1971) dalam LeSage (1998) untuk analisis masalah ragam, Geweke (1993) dalam LeSage (1998) untuk model heteroskedastisitas dan pencilan, LeSage (1998) dalam model spatial autoregresif. Prior ini digunakan dengan memodifikasi V i sehingga E(V i ) = 1 dan Var(V i ) = 2/r, jika r menjadi sangat besar, maka ragam galat model RTGB menjadi σ 2 I n (homoskedastisitas atau ragam konstan). Nilai hyperparameter r yang kecil mengasumsikan bahwa prior meyakini adanya ragam yang tidak konstan antar lokasi. Parameter stokastik u i pada parameter penghalus hubungan dalam persamaan (3) menyebar normal dengan rataan nol dan ragam berdasarkan Zellner s g-prior yang sebanding dengan matriks ragam-peragam, σ 2 (X W i 2 X) 1 dengan δ 2 sebagai faktor skala (scale factor) yang mengatur β i. Prior ini digunakan untuk menunjukkan keragaman parameter penghalus hubungan β i (LeSage 1998). Jika δ 2 (V i = I n ), maka pendugaan RTGB akan menghasilkan pendugaan yang sama dengan RTG. LeSage menunjukkannya pada bentuk persamaan berikut : y i = X i β i + ε i (6)
21 β i = J i γ + u i (7) dengan: y i = W i y X i = W i X J i = w i1 I k w in I k γ = β 1 β n Persamaan (6) dan (7) dapat ditulis dalam bentuk persamaan (8). y i J i γ = X i I k β i + ε i u i (8) Jika V i = I n, maka β i adalah sebagai berikut: β i = R(X i y i + X i X i J i γ/δ 2 ) R = (X i X i + X i X i /δ 2 ) 1 dan jika δ 2, maka pendugaan RTGB sama dengan pendugaan RTG yang ditunjukkan pada persamaan berikut: β i = (X i X i ) 1 (X i y i ) Pendugaan Parameter RTGB LeSage (2001) menggunakan Gibbs sampling yaitu suatu teknik yang digunakan untuk membangkitkan contoh acak dari distribusi berdasarkan pendekatan Markov Chain Monte Carlo (MCMC) untuk mendapatkan pendugaan parameter. Metode Gibbs sampling digunakan untuk menemukan solusi masalah matematis (yang dapat terdiri dari banyak peubah) yang susah dipecahkan, misalnya dengan kalkulus integral, atau metode numerik lainnya. Parameter yang akan diduga dalam proses ini adalah β i, σ, δ, V i dan dengan sebaran posterior bersyarat adalah sebagai berikut: Sebaran posterior β i dengan syarat σ i, δ, γ dan V i adalah: p(β i ) N(β i, σ 2 i R) (9) dengan: β i = R(X i V i 1 y i + X i X i J i γ/δ 2 )
22 R = (X i V 1 i X i + X i X i /δ 2 ) 1 Sebaran posterior bersyarat untuk σ adalah 2 (m) yang ditunjukkan pada persamaan (10). m +1 p(σ i ) σ i exp { 1 2σ 2 ε i V 1 i ε i } (10) i ε i = y i X i β i dengan m menunjukkan jumlah pengamatan dengan pembobot yang berarti atau tidak bernilai nol. Sebaran posterior bersyarat untuk V i adalah: p{[ e i 2 σ i 2 + r]/v i } χ 2 (r+1) (11) Sebaran posterior bersyarat untuk adalah 2 (nk) yang ditunjukkan pada persamaan (12). p(δ ) δ nk exp { n i=1 β i J i γ (X i X i ) 1 β i J i γ / 2σ 2 i δ 2 } (12) Tahapan proses Gibbs sampling adalah sebagai berikut: 1. Menentukan nilai secara acak untuk parameter β i 0, σ 0, δ 0, V i 0, γ 0 2. Tiap observasi i = 1,, n, a. Bangkitkan β i 1 dari P(β i σ 0, δ 0, V i 0, γ 0 ) pada persamaan (9) b. Bangkitkan σ 1 dari P(σ δ 0, β i 1, V i 0, γ 0 ) pada persamaan (10) c. Bangkitkan V i 1 dari P(V i β i 1, σ 1, δ 0, γ 0 ) pada persamaan (11) 3. Gunakan nilai β i 1, i = 1,, n untuk memperbaharui γ 0 menjadi γ 1 4. Nilai δ 1 diperoleh dari P(δ β i 1, σ 1, V i 1, γ 1 ) pada persamaan (12) 5. Ganti nilai β i 0, σ 0, δ 0, V i 0, γ 0 pada langkah 1 dengan β i 1, σ 1, δ 1, V i 1, γ 1 6. Ulangi langkah 1-5 sebanyak q bangkitan hingga mendekati konvergen. Dugaan parameter diperoleh dari rataan contoh posterior.
23 Pembobot Spasial Fungsi pembobot spasial yang digunakan dalam penelitian ini sebagai berikut: 1. w ij = exp 1 2 d ij 2 θ dengan d ij adalah jarak dari lokasi-i ke lokasi-j dan θ adalah lebar jendela, yaitu suatu nilai parameter penghalus fungsi yang nilainya selalu positif. Fungsi ini biasa disebut fungsi kernel normal (Gaussian). 2. w ij = 1 d ij θ 2 2 jika d ij < θ, dan w ij = 0 untuk d ij θ. fungsi ini mengikuti bentuk kernel pembobot ganda (biweight) dan biasa disebut sebagai fungsi pembobot kernel kuadrat ganda (bi-square). Salah satu cara yang dapat digunakan untuk mendapatkan nilai lebar jendela optimum yaitu dengan validasi silang (cross validation). Lebar jendela optimum yang digunakan adalah yang menghasilkan nilai koefisien validasi silang minimum, dengan rumus koefisiennya adalah: CV = n i=1 y i y i (θ) 2 dengan y i (θ) adalah nilai dugaan yi (fitting value) dengan pengamatan di lokasi ke-i dihilangkan dari proses prediksi (Fotheringham et al. 2002). Lebar jendela optimum diperoleh dengan proses iterasi hingga didapatkan CV minimum. Kebaikan Model RTGB Ukuran kebaikan model yang digunakan pada penelitian ini adalah koefisien determinasi (R 2 ) dan kuadrat tengah galat (KTG). R 2 diartikan sebagai rasio antara jumlah kuadrat regresi (JKR) dan jumlah kuadrat total (JKT), sehingga R 2 yang lebih tinggi mengindikasikan model yang lebih baik. R 2 = n i=1 y i y 2 n i=1 y i y 2 = JKR JKT KTG diartikan sebagai perbedaan rata-rata jumlah kuadrat y i sebenarnya dan penduganya, sehingga pendugaan yang paling akurat akan mengarah ke nilai KTG terkecil. n KTG = y i y 2 i=1 i n.
24 METODOLOGI PENELITIAN Data Wilayah yang digunakan pada penelitian ini adalah 35 desa atau kelurahan yang teramati dalam Susenas 2008 dari 248 desa atau kelurahan di Kabupaten Jember. Kabupaten Jember merupakan bagian dari Propinsi Jawa Timur, terletak ± 200 km ke arah timur dari Surabaya. Secara geografis Kabupaten Jember terletak pada 113,30º - 113,45º BT dan 8,00º - 8,30º LS. Wilayah Kabupaten Jember berbatasan dengan Kabupaten Bondowoso, Kabupaten Probolinggo, dan Kapubaten Situbondo di sebelah utara, sebelah timur berbatasan dengan Kabupaten Lumajang dan Kabupaten Probolinggo, sebelah selatan berbatasan dengan Samudra Hindia. Luas wilayah Kabupaten Jember adalah 3.293,34 km² yang terbagi menjadi 31 kecamatan dan 248 desa/kelurahan, dengan jumlah penduduk jiwa yang terdiri atas laki-laki jiwa dan perempuan jiwa. Gambar 1 Peta Kabupaten Jember Bagian selatan wilayah Kabupaten Jember adalah dataran rendah dengan titik terluarnya adalah Pulau Barong. Pada kawasan ini terdapat Taman Nasional Meru Betiri yang berbatasan dengan wilayah administratif Kabupaten Banyuwangi. Bagian barat laut berbatasan dengan Kabupaten Probolinggo adalah pegunungan, bagian dari Pegunungan Iyang, dengan puncaknya Gunung
25 Argopuro (3.088 m). Bagian timur merupakan bagian dari rangkaian Dataran Tinggi Ijen. Kabupaten Jember memiliki beberapa sungai antara lain Sungai Bedadung yang bersumber dari Pegunungan Iyang di bagian Tengah, Sungai Mayang yang bersumber dari Pegunungan Raung di bagian timur, dan Sungai Bondoyudo yang bersumber dari Pegunungan Semeru di bagian barat. Data yang digunakan dalam penelitian ini adalah data potensi desa (Podes) dan survei sosial nasional (Susenas) tahun Peubah responnya (Y) adalah rata-rata pengeluaran per kapita per bulan penduduk desa atau kelurahan yang diperoleh dari data Susenas Peubah-peubah penjelas diperoleh dari data Podes 2008 yang terdiri dari: X 1 = Jarak dari desa atau kelurahan ke ibukota kabupaten atau kota (km), X 2 = Banyaknya sarana kesehatan di desa atau kelurahan (poskesdes, polindes, posyandu, apotik, dan toko obat) per 1000 penduduk (X 2 ), X 3 = Persentase keluarga penerima ASKESKIN dalam setahun terakhir (%). Metode Prosedur analisis yang akan dilakukan dalam penelitian ini sebagai berikut: 1. Menentukan matriks W dari jarak antar desa dan lebar jendela optimum untuk kedua fungsi pembobot yang digunakan dalam penelitian ini. 2. Normalisasi vektor baris dari matriks W pada langkah 1 untuk kedua fungsi pembobot yang digunakan dalam penelitian ini. 3. Membentuk matriks W i dari baris atau kolom ke-i dari matriks W, 4. Menentukan nilai r dan. 5. Selanjutnya melakukan simulasi gibbs sampling: a. Tentukan nilai secara acak untuk parameter β 0 i, σ 0, δ 0, V 0 i, γ 0 b. Untuk tiap observasi i = 1,, n, Bangkitkan β 1 i dari P(β i σ 0, δ 0, V 0 i, γ 0 ) Bangkitkan σ 1 dari P(σ δ 0, V 0 i, γ 0 ) Bangkitkan V 1 i dari P(V i β 1 i, σ 0, δ 0, γ 0 ) c. Menggunakan nilai β 1 i, i= 1,, n untuk memperbarui γ 0 menjadi γ 1 d. Nilai δ 1 diperoleh dari P(δ σ 1, V 1 i, γ 1 ) e. Ganti nilai β 0 i, σ 0, δ 0, V 0 i, γ 0 pada langkah 1 dengan β 1 i, σ 1, δ 1, V 1 i, γ 1
26 f. Ulangi langkah 1-5 sebanyak 550 bangkitan dengan 50 bangkitan pertama dibuang. 6. Menentukan model RTGB terbaik, selanjutnya membandingkannya dengan model RTG. Penelitian ini menggunakan program Matlab (R2009a) dan Minitab 14.0 dalam menganalisis data.
27 HASIL DAN PEMBAHASAN Deskripsi Data Peubah penjelas yang digunakan adalah jarak dari desa atau kelurahan ke ibukota kabupaten atau kota (X 1 ), banyaknya sarana kesehatan di desa (poskesdes, polindes, posyandu, apotek dan toko khusus obat) per 1000 penduduk (X 2 ), dan persentase keluarga penerima ASKESKIN dalam setahun terakhir (X 3 ). Nilai jangkauan, minimum, maksimum, rata-rata dan simpangan baku dari ketiga peubah penjelas dapat dilihat dari Tabel 1. Tabel 1 Nilai jangkauan, minimum, maksimum, rata-rata dan simpanga baku peubah penjelas Peubah Jangkauan Min Maks Rata-rata Simpangan Baku Jarak desa-kabupaten (X 1 ) Sarana Kesehatan (X 2 ) ASKESKIN (X 3 ) Berdasarkan Tabel 1, simpangan baku pada peubah penjelas X 3 (persentase keluarga yang menerima kartu ASKESKIN dalam setahun) cukup besar, yang berarti bahwa jumlah penerima ASKESKIN di tiap desa/kelurahan beragam. Simpangan baku pada peubah sarana kesehatan (X 2 ) kecil, yang berarti bahwa sarana kesehatan di desa/kelurahan di Kabupaten Jember cukup merata di tiap desa atau kelurahan. Sebelum melakukan pendugaan parameter, peubah-peubah penjelas harus dipastikan berpengaruh terhadap peubah respon. Selain itu, antar peubah penjelas tidak saling berkorelasi atau saling bebas. Untuk menunjukkan hal tersebut, digunakan analisis korelasi Pearson. Korelasi pearson antar peubah ditunjukan pada Tabel 2.
28 Tabel 2 Korelasi Pearson antar peubah Peubah Korelasi Pearson Nilai-p Y dan X * 0.01 Y dan X * 0.00 Y dan X * 0.02 X 1 dan X X 1 dan X X 2 dan X Keterangan: * : nyata pada α = 5% Nilai korelasi antar ketiga peubah penjelas dengan peubah respon pada Tabel 2 nyata dengan taraf kepercayaan 95%, yang berarti bahwa semua peubah penjelas berpengaruh terhadap peubah respon. Sedangkan semua nilai korelasi antar peubah penjelas tidak nyata pada taraf kepercayaan 95%, sehingga antar peubah penjelas tidak saling berkorelasi atau tidak terjadi multikolinearitas. Ketiga peubah penjelas tersebut dapat langsung digunakan untuk keperluan analisis selanjutnya. Model RTGB Sebelum digunakan model RTGB untuk analisis data, digunakan terlebih dahulu analisis RTG yang diperoleh dari hasil penelitian Rahmawati pada tahun Berdasarkan penelitian Rahmawati (2010) diperoleh nilai lebar jendela optimum yang dihasilkan dengan meminimumkan CV, yaitu 9.09 km untuk fungsi pembobot kernel normal dan km untuk fungsi pembobot kernel kuadrat ganda. Nilai lebar jendela sebesar 9.09 km untuk fungsi pembobot kernel normal menunjukkan bahwa jarak antar desa atau kelurahan yang kurang dari 9.09 km, memberikan pengaruh yang cukup besar terhadap data yang diamati. Sedangkan jika lokasi antar desa atau kelurahan sudah melebihi jarak 9.09 km, maka pengaruhnya akan menurun seiring dengan semakin jauhnya jarak antar desa atau kelurahan. Nilai lebar jendela sebesar km untuk fungsi pembobot kernel kuadrat ganda menunjukkan bahwa jarak antar desa atau kelurahan kurang dari km, dianggap mempengaruhi data dengan semakin dekat jarak maka
29 semakin besar pengaruhnya terhadap data yang diamati. Sedangkan jarak antar desa atau kelurahan yang lebih dari atau sama dengan km, dianggap sudah tidak mempengaruhi data yang diamati. Berbeda dengan pendugaan model RTG yang menggunakan WLS, pendugaan koefisien regresi pada model RTGB menggunakan Gibbs Sampling dengan melakukan iterasi sebanyak 550 kali dimana 50 ulangan pertama dibuang. Dengan menggunakan fungsi pembobot kernel normal dan kernel kuadrat ganda serta berbagai nilai r (r = 8, 15, 25 dan 35) dan ( = 1, 10 dan 100) maka diperoleh penduga parameter model RTGB. Penduga parameter model RTGB kernel normal dan kernel kuadrat ganda untuk berbagai prior r dan pada Lampiran 1 dan Lampiran 2. Berikut penduga koefisien model RTG dan model RTGB kernel normal dan kuadrat ganda dengan r = 35 dan = 10 pada Gambar 2 sampai Gambar β Desa Gambar 2 Plot koefisien β 1 [RTGB ( ), RTG ( )] model RTGB kernel normal pada r = 35 dan = 10
30 β Desa Gambar 3 Plot koefisien β 1 [RTGB ( ), RTG ( )] model RTGB kernel kuadrat ganda pada r = 35 dan = 10 Pada model regresi, nilai-nilai penduga parameter dapat dijadikan sebagai pertimbangan besarnya kontribusi peubah penjelas terhadap peubah respon. Berbeda dengan regresi linear global yang hasil penduga parameter untuk tiap peubah sama untuk semua desa atau kelurahan, pada model RTG dan RTGB menghasilkan penduga parameter yang dapat bernilai positif ataupun negatif pada desa atau kelurahan yang berbeda untuk peubah yang sama. Sehingga suatu peubah penjelas yang sama bisa memberi kontribusi negatif maupun positif terhadap rata-rata pengeluaran per kapita desa atau kelurahan yang berbeda. Gambar 2 dan Gambar 3 menunjukkan bahwa nilai β 1 yang berbeda di tiap desa atau kelurahan di Kabupaten Jember. Gambar 2 dan Gambar 3 juga menunjukkan pola yang cenderung sama antara model RTG dan RTGB dengan pembobot kernel normal dan kuadrat ganda, tapi ada beberapa desa yang mempunyai pola yang berlawanan atau berbeda yaitu desa ke-4, 8, 9, dan 21. sebagian besar nilai β 1 model RTG dan RTGB kernel normal dan kuadrat ganda bernilai negatif. Nilai negatif pada β 1 berarti bahwa semakin jauh jarak dari desa atau kelurahan ke ibukota kabupaten, maka semakin rendah rata-rata pengeluaran per kapita per bulan. Tapi nilai β 1 pada desa ke- 1, 2, 3, 4, 8, 9, 18, 19, 20 dan 21 bernilai positif yang berarti bahwa semakin jauh jarak dari desa atau kelurahan ke ibukota kabupaten, maka semakin tinggi rata-rata pengeluaran per kapita per bulan. Gambar 2 dan Gambar 3 juga menunjukkan Nilai β 1 dengan pembobot kernel normal dan kernel kuadrat ganda yang cenderung sama, baik pada model RTG maupun RTGB.
31 β Desa Gambar 4 Plot koefisien β 2 [RTGB ( ), RTG ( )] model RTGB kernel normal pada r = 35 dan = β Desa Gambar 5 Plot koefisien β 2 [RTGB ( ), RTG ( )] model RTGB kernel kuadrat ganda pada r = 35 dan = 10 Nilai β 2 dengan pembobot kernel normal dan kernel kuadrat ganda pada Gambar 4 dan Gambar 5 cenderung sama, baik pada model RTG maupun RTGB. Tapi pada desa 1 nilai β 2 pada model RTGB pembobot kernel normal jauh berbeda dengan model RTGB pembobot kernel kuadrat. Sebagian besar nilai β 2 model RTG dan RTGB kernel normal dan kuadrat ganda bernilai positif yang berarti bahwa semakin banyak sarana kesehatan di desa atau kelurahan di Kabupaten Jember, maka rata-rata pengeluaran per kapita per bulan penduduk desa semakin besar. Tapi ada beberapa desa atau kelurahan yang nilai β 2 bernilai negatif seperti desa ke- 5, 7, 20, 21, 29, 30 dan 31 yang berarti bahwa semakin banyak sarana kesehatan di desa atau kelurahan tersebut, maka rata-rata pengeluaran per kapita per bulan penduduk semakin kecil.
32 β Desa Gambar 6 Plot koefisien β 3 [RTGB ( ), RTG ( )] model RTGB kernel normal pada r = 35 dan = β Desa Gambar 7 Plot koefisien β 3 [RTGB ( ), RTG ( )] model RTGB kernel kuadrat ganda pada r = 35 dan = 10 Gambar 6 dan Gambar 7 menunjukkan bahwa sebagian besar nilai β 3 bernilai negatif yang berarti bahwa semakin besar persentase keluarga penerima ASKESKIN dalam setahun terakhir, maka semakin rendah rata-rata pengeluaran per kapita per bulan. Tapi pada desa ke-1, 2, 3, 4, 5, 7 dan 18 pada pembobot kernel normal serta desa ke-19, 29 dan 30 pada pembobot kernel kuadrat ganda, nilai β 3 positif yang berarti bahwa semakin besar persentase keluarga penerima ASKESKIN dalam setahun terakhir, maka semakin tinggi rata-rata pengeluaran per kapita per bulan penduduk di desa atau kelurahan di Kabupaten Jember. Nilai β 3 dengan pembobot kernel normal dan kernel kuadrat ganda pada Gambar 6 dan Gambar 7 cenderung sama, baik pada model RTG maupun RTGB. Tapi pada desa 1, 2, 3, 29 dan 30, nilai β 3 pada model RTGB pembobot kernel normal jauh berbeda dengan model RTGB pembobot kernel kuadrat.
33 Ragam galat pada model RTGB diasumsikan tidak konstan antar lokasi. Gambar 8 menunjukkan nilai V i untuk r = 8 dan = 1. Nilai V i model RTGB pembobot kernel normal dan kernel kuadrat dengan berbagai r dan selengkapnya pada Lampiran 3 dan Lampiran 4. V i Desa Gambar 8 Plot V i pada model RTGB pembobot kernel normal ( ) dan RTGB pembobot kernel kuadrat ganda ( ) Berdasarkan Gambar 8 terlihat bahwa V i cukup beragam di tiap desa. Desa ke-4, 5, 6, 7, 12, 13, 14, 15, 16, 17, 22, 23, 24, 25, 26, 27, 32, 33, 34 dan 35 menghasilkan V i yang cenderung besar baik pada model RTGB dengan pembobot kernel normal maupun kernel kuadrat ganda. Nilai V i ini dengan konsisten memboboti β i untuk semua desa yang diamati, sehingga desa atau pengamatan yang mungkin berpotensi mengandung pencilan akan diboboti dengan nilai V i yang besar. Nilai V i pada model RTGB pembobot kernel normal lebih besar dari pada pembobot kernel kuadrat ganda, hal ini karena pembobot kernel normal memberi pengaruh pada seluruh lokasi amatan, sedangkan pembobot kernel normal memberi pengaruh pada daerah yang jaraknya kurang dari. Model Terbaik Sebelum membandingkan model RTG dan RTGB untuk fungsi pembobot kernel normal dan kernel kuadrat ganda terlebih dahulu menentukan model RTGB terbaik dengan berbagai nilai r dan untuk kedua fungsi pembobot. Salah satu indikator yang dapat digunakan adalah R 2. Nilai R 2 yang lebih tinggi mengindikasikan model yang lebih baik. Pada penelitian ini, nilai R 2 diperoleh dari pemodelan antar Y amatan dan Y duga dari model RTGB untuk berbagai
34 nilai r dan. Indikator lainnya adalah kuadrat tengah galat (KTG) atau mean square error. Nilai KTG yang lebih kecil mengindikasikan model yang lebih baik. Tabel 3 dan Tabel 4 menunjukkan nilai R 2 dan KTG untuk model RTGB dengan fungsi pembobot kernel normal dan model RTGB dengan fungsi pembobot kernel kuadrat ganda untuk berbagai r dan. Tabel 3 Nilai R 2 dan KTG model RTGB pembobot kernel normal r R KTG R 2 KTG R 2 KTG R 2 KTG (%) (10 9 ) (%) (10 9 ) (%) (10 9 ) (%) (10 9 ) Tabel 4 Nilai R 2 dan KTG model RTGB pembobot kernel kuadrat ganda r R KTG R 2 KTG R 2 KTG R 2 KTG (%) (10 9 ) (%) (10 9 ) (%) (10 9 ) (%) (10 9 )
35 Berdasarkan Tabel 3 dan Tabel 4 terlihat bahwa pada prior r = 35 dan = 10, model RTGB dengan pembobot kernel normal dan pembobot kernel kuadrat ganda adalah model RTGB dengan nilai R 2 tertinggi dan KTG terkecil. Model RTGB menghasilkan nilai R 2 sebesar 91.8% dan KTG sebesar 1.12 x 10 9 untuk pembobot kernel normal dan R 2 sebesar 86.3% dan KTG sebesar 1.87 x 10 9 untuk pembobot kernel kuadrat ganda, sehingga prior r = 35 dan = 10 adalah prior yang menghasilkan model RTGB terbaik untuk kedua fungsi pembobot yang digunakan. Tabel 3 dan Tabel 4 juga menunjukkan bahwa semakin besar prior r, maka nilai R 2 cenderung makin besar dan nilai KTG yang menurun. Tabel 3 dan Tabel 4 juga terlihat bahwa prior tidak cukup signifikan berpengaruh terhadap model. Setelah menentukan model RTGB terbaik, selanjutnya membandingkannya dengan model RTG pada penelitian Rahmawati (2010). Tabel 5 menunjukkan nilai R 2 dan KTG untuk model RTG dan RTGB dengan pembobot kernel normal dan pembobot kernel kuadrat ganda. Tabel 5 Nilai R 2 dan KTG model RTG dan RTGB dengan pembobot kernel normal dan pembobot kernel kuadrat ganda Model R 2 KTG RTG kernel normal 85.30% RTGB kernel normal 91.80% RTG kernel kuadrat ganda 82.20% RTGB kernel kuadrat ganda 86.30% Berdasarkan Tabel 5, model RTGB dengan pembobot kernel normal adalah model terbaik yang menghasilkan nilai R 2 tertinggi dan KTG terkecil dari model RTG dengan fungsi pembobot kernel normal dan kernel kuadrat ganda maupun model RTGB dengan pembobot kernel kuadrat ganda. Tabel 5 juga menunjukkan bahwa pada pembobot kernel normal dan kernel kuadrat ganda, model RTGB lebih baik dari pada model RTG. Untuk menunjukkan bahwa model RTGB dengan pembobot kernel normal adalah model yang terbaik juga dipertegas pada diagram pencar antara Y amatan
36 dengan Y regresi, Y RTGB kernel normal, Y RTGB kernel kuadrat ganda, Y RTG kernel normal, dan Y RTG kernel kuadrat ganda pada Gambar Y Y amatan Y RTG kernel normal Y RTGB kernel normal Y regresi Linear (Y RTG kernel kuadrat ganda) Linear (Y RTGB kernel kuadrat ganda) Y RTG kernel kuadrat ganda Y RTGB kernel kuadrat ganda Linear (Y RTG kernel normal) Linear (Y RTGB kernel normal) Linear (Y regresi) Gambar 9 Diagram pencar Y amatan dan Y: Regresi, RTG dan RTGB dengan pembobot kernel normal dan kernel kuadrat ganda Berdasarkan Gambar 9, Y RTGB dengan fungsi pembobot kernel normal lebih mendekati Y amatan dibandingkan dengan Y model RTGB dengan fungsi pembobot kernel kuadrat ganda, Y RTG dengan fungsi pembobot kernel normal dan kernel kuadrat ganda maupun Y regresi, sehingga model RTGB dengan fungsi pembobot kernel normal adalah model terbaik untuk pendugaan rata-rata pengeluaran per kapita per bulan desa atau kelurahan di Kabupaten Jember.
37 Asumsi Normalitas Asumsi tambahan lain yang harus dipenuhi adalah peubah acak galat menyebar normal. Untuk menunjukkan hal ini dapat dilihat pada plot probabilitas galat di Gambar 10 dan Gambar 11. Gambar 10 Plot peluang galat RTGB dengan pembobot kernel normal Gambar 11 Plot peluang galat RTGB dengan pembobot kernel kuadrat ganda Berdasarkan Gambar 8 dan Gambar 9 di atas, tampak bahwa sebagian besar data menyebar di sepanjang garis lurus. Hal ini mengindikasikan bahwa data menyebar normal. Dengan menggunakan uji Anderson Darling, pada pemilihan α = 5% diketahui bahwa peubah acak galat mengikuti sebaran normal (p-value > 0.05) untuk galat model RTGB dengan fungsi pembobot kernel normal dan fungsi pembobot kernel kuadrat ganda, sehingga asumsi kenormalan yang dibutuhkan dalam pemodelan RTGB ini telah terpenuhi.
38 KESIMPULAN DAN SARAN KESIMPULAN Berdasarkan berbagai prior r dan yang digunakan dalam analisis model RTGB dengan fungsi pembobot kernel normal dan fungsi pembobot kernel kuadrat ganda untuk pendugaan rata-rata pengeluaran per kapita per bulan desa atau kelurahan di Kabupaten Jember, prior r = 35 dan = 10 adalah prior yang menghasilkan model RTGB terbaik untuk kedua fungsi pembobot. Jika dibandingkan dengan model RTG, maka model RTGB dengan fungsi pembobot kernel normal adalah model terbaik dengan KTG sebesar 1.12 x 10 9 dan R 2 sebesar 91.8%. SARAN Penelitian ini fokus pada permasalahan ragam tidak konstan antar lokasi dengan menggunakan pembobot kernel dengan lebar jendela yang sama untuk semua lokasi, sehingga penelitian berikutnya disarankan menggunakan pembobot kernel adaptif dengan lebar jendela yang berbeda-beda di tiap lokasi. Pada pembobot kernel adaptif, titik-titik amatan yang berdekatan atau mengumpul menghasilkan lebar jendela yang kecil sedangkan titik-titik amatan yang berpencar menghasilkan lebar jendela yang besar, sehingga diharapkan dapat menghasilkan galat model yang lebih kecil. Pendugaan parameter pada model RTGB hanya berlaku pada lokasi amatan dan tidak dapat digunakan untuk menduga parameter di luar lokasi amatan. Penelitian ini dapat dikembangkan untuk menduga parameter di luar lokasi amatan dengan menggunakan metode interpolasi.
39 DAFTAR PUSTAKA Arisanti R Model Regresi Spasial untuk Deteksi Faktor-Faktor Kemiskinan di Provinsi Jawa Timur [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. BPS [Badan Pusat Statistik] Identifikasi dan Penentuan Desa Tertinggal Buku II = Jawa. Jakarta: Badan Pusat Statistik. BPS [Badan Pusat Statistik] Data dan Informasi Kemiskinan Jakarta: Badan Pusat Statistik. BPS [Badan Pusat Statistik] Kabupaten Jember dalam Angka Kabupaten Jember: Kerjasama Badan Perencanaan Pembangunan dengan Badan Pusat Statistik BPS [Badan Pusat Statistik] Berita Resmi Statistik No. 45/07/Th. XIV, 1 Juli [30 Desember 2011] BPS [Badan Pusat Statistik] Meta Data Subdit Statistik Kerawanan Sosial. [16 Juli 2012] Chan HS Incorporating the Concept of Community into A Spatially- Weighted Local Regression Analysis [thesis]. Canada: Department of Geodesy and Geomatics Engineering, University of New Brunswick. Fotheringham AS, Brundson C, Chartlon M Geographically Weighted Regression, the Analysis of spatially varying relationships. John Wiley and Sons, LTD. LeSage JP Spatial Econometric [paper]. Department of Economics, University of Toledo. LeSage JP The Theory and Practice of Spatial Econometrics [paper]. Department of Economics, University of Toledo. LeSage JP A Family of Geographically Weighted Regression Models. Journal of Geographic Information Science Vol. 5, No. 2, Department of Economics University of Toledo. Meilisa M Model Otoregresi Simultan dan Otoregresi Bersyarat untuk Analisis Kemiskinan di Provinsi Jawa Timur [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.
40 Rahmawati R Model Regresi Terboboti Geografis dengan Pembobot Kernel Normal dan Kernel Kuadrat Ganda untuk Data Kemiskinan (Kasus 35 Desa atau Kelurahan di Kabupaten Jember) [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Schabenberger O, Gotway CA Statistical Methods for Spatial Data Analysis. Chapman & Hall/CRC.
41
42 LAMPIRAN
43
44 Lampiran 1. Penduga parameter model RTGB pembobot kernel normal r = 8 dan = 1 Desa b0 b1 b2 b3 Y RTGB PASEBAN GUMUKMAS TEMBOKREJO WRINGIN TELU AMPEL KESILIR SABRANG SIDODADI PACE SEMPOLAN GARAHAN MRAWAN KEMUNING SARI KIDUL SUKAMAKMUR WIROWONGSO KARANG SEMANDING BALUNG KIDUL GADINGREJO WRINGIN AGUNG PRINGGOWIRAWAN JATIROTO SUKOREJO GAMBIRONO SERUT KEMUNINGLLOR SUMBER PINANG KALISAT SUREN RANDU AGUNG SUMBERJAMBE ARJASA TEGAL BESAR KARANGREJO SUMBERSARI JEMBER LOR
45 Lampiran 1. Lanjutan r = 15 dan = 1 Desa b0 b1 b2 b3 Y RTGB PASEBAN GUMUKMAS TEMBOKREJO WRINGIN TELU AMPEL KESILIR SABRANG SIDODADI PACE SEMPOLAN GARAHAN MRAWAN KEMUNING SARI KIDUL SUKAMAKMUR WIROWONGSO KARANG SEMANDING BALUNG KIDUL GADINGREJO WRINGIN AGUNG PRINGGOWIRAWAN JATIROTO SUKOREJO GAMBIRONO SERUT KEMUNINGLLOR SUMBER PINANG KALISAT SUREN RANDU AGUNG SUMBERJAMBE ARJASA TEGAL BESAR KARANGREJO SUMBERSARI JEMBER LOR
HASIL DAN PEMBAHASAN Pendugaan Pengeluaran Per Kapita
HASIL DAN PEMBAHASAN Pendugaan Pengeluaran Per Kapita Kabupaten Jember terdiri dari 247 desa/kelurahan. 14.17% dari jumlah tersebut atau 35 desa/kelurahan terpilih sebagai contoh dalam susenas 2008, dengan
Lebih terperinciKata kunci: Geographically Weighted Regression, Gauss Kernel, bandwidth, cross validation
PENGGUNAAN GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN PEMBOBOT GAUSS KERNEL UNTUK KLASIFIKASI DESA MISKIN (Studi kasus desa-desa di Kabupaten Jember, Jawa Timur) Rita Rahmawati 1, Anik Djuraidah 2,
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 terperinciForum Statistika dan Komputasi, Oktober 2010 p : ISSN :
, Oktober 2010 p : 32-37 ISSN : 0853-8115 Vol 15 No.2 REGRESI TERBOBOTI GEOGRAFIS DENGAN PEMBOBOT KERNEL KUADRAT GANDA UNTUK DATA KEMISKINAN DI KABUPATEN JEMBER (Geographically Weighted Regression with
Lebih terperinciMODEL REGRESI TERBOBOTI GEOGRAFIS DENGAN PEMBOBOT KERNEL NORMAL DAN KERNEL KUADRAT GANDA UNTUK DATA KEMISKINAN
MODEL REGRESI TERBOBOTI GEOGRAFIS DENGAN PEMBOBOT KERNEL NORMAL DAN KERNEL KUADRAT GANDA UNTUK DATA KEMISKINAN (Kasus 35 Desa atau Kelurahan di Kabupaten Jember) RITA RAHMAWATI SEKOLAH PASCASARJANA INSTITUT
Lebih terperinci(DS.4) MODEL OTOREGRESIF SIMULTAN BAYES UNTUK ANALISIS DATA KEMISKINAN
(DS.4) MODEL OTOREGRESIF SIMULTAN BAYES UNTUK ANALISIS DATA KEMISKINAN Safaat Yulianto 1, Anik Djuraidah 2, Aji Hamim Wigena 2 1Akademi Statistika Muhammadiyah Semarang 2Jurusan Statistika, Institut Pertanian
Lebih 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 terperinci(DS.5) MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER
(DS.5) MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER (Kasus : Pendugaan Proporsi Keluarga Miskin Di kabupaten Jember Jawa Timur) Etis Sunandi 1), Khairil A Notodiputro 2), Anik
Lebih terperinciANALISIS REGRESI TERPOTONG BEBERAPA NILAI AMATAN NURHAFNI
ANALISIS REGRESI TERPOTONG DENGAN BEBERAPA NILAI AMATAN NOL NURHAFNI SEKOLAH PASCASARJANAA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan
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 terperincipendekatan dalam penelitian ini dinilai cukup beralasan.
Tabel Hasil pendugaan model pengaruh tetap dengan Y sebagai peubah respon dan X, X dan X sebagai C -. 00 X -5 0.50 X.05 00 X 00 R 0.6 Adjusted R 0.6 Hasil pendugaan model data panel dengan Y sebagai peubah
Lebih 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 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 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 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 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 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 terperinciRegresi Spasial untuk Menentuan Faktorfaktor Kemiskinan di Provinsi Jawa Timur
Statistika, Vol. 12 No. 1, 1 8 Mei 2012 Regresi Spasial untuk Menentuan Faktorfaktor Kemiskinan di Provinsi Jawa Timur Anik Djuraidah dan Aji Hamim Wigena Departemen Statistika FMIPA-IPB, Kampus IPB Darmaga,
Lebih 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 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 terperinciTINJAUAN PUSTAKA Profil Kabupaten Jember Pengeluaran Per kapita
TINJAUAN PUSTAKA Profil Kabupaten Jember Berdasarkan data BPS (2009), Kabupaten Jember secara geografis terletak pada 113 0 30-113 0 45 Bujur Timur dan 8 0 00-8 0 30 Lintang Selatan. Wilayah Kabupaten
Lebih terperinciHASIL DAN PEMBAHASAN
19 HASIL DAN PEMBAHASAN Deskripsi Data Secara umum, wilayah Jawa Timur dapat dibagi menjadi 2 bagian besar, yaitu Jawa Timur daratan dan Kepulauan Madura. Luas wilayah Jawa Timur daratan hampir mencakup
Lebih terperinci(R.11) PENGGUNAAN MATRIKS PEMBOBOT SPASIAL PADA MODEL SMALL AREA ESTIMATION DENGAN METODE SPATIAL EMPIRICAL BEST LINEAR UNBIASED PREDICTION
(R.11) PENGGUNAAN MATRIKS PEMBOBOT SPASIAL PADA MODEL SMALL AREA ESTIMATION DENGAN METODE SPATIAL EMPIRICAL BEST LINEAR UNBIASED PREDICTION Dariani Matualage (1), Asep Saefuddin (2), Aji Hamim Wigena (2)
Lebih 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 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 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 terperinciMODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER
MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER Etis Sunandi 1), Khairil A Notodiputro 2), Anik Djuraidah 2) 1) Jurusan Matematika FMIPA Universitas Bengkulu 2) Jurusan Statistika,
Lebih terperinciMETODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIS SPASIAL PADA AREA KECIL UNTUK PENDUGAAN PENGELUARAN PER KAPITA
METODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIS SPASIAL PADA AREA KECIL UNTUK PENDUGAAN PENGELUARAN PER KAPITA (Studi Kasus : Kabupaten Jember Provinsi Jawa Timur) DARIANI MATUALAGE SEKOLAH PASCASARJANA
Lebih terperinciBAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n<<p DAN TERDAPAT KEKOLINEARAN-GANDA
BAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n
Lebih 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 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 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 terperinciMetode Regresi Ridge dengan Iterasi HKB dalam Mengatasi Multikolinearitas
Vol. 14, No. 1, 93-99, Juli 2017 Metode Regresi Ridge dengan Iterasi HKB dalam Mengatasi Multikolinearitas Nurhasanah Abstrak Regresi berganda dengan peubah bebas saling berkorelasi (multikolinearitas)
Lebih 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 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 terperinciPengembangan dan Aplikasi Geoinformatika Bayesian pada Data Kemiskinan di Indonesia (Studi Kasus Jawa Timur)
Jurnal Ilmu Pertanian Indonesia (JIPI), Agustus 2012 ISSN 0853 4217 Pengembangan dan Aplikasi Geoinformatika Bayesian pada Data Kemiskinan di Indonesia (Studi Kasus Jawa Timur) Vol. 17 (2): 77 82 (Bayesian
Lebih terperinciPENDEKATAN BAYESIAN SPASIAL EKONOMETRIKA PADA PEMODELAN MIGASI PENDUDUK DI JAWA BARAT. Oleh : Priyono
PENDEKATAN BAYESIAN SPASIAL EKONOMETRIKA PADA PEMODELAN MIGASI PENDUDUK DI JAWA BARAT Oleh : Priyono Dosen Pembimbing : Dr. Ir. Setiawan, MS Dr. Sutikno, M.Si PROGRAM MAGISTER JURUSAN STATISTIKA FMIPA
Lebih terperinciHASIL DAN PEMBAHASAN Deskripsi Data
HASIL DAN PEMBAHASAN Deskripsi Data Jawa Timur merupakan salah satu provinsi di Indonesia yang mempunyai 38 kabupaten/kota, terdiri atas 29 kabupaten dan 9 kota. Secara umum wilayah Provinsi Jawa Timur
Lebih terperinciEstimasi Parameter pada Regresi Spatial Error Model (SEM) yang Memuat Outlier menggunakan Iterative Z Algorithm
PRISMA 1 (2018) https://journal.unnes.ac.id/sju/index.php/prisma/ Estimasi Parameter pada Regresi Spatial Error Model (SEM) yang Memuat Outlier menggunakan Iterative Z Algorithm Yulia Sari, Nur Karomah
Lebih terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih terperinciPENDEKATAN REGRESI SPASIAL DALAM PEMODELAN TINGKAT PENGANGGURAN TERBUKA MARIANA
PENDEKATAN REGRESI SPASIAL DALAM PEMODELAN TINGKAT PENGANGGURAN TERBUKA MARIANA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinciKata Kunci: Analisis Regresi Linier, Penduga OLS, Penduga GLS, Autokorelasi, Regresor Bersifat Stokastik
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 168 176 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN PENDUGA ORDINARY LEAST SQUARES (OLS) DAN GENERALIZED LEAST SQUARES (GLS) PADA MODEL REGRESI
Lebih terperinci: 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 terperinciMODEL REGRESI ROBUST MENGGUNAKAN ESTIMASI S DAN ESTIMASI GS
MODEL REGRESI ROBUST MENGGUNAKAN ESTIMASI S DAN ESTIMASI GS (Studi Kasus Produksi Jagung di Indonesia) Oleh VICTOR SATRIA SAPUTERA M0112089 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
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 terperinciPERBANDINGAN ANTARA UNWEIGHTED LEAST SQUARES (ULS) DAN PARTIAL LEAST SQUARES (PLS) DALAM PEMODELAN PERSAMAAN STRUKTURAL MUHAMMAD AMIN PARIS
PERBANDINGAN ANTARA UNWEIGHTED LEAST SQUARES (ULS) DAN PARTIAL LEAST SQUARES (PLS) DALAM PEMODELAN PERSAMAAN STRUKTURAL MUHAMMAD AMIN PARIS SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN
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 terperinciBAB I PENDAHULUAN. Analisis regresi merupakan sebuah alat statistik yang memberi penjelasan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan sebuah alat statistik yang memberi penjelasan tentang pola hubungan (model) antara dua peubah atau lebih (Draper dan Smith, 1992).
Lebih terperinciPROSIDING ISSN : Seminar Nasional Statistika 12 November 2011 Vol 2, November 2011
(R.7) Model Regresi Poisson dan Model Spasial Otoregresif Poisson untuk Mendeteksi Faktor-Faktor yang Berpengaruh terhadap Jumlah Penderita Gizi Buruk di Provinsi Jawa Timur Siti Rohmah Rohimah 1, Muhammad
Lebih terperinciKata Kunci : 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 terperinci(α = 0.01). Jika D i > , maka x i atau pengamatan ke-i dianggap pencilan (i = 1, 2,..., 100). HASIL DAN PEMBAHASAN
4 karena adanya perbedaan satuan pengukuran antar peubah. 1.. Memastikan tidak adanya pencilan pada data dengan mengidentifikasi adanya pencilan pada data. Pengidentifikasian pencilan dilakukan dengan
Lebih terperinciPEMBENTUKAN MODEL DATA PANEL FIXED EFFECT MENGGUNAKAN GUI MATLAB
PEMBENTUKAN MODEL SPASIAL DATA PANEL FIXED EFFECT MENGGUNAKAN GUI MATLAB (Studi Kasus : Kemiskinan di Jawa Tengah) SKRIPSI Disusun Oleh : IRAWATI TAMARA NIM. 24010212120002 JURUSAN STATISTIKA FAKULTAS
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 terperinciABSTRAK. Mariana, Dosen Pendidikan Matematika Fakultas Tarbiyah dan Keguruan, IAIN Ambon ,
ABSTRAK PENDEKATAN REGRESI SPASIAL DALAM PEMODELAN TINGKAT PENGANGGURAN TERBUKA (Spatial Regression Approach in Modeling of Open Unemployment Rate) Mariana, Dosen Pendidikan Matematika Fakultas Tarbiyah
Lebih terperinciTINJAUAN PUSTAKA Pemilihan Peubah Gizi Buruk
5 TINJAUAN PUSTAKA Pemilihan Peubah Gizi Buruk Gizi buruk adalah keadaan kurang zat gizi tingkat berat yang disebabkan oleh rendahnya konsumsi energi dan protein dalam waktu cukup lama yang ditandai dengan
Lebih 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 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 terperinciANALISIS REGRESI KUANTIL
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 103 107 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI KUANTIL SAIDAH, FERRA YANUAR, DODI DEVIANTO Program Studi Magister Matematika, Fakultas
Lebih terperinciPENDUGAAN AREA KECIL DENGAN TRANSFORMASI PADA PENDUGAAN PROPORSI KELUARGA MISKIN DI KABUPATEN JEMBER IMAM APRIYANTO
PENDUGAAN AREA KECIL DENGAN TRANSFORMASI PADA PENDUGAAN PROPORSI KELUARGA MISKIN DI KABUPATEN JEMBER IMAM APRIYANTO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciTINJAUAN 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 terperinciMETODE PENELITIAN. Setiabudi 8
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian mengenai sikap konsumen terhadap daging sapi lokal dan impor ini dilakukan di DKI Jakarta, tepatnya di Kecamatan Setiabudi, Kotamadya Jakarta
Lebih terperinciIII. METODE PENELITIAN
39 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder tersebut merupakan data cross section dari data sembilan indikator
Lebih terperinciBAB I PENDAHULUAN. menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi linier berganda merupakan analisis yang digunakan untuk menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah respon Y yang
Lebih terperinciPERBANDINGAN METODE INTERPOLASI ABRIDGED LIFE TABLE
PERBANDINGANN METODE INTERPOLASI ABRIDGED LIFE TABLE DAN APLIKASINYA PADA DATAA KEMATIAN INDONESIA VANI RIALITA SUPONO SEKOLAH PASCASARJANAA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS
Lebih terperinciDeteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013)
Deteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013) Dwiningrum Prihastiwi, Dadang Juandi, Nar Herrhyanto
Lebih 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 terperinciPERBANDINGAN METODE PENDUGAAN PARAMETER DALAM PEMODELAN PERSAMAAN STRUKTURAL LA MBAU
v PERBANDINGAN METODE PENDUGAAN PARAMETER DALAM PEMODELAN PERSAMAAN STRUKTURAL LA MBAU Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Departemen Matematika SEKOLAH PASCASARJANA
Lebih terperinciPERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN
E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751 PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN NI PUTU NIA IRFAGUTAMI 1, I GUSTI
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 terperinciADLN-PERPUSTAKAAN UNIVERSITAS AIRLANGGA ESTIMASI MODEL REGRESI SEMIPARAMETRIK BIRESPON PADA DATA LONGITUDINAL BERDASARKAN ESTIMATOR LOKAL LINIER
ESTIMASI MODEL REGRESI SEMIPARAMETRIK BIRESPON PADA DATA LONGITUDINAL BERDASARKAN ESTIMATOR LOKAL LINIER SKRIPSI DIAJUKAN UNTUK MEMENUHI SEBAGIAN PERSYARATAN DALAM MEMPEROLEH GELAR SARJANA STATISTIKA DEPARTEMEN
Lebih terperinciMODIFIKASI METODE RELE UNTUK MODEL PENDUDUK QUASI-STABIL CECEP A.H.F. SANTOSA
MODIFIKASI METODE RELE UNTUK MODEL PENDUDUK QUASI-STABIL CECEP A.H.F. SANTOSA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 Hak Cipta milik Institut Pertanian Bogor, tahun 2008 Hak Cipta dilindungi
Lebih terperinciEFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH
EFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH May Cristanti, Yuliana Susanti, dan Sugiyanto Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciTINJAUAN PUSTAKA. Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan
4 II. TINJAUAN PUSTAKA 2.1 Definisi Pencilan Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan yang bervariasi (beragam). Keberagaman data ini, di satu sisi sangat dibutuhkan dalam
Lebih terperinciPENERAPAN METODE PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PADA PENENTUAN PROPORSI RUMAH TANGGA MISKIN DI KABUPATEN KLUNGKUNG
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 35-39 ISSN: 2303-1751 PENERAPAN METODE PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PADA PENENTUAN PROPORSI RUMAH TANGGA MISKIN DI KABUPATEN KLUNGKUNG PUTU
Lebih terperinciMETODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE
METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2010 RINGKASAN
Lebih terperinciSEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI
SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN
Lebih terperinci(R.14) METODE MINIMUM COVARIANCE DETERMINANT PADA ANALISIS REGRESI LINIER BERGANDA DENGAN KASUS PENCILAN
(R.14) MEODE MINIMUM COVARIANCE DEERMINAN PADA ANALISIS REGRESI LINIER BERGANDA DENGAN KASUS PENCILAN Dini Aderlina, Firdaniza, Nurul Gusriani Jurusan Matematika FMIPA Universitas Padjadjaran Jl. Raya
Lebih terperinciPENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI
PENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciPENANGANAN MASALAH HETEROSKEDASITAS DENGAN MODEL ARCH-GARCH DAN MODEL BLACK-SCHOLES MOSES ALFIAN SIMANJUNTAK
PENANGANAN MASALAH HETEROSKEDASITAS DENGAN MODEL ARCH-GARCH DAN MODEL BLACK-SCHOLES MOSES ALFIAN SIMANJUNTAK SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER
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 terperinciPERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA
PERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA Ni Luh Putu Ratna Kumalasari 1, Ni Luh Putu Suciptawati 2,, Made Susilawati
Lebih terperinciTeknik Ensemble dengan Additive Noise pada Estimasi Parameter Model Autoregressive Spasial
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Teknik Ensemble dengan Additive Noise pada Estimasi Parameter Model Autoregressive Spasial Sulistiyaningsih 1, Dewi Retno Sari Saputro 2, Purnami Widyaningsih
Lebih terperinciSTK 511 Analisis statistika. Materi 7 Analisis Korelasi dan Regresi
STK 511 Analisis statistika Materi 7 Analisis Korelasi dan Regresi 1 Pendahuluan Kita umumnya ingin mengetahui hubungan antar peubah Analisis Korelasi digunakan untuk melihat keeratan hubungan linier antar
Lebih terperinciESTIMASI 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 terperinciSTRATEGI PENGEMBANGAN DAYA SAING PRODUK UNGGULAN DAERAH INDUSTRI KECIL MENENGAH KABUPATEN BANYUMAS MUHAMMAD UNGGUL ABDUL FATTAH
i STRATEGI PENGEMBANGAN DAYA SAING PRODUK UNGGULAN DAERAH INDUSTRI KECIL MENENGAH KABUPATEN BANYUMAS MUHAMMAD UNGGUL ABDUL FATTAH SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 iii PERNYATAAN
Lebih terperinciBAB II LANDASAN TEORI. Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan
BAB II LANDASAN TEORI 2.1 Data Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan datum yang berisi fakta-fakta serta gambaran suatu fenomena yang dikumpulkan, dirangkum, dianalisis, dan
Lebih terperinciMODEL OTOREGRESI SIMULTAN DAN OTOREGRESI BERSYARAT UNTUK ANALISIS KEMISKINAN DI PROVINSI JAWA TIMUR MIRA MEILISA
MODEL OTOREGRESI SIMULTAN DAN OTOREGRESI BERSYARAT UNTUK ANALISIS KEMISKINAN DI PROVINSI JAWA TIMUR MIRA MEILISA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2011 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciADLN- 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 terperinciPENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI
PENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
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 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 MODEL PELUANG BERTAHAN HIDUP DAN APLIKASINYA SUNARTI FAJARIYAH
ANALISIS MODEL PELUANG BERTAHAN HIDUP DAN APLIKASINYA SUNARTI FAJARIYAH SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 2 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan
Lebih terperinciPEMODELAN DATA KEMISKINAN PROVINSI KALIMANTAN TIMUR DENGAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN FUNGSI PEMBOBOT KERNEL BISQUARE
Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 17 3 September 17, Samarinda, Indonesia ISBN: 978-6-531--3 PEMODELAN DATA KEMISKINAN PROVINSI KALIMANTAN TIMUR DENGAN METODE GEOGRAPHICALLY
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 terperinciPERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENDUGA-S DALAM MENGATASI DATA PENCILAN DENGAN SIMULASI DATA SKRIPSI
PERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENDUGA-S DALAM MENGATASI DATA PENCILAN DENGAN SIMULASI DATA SKRIPSI ANDOS NIKI S. M. SEMBIRING 090803032 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciESTIMASI MODEL SIMULTAN SPASIAL PERTUMBUHAN EKONOMI JAWA TIMUR
ESTIMASI MODEL SIMULTAN SPASIAL PERTUMBUHAN EKONOMI JAWA TIMUR Firda Fadri Manajemen Informatika, Sekolah Tinggi Teknologi Walisongo Gempol Email: firda.fadri@gmail.com ABSTRAK Model ekonometri spasial
Lebih terperinciSTUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG PENCILAN
Jurnal Matematika UNAND Vol. 2 No. 4 Hal. 18 26 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND STUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG
Lebih terperinciMODEL SPASIAL DURBIN EROR UNTUK INDEKS PEMBANGUNAN MANUSIA DI PROVINSI JAWA TENGAH
MODEL SPASIAL DURBIN EROR UNTUK INDEKS PEMBANGUNAN MANUSIA DI PROVINSI JAWA TENGAH Albertus Revoliko Septiawan, Sri Sulistijowati Handajani, dan Titin Sri Martini Program Studi Matematika Fakultas Matematika
Lebih terperinciPENDUGAAN TURUNAN PERTAMA DAN TURUNAN KEDUA DARI FUNGSI INTENSITAS SUATU PROSES POISSON PERIODIK SYAMSURI
PENDUGAAN TURUNAN PERTAMA DAN TURUNAN KEDUA DARI FUNGSI INTENSITAS SUATU PROSES POISSON PERIODIK SYAMSURI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinci