MODEL SPLINE TERBOBOT UNTUK MERANCANG KARTU MENUJU SEHAT (KMS) PROPINSI JAWA TIMUR
|
|
- Suhendra Hartono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 MODEL SPLINE TERBOBOT UNTUK MERANCANG KARTU MENUJU SEHAT (KMS) PROPINSI JAWA TIMUR Adi Wicaksono 1, Mutiah Salamah, dan Jerry Dwi Trijoyo Purnomo 1 Mahasiswa Statistika ITS Dosen Statistika ITS ABSTRAK Kartu Menuju Sehat (KMS) merupakan alat yang digunakan untuk memantau tumbuh kembang balita dimana KMS ini merupakan modifikasi WHO-NCHS. Disisi lain, KMS yang saat ini digunakan di Indonesia kurang menggambarkan pola pertumbuhan balita khususnya di Jawa Timur. Berdasarkan kurva pertumbuhan balita di Propinsi Jawa Timur terdapat perubahan pola pada batas usia tertentu dan juga varian error yang tidak konstan. Dalam Hal ini spline terbobot merupakan pendekatan yang sesuai untuk memodelkan pertumbuhan balita di Jawa Timur. Dari analisis regresi spline terbobot diketahui bahwa perubahan pola pertumbuhan balita di Jawa Timur terjadi pada usia 6 bulan dan 13 bulan pertama. KMS yang dirancang dengan pendekatan regresi spline terbobot mempunyai nilai R >99 % untuk setiap nilai persentil, sehingga KMS rancangn ini dapat dikatakan baik dalam menggambarkan pola pertumbuhan balita di Propinsi Jawa Timur. KMS yang dirancang dengan pendekatan regresi spline terbobot ini memiliki standar evaluator yang lebih rendah dari pada KMS yang digunakan di Indonesia saat ini. Kata kunci : KMS, Kurva, Spline, Model, Rancangan. 1. Pendahuluan Kartu Menuju Sehat (KMS) adalah suatu alat sederhana yang dapat digunakan untuk mencatat setiap perubahan berat badan balita berdasarkan bentuk dan warna kurva pertumbuhan. Banyak manfaat yang dapat diperoleh dari KMS, salah satunya adalah dapat mendeteksi gizi buruk pada balita. Bedasarkan hasil pemantauan Direktorat Bina Gizi Masyarakat selama tahun , terdapat empat propinsi yang selalu masuk dalam daftar daerah yang mengalami kasus gizi buruk tinggi, salah satunya adalah Propinsi Jawa Timur dimana pada tahun 009 Propinsi Jawa Timur menduduki posisi teratas untuk masalah gizi buruk (Siswono, 010). Beberapa kabupaten/kota di Propinsi Jawa Timur telah melakukan upaya untuk menurunkan jumlah gizi buruk diantaranya adalah revitalisasi Posyandu, pemberian penyuluhan gizi dan kesehatan, kunjungan rumah (sweeping), pemberian makanan pendamping, deteksi dini masalah kurang gizi, serta menyiapkan anggaran untuk kegiatan penanggulangan gizi buruk. (Dinas Komunikasi dan Informatika Propinsi Jawa Timur, 010). Upaya penurunan jumlah gizi buruk balita di Propinsi Jawa Timur tidak memberikan hasil yang sesuai. Hal ini dapat ditinjau dari hasil Riset Kesehatan Dasar 007 dan 010 untuk kasus gizi buruk di Propinsi Jawa Timur menunjuk penurunan yang kurang signifikan yaitu dari 17.5% pada 007 hanya turun 0.4% menjadi 17.1% pada tahun 010. Oleh karena itu perlu ditindak lanjuti apakah kasus gizi buruk yang terjadi di Propinsi Jawa Timur disebabkan oleh standar evaluator KMS yang tidak sesuai, sehingga cenderung kurang menggambarkan pola tumbuh kembang balita di Jawa Timur. Budiantara (009) dalam penelitiannya mengenai KMS menyimpulkan bahwa penggunaan KMS yang merupakan standar baku dari WHO yang dikeluarkan oleh NCHS (National Center Health Statistics) kurang menggambarkan perilaku pertumbuhan balita yang ada di Indonesia. Akibatnya, terdapat balita yang semestinya sehat, tetapi dalam KMS terdekteksi tidak sehat, dan sebaliknya. Salah satu alternatif yang dapat digunakan untuk mendapatkan angka prevalensi gizi buruk di Propinsi Jawa Timur yang tepat adalah dengan merancangan suatu KMS yang dikembangkan dari data balita di Propinsi Jawa Timur. Rancangan KMS ini haruslah lebih dapat mewakili pola tumbuh kembang balita di Jawa Timur daripada KMS yang digunakan saat ini, oleh karena itu diperlukan suatu metode regresi yang sesuai untuk membangun kurva hubungan antara usia dan berat badan balita di Jawa Timur. Berdasarkan kurva pola pertumbuhan balita di Propinsi Jawa Timur cenderung membentuk suatu fungsi kurva regresi tertentu yang tidak diketahui. Hal tersebut dapat didekati dengan regresi spline. Regresi spline merupakan salah satu metode nonparametrik yang baik digunakan apabila tidak tersedianya informasi apapun tentang bentuk dari fungsi kurva regresi. Pendekatan nonparametrik ini merupakan metode pendugaan model yang tidak terikat dengan asumsi bentuk kurva regresi tertentu, sehingga memberikan fleksibilitas yang lebih besar (Hardle, 1990). Banyak kasus praktis, seperti pola pertumbuhan balita sangat sulit mengharapkan model regresi nonparametrik spline yang homoskedastik (Budiantara dan Purnomo, 010). Untuk menyelesaikan permasalahan tersebut dikembangkan model spline terbobot. Model ini dikembangkan oleh Budiantara (1999) dan Subanar dan Budiantara (1998). Penelitian ini bertujuan untuk memodelkan kondisi balita di Jawa Timur dengan pendekatan spline terbobot. Model Spline terbobot tersebut digunakan untuk merancang KMS yang kemudian dibandingkan dengan KMS yang digunakan di Indonesia saat ini. Regresi Nonparametrik Dalam pendugaan kurva regresi dapat dilakukan melalui dua cara, dimana cara yang paling sering digunakan adalah dengan pendekatan parametrik, yaitu dengan mengasumsikan bahwa kurva regresi memiliki beberapa bentuk fungsional, misalnya garis dengan slope dan intercept yang tidak diketahui. Sebagai salah satu 1
2 alternatif adalah dengan menggunakan pendekatan nonparametrik dimana metode nonparametrik ini tidak mengacu pada suatu bentuk fungsi kurva tertentu (Hardle, 1990). Secara umum bentuk persamaan nonparametrik digambarkan sebagai berikut (Wahba, 1985): Y i = f(t i ) + ε i, i = 1,,n (1) dengan y i variabel respon ke-i, f(t i ) fungsi nonparametrik, dan ε i residual random yang diasumsikan berdistribusi independen dengan mean nol dan varians σ. Lebih lanjut f(t i ) merupakan kurva regresi yang bentuknya tidak diketahui. 3. Spline Dalam Regresi Nonparametrik Spline merupakan model polinomial yang tersegmen. Sifat tersegmen inilah yang memberikan fleksibilitas yang lebih baik daripada model polinomial biasa. Sifat ini memungkinkan model regresi spline menyesuaikan diri secara efektif terhadap karakteristik lokal dari data. Secara umum, fungsi spline berorde (m-1) dengan titik-titik knot S 1,S,..S k adalah sebarang fungsi yang dapat disajikan dalam bentuk (Eubank, 1988). () S(t) = dengan = α dan δ adalah konstanta real dan S 1, S,,S n adalah titik knot 4. Estimasi Parameter Regresi Spline Anggap ada n pengamatan yang memenuhi persamaan y i = f(t i ) + ε i dimana f(t) adalah sebuah fungsi regresi yang tidak diketahui dan residual (e) diasumsikan independen dengan varian konstan σ. Fungsi f(t) dapat dimodelkan dengan (m-1) derajat penalized spline dan basis potongan polinomial sebagai berikut (Lee dan Yao, 008). S(t) = dengan {S 1,,S j } adalah kombinasi knot dan fungsi (t) + didefinisikan sebagai maksimum (t,0). Dugaan fungsi kurva f(t) dapat diperoleh melalui estimasi koefisien α = (α 0,, α m-1), δ = dengan y = X = (t- S j ) m-1, jika t S j 0, jika t < S j 1 1 Estimator spline dalam regresi nonparametrik memiliki sifat fleksibilitas yang tinggi dan kemampuan mengestimasi perilaku data yang cenderung berbeda pada interval yang berlainan (Eubank, 1988). Untuk menda-patkan nilai taksiran parameter dapat diperoleh dengan: = = A λ y (3) Jika ingin mengestimasi kurva regresi nonparametrik dengan pendekatan regresi spline, maka secara teoritis dapat dilakukan dengan mencari model spline terbaik berdasarkan titik knot optimum yaitu berapa banyak titik knot dan dimana letak titik-titik knot tersebut. 5. Pemilihan λ Optimal Parameter λ merupakan pengontrol keseimbangan antara kesesuaian kurva terhadap data dan kemulusan kurva (Eubank, 1988). Memasangkan nilai λ yang sangat kecil atau besar akan memberikan bentuk fungsi penyelesaian yang sangat kasar atau sangat mulus (Eubank, 1988), sehingga perlu didapatkan λ yang optimal. Salah satu metode pemilihan parameter penghalus yang banyak dikembangkan adalah Generalized Cross Validation (GCV). Metode ini dikembangkan oleh Craven dan Wahba (1979), Wahba (1985), Li (1986), Kohn dkk (1991), dan Budiantara (1999). Pada model regresi spline terbobot kriteria GCV didefinsikan sebagai berikut (Budiantara, 1999). GCV λ = (4) = n -1 (5) dengan : A = W = Matrik diagonal bobot yang berukuran nxn. sehingga diperoleh persamaan GCV sebagai berikut. GCV λ = n -1 (6) = n -1 (7) Nilai λ yang optimum berkaitan dengan nilai GCV yang minimum. 6. Estimasi Bobot Ada dua macam cara mendapatkan estimasi bobot. pertama dengan coba-coba (trial residual). Sistem trial error ini adalah mendapatkan bobot dengan menggunakan fungsi prediktornya (Montgomery dan peck,198). Namun demikian sulit untuk menemukan bobot yang optimal karena banyaknya kombinasi dari fungsi prediktor. Cara kedua adalah dengan estimasi menggunakan Moving Average (Silverman, 1985). Metode estimasi dengan ini adalah dengan mengambil persamaan. (8) dimana: m i = Max (1,i-k) ; i = 1,,,n n i = Min(n,i+k) ; i = 1,,,n k = Jumlah Parameter r* j = Bobot LMA atau GMA. = Persamaan untuk Local Moving Average (LMA) (9) r * i = (10)
3 Persamaan untuk General Moving Average (GMA) r * i = (11) Penggunaan bobot LMA atau GMA masing-masing mempunyai kelebihan dan kekurangan. Untuk mengatasi kasus heteroskedastisitas yaitu varian residual tidak homogen, GMA dapat mengatasi lebih signifikan. Disisi lain LMA juga mempunyai kelebihan selain dapat mengatasi heteroskedastisitas juga memberikan nilai GCV yang lebih minimum. 7. Pemeriksaan Asumsi Residual 7.1. Independen Autokorelasi dapat diartikan sebagai korelasi sisaan yang satu (ε i ) dengan sisaan lainnya (ε j ). Penyebab utama terjadinya autokorelasi adalah ada variabel penting yang tidak digunakan dalam model. Pengujian untuk mendeteksi korelasi serial yang dikembangkan oleh statistik Durbin dan Watson yang dikenal sebagai statistik d Durbin-Watson, yang didefinisikan sebagai (Gujarati, 004): Hipotesis H 0 : Tidak ada korelasi antar sisaan H 1 : Ada korelasi antar sisaan Statistik Uji d = (1) Pengambilan keputusan mengenai ada tidaknya autokorelasi: 1. Jika hipotesis nol (H 0 ) adalah tidak ada korelasi serial positif, maka apabila d < dl = Tolak H 0 d > du = Gagal tolak H 0 dl < d du = Pengujian tidak meyakinkan (tidak dapat diputuskan untuk menolak atau tidak menolak H 0 ). Jika hipotesis nol (H 0 ) adalah tidak ada korelasi serial negatif, maka apabila d > 4- dl = Tolak H 0 d < 4- du = Gagal Tolak H 0 4- du d 4- dl = Pengujian tidak meyakinkan (tidak dapat diputuskan untuk menolak atau tidak menolak H 0 ) 7.. Identik Identik yaitu varian residual homogen artinya pada nilai variabel bebas berapapun variannya konstan yakni σ. Jika variannya berbeda-beda atau bervariasi, berarti terjadi heteroskedastisitas. Pengujian secara statistik dilakukan dengan menggunakan uji Glejser. Setelah mendapatkan residual e i dari OLS, maka untuk melakukan uji glejser yaitu dengan meregresikan variabel X terhadap nilai absolut dari e i. Hipotesis H 0 : Residual homogen H 1 : Residual tidak homogen Statistik Uji: t = (13) dengan: = Koefisien regresi antara e terhadap variabel prediktor. Daerah penolakan : Tolak H 0 jika t hit > t tabel Distribusi Normal Uji asumsi kenormalan residual yang digunakan adalah dengan menggunakan uji kenormalan Kolmogorov Smirnov sebagai berikut (Kvam dan Vidakovic, 007). Hipotesis : H 0 : F (x) = F 0 (x) ( residual berdistribusi normal) H 1 : F (x) F 0 (x) ( residual tidak berdistribusi normal) Statistik Uji : (14) dengan : S (x) = fungsi peluang kumulatif F 0 (x) = fungsi peluang kumulatif distribusi normal atau fungsi distribusi yang dihipotesiskan F (x) = fungsi distribusi yang belum diketahui Daerah penolakan : Tolak H 0 apabila D uji > D 1-α,n 8. Kartu Menuju Sehat David Morley merupakan pelopor yang menggunakan kartu pertumbuhan anak yang disebut road to health chart pada tahun 1975 di desa Imesi, Nigeria (Narendra,dkk, 00). Kartu ini merupakan kurva berat badan anak berusia 0 5 tahun terhadap umurnya. Karena kelengkapan kartu tersebut untuk kesehatan balita, maka disebut kartu menuju sehat. UNICEF menyatakan kartu KMS sebagai komponen integral untuk layanan kesehatan primer yang sangat bermanfaat bagi negara-negara berkembang. Menurut Morley pertumbuhan balita dapat diamati dengan cara menimbang balita secara teratur setiap bulan kemudian mencocokannya dengan KMS. Acuan baku yang digunakan pada KMS Morley adalah presentil sesuai dengan International Childern s Center UK Study yaitu garis atas adalah persentil ke-50 berat badan laki-laki. Sedangkan garis bawah merupakan persentil ke-3 berat badan balita perempuan. Pertumbuhan balita yang baik, akan mengikuti arah lengkungan garis pada KMS. Pada balita yang sehat, setiap bulan berat badan anak bertambah mengikuti pola garis hijau atau pindah ke pola warna di atasnya. 9. Sumber Data Data yang digunakan adalah data sekunder yang diperoleh dari Dinas Kesehatan Propinsi Jawa Timur tentang umur dan berat badan balita yang direkap pada setiap Posyandu di 38 (tiga puluh delapan) kabupaten /kota yang ada di Propinsi Jawa Timur mulai bulan Januari sampai dengan Desember Variabel Penelitian Variabel-variabel yang digunakan dalam penelitian ini adalah sebagai berikut: 1. Variabel respon (y) : Berat badan balita (kg). Variabel Prediktor (t) : Usia balita (bulan) 3
4 11. Langkah Analisis Berdasarkan tujuan penelitian disusun tahaptahap analisis sebagai berikut : Tahap 1 Mendapatkan model regresi spline terbobot terbaik dari data berat badan balita di Jawa Timur Scatterplot of Berat Badan (Kg) vs Usia (Bulan) Tahap Merancang KMS yang diwakili oleh nilai-nilai persentil dengan pendekatan regresi spline terbobot. Tahap 3 Membandingkan secara visual antara KMS yang dirancang dengan pendekatan regresi spline terbobot dengan KMS yang digunakan di Indonesia saat ini. Berat Badan (Kg) Deskripsi Umum Balita di Propinsi Jawa Timur Secara umum persebaran pola pertumbuhan balita di Jawa Timur mempunyai variasi yang berbeda untuk setiap golongan usia, variasi terkecil terletak pada usia 0 bulan dan semakin usianya bertambah mendekati 60 bulan, maka variasi persebaran berat badan balita di Jawa Timur juga semakin besar. Untuk mengetahui Gambaran pola persebaran berat badan balita di Jawa Timur, maka dilakukan ploting data berat badan balita di Jawa Timur berdasarkan usia 0 60 bulan adalah sebagai berikut. Gambar 1 Plot gabungan berat badan terhadap usia balita Propinsi Jawa Timur Berdasarkan plot persebaran pada Gambar 1, maka dapat diketahui bahwa pola persebaran berat badan balita di Jawa Timur yaitu ketika bayi baru lahir usia 0 bulan berat badannya berikisar antara,5 5,5 Kg dan semakin usianya bertambah mendekati 60 bulan maka pola persebaran berat badannya semakin besar yaitu berkisar antar 1 18 Kg. Hal ini menunjukkan bahwa variasi pertumbuhan balita di Propinsi Jawa Timur sangat tinggi. Untuk itu maka Kartu Menuju Sehat Balita (KMS) yang dirancang dengan pendekatan regresi spline harus mampu mewakili variasi berat badan balita di Jawa Timur. 13. Model Spline Untuk Membangun Kurva Pertumbuhan Balita di Jawa Timur Untuk mengetahui pola pertumbuhan balita di Jawa Timur, maka digunakan nilai persentil 50 (median), Berikut adalah scater plot persentil 50 antara berat badan (Kg) terhadap usia (bulan) balita Usia (Bulan) Gambar Plot Nilai Median Berat Badan Balita Propinsi Jawa Timur Penggunaan nilai persentil 50 (median) ini karena terdapat sejumlah outlier pada usia tertentu sehingga penggunaan nilai median diharapkan tidak terpengaruh oleh data pencilan/outlier. Selain itu, nilai persentil 50 (median) merupakan salah satu nilai yang digunakan dalam standar baku NCHS untuk menggambarkan KMS yang nantinya akan menjadi garis pusat rancangan Kartu Menuju Sehat (KMS). Berdasarkan Plot Nilai Median Berat Badan Balita di Jawa Timur pada Gambar diketahui bahwa Pertumbuhan berat badan balita di Jawa Timur secara umum mengalami perubahan pada batas usia sekitar 1 tahun pertama. Pada batas usia ini pertumbuhan berat badannya sangat cepat dan setelah 1 tahun pertama, pertumbuhan berat badannya cenderung melambat. Akibat adanya perubahan pola pertumbuhan berat badan balita Jawa Timur menyebabkan bentuk kurva pertumbuhan balita di Jawa Timur membentuk suatu fungsi tertentu yang tidak diketahui. Untuk mendapatkan fungsi tersebut, maka dapat didekati dengan regresi spline. Dengan pendekatan regresi spline, maka dapat diketahui kapan atau pada usia berapa pertumbuhan berat badan balita di Jawa Timur mengalami perubahan pola. Untuk melakukan pendekatan terhadap suatu bentuk kurva tertentu secara umum terdapat tiga model regresi spline yang sering digunakan yaitu spline linear (orde 1), spline kuadratik (orde ) dan spline kubik (orde 3). Berdasarkan bentuk kurva pertumbuhan berat badan balita di Jawa Timur, maka berikut disajikan tiga model regresi spline original (tanpa bobot) untuk 1 titik knot, titik knot dan 3 titik knot dengan nilai GCV minimum. Tabel 1 Knot optimum beserta nilai GCV spline original Mode Spline 1 Knot Knot 3 Knot Orde 1 S 1=8 S 1=5 S =15 S 1=4 S =11 S 3=40 (Spline Linear) GCV=0,0338 GCV = 0,0157 GCV = 0,009 Orde S 1=9 S 1=6 S =1 S 1=7 S =0 S 3=3 (Spline Kuadratik) GCV=0,0085 GCV=0,0073 GCV=0,0069 Orde 3 S 1=13 S 1=10 S =1 S 1=6 S =9 S 3=1 (Spline Kubik) GCV=0,0075 GCV=0,0070 GCV= 0,007 Berdasarkan Tabel 1, dari beberapa model regresi spline yang memberikan nilai GCV minimum
5 adalah model regresi spline orde (kuadratik) dengan 3 kombinasi titik knot yaitu S 1 =7 S =0 dan S 3 =3 dengan nilai GCV sebesar 0, Diagnostic Checking Setelah didapatkan model spline original (tanpa bobot) terbaik, maka selanjutnya adalah dilakukan diagnostic checking terhadap residual data, untuk mengetahui apakah residual telah memenuhi asumsi IIDN adalah sebagai berikut. Tabel Hasil pengecekan asumsi residual spline original Asumsi Statistik Hitung Statistik Tabel Identik t hitung =,54 (t 0.05,59 ) =,001 du (5,61) = 1,767 4-dU =,33 Independen d =,1163 dl (5,61) = 1,414 4-dL =,586 Distribusi Normal D uji = 0,094 D 0.95, 60 = 0,17 Berdasarkan pengecekan asumsi residual pada Tabel 3 terdapat 1 asumsi yang dilanggar yaitu residual tidak identik. Untuk menyelesaikan kasus residual tidak identik maka dalam estimasi parameter dapat digunakan suatu bobot tertentu. 15. Spline Terbobot Model regresi spline orde (tanpa bobot) dengan 3 kombinasi titik knot yaitu S 1 =7 S =0 dan S 3 =3 pada data berat badan balita di Jawa Timur tidak memenuhi asumsi residual identik. Untuk menyelesaikan kasus ini, maka saat melakukan estimasi parameter diperlukan pembobotan dengan suatu nilai yang diperoleh dengan estimasi menggunakan Local Moving Average (LMA). Metode pembobotan dengan Local Moving Average (LMA) ini selain dapat mengatasi kasus heterokedastisitas juga dapat memberikan nilai General Cross Validation (GCV) yang lebih minimum dari pada metode pembobotan dengan General Moving Average (GMA). Berikut adalah hasil pemodelan dengan menggu-nakan pembobotan LMA untuk 1 titik knot, titik knot dan 3 titik knot untuk data berat badan balita Propinsi Jawa Timur. Tabel 3 Knot optimum beserta nilai GCV spline terbobot Mode Spline 1 Knot Knot 3 Knot Orde 1 S 1=7 S 1=5 S =15 S 1=4 S =11 S 3=40 (Spline Linear) GCV=0,0876 GCV=0,0158 GCV=0,0098 Orde S 1=9 S 1=6 S =13 S 1=7 S =18 S 3=5 (Spline Kuadratik) Orde 3 (Spline Kubik) GCV=0,00859 S 1=13 GCV=0,0080 GCV=0,00756 S 1=8 S =17 GCV=0,00760 GCV=0,00757 S 1=7 S =15 S 3=3 GCV=0,00787 Tabel menunjukkan nilai GCV minimum yaitu yang diberikan oleh model spline kuadratik (orde ) dengan titik knot yaitu S 1 = 6 dan S = 13. Hal ini menunjukkan bahwa balita di Jawa Timur mengalami perubahan pola pertumbuhan berat badan sebanyak kali. Pada estimasi regresi spline dengan bobot General Moving Average (GMA) didapatkan nilai GCV minimum sebesar yang diberikan oleh model spline orde 3 dengan kombinasi titik knot S 1 = 1 dan S = 38, sehingga dapat disimpulkan bahwa pembobotan dengan LMA didapatkan nilai GCV yang lebih minimum. Setelah didapatkan model spline terbobot terbaik, maka tahap selanjutnya adalah melakukan diagnostic checking terhadap residual data, untuk mengetahui apakah residual telah memenuhi asumsi IIDN sebagai berikut. Tabel 4 Hasil pengecekan asumsi residual spline terbobot Asumsi Statistik Hitung Statistik Tabel Identik t hitung = 1,784 (t 0.05,59 ) =,001 du (4,61) = 1,78 4-dU =,7 Independen d = 1,97718 dl (4,61) = 1,449 4-dL =,551 Distribusi Normal D uji = 0,083 D 0.95, 60 = 0,17 Tabel 4 menunjukkan bahwa model spline terbobot kuadratik dengan titik knot yaitu S 1 = 6 dan S = 13 telah memenuhi asumsi IIDN. 16. Uji Signifikansi Parameter Model Regresi Spline Terbobot Uji signifikansi parameter digunakan untuk mengetahui apakah parameter dari model yang telah dibangun berpengaruh atau tidak. Terdapat pengujian signifikansi parameter, yaitu pengujian secara serentak (uji-f) dan pengujian secara individu (uji-t) Uji Serentak Untuk mengetahui pengaruh parameter secara serentak terhadap model yang telah dibangun maka dilakukan uji-f. Hipotesis H 0 : β 0 = β 1 = β = β 3 = β 4 = 0 H 1 : Paling sedikit ada satu β i 0 ; i= 0,1,,3,4 Tabel 5 Tabel ANOVA model spline kudratik terbobot Source of Sum of Mean df Variation Square Square F hitung Regression 4 50, , ,15 Residual 56 0,374 0,0067 Total 60 50,3795 Berdasarkan ANOVA pada Tabel 4 didapatkan nilai F hitung =1878,15 jika dibandingkan dengan F (0.05,4,56) =,53658 maka diputuskan tolak H 0 yang berarti secara serentak parameter signifikan terhadap model yang telah dibangun. 16. Uji Individu Setelah dilakukan uji signifikansi secara serentak maka selanjutnya adalah dilakukan pengujian parameter secara individu adalah sebagai berikut. Hipotesis H 0 : β i = 0 H 1 : β i 0 ; i= 0,1,,3,4 Tabel 6 Pengujian Parameter Secara Individu Parameter Coef SE t hitung t (0.05,56) β 0 3,490 0, ,737 β 1 0,9763 0,030 3,3366 β -0,0540 0, , β 3 0,0418 0, ,1549 β 4 0,0117 0, ,881 5
6 Hasil pengujian parameter model regresi spline terbobot kuadratik dengan titik knot secara individu diperoleh kesimpulan tolak H 0 pada setiap parameter, hal ini dapat diketahui karena nilai t hitung > t (0.05, 56) =,003. Artinya semua parameter secara individu signifikan terhadap model yang telah dibangun. Berikut adalah model matematis regresi spline kuadratik terbobot dengan kombinasi titik knot S 1 = 6 dan S = 13. = β 0 + β 1 x + β x + β 3 (x 6) + + β 4 (x 13) + dengan taksiran parameter model regresi spline kuadratik terbobot dengan titik knot S 1 = 6 dan S = 13 adalah = 3, ,9886x 0,055x + 0,0431 (x 6) + + 0,0116 (x 13) + = 3, ,9886 x 0,055 x < 6 5, ,4714 x 0,011 x 6 x < 13 6, ,1698 x 0,0005 x 13 Terdapat 3 model regresi spline untuk masingmasing potongan atau segmen. Model spline untuk berat badan balita di Jawa Timur sebelum usia 6 bulan adalah 3, ,9886 x 0,055 x dan model spline terbobot ketika usia balita antara 6 sampai dengan sebelum 13 bulan bulan adalah 5, ,4714 x 0,011 x sedangkan model spline terbobot untuk balita yang berusia lebih dari 13 bulan adalah 6, ,1698 x 0,0005 x. Berikut adalah plot model regresi spline terbobot orde dengan kombinasi titk knot S 1 = 6 dan S = 13. Plot Berat Badan Balita Propinsi Jawa Timur Untuk Setiap Nilai Persentil Gambar 4 Plot Berat Badan Balita Untuk Setiap Nilai Persentil Gambar 4 menunjukkan pola persebaran berat badan balita di Jawa Timur yang diwakili oleh nilai-nilai persentil ke-3, 5, 10, 5, 35, 50, 65, 75, 90, 95 dan 97. Terlihat bahwa pola pertumbuhan berat badan balita di Jawa Timur cenderung berubah pada sekitar usia 6 bulan pertama, dan semakin usianya mendekati 60 bulan, maka variasi berat badan balita di Jawa Timur semakin besar. Berikut adalah model regresi spline terbobot orde dengan kombinasi titik knot untuk masingmasing persentil. =, ,7896 x 0,0330 x + 0,031 (x 11) + + 0,001 (x 9) + =, ,7960 x 0,0348 x + 0,034 (x 9) + + 0,005 (x 3) + =, ,844 x 0,0384 x + 0,055 (x 9) + + 0,015 (x 14) + = 3,09 + 0,9041 x 0,0453 x + 0,0360 (x 8) + + 0,0089 (x 17) + = 3, ,9778 x 0,0558 x + 0,0454 (x 6) + + 0,0101 (x 15) + = 3, ,9886 x 0,055 x + 0,0431 (x 6) + + 0,0116 (x 13) + Gambar 3 Plot spline terbobot kuadratik dengan titik knot S 1 =6 dan S = Rancangan Kartu Menuju Sehat (KMS) Rancangan KMS yang akan dibangun terdiri dari nilai-nilai persentil dari data berat badan balita di Propinsi Jawa Timur, yaitu persentil ke-3, 5, 10, 5, 35, 50, 65, 75, 90, 95 dan 97. Masing-masing persentil dilakukan pemodelan dengan regresi spline terbobot kuadratik kombinasi titik knot. Berikut merupakan plot persebaran untuk masing-masing persentil. = 3, ,087 x 0,0707 x + 0,0587 (x 5) + + 0,0116 (x 13) + = 3, ,0986 x 0,068 x + 0,0509 (x 8) + + 0,0167 (x 14) + = 4, ,3866 x 0,1186 x + 0,1056 (x 6) + + 0,016 (x 1) + = 4, ,718 x 0,1939 x + 0,1745 (x 11) + 0,0190 (x 39) + 6
7 Tabel 7 Nilai R Untuk Setiap Nilai Persentil Persentil R 3 99,45 % 5 99,67 % 10 99,73 % 5 99,89 % 35 99,85 % 50 99,93 % 65 99,91 % 75 99,90 % 90 99,74 % 95 99,71 % direvisi berdasarkan Standar Antropometri WHO 005, sehingga KMS yang digunakan di Indonesia saat ini adalah KMS standar baru dari WHO 005, KMS ini dirancang dengan mengembangkan data dari beberapa Negara di Asia diantaranya adalah Indonesia, Srilangka, Bangladesh dan Maldivesini dimana negara-negara terse- balita yang relatif but mempunyai pola pertumbuhan sama. Berikut adalah KMS yang digunakan di Indonesia saat ini. Model rancangan KMS propinsi Jawa Timur dengan pendekatan spline terbobot tersebut dapat diketahui bahwa nilai R untuk semua nilai persentil pengamatan lebih dari 99% sehingga model rancangan KMS tersebut dapat dikatakan baik dalam menggambarkan pola pertumbuhan balita di Propinsi Jawa Timur. Untuk lebih jelasnya mengenai hasil rancangan KMS dengan metode spline terbobot maka dapat dilihat pada Gambar 5 sebagai berikut. Gambar 6 KMS yang digunakan di Indonesia saat ini Setelah merancang KMS dengan menggunakan pendekatan regresi spline terbobot dan mengetahui KMS yang digunakan di Indonesia, maka selanjutnya adalah melakukan perbandingan secaraa visual antara kedua KMS yang dapat dilihat pada Gambar 7 sebagai berikut. Gambar 5 Rancangan KMS dengan spline terbobot Rancangan KMS pada Gambar 5 merupakan hasil pemodelan dari masing-masingg persentil yang digambarkan dalam bentuk garis, dimana pusat KMS berada pada batas persentil ke-50 yang ditandai dengan garis berwana hijau tua. Pusat KMS tersebut merupakan pola pertumbuhan balita normal dipropinsi Jawa Timur, sedangkan pada persentil ke-3 sampai dengan persentil ke-10 merupakan zona kurang atau beresiko mengalami gizi buruk yang ditandai dengan warnaa kuning dan pada persentil ke-90 sampai dengan persentil ke-95 juga merupakan zona beresiko mengalami kelebihan gizi yang juga ditandai dengan warna kuning. Zona kritis pada KMS diwakili oleh garis merah yaitu pada persentil ke-3 dengan kata lain pada batas tersebut balita melangalami gizi buruk yang akut, sehingga harus segera diperlukan penanganan khusus. KMS di Indonesia telah digunakan sejak tahun 1970-an, sebagai sarana utama kegiatan pemantauan pertumbuhan. KMS di Indonesia telah mengalami 3 kali perubahan. KMS yang pertama dikembangkan pada tahun 1974 dengan menggunakan rujukan Harvard dan pada tahun 1990 diterbitkan KMS revisi dengan menggunakan rujukan WHO-NCHS. Pada tahun 008, KMS balita Gambar 7 Perbandingan KMS rancangan dengan KMS Indonesia Perbandingan KMS pada Gambar 7 menunjukkan bahwa KMS yang dirancang dengan pendekatan regresi spline terbobot dengan data berat badan balita di Jawa Timur memiliki standar evaluator yang lebih rendah daripada KMS yang digunakan di Indonesia saat ini. Untuk berat badan balita normal Usia 36 bulan (3 tahun) yang ditandai dengan kurva berwarna Hijau pada KMS yang saat ini digunakan berada pada interval 1 sampai dengan 16 Kg, sedangkan pada KMS rancangan untuk berat badan normal usia 36 bulan berada pada interval 10,7 sampai dengan 14,8 Kg. Untuk berat badan balita dengan resiko kurang gizi (zona kuning bawah) pada KMS yang saat ini digunakan berada pada interval 10 sampai dengan 1 Kg, 7
8 sedangkan pada KMS rancangan berada pada interval 9,5 sampai dengan 10,6 Kg. Untuk berat badan balita dengan resiko kelebihan gizi (zona kuning atas) pada KMS yang saat ini digunakan berada pada interval 16 sampai dengan 17,5 Kg, sedangkan pada KMS rancangan berada pada interval interval 14,9 sampai dengan 15,8 Kg. Berdasarkan perbandingan visual antara KMS pada Gambar 7 juga dapat diketahui bahwa berat badan balita usia 0-6 bulan pada KMS rancangan berada lebih tinggi dari pada KMS Indonesia. Hal ini diakibatkan oleh banyaknya ibu yang masih kurang paham akan pentingnya pemberian ASI eksklusif, sehingga banyak balita di Jawa Timur yang diberi susu formula. Hal ini menyebabkan berat badan balita lebih cepat meningkat pada sekitar usia tersebut (adingingsih, 010). 19. Kesimpulan Berdasarkan analisis yang telah dilakukan, maka dapat diambil beberapa kesimpulan antara lain: 1. Model regresi spline terbobot terbaik yang menggambarkan hubungan antara berat badan terhadap usia balita di propinsi Jawa Timur dapat dibagi menjadi tiga segmen yaitu, = 3, ,9763 x 0,0540 x < 6 4, ,4747 x 0,01 x 6 x < 13 6, ,1705 x 0,0005 x 13. Rancangan Kartu Menuju Sehat (KMS) yang telah dirancang dengan pendekatan regresi spline terbobot mempunyai nilai R =99,77%, sehingga KMS rancangan ini dapat dikatakan baik dalam menggambarkan pola pertumbuhan balita di propinsi Jawa Timur. 3. Hasil perbandingan KMS yang digunakan di Indonesia saat ini dengan rancangan KMS dengan pendekatan regresi spline adalah bahwa KMS dengan pendekatan spline terbobot memiliki standar evaluator yang lebih rendah daripada KMS yang digunakan di Indonesia saat ini. 19. Saran Petugas posyandu yang mencatat data berat badan balita di Jawa Timur memiliki tingkat ketrampilan yang berbeda. Disamping itu petugas yang mengentri data kekomputer berbeda dengan petugas yang mencatat dilapangan, sehingga ada kemungkinan perbedaan informasi data. Oleh karena itu sebelum data digunakan dalam analisis sebaiknya di screening atau diteliti terlebih dahulu apakah terdapat data yang tidak lazim (salah dalam proses pengentrian/pencatatan) agar didapatkan hasil analisis yang akurat. 0. Daftar Pustaka Budiantara, I.N. (1999). Estimator Spline Terbobot Dalam Regresi Semiparametrik. Majalah Ilmu Pengetahuan dan Teknologi, 10, Budiantara, I.N. (009). Spline dalam Regresi Nonpara- metrik dan Semiparametrik: Sebuah Pemodelan Statistika Masa Kini dan Masa Mendatang. Pidato pengukuhan untuk jabatan guru besar dalam bidang Matematika Statistika dan Probabilitas, Jurusan Statistika FMIPA, ITS, Surabaya. Budiantara, I.N, dan Purnomo, J.D.T. (010). Model Regresi Nonparametrik Spline Terbobot dan Aplikasinya Dalam Merancang KMS. Laporan Penelitian Guru Besar, Jurusan Statistika FMIPA, ITS, Surabaya. Craven, P dan Wahba, G. (1979). Smoothing Noisy Data With Spline Function: Estimating The Correct Degree of Smoothing by The Method of Generalized Cross Validation. Numer. Math., 31, Dinas Komunikasi dan Informatika Propinsi Jawa Timur. (011). Rendahnya Daya Beli Pengaruhi Terjadinya Gizi Buruk Di Pamekasan. Diakses pada 3 Mei 011, dari Media Jatim Menuju E- Government: jatimprov.go.id Eubank, R.L. (1988). Nonparametric Regression And Spline Smoothing. New York: Marcel Dekker,Inc. Gujarati, D. (004). Basic Econometric. New York: The McGraw-Hill Companies. Hardle, W. (1990). Applied Nonparametric Regession. Cambridge: Cambridge University Press. Kohn, R.dkk. (1991). Performance of Cross Validation and Maximum Likelihood Estimators of Spline Smoothing Parameters. Journal of The American Statistical Association, 86, Kvam, P. H., dan Vidakovic, B. (007). Nonparametric Statistics with Applications to Science and Engineering. New Jersey: John Wiley & Sons. Lee C. M. dan Fang Yao. (008). On Knot Placement for Penalized Spline Regression. Department of Statistics, University of Toronto Canada. Li, K.C. (1986). Asymtotic Optimality of Cl and Generalized Cross Validation in Ridge Regression With Application to Spline Smoothing. Ann.Statist, 14, Montgomery, D., & Peck, E. (198). Introduction to Linear Regression Analysis. New York: John Wiley & Son. Narendra, M., Sularyo, T., Suyitno, H., & Ranuh, I. (00). Tumbuh Kembang Anak dan Remaja. Jakarta: CV. Sagung Seto. Silverman, B.W. (1985). Some Aspect of The Spline Smoothing Approach to Nonparametric Regression Curve Fitting (With Discussion). Journal of The Royal Statistical Society, ser B, 47, 1-5. Siswono. (010). Kasus Gizi Buruk : Empat Propinsi Tak Pernah Absen. Diakses pada 3 Mei 011, dari Indonesian Nutrition Network: Subanar, dan Budiantara, I.N. (1999). Weighted Spline Estimator in a Partially Linear Models, Proceeding of the SEAMS-GMU. International Conference 1999 on Mathematics and Its Applications, Wahba, G. (1985). A Comparison of GCV and GML for Choosing the Smoothing Parameter in the Generalized Spline Smoothing Problem. Journal the Annals of Statistics, 13,
Analisis Regresi Spline Kuadratik
Analisis Regresi Spline Kuadratik S 2 Oleh: Agustini Tripena Program Studi Matematika, Fakultas Sains dan Teknik, Univesitas Jenderal Soedirman, Purwokerto tripena1960@yahoo.co.id Abstrak Regresi spline
Lebih terperinciAplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri
Vol. 6, No.1, 0-8, Juli 009 Aplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri Wahidah Sanusi Abstrak Penelitian ini dilakukan untuk mengestimasi model pertumbuhan
Lebih terperinciPEMILIHAN PARAMETER PENGHALUS DALAM REGRESI SPLINE LINIER. Agustini Tripena Br.Sb.
JMP : Volume 3 Nomor 1, Juni 2011 PEMILIHAN PARAMETER PENGHALUS DALAM REGRESI SPLINE LINIER Agustini Tripena Br.Sb. Fakultas Sains dan Teknik, Universitas Jenderal Soedirman Purwokerto, Indonesia ABSTRAK.
Lebih terperinciPENENTUAN MODEL REGRESI SPLINE TERBAIK. Agustini Tripena 1
PENENTUAN MODEL REGRESI SPLINE TERBAIK Agustini Tripena 1 1) Program Studi Matematika, Fakultas Sains dan Teknik, Univesitas Jenderal Soedirman, Purwokerto tripena1960@yahoo.co.id Abstrak Pada paper ini
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bagian pertama bab ini diberikan tinjauan pustaka yang berisi penelitian sebelumnya yang mendasari penelitian ini Pada bagian kedua bab ini diberikan teori penunjang yang berisi
Lebih terperinciMODEL REGRESI NONPARAMETRIK BERDASARKAN ESTIMATOR POLINOMIAL LOKAL KERNEL PADA KASUS PERTUMBUHAN BALITA
MODEL REGRESI NONPARAMETRIK BERDASARKAN ESTIMATOR POLINOMIAL LOKAL KERNEL PADA KASUS PERTUMBUHAN BALITA 1 Mifta Luthfin Alfiani, 2 Indah Manfaati Nur, 3 Tiani Wahyu Utami 1,2,3 Program Studi Statistika,
Lebih terperinciMODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA. 1. Pendahuluan
MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA Kornelius Ronald Demu, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika FMIPA
Lebih terperinciPERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA
PERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA Febriani Astuti, Kartiko, Sri Sulistijowati Handajani Jurusan Matematika
Lebih terperinciMODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA PRODUK DOMESTIK REGIONAL BRUTO TERHADAP INVESTASI DI KABUPATEN TUBAN
MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA PRODUK DOMESTIK REGIONAL BRUTO TERHADAP INVESTASI DI KABUPATEN TUBAN Amalia Ma rufa, Sri Subanti, Titin Sri Martini Program Studi Matematika FMIPA UNS
Lebih terperinciREGRESI SPLINE BIRESPON UNTUK MEMODELKAN KADAR GULA DARAH PENDERITA DIABETES MELITUS
REGRESI SPLINE BIRESPON UNTUK MEMODELKAN KADAR GULA DARAH PENDERITA DIABETES MELITUS Dhina Oktaviana P, I Nyoman Budiantara Mahasiswa Jurusan Statistika ITS Surabaya, Dosen Jurusan Statistika ITS Surabaya
Lebih terperinciAPLIKASI REGRESI SPLINE UNTUK MEMPERKIRAKAN TINGKAT FERTILITAS WANITA BERDASARKAN UMUR
APLIKASI REGRESI SPLINE UNTUK MEMPERKIRAKAN TINGKAT FERTILITAS WANITA BERDASARKAN UMUR Oleh : Isnia Dwimayanti (0 09 06) Pembimbing : DR Drs I Nyoman Budiantara, MS ABSTRAK Tingginya tingkat fertilitas
Lebih terperinciBAB I PENDAHULUAN. menganalisis hubungan fungsional antara variabel prediktor ( ) dan variabel
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan suatu metode yang digunakan untuk menganalisis hubungan fungsional antara variabel prediktor ( ) dan variabel respon ( ), dimana
Lebih terperinciPEMODELAN REGRESI SPLINE UNTUK RATA- RATA BANYAK ANAK YANG DILAHIRKAN HIDUP DI KOTA SURABAYA, KABUPATEN SITUBONDO DAN KABUPATEN BANGKALAN
SIDANG LAPORAN TUGAS AKHIR PEMODELAN REGRESI SPLINE UNTUK RATA- RATA BANYAK ANAK YANG DILAHIRKAN HIDUP DI KOTA SURABAYA, KABUPATEN SITUBONDO DAN KABUPATEN BANGKALAN Oleh : Servianie Purnamasari (1310 030
Lebih terperinciPemodelan Angka Putus Sekolah Usia SMA di Jawa Timur dengan Pendekatan Regresi Spline Multivariabel
Seminar Hasil Tugas Akhir Pemodelan Angka Putus Sekolah Usia SMA di Jawa Timur dengan Pendekatan Regresi Spline Multivariabel Mega Pradipta 1309100038 Pembimbing I : Dra. Madu Ratna, M.Si Pembimbing II
Lebih terperinciREGRESI SEMIPARAMETRIK SPLINE TRUNCATED DENGAN SOFTWARE R. Abstract. Keywords: Spline Truncated, GCV, Software R.
REGRESI SEMIPARAMETRIK SPLINE TRUNCATED DENGAN SOFTWARE R Tiani Wahyu Utami 1), Alan Prahutama 2) 1 Program studi Statistika, FMIPA, Universitas Mumammadiyah Semarang email: tianiutami@unimus.ac.id 2 Departemen
Lebih terperinciPEMODELAN HARGA CABAI DI KOTA SEMARANG TERHADAP HARGA INFLASI MENGGUNAKAN REGRESI SEMIPARAMETRIK POLINOMIAL LOKAL
PEMODELAN HARGA CABAI DI KOTA SEMARANG TERHADAP HARGA INFLASI MENGGUNAKAN REGRESI SEMIPARAMETRIK POLINOMIAL LOKAL Alan Prahutama, Suparti, Departemen Statistika, Fakultas Sains dan Matematika,Universitas
Lebih terperinciPemodelan Regresi Nonparametrik Spline Truncated Dan Aplikasinya pada Angka Kelahiran Kasar di Surabaya
JURNAL SAINS DAN SENI POMITS Vol., No., (04) 7-0 (0-98X Print) D-7 Pemodelan Regresi Nonparametrik Spline Truncated Dan Aplikasinya pada Angka Kelahiran Kasar di Surabaya Merly Fatriana Bintariningrum
Lebih terperinciSeminar Tugas Akhir. Dosen Pembimbing : Prof. Dr. Drs. I Nyoman Budiantara, MS
Seminar Tugas Akhir Oleh: Dhina Oktaviana P 1307 100 068 Dosen Pembimbing : Prof. Dr. Drs. I Nyoman Budiantara, MS JURUSAN STATISTIKA Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh
Lebih terperinciPemodelan Spline Truncated dalam Regresi Nonparametrik Birespon
Konferensi Nasional Sistem & Informatika 7 STMIK STIKOM Bali, Agustus 7 Pemodelan Spline Truncated dalam Regresi Nonparametrik Birespon Luh Putu Safitri Pratiwi Program Studi Sistem Informasi STMIK STIKOM
Lebih terperinciESTIMATOR SPLINE KUBIK
Bimafika, 011, 3, 30-34 ESTIMATOR SPLINE KUBIK Johannis Takaria * Staff Pengajar Fakultas Keguruan Dan Ilmu Pendidikan Universitas Pattimura Ambon Diterima 10-1-010; Terbit 31-06-011 ABSTRACT Consider
Lebih terperinciBAB III REGRESI SPLINE = + dimana merupakan fungsi pemulus yang tidak spesifik, dengan adalah
BAB III REGRESI SPLINE 3.1 Fungsi Pemulus Spline yaitu Fungsi regresi nonparametrik yang telah dituliskan pada bab sebelumnya = + dimana merupakan fungsi pemulus yang tidak spesifik, dengan adalah faktor
Lebih terperinciPENENTUAN GENERALIZED CROSS VALIDATION (GCV) SEBAGAI KRITERIA DALAM PEMILIHAN MODEL REGRESI B-SPLINE TERBAIK
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 2 (2013), hal 121 126. PENENTUAN GENERALIZED CROSS VALIDATION (GCV) SEBAGAI KRITERIA DALAM PEMILIHAN MODEL REGRESI B-SPLINE TERBAIK Yuyun
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini diuraikan beberapa tinjauan pustaka sebagai landasan teori pendukung penulisan penelitian ini. 2.1 Analisis Regresi Suatu pasangan peubah acak seperti (tinggi, berat)
Lebih terperinciPEMODELAN REGRESI SPLINE (Studi Kasus: Herpindo Jaya Cabang Ngaliyan)
PEMODELAN REGRESI SPLINE (Studi Kasus: Herpindo Jaya Cabang Ngaliyan) I Made Budiantara Putra 1, I Gusti Ayu Made Srinadi 2, I Wayan Sumarjaya 3 1 Jurusan Matematika, Fakultas MIPA - Universitas Udayana
Lebih terperinciPENDEKATAN REGRESI SEMIPARAMETRIK UNTUK PROSES PEMBENTUKAN LIMBAH PABRIK GULA ASEMBAGUS SITUBONDO
PENDEKATAN REGRESI SEMIPARAMETRIK UNTUK PROSES PEMBENTUKAN LIMBAH PABRIK GULA ASEMBAGUS SITUBONDO Niarfie Radythia, 2 Ir. Mutiah Salamah Chamid, M Kes, dan 3 Jerry Dwi TP, S.Si, M.Si Mahasiswa Jurusan
Lebih terperinciPemodelan Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Manusia Menggunakan Regresi Nonparametrik Spline di Jawa Tengah
JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print) D-157 Pemodelan Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Manusia Menggunakan Regresi Nonparametrik Spline di Jawa Tengah
Lebih terperinciMODEL REGRESI NONPARAMETRIK DENGAN PENDEKATAN DERET FOURIER PADA KASUS TINGKAT PENGANGGURAN TERBUKA DI JAWA TIMUR
UNIVERSITAS DIPONEGORO 01 ISBN: -0-1-0-1 MODEL REGRESI NONPARAMETRIK DENGAN PENDEKATAN DERET FOURIER PADA KASUS TINGKAT PENGANGGURAN TERBUKA DI JAWA TIMUR Alan Prahutama Dosen Jurusan Statistika Undip
Lebih terperinciESTIMASI KURVA REGRESI PADA DATA LONGITUDINAL DENGAN WEIGHTED LEAST SQUARE
ESTIMASI KURVA REGRESI PADA DATA LONGITUDINAL DENGAN WEIGHTED LEAST SQUARE Dian Ragil P.. Abstrak Model varying-coefficient pada data longitudinal akan dikaji dalam proposal ini. Hubungan antara variabel
Lebih terperinciBAB I PENDAHULUAN. dipergunakan untuk menaksir pola hubungan antara variabel prediktor atau
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan salah satu analisis dalam statistika yang dipergunakan untuk menaksir pola hubungan antara variabel prediktor atau variabel bebas X dengan
Lebih terperinciPEMODELAN KURS RUPIAH TERHADAP MATA UANG EURO DENGAN PENDEKATAN REGRESI SPLINE. Sulton Syafii Katijaya 1, Suparti 2, Sudarno 3.
PEMODELAN KURS RUPIAH TERHADAP MATA UANG EURO DENGAN PENDEKATAN REGRESI SPLINE Sulton Syafii Katijaya 1, Suparti 2, Sudarno 3 1 Mahasiswa Jurusan Statistika FSM UNDIP 2,3 Staff Pengajar Jurusan Statistika
Lebih terperinciPREDIKSI INFLASI DI INDONESIA MENGGUNAKAN REGRESI NONPARAMETRIK B-SPLINE
PREDIKSI INFLASI DI INDONESIA MENGGUNAKAN REGRESI NONPARAMETRIK B-SPLINE Annita Nur Kusumastuti, Sri Sulistijowati Handajani, dan Respatiwulan Program Studi Matematika FMIPA UNS ABSTRAK. Inflasi identik
Lebih terperinciPENDEKATAN REGRESI SEMIPARAMETRIK SPLINE LINIER UNTUK MEMODELKAN ANGKA KEMATIAN BAYI DI JAWA TIMUR
SULVIA MEGASARI 1310 100 037 PENDEKATAN REGRESI SEMIPARAMETRIK SPLINE LINIER UNTUK MEMODELKAN ANGKA KEMATIAN BAYI DI JAWA TIMUR 1 Sulvia Megasari dan I Nyoman Budiantara Jurusan Statistika, Fakultas Matematika
Lebih terperinciMODEL REGRESI SPLINE KNOT OPTIMAL UNTUK MENGETAHUI FAKTOR FAKTOR YANG MEMPENGARUHI JUMLAH KEMATIAN BAYI DI JAWA TIMUR
MODEL REGRESI SPLINE KNOT OPTIMAL UNTUK MENGETAHUI FAKTOR FAKTOR YANG MEMPENGARUHI JUMLAH KEMATIAN BAYI DI JAWA TIMUR Elsha Puspitasari, Drs. Hery Tri Sutanto, M.Si 2,,2 Jurusan Matematika, Fakultas Matematika
Lebih terperinciKata Kunci kematian maternal, regresi, spline, nonparametrik, GCV
JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 2337-3520 (2301-928X Print) D-13 Pendekatan Spline untuk Estimasi Kurva Regresi Nonparametrik (Studi Kasus pada Data Angka Kematian Maternal di Jawa Timur)
Lebih terperinciPREDIKSI KURS RUPIAH TERHADAP EURO MENGGUNAKAN MODEL REGRESI SPLINE TERSEGMEN
PREDIKSI KURS RUPIAH TERHADAP EURO MENGGUNAKAN MODEL REGRESI SPLINE TERSEGMEN Iswan Rahman 1, Raupong 2, M. Saleh AF. 3 1 Mahasiswa Departemen Matematika FMIPA Universitas Hasanuddin 2,3 Staff Pengajar
Lebih terperinciGENERALIZED CROSS VALIDATION DALAM REGRESI SMOOTHING SPLINE
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 3 (2013), hal 191 196. GENERALIZED CROSS VALIDATION DALAM REGRESI SMOOTHING SPLINE Andi Sayuti, Dadan Kusnandar, Muhlasah Novitasari Mara
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan salah satu teknik analisis statistika yang paling banyak digunakan. Pada kejadian sehari hari terdapat hubungan sebab akibat yang muncul,
Lebih terperinciPREDIKSI INFLASI DI PROVINSI JAWA TENGAH DENGAN MENGGUNAKAN REGRESI KERNEL
PREDIKSI INFLASI DI PROVINSI JAWA TENGAH DENGAN MENGGUNAKAN REGRESI KERNEL Firmanti Suryandari, Sri Subanti, Bowo Winarno Program Studi Matematika FMIPA UNS ABSTRAK. Inflasi merupakan proses meningkatnya
Lebih terperinciBAB I PENDAHULUAN. bisnis, ekonomi, ilmu-ilmu pengetahuan sosial, kesehatan, dan biologi.
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi telah diterapkan pada berbagai bidang, seperti administrasi bisnis, ekonomi, ilmu-ilmu pengetahuan sosial, kesehatan, dan biologi. Keberhasilan dalam
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Model regresi yang baik memerlukan data yang baik pula. Suatu data dikatakan baik apabila data tersebut berada di sekitar garis regresi. Kenyataannya, terkadang terdapat
Lebih terperinciANALISIS INFLASI KOTA SEMARANG MENGGUNAKAN METODE REGRESI NON PARAMETRIK B-SPLINE
ANALISIS INFLASI KOTA SEMARANG MENGGUNAKAN METODE REGRESI NON PARAMETRIK B-SPLINE SKRIPSI Oleh : ALVITA RACHMA DEVI 24010210120017 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciBAB 1 PENDAHULUAN. variabel respon dengan variabel prediktor. Menurut Eubank (1988), f(x i ) merupakan
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Metode regresi merupakan metode statistika untuk mengetahui hubungan antara variabel respon dengan variabel prediktor. Menurut Eubank (1988), f(x i ) merupakan
Lebih terperinciPEMODELAN KASUS KEMISKINAN DI JAWA TENGAH MENGGUNAKAN REGRESI NONPARAMETRIK METODE B-SPLINE ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 11-20 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN KASUS KEMISKINAN DI JAWA TENGAH MENGGUNAKAN REGRESI
Lebih terperinciPemodelan Angka Putus Sekolah Usia SMP Menggunakan Metode Regresi Nonparametrik Spline di Papua
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Print) D-103 Pemodelan Angka Putus Sekolah Usia SMP Menggunakan Metode Regresi Nonparametrik Spline di Papua Latifatul Mubarokah, I Nyoman
Lebih terperinciMULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI KEJADIAN KONSTIPASI TERHADAP PEMBERIAN AIR SUSU IBU DAN PEMBERIAN AIR SUSU FORMULA
MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) UNTUK KLASIFIKASI KEJADIAN KONSTIPASI TERHADAP PEMBERIAN AIR SUSU IBU DAN PEMBERIAN AIR SUSU FORMULA 1 Ria Muslikah, Moh. Yamin Darsyah 1,,3 Program Studi
Lebih terperinciSIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS
SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode analisis data yang telah diterapkan
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan metode analisis data yang telah diterapkan secara luas pada berbagai bidang penelitian, sebagai contoh penelitian-penelitian dalam ilmu pengetahuan
Lebih terperinci(R.10) ESTIMASI TOTAL POPULASI DENGAN MENGGUNAKAN PENAKSIR GENERALIZED REGRESSION (GREG)
(R.10) ESTIMASI TOTAL POPULASI DENGAN MENGGUNAKAN PENAKSIR GENERALIZED REGRESSION (GREG) 1Agus Muslim, 2 Sutawanir Darwis, 3 Achmad Zanbar Soleh 1Mahasiswa Magister Statistika Terapan, Universitas Padjadjaran,
Lebih terperinciPemodelan Faktor-Faktor yang Mempengaruhi Unmet Need KB di Provinsi Jawa Timur dengan Pendekatan Regresi Nonparametrik Spline
JURNAL SAINS DAN SENI ITS Vol. No. (06 7-0 (0-98X Print D-6 Pemodelan Faktor-Faktor yang Mempengaruhi Unmet Need KB di Provinsi Jawa Timur dengan Pendekatan Regresi Nonparametrik Spline Anita Trias Anggraeni
Lebih terperinciAnalisis Regresi Spline Multivariabel untuk Pemodelan Kematian Penderita Demam Berdarah Dengue (DBD) di Jawa Timur
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 0) ISSN: 0-98X D- Analisis Regresi Spline Multivariabel untuk Pemodelan Kematian Penderita Demam Berdarah Dengue (DBD) di Jawa Timur Reza Mubarak dan I Nyoman
Lebih terperinciFaktor-Faktor yang Mempengaruhi Contraceptive Prevalence Rate (Cpr) di Indonesia dengan Pendekatan Regresi Nonparametrik Spline
JURNAL SAINS DAN SENI ITS Vol.,., (0) 7-0 (0-9X Print) D-97 Faktor-Faktor yang empengaruhi Contraceptive Prevalence Rate (Cpr) di Indonesia dengan Pendekatan Regresi nparametrik Spline Diana Cristie dan
Lebih terperinciAPLIKASI MODEL REGRESI SEMIPARAMETRIK SPLINE TRUNCATED (Studi Kasus: Pasien Demam Berdarah Dengue (DBD) di Rumah Sakit Puri Raharja)
E-Jurnal Matematika Vol 6 (1), Januari 2017, pp 65-73 ISSN: 2303-1751 APLIKASI MODEL REGRESI SEMIPARAMETRIK SPLINE TRUNCATED (Studi Kasus: Pasien Demam Berdarah Dengue (DBD) di Rumah Sakit Puri Raharja)
Lebih terperinciPEMODELAN DATA INDEKS HARGA SAHAM GABUNGAN. Disusun Oleh : NOVIA AGUSTINA. Skripsi. Jurusan Statistika Fakultas Sains dan Matematika Undip
PEMODELAN DATA INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN REGRESI PENALIZED SPLINE Disusun Oleh : NOVIA AGUSTINA 24010211130039 Skripsi Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains
Lebih terperinciESTIMASI KURVA REGRESI SEMIPARAMETRIK PADA DATA LONGITUDINAL BERDASARKAN ESTIMATOR POLINOMIAL LOKAL
Statistika Vol 1 No 1 Mei 213 ESTIMASI KURVA REGRESI SEMIPARAMETRIK PADA DATA LONGITUDINAL BERDASARKAN ESTIMATOR POLINOMIAL LOKAL Tiani Wahyu Utami 1 Program Studi S1 Statistika Universitas Muhammadiyah
Lebih terperinciBAB II TINJAUAN PUSTAKA. variabel prediktor terhadap variabel respons. Hubungan fungsional
BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Dalam ilmu statistika, metode yang dapat digunakan untuk menganalisis pola hubungan antara satu variabel atau lebih dengan satu variabel atau lebih lainnya
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Regresi merupakan salah satu teknik analisis statistika yang paling banyak digunakan. Banyak sekali teknik analisis statistika yang diturunkan atau didasarkan pada
Lebih terperinciBAB IV PEMBAHASAN. 4.1 Deskripsi Data
BAB IV PEMBAHASAN Pada bab ini diberikan deskripsi data, diagram pencar data, titik knot optimal, model regresi nonparametrik spline, pengujian parameter, dan pengujian sisaan. Selanjutnya regresi nonparametrik
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan fungsional antara variabel respon dengan satu atau beberapa variabel prediktor.
Lebih terperinciPEMODELAN DATA INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN REGRESI PENALIZED SPLINE
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 603-612 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN DATA INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN REGRESI
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kota Medan merupakan ibukota Provinsi Sumatera Utara dan menjadi kota terbesar nomor 3 (tiga) di Indonesia setelah Jakarta dan Surabaya. Selain sebagai kota
Lebih terperinciBAB III METODE PENELITIAN. Pemerintah Daerah Kabupaten Lampung Barat tahun 2007 sampai dengan 2012.
BAB III METODE PENELITIAN 3.1. Sampel Dan Data Penelitian Pengambilan data dilakukan di Direktorat Jendral Perimbangan Keuangan melalui internet. Data yang digunakan dalam penulisan skripsi ini adalah
Lebih terperinciMODEL REGRESI SEMI PARAMETRIK DENGAN ESTIMATOR SPLINE PARSIAL
MODEL REGRESI SEMI PARAMETRIK DENGAN ESTIMATOR SPLINE PARSIAL Aplikasi Pada Faktor Yang Mempengaruhi Prestasi Belajar (Nilai Praktek) Mahasiswa Sekolah Tinggi Ilmu Kesehatan William Booth Surabaya Erika
Lebih terperinciTINJAUAN PUSTAKA. Menurut Hardle (1994) analisis regresi adalah suatu metode analisis data yang
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Menurut Hardle (1994) analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan antara variabel respon dengan satu atau beberapa variabel
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan
5 II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan antara variabel respon dengan satu atau beberapa variabel prediktor. Misalkan
Lebih terperinciIII. METODE PENELITIAN. Jenis data yang digunakan dalam penelitian ini adalah data sekunder yaitu
III. METODE PENELITIAN A. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yaitu berkaitan dengan data yang waktu dikumpulkannya bukan (tidak harus) untuk memenuhi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen (respon) dengan satu atau lebih variabel independen (variabel penjelas), dengan
Lebih terperinciFaktor-faktor yang Mempengaruhi Indeks Pembangunan Manusia (IPM) di Jawa Timur dengan Pendekatan Regresi Semiparametrik Spline
Faktor-faktor yang Mempengaruhi Indeks Pembangunan Manusia (IPM) di Jawa Timur dengan Pendekatan Regresi Semiparametrik Spline Oleh : A. Anggita Tauwakal Retno (303008) Dosen Pembimbing : Prof. Dr. Drs.
Lebih terperinciBAB III METODE PENELITIAN. di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
17 BAB III METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
Lebih terperinciPemodelan PDRB Di Indonesia Menggunakan Pendekatan Regresi Nonparametrik Spline
JURNAL SAINS DAN SENI ITS Vol. 6, No., (17) ISSN: 337-35 (31-98X Print) D-16 Pemodelan PDRB Di Indonesia Menggunakan Pendekatan Regresi Nonparametrik Spline Puspita Khanela, Madu Ratna, dan I Nyoman Budiantara
Lebih terperinciSEMINAR TUGAS AKHIR 16 JANUARI Penyaji : I Dewa Ayu Made Istri Wulandari Pembimbing : Prof.Dr.Drs. I Nyoman Budiantara, M.
16 JANUARI ANALISIS FAKTOR FAKTOR YANG MEMPENGARUHI PENDUDUK MISKIN DAN PENGELUARAN PERKAPITA MAKANAN DI JAWA TIMUR DENGAN METODE REGRESI NONPARAMETRIK BIRESPON SPLINE Penyaji : I Dewa Ayu Made Istri Wulandari
Lebih terperinciABSTRAK. Kata Kunci: regresi nonparametrik spline, knot, GCV, angka kematian bayi.
Judul : Pemodelan Regresi Nonparametrik Spline Pada Angka Kematian Bayi di Provinsi Bali Nama : Gede Abdi Hadi Suryawan Pembimbing : 1. I.Gst. Ayu Made Srinadi, S.Si.,M.Si. 2. I Wayan Sumarjaya, S.Si.,M.Stats.
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 2, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 2, Tahun 2014, Halaman 223-231 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMILIHAN MODEL REGRESI POLINOMIAL LOKAL DAN SPLINE UNTUK ANALISIS
Lebih terperinciBAB V KESIMPULAN DAN SARAN
5 BAB V KESIMPULAN DAN SARAN 5. Kesimpulan Berdasarkan hasil analisis sebelumnya, dapat ditarik kesimpulan bahwa :. Model regresi yang mampu menjelaskan hubungan antara angka kematian bayi di Jawa Timur
Lebih 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 terperinciPEMODELAN ANGKA KEMATIAN BAYI DI PROPINSI JAWA TIMUR DENGAN PENDEKATAN REGRESI NONPARAMETRIK SPLINE TUGAS AKHIR ST 1325
TUGAS AKHIR ST 325 PEMODELAN ANGKA KEMATIAN BAYI DI PROPINSI JAWA TIMUR DENGAN PENDEKATAN REGRESI NONPARAMETRIK SPLINE LIA DWI JAYANTI NRP 303 00 04 Dosen Pembimbing DR. DRS. I Nyoman Budiantara, MS. JURUSAN
Lebih terperinciAnalisis Faktor-Faktor yang Mempengaruhi Produksi Padi di Provinsi Jawa Timur Menggunakan Regresi Semiparametrik Spline
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (217) ISSN: 2337-352 (231-928X Print) D-11 Analisis Faktor-Faktor yang Mempengaruhi Produksi Padi di Provinsi Jawa Timur Menggunakan Regresi Semiparametrik Spline
Lebih terperinciANALISIS REGRESI NONPARAMETRIK SPLINE MULTIVARIAT UNTUK PEMODELAN INDIKATOR KEMISKINAN DI INDONESIA
E-Jurnal Matematika Vol. 5 (3), Agustus 2016, pp. 111-116 ISSN: 2303-1751 ANALISIS REGRESI NONPARAMETRIK SPLINE MULTIVARIAT UNTUK PEMODELAN INDIKATOR KEMISKINAN DI INDONESIA Desak Ayu Wiri Astiti 1, I
Lebih terperinciREGRESI LINIER BERGANDA
REGRESI LINIER BERGANDA 1. PENDAHULUAN Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal
Lebih terperinci1. PENDAHULUAN PADA PRODUKSI JAGUNG DI JAWA TENGAH
MODEL REGRESI ROBUST ESTIMASI DENGAN PEMBOBOT FAIR PADA PRODUKSI JAGUNG DI JAWA TENGAH Oktaviana Wulandari, Yuliana Susanti, dan Sri Sulistijowati Handajani Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini bersumber dari data sekunder mulai dari tahun 2005 sampai dengan tahun 2010. Data tersebut didapat dari beberapa
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK MULTIVARIABEL DENGAN ESTIMATOR SPLINE PARSIAL
MODEL REGRESI SEMIPARAMETRIK MULTIVARIABEL DENGAN ESTIMATOR SPLINE PARSIAL Aplikasi Faktor Yang Mempengaruhi Kepuasan Pelayanan Kesehatan Di Rumah Sakit William Booth Surabaya Erika Untari Dewi Email :
Lebih terperinciBAB III OBJEK DAN METODE PENELITIAN. Objek penelitian yang dianalisis adalah faktor-faktor yang mempengaruhi
48 BAB III OBJEK DAN METODE PENELITIAN 3.1. Objek Penelitian Objek penelitian yang dianalisis adalah faktor-faktor yang mempengaruhi ekspor komoditi karet di Indonesia periode 1990-2006. Adapun variabelnya
Lebih terperinciIII. METODE PENELITIAN. Pusat Statistik (BPS) Kota Bandar Lampung yang berupa cetakan atau publikasi
III. METODE PENELITIAN A. Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yang berasal dari publikasi dinas atau instansi pemerintah, diantaranya adalah publikasi dari
Lebih terperinciPEMODELAN MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) PADA FAKTOR-FAKTOR RESIKO ANGKA KESAKITAN DIARE
PEMODELAN MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) PADA FAKTOR-FAKTOR RESIKO ANGKA KESAKITAN DIARE (Studi Kasus : Angka kesakitan Diare di Jawa Tengah, Jawa Timur dan Daerah Istimewa Yogyakarta
Lebih terperinciIII. METODE PENELITIAN. Berdasarkan sifat penelitiannya, penelitian ini merupakan sebuah penelitian
III. METODE PENELITIAN A. Ruang Lingkup Penelitian Berdasarkan sifat penelitiannya, penelitian ini merupakan sebuah penelitian deskriptif. Definisi dari penelitian deskriptif adalah penelitian yang menggambarkan
Lebih terperinciMETODE PENELITIAN. A. Variabel Penelitian dan Definisi Operasional. Untuk memperjelas dan memudahkan pemahaman terhadap variabelvariabel
43 III. METODE PENELITIAN A. Variabel Penelitian dan Definisi Operasional Untuk memperjelas dan memudahkan pemahaman terhadap variabelvariabel yang akan dianalisis dalam penelitian ini, maka perlu dirumuskan
Lebih terperinciOleh : Edwin Erifiandi (NRP ) Pembimbing : Prof. Dr. Drs. I Nyoman Budiantara, MSi
Oleh : Edwin Erifiandi (NRP. 1309 201 701) Pembimbing : Prof. Dr. Drs. I Nyoman Budiantara, MSi PENDAHULUAN Latar Belakang (1) () Salah satu metode statistika untuk memodelkan hubungan antar variabel adalah
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian ini adalah kuantitatif. Penelitian kuantitatif merupakan
BAB III METODE PENELITIAN A. Obyek/Subyek Penelitian Jenis penelitian ini adalah kuantitatif. Penelitian kuantitatif merupakan analisis yang berupa angka-angka sehingga dapat diukur dan dihitung dengan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi
Lebih terperinciDAFTAR ISI ABSTRACT. BAB I PENDAHULUAN 1.1 LatarBelakang Pembatasan Masalah TujuanPenulisan
`DAFTAR ISI HALAMAN JUDUL HALAMAN PENGESAHAN HALAMAN PERNYATAAN HALAMAN PERSEMBAHAN KATA PENGANTAR DAFTAR ISI DAFTAR GAMBAR DAFTAR TABEL DAFTAR LAMPIRAN INTISARI ABSTRACT i ii iii iv v vii x xi xii xiv
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 terperinciBAB I PENDAHULUAN. Analisis regresi merupakan suatu metode yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan suatu metode yang digunakan untuk menganalisis hubungan antar variabel. Hubungan tersebut dapat dinyatakan dalam bentuk persamaan
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 terperincisebuah penelitian tentang: pengaruh laba akuntansi, arus kas opera- sional, ukuran perusahaan, tingkat pertum- buhan perusahaan terhadap harga saham
contoh sebuah penelitian tentang: pengaruh laba akuntansi, arus kas operasional, ukuran perusahaan, tingkat pertumbuhan perusahaan terhadap harga saham kerangka pikir yang diajukan sbb. laba akuntansi
Lebih terperinciPEMODELAN KASUS KEMISKINAN DI JAWA TENGAH MENGGUNAKAN REGRESI NONPARAMETRIK METODE B-SPLINE
PEMODELAN KASUS KEMISKINAN DI JAWA TENGAH MENGGUNAKAN REGRESI NONPARAMETRIK METODE B-SPLINE SKRIPSI Disusun Oleh : ANISA SEPTI RAHMAWATI 24010212140046 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciANALISIS REGRESI KUANTIL
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 103 107 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI KUANTIL SAIDAH, FERRA YANUAR, DODI DEVIANTO Program Studi Magister Matematika, Fakultas
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN. Dari data-data sekunder berupa laporan keuangan yang telah diperoleh, maka
48 BAB IV ANALISIS HASIL DAN PEMBAHASAN Dari data-data sekunder berupa laporan keuangan yang telah diperoleh, maka selanjutnya dalam bab analisis hasil dan pembahasan ini akan diterangkan mengenai hasil
Lebih terperinciBAB IV HASIL PENELITIAN. bawah ini. Untuk membantu penulis dalam melakukan perhitungan yang cermat
BAB IV HASIL PENELITIAN Hasil penelitian ini diperoleh dari hasil analisis data yang akan disajikan di bawah ini. Untuk membantu penulis dalam melakukan perhitungan yang cermat dan akurat dibantu dengan
Lebih terperinciREGRESI BEDA DAN REGRESI RIDGE Ria Dhea Layla N.K 1, Febti Eka P. 2 1)
REGRESI BEDA DAN REGRESI RIDGE Ria Dhea Layla N.K 1, Febti Eka P. 2 1) 1311105003 2) 1311106009 email: 1) riadhea0863@yahoo.co.id 2) febti08.10@gmail.com ABSTRAK Analisis regresi dalam statistika adalah
Lebih terperinci