BAB IV HASIL DAN PEMBAHASAN
|
|
- Siska Chandra
- 6 tahun lalu
- Tontonan:
Transkripsi
1 24 BAB IV HASIL DAN PEMBAHASAN Bagian awal bab ini disajikan pemetaan untuk mendeskripsikan jumlah DBD dan faktor yang mempengaruhi di Kota Semarang. Bagian selanjutnya dilakukan pemodelan untuk mendapatkan model dari faktor yang mempengaruhi jumlah DBD. Pada pemetaan digunakan batas lokasi administrasi stasiun pengamatan curah hujan Kota Semarang. Kota Semarang memiliki 10 unit stasiun pengamatan curah hujan, namun dikarenakan keterbatasan data yang peneliti peroleh, penelitian ini hanya menggunakan 8 unit stasiun pengamatan curah hujan. 4.1 Deskripsi DBD dengan faktor yang mempengaruhi Jumlah demam berdarah dengue dan faktor yang mempengaruhinya dikatekorikan menjadi tiga kelompok yaitu tinggi, sedang, dan renah. Hal ini bertujuan untuk mempermudah menginterpretasi hasil dari pemetaan. Berikut ini hasil pemetaan variabel yang digunakan dalam penelitian dengan menggunakan 8 unit stasiun batas administratif wilayah Kasus demam berdarah dengue Tahun 2012, Kota Semarang memiliki jumlah kasus penderita demam berdarah dengue sebesar jiwa dengan rata-rata sebesar 78 jiwa disetiap kecamatan. Jumlah kasus DBD tertinggi di Kecamatan Tembalang dengan jumlah kasus 176 jiwa, sedangkan jumlah terkecil sebasar 10 jiwa di Kecamatan Tugu. 24
2 25 Jumlah kasus DBD di Kecamatan Tugu sebesar 10 jiwa diduga karena memiliki tinggat kepadatan penduduk terendah di Kota Semarang. Hasil pemetaan jumlah kasus DBD dengan batas administrasi wilayah mempunyai pola menyebar di setiap wilayah administrasi seperti disajikan pada gambar 4.1 dengan keragaman sebesar 46,34. Gambar. 4.1 Persebaran Damam Berdarah Dengue Kota Semarang Berdasarkan gambar 4.1 menunjukkan Kecamatan Ngalian, Semarang Barat, Semarang Tengah, Semarang Selatan, Semarang Timur, Gajah Mungkur, Candisari, Banyumanik, Tembalang, Pedurungan, Gayamsari, dan Kecamatan Gunuk memiliki jumlah DBD tertinggi sebesar ,34 jiwa. Jumlah demam berdarah kategori sedang sebasar ,34 jiwa terlihat pada Kecamatan Semarang Utara. Sedangkan Kecamatan Tugu, Ngalian, dan Kecamatan Gunungpati terlihat pada kategori rendah dengan jumlah antara ,34 jiwa.
3 Persentase kepadatan penduduk Kota Semarang memiliki kepadatan penduduk yang tidak merata, dikarenakan secara geografis Kota Semarang terbagi menjadi dua yaitu kota bawah (daerah daratan rendah) dan kota atas (daerah perbukitan). Pada tahun 2012 Kecamatan Semarang Selatan memiliki tingat kepadatan penduduk tertinggi sebesar per Km 2, sedangkan kepadatan penduduk terendah dimiliki Kecamatan Tugu sebesar 972 per Km 2. Gambar. 4.2 Peta Kepadatan Penduduk Kota Semarang Berdasarkan gambar 4.2 menunjukkan tingkat kepadatan pada kategori rendah per Km 2 meliputi wilayah kecamatan Mijen, Ngaliyan dan Semarang Barat. Kategori sedang per Km 2 lebih mendominasi sebagian besar kecamatan di Kota Semarang. Sedangkan kategori tinggi per Km 2 meliputi wilayah kecamatan Semarang Tengah,
4 27 Semarang Selatan, Semarang Timur, Gayamsari, Candisari, dan kecamatan Pedurungan Persentase curah hujan Curah hujan Kota Semarang sepanjang tahun 2012 didominasi dengan instensitas rendah di beberapa wilayah. Dengan rata-rata curah hujan 232 per mm. Gambar. 4.3 Peta Curah Hujan Kota Semarang Berdasarkan gambar 4.3 menunjukkan curah hujan didominasi kategori rendah per mm hampir seluruh kecamatan di Kota Semarang. Kategori sedang per mm hanya pada kecamatan Banyumanik dan sebagian kecil kecamatan Gunungpati. Pada kategori tinggi per mm teletak pada kecamatan Mijen dan sebagian besar kacamatan Gunungpati.
5 Pemodelan Kasus Demam Berdarah Dengue Deteksi Multikolinieritas Sebelum dilakukan pemodelan regresi Poisson perlu dilakukan uji multikolinieritas terlebih dahulu. Uji ini bertujuan untuk mengetahui apakah variabel prediktor telah memenuhi asumsi tidak saling berkolinieritas. Sesuai dengan teori pada Subbab 2.2, ada dua kritaria yang dapat digunakan untuk mengetahui adanya kondisi kolineritas antar variabel prediktor. Kriteria pertama adalah dengan menggunakan VIF (Variance Inflation Factors). Tabel 4.1 Variance Inflation Factors Prediktor X1 X2 VIF Pada Tabel 4.1 nilai VIF j X1 dan X2 sebesar 1.3 menunjukkan bahwa variabelvariabel prediktor tidak saling berkolerasi. VIF j yang bernilai lebih besar dari 10 menunjukkan adanya kolinieritas antara variabel-variabel prediktor. Kriteria kedua menggunakan koefisien korelasi Pearson (rij), dengan menggunakan persamaan (2.14) hasil korelasi Pearson didapatkan nilai rij = (Lampiran 3). Nilai korelasi antar variabel prediktor kurang dari 0.95 sehingga tidak terjadi multikolinieritas dan dapat dilakukan analisis regresi Poisson.
6 Model Regresi Poisson Pengujian secara serentak model regresi poisson dengan menggunakan hipotesis sebagai berikut. H0 : ߚଵ ߚ ڮ ߚ = 0 H1 : paling sedikit ada satu ߚ 0 Hasil pengujian serentak dengan model regresi Poisson didapatkan nilai devians ܦ ሺߚመ) sebesar (Lampiran 4). Dengan Tabel taraf sagnifikan 5% መ didapatkan nilai (Ǣ ǡ ହ) sebasar Nilai ܦ ሺߚ) lebih besar dari (Ǣ ǡ ହ) 5.99 sehingga hopitesis H0 ditolak yang berarti bahwa pemodelan dengan menggunakan regresi Poisson menghasilkan paremeter yang signifikan berpengaruh terhadap model. Pengujian parsial model regresi poisson dengan menggunakan hipotesis sebagai berikut. H0 : ߚଵ ߚ ڮ ߚ = 0 H1 : paling sedikit ada satu ߚ 0 Hasil pengujian parsial statistik uji yang mengunakan Uji Z, Uji Z adalah pengujian hipotesis yang didekati dengan distribusi normal. Dengan kriteria, jika Z hitung < Z tabel, maka terima H0 seperti pada Tabel 4.2 Tabel 4.2 Penaksiran Parameter Regresi Poisson Variabel Estimate Standard Error Z_Hit ߚ ߚଵ ߚ
7 30 Dari Z tabel menunjukkan nilai 1.96 sehingga dengan melihat hasil dari Tabel 4.2 menunjukkan paremeter berpengaruh signifikan terhadap model adalah ߚ ߚଵߚ sehingga model regresi poisson terbaik berbantuk adalah sebagai berikut. ߤƸ ሺͷǡͳͳͲͻ ͳͳ ͲǡͳͲͷͺ ݔ ଵ ͲǡͲ ʹͻ ͷͳ ݔ ) Variabel yang berpangaruh signifikan terhadap jumlah kasus DBD di Kota Semarang pada model regresi poisson adalah presentasi kepadatan penduduk (X1) dan presentasi curah hujan (X2). Model yang diperoleh menjelaskan bahwa ln rata-rata kasus DBD di Kota Semarang pada tahun 2013 akan mengalami kenaikan sebesar jika variabel presentasi kepadatan penduduk (X1) bertambah sebesar satu persen dengan syarat variabel (X2) bernilai konstan. Hal ini tidak berlaku untuk variabel presentase curah hujan (X2), karena ln rata-rata kasus DBD di Kota Semarang pada tahun 2013 akan penurunan sebesar jika variabel presentasi curah hujan (X2) bertambah sebesar satu persen dengan syarat variabel (X1) bernilai konstan. 4.3 Model GWPR Langkah pertama sebelum melakukan pemodelan dengan GWPR yang harus dilakukan adalah menentukan letak geografis tiap wilayah-wilayah administrasi di Kota Semarang (Lampiran 1). Langkah selanjutnya menentukan Bandwidth (b) optimum pemilihan bandwidth optimum dengan menggunakan metode Cross Validation (CV). Bandwidth optimum yang dihasilkan dari ( ܥ ଵ( ݕ ݕ ஷ ሺ ሻ)) sebessar 8,577 digunakan untuk mencari matriks pembobot di setiap wilayah administrasi, pembobot dalam penelitian ini menggunakan
8 31 Kernel Gaussian (persamaan 2.20). Matriks pembobot di lokasi ( ݑ ǡ ݒ ) adalah Wij maka langkah awal sebelum mendapat matriks pembobot adalah dengan mencari jarak Euclidean (dij) pada lokasi ( ݑ ǡ ݒ ). Dengan lokasi pusat (i) adalah lokasi Boja Mijen dan lokasi ke-j adalah lokasi pengamatan yang lainnya. Hasil perhitungan pembobot di lokasi (i) Boja Mijen terlihat pada Tabel 4.3 Tabel 4.3 Pembobot Gausskernel Wilayah Boja Mijen No Lokasi Boja mijen Beringin Gunung pati Tanjung mas Klipang Candi Semarang barat Tlogosari Jarak Euclidean Jarak Euclidean diperoleh dari perhitungan menggunakan rumus dengan letak geografis pada lampiran (1) adalah sebagai berikut: = ටሺ ݑ ݒ ) ሺ ݑ ݒ ) Boja mijen beringin = ඥ( ) + ( ) = = Boja mijen gunung pati = ඥ( ) + ( ) = = Hasil diperoleh dari perhitungan menggunakan persamaan (2.20): ଵ ቆ ଷǤଷଽ ଽସ ቁ ൰ Ǥହ Beringin = exp ൬ ቀ 1 ( ) ቇ 2 ଵ ቀ ͲǤͳͷ ͻ ͷቁ ͲǤͲ ͺ Ͷͺ
9 32 ଵ Ǥଷହସହ ቁ ൰ Ǥହ Gunung pati = exp ൬ ቀ ଵ ቀ ͲǤͲ ͷ ቁ ͲǤͲ ͺ Matrik pembobot yang digunakan untuk menaksirkan model GWPR di lokasi (i) Boja Mijen adalah matrik diagonal dari pembobot Wij yang teleh diperoleh pada Tabel 4.3 yaitu W1 adalah Wij Boja Mijen, W2 adalah Wij Beringin, sampai W8 adalah Wij Tlogosari. ( ) [ ଵ( ݑ ଵǡ ݒ ଵ)Ǣ ( ݑ ǡ ݒ )Ǣǥ Ǣ ( ݑ ǡ ]) ݒ ሾͳǢ ͲǤͳͻ ͺ Ͳͺ ǢͲǤͳ ʹ ǢͲǤͳ ͶͲǢͲǤͲ ͷ Ǣǥ ǢͲǤͳͷ ʹ ሿ Matrik pembobot dihitung di setiap lokasi untuk menaksirkan parameter model GWPR di setip lokasi ( ݑ ଵǡ ݒ ଵ). Hasil perhitungan matrik pembobot digunakan untuk menaksir parameter di lokasi W1( ݑ ଵǡ ݒ ଵ) sedangkan untuk menaksir parameter dilokasi ( ݑ ǡ ݒ ) hingga lokasi ( ݑ ǡ ) ݒ perlu dicari matrik pembobot W2( ݑ ǡ ݒ ) hingga matrik pembobot W8( ݑ ǡ ) ݒ dengan metode yang sama. Hasil dari penaksiran parameter di setiap wilayah pengamatan memberikan hasil yang berbada-beda Pengujian parameter GWPR Pengujian parsial digunakan untuk mengetahui faktor yang berpengaruh terhadap demam berdarang dengue disetiap wilayah. Berikut ini adalah hipotesis uji parsial parameter. H0 : ߚ ( ݑ ǡ ݒ ) = 0 H1 : ߚ ( ݑ ǡ ݒ ) Ͳ Ǣ ͳǡʹǡ ڮ Untuk mendapatkan t-hitung dari masing-masing parameter menggunakan formula pada persamaan (2.18). Indeks k merupakan parameter
10 33 yang akan diuji yaitu ݔ ଵ ݔ sedangkan i adalah unit wilayah. Dengan hasil uji parsial GWPR dapat dilihat tabel 4.4 Lokasi Boja Mijen Bringin Gunung Pati Tanjung Mas Klipang Candi Semarang Barat Tlogosari Tabel 4.4 Uji Parsial GWPR Estimasi Standard error ݔ ଵ ݔ ݔ ଵ ݔ t-hitung ݔ ଵ , ݔ Dengan hasil t-tabel ( ݐ ൫ ଵǢఈ ൯) = 2,44691 dengan taraf signifikan ߙ=5% maka ݔ ଵ ݔ berpengaruh secara signifikan terhadap unit stasiun karena tolak H0 jika ห ݐ ௧௨ ห ݐ ൫ ଵǢఈ ൯. Dapat disimpulkan variabel respon kepadatan penduduk (x1) dan curah hujan (x2) berpengaruh signifikan terhadap lokasi kejadian kasus demam berdarah dengue Pengujian Kesusuaian Model GWPR Pengujian kesesuaian model GWPR digunakan untuk mengetahui kebaikan model GWPR dibandingan dengan model regresi Poisson. Hipotesis yang digunakan adalah: H ߚ ( ݑ ǡ ݒ ) ߚ ǡ ͳǡʹǡ Ǣ ͳǡʹǡǥ ͺ (tidak ada pengaruh yang signifikan antara model regresi Poisson dengan model GWPR) H1 : paling sedikit ada satu ߚ ( ݑ ǡ ݒ ) ߚ (ada pengaruh yang signifikan antara model regresi Poisson dengan model GWPR)
11 34 Pengujian Kesesuaian model Regresi Poisson dan GWPR menggunakan uji signifikan F dengan level ߙ yang dikendaki dengan syarat distribusi masih mendekati normal (lampiran 3). Hasil signifikan antara model regresi Poisson dengan model GWPR dan pengujian kesesuaian model adalah sebagai berikut. Tabel 4.5 Uji Kesesuaian Model Model Regresi Poisson GWPR Devians Df 5 4 Devians/Df F hitung Hasil pengujian kesesuaian model secara serentak dengan mengunakan uji F dari tabel (4.5) diperoleh nilai F hitung sebesar dibandingkan dengan nilai F(0,05;5;4) tabel sebesar 6,2561. Keputusan yang didapat adalah menerima H0 sehingga dapat disimpulkan tidak ada perbedaan yang signifikan antara model regresi poisson dengan model GWPR Pengujian Aspek Spasial Pengujian aspek spasial digunakan untuk menguji apakah variabel penelitian terdapat dampak spasial dan heterogenitas spasial. Heterogenitas spasial diidentifikasi dengan menggunakan statistik uji Breusch-Pagan, dengan hipotesis yang digunakan adalah : H0 : ߪଵ ߪ ڮ ߪ ߪ H1 : minimal ada satu ߪ ߪ Tabel 4.6 Pengujian Aspek Spasial df P-value Breusch-Pagan Dari tabel di atas dengan kriteria tolak H0 jika BP >, hasil pengujian aspek spasial dengan menggunakan uji Breusch-Pagan diperoleh nilai BP sebesar
12 dibandingkan nilai sebesar , maka kriteria tolak H0 terpenuhi. Dan dapat disimpulkan variabel penelitian antara variabel respon dengan variabel prediktor terdapat dampak spasial dan heterogenitas spasial. 4.4 Perbandingan Model Regresi Poisson dengan Model GWPR Perbandingan model regresi poisson dengan model GWPR bertujuan untuk mendapatkan model terbaik yang dapat diterapkan pada kasus DBD. Kriteria kebaikan model yang digunakan adalah Akaike s Information Criterion (AIC) yang dihasilkan dari (persamaan 2.22) sebagai berikut : Tabel 4.7 Perbandingan Kesesuaian Model Model Regresi Poisson GWPR AIC Tabel menunjukkan bahwa nilai AIC model GWPR lebih kecil yaitu sebesar 39,73804 jika dibandingkan dengan nilai AIC model regresi poisson sebesar 42, Dengan demikian model GWPR lebih tepat digunakan dalam analisis kasus DBD di Kota semarang.
BAB 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 III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR)
BAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) 3.1 Regresi Poisson Regresi Poisson merupakan suatu bentuk analisis regresi yang digunakan untuk memodelkan data
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN Berdasarkan tujuan penelitian, maka pada bab ini akan dilakukan estimasi model regresi nonparametrik berdasarkan estimator polinomial lokal kernel dengan meminimumkan Weigted
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1 Hasil dan Analisis Peta Ancaman Bencana Tanah Longsor Pembuatan peta ancaman bencana tanah longsor Kota Semarang dilakukan pada tahun 2014. Dengan menggunakan data-data
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
BAB IV ANALISIS DAN PEMBAHASAN Analisa pemodelan fungsi hubungan pada variabel repon dengan variabel prediktor akan dijelaskan pada bab ini. Analisis yang digunakan pada penelitian ini adalah menggunakan
Lebih terperinciPEMODELAN JUMLAH ANAK PUTUS SEKOLAH DI PROVINSI BALI DENGAN PENDEKATAN SEMI-PARAMETRIC GEOGRAPHICALLY WEIGHTED POISSON REGRESSION
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 29-34 ISSN: 2303-1751 PEMODELAN JUMLAH ANAK PUTUS SEKOLAH DI PROVINSI BALI DENGAN PENDEKATAN SEMI-PARAMETRIC GEOGRAPHICALLY WEIGHTED POISSON REGRESSION GUSTI
Lebih 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 terperinciBAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
BAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION 3.1 Mixed Geographically Weighted Regression Model Mixed Geographically Weighted Regression merupakan model kombinasi atau gabungan antara regresi global
Lebih terperinciBAB 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 terperinci: Persentase Penduduk Dengan Sumber Air Minum Terlindungi PDAM : Pengeluaran Perkapita Penduduk Untuk Makan Sebulan
22 BAB III MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR) 3.1 Variabel Penelitian Variabel penelitian yang digunakan dalam penelitian ini adalah data derajat kesehatan tahun 2013 pada 27 kabupaten
Lebih terperinciBAB 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 terperinciISSN: Vol. 1 No. 1 Agustus 2012
ISSN: 2303-1751 Vol. 1 No. 1 Agustus 2012 e-jurnal Matematika, Vol. 1, No. 1, Agustus 2012, 94-98 ISSN: 2303-1751 PEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION
Lebih terperinciPEMODELAN JUMLAH KEMATIAN BAYI DI JAWA TIMUR DENGAN GEOGRAPHICALLY WEIGHTED POISSON REGESSION (GWPR)
PEMODELAN JUMLAH KEMATIAN BAYI DI JAWA TIMUR DENGAN GEOGRAPHICALLY WEIGHTED POISSON REGESSION (GWPR) Sisvia Cahya Kurniawati, Kuntoro Departemen Biostatistika dan Kependudukan FKM UNAIR Fakultas Kesehatan
Lebih terperinciPEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DI PROVINSI BALI
PEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DI PROVINSI BALI M ARRIE KUNILASARI ELYNA 1, I GUSTI AYU MADE SRINADI 2, MADE SUSILAWATI 3 1,2,3, Jurusan Matematika,
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI LAJU PERTUMBUHAN PENDUDUK KOTA SEMARANG TAHUN 2011 MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 2, Tahun 2014, Halaman 161-171 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI LAJU PERTUMBUHAN PENDUDUK
Lebih terperinciMODEL REGRESI TERBOBOTI GEOGRAFIS DENGAN FUNGSI PEMBOBOT KERNEL GAUSSIAN, BISQUARE, DAN TRICUBE PADA PERSENTASE KEMISKINAN DI PROVINSI JAWA TENGAH
MODEL REGRESI TERBOBOTI GEOGRAFIS DENGAN FUNGSI PEMBOBOT KERNEL GAUSSIAN, BISQUARE, DAN TRICUBE PADA PERSENTASE KEMISKINAN DI PROVINSI JAWA TENGAH Nungki Fauzi T A N, Isnandar Slamet, Muslich Program Studi
Lebih terperinciGEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH
GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH SKRIPSI Disusun Oleh : NURMALITA SARI 240102120008 DEPARTEMEN STATISTIKA FAKULTAS
Lebih 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 terperinciPEMODELAN KEMATIAN BALITA MALNUTRISI DENGAN PENDEKATAN ZERO-INFLATED POISSON (ZIP) REGRESSION DI PROVINSI JAWA TENGAH
PEMODELAN KEMATIAN BALITA MALNUTRISI DENGAN PENDEKATAN ZERO-INFLATED POISSON (ZIP) REGRESSION DI PROVINSI JAWA TENGAH 1 Prisca Shery Camelia, 2 Indah Manfaati Nur, 3 Moh. Yamin Darsyah 1,2,3 Program Studi
Lebih terperinciPEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 383-393 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA
Lebih 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 terperinciBAB V HASIL DAN PEMBAHASAN
BAB V HASIL DAN PEMBAHASAN 5.1. Gambaran Persebaran Penduduk Miskin Provinsi Jawa Tengah merupakan salah satu provinsi di Indonesia yang memiliki kabupaten atau kota sejumlah 35 kabupaten dan kota (BPS,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Dalam bab ini akan dibahas mengenai hasil dan pembahasan Penelitian yang terdiri dari hasil analisapeta parameter, peta kerawanan longsor, validasi lapangan, riwayat kejadian
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Model Regresi Linier Metode regresi linier merupakan suatu metode yang memodelkan hubungan antara variabel respon dengan variabel prediktor. Tujuannya adalah untuk mengukur
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Kemiskinan Berdasarkan pendekatan kebutuhan dasar, ada tiga indikator kemiskinan yang digunakan, Pertama Head Count Index (HCI- P0) yaitu persentase penduduk yang dibawah garis
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 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 terperinciSeries Data Umum Kota Semarang Data Umum Kota Semarang Tahun
Data Umum Kota Semarang Tahun 2007-2010 I. Data Geografis a. Letak Geografis Kota Semarang Kota Semarang merupakan kota strategis yang beradadi tengah-tengah Pulau Jawa yang terletak antara garis 6 0 50
Lebih terperinciDAFTAR ISI. HALAMAN JUDUL... i. HALAMAN PERSETUJUAN PEMBIMBING... ii. HALAMAN PENGESAHAN TUGAS AKHIR... iii. HALAMAN MOTTO... iv. KATA PENGANTAR...
DAFTAR ISI Halaman HALAMAN JUDUL... i HALAMAN PERSETUJUAN PEMBIMBING... ii HALAMAN PENGESAHAN TUGAS AKHIR... iii HALAMAN MOTTO... iv KATA PENGANTAR... v DAFTAR ISI... vii DAFTAR TABEL... x DAFTAR GAMBAR...
Lebih terperinciABSTRAK. Kata kunci : regresi Poisson, GWPR, Angka Kematian Bayi (AKB)
PEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) DI PROVINSI JAWA TIMUR Septika Tri Ardiyanti 1, Purhadi 2 1 Mahasiswa Jurusan Statistika ITS. 2 Dosen Jurusan
Lebih terperinciPEMBAHASAN ... (3) RMSE =
7 kemampuan untuk mengikuti variasi hujan permukaan. Keterandalan model dapat dilihat dari beberapa parameter, antara lain : Koefisien korelasi Korelasi dinyatakan dengan suatu koefisien yang menunjukkan
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 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 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 terperinciPemodelan Jumlah Kematian Bayi Di Kabupaten Bojonegoro Dengan Menggunakan Metode Analisis Regresi Binomial Negatif
1 Pemodelan Jumlah Kematian Bayi Di Kabupaten Bojonegoro Dengan Menggunakan Metode Analisis Regresi Binomial Negatif Nike Dwi Wilujeng Mahardika dan Sri Pingit Wulandari Statistika, FMIPA, Institut Teknologi
Lebih terperinci2.11. Penduduk Yang Bekerja di Sektor Pertanian Pengangguran... 40
2.11. Penduduk Yang Bekerja di Sektor Pertanian... 38 2.12. Pengangguran... 40 BAB III DASAR TEORI... 42 3.1. Analisis Regresi Linier Berganda... 42 3.2. Penaksiran Koefisien Regresi Menggunakan Matriks...
Lebih terperinci1. Tempat Waktu Penelitian C. Subjek Penelitian D. Identifikasi Variabel Penelitian E. Definisi Operasional Variabel...
DAFTAR ISI HALAMAN JUDUL DAN LEMBAR PERSETUJUAN... i DAFTAR ISI... iii DAFTAR TABEL... v DAFTAR GAMBAR... vi DAFTAR LAMPIRAN... viii SURAT PERNYATAAN... ix KATA PENGANTAR... x ABSTRAK... xii BAB I PENDAHULUAN...
Lebih terperinciPERBANDINGAN REGRESI GLOBAL DAN GEOGRAPHICAL WEIGHTED REGRESSION (GWR) PADA MODEL PREVALENSI PENYAKIT HEPATITIS
PERBANDINGAN REGRESI GLOBAL DAN GEOGRAPHICAL WEIGHTED REGRESSION (GWR) PADA MODEL KASUS PREVALENSI PENYAKIT HEPATITIS 1 Sugiarto, 2 Haiban Hajjid Arsyadana 1,2 Sekolah Tinggi Ilmu Statistik, Jakarta Alamat
Lebih terperinciPEMODELAN RISIKO PENYAKIT PNEUMONIA PADA BALITA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
E-Jurnal Matematika Vol. 4 (2), Mei 2015, pp. 31-36 ISSN: 2303-1751 PEMODELAN RISIKO PENYAKIT PNEUMONIA PADA BALITA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
Lebih terperinciS - 13 PEMODELAN SPASIAL KEMISKINAN DENGAN MIXED GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DAN FLEXIBLY SHAPED SPATIAL SCAN STATISTIC
S - 13 PEMODELAN SPASIAL KEMISKINAN DENGAN MIXED GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DAN FLEXIBLY SHAPED SPATIAL SCAN STATISTIC (Studi Kasus: Jumlah Rumah Tangga Sangat Miskin di Kabupaten Kulonprogo)
Lebih terperinciPEMODELAN KEMISKINAN MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION DENGAN FUNGSI PEMBOBOT FIXED KERNEL
PEMODELAN KEMISKINAN MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION DENGAN FUNGSI PEMBOBOT FIXED KERNEL Hasriana 1, Raupong 2, Nirwan Ilyas 3 1 Program Studi Statistika FMIPA Universitas Hasanuddin
Lebih terperinciPemodelan Jumlah Uang yang Beredar Menggunakan Regresi Komponen Utama. Money Supply Modelling Using Principal Component Regression
Pemodelan Jumlah Uang yang Beredar Menggunakan Regresi Komponen Utama Money Supply Modelling Using Principal Component Regression Desi Yuniarti Program Studi Statistika FMIPA Universitas Mulawaraman Abstract
Lebih terperinciOleh : Marisa Rifada Pembimbing : Dr. Purhadi, M.Sc
Oleh : Marisa Rifada 1309201006 Pembimbing : Dr. Purhadi, M.Sc JURUSAN STATISTIKA Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2011 Surabaya, 18 Juli 2011
Lebih terperinciPemodelan Angka Harapan Hidup di Papua dengan pendekatan Geographically Weighted Regression
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (017) ISSN: 337-350 (301-98X Print) D-8 Pemodelan Angka Harapan Hidup di Papua dengan pendekatan Geographically Weighted Regression Ardianto Tanadjaja, Ismaini
Lebih 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 terperinciGENERALIZED POISSON REGRESSION (GPR)
PEMODELAN JUMLAH KASUS KANKER SERVIKS DI JAWA TIMUR MENGGUNAKAN ANALISIS GENERALIZED POISSON REGRESSION (GPR) 12/06/2012 Oleh: RIZA INAYAH / 1309.030.042 Dosen Pembimbing: DR. Purhadi, M.Sc Jurusan Statistika
Lebih terperinciPERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 535-544 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Daerah perkotaan mempunyai sifat yang sangat dinamis, berkembang sangat cepat seiring dengan bertambahnya jumlah penduduk. Perkembangan daerah perkotaan dapat secara
Lebih terperinciOleh : Anindya Frisanty Ikaprillia Dosen Pembimbing : Dr. Purhadi, M.Sc
Oleh : Anindya Frisanty Ikaprillia 1309 100 014 Dosen Pembimbing : Dr. Purhadi, M.Sc Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran Rumusan Masalah Tujuan
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 terperinciPemodelan Angka Putus Sekolah Usia Wajib Belajar Menggunakan Metode Regresi Spasial di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (203) 2337-3520 (230-928X Print) D-7 Pemodelan Angka Putus Sekolah Usia Wajib Belajar Menggunakan Metode Regresi Spasial di Jawa Timur Bagus Naufal Fitroni, dan
Lebih terperinciPemodelan Jumlah Kematian Bayi di Propinsi Jawa Timur dengan Pendekatan Geographically Weighted Poisson Regression Semi Parametric (GWPRS)
Seminar Tugas Akhir Pemodelan Jumlah Kematian Bayi di Propinsi Jawa Timur dengan Pendekatan Geographically Weighted Poisson Regression Semi Parametric (GWPRS) Oleh : Dessy Puspa Rani 1306. 100. 034 Dosen
Lebih terperinciPERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH
PERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH SKRIPSI Disusun Oleh: RIFKI ADI PAMUNGKAS 24010212140066 DEPARTEMEN STATISTIKA FAKULTAS SAINS
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Analisis dan Hasil 4.1.1 Persebaran Lokasi Tindak Kejahatan Data menunjukkan kejahatan berat yang terjadi di Kota Semarang diantaranya pembunuhan terjadi 12 kasus, perkosaan
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 461-469 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN MODEL PERTUMBUHAN EKONOMI DI JAWA TENGAH DENGAN
Lebih terperinciPEMODELAN JUMLAH PENDERITA KONJUNGTIVITIS DI LAMONGAN BERDASARKAN PENDEKATAN MODEL REGRESI GENERALIZED POISSON
PEMODELAN JUMLAH PENDERITA KONJUNGTIVITIS DI LAMONGAN BERDASARKAN PENDEKATAN MODEL REGRESI GENERALIZED POISSON 1 Zahrotul Azizah, 2 Umi Tri Ruhana, 3 Nur Chamidah 1,2,3 Program Studi Statistika, Fakultas
Lebih terperinciSKRIPSI. Disusun Oleh : MUHAMMAD HARIS NIM : J2E
ANALISIS FAKTOR FAKTOR YANG MEMPENGARUHI JUMLAH KEJAHATAN PENCURIAN KENDARAAN BERMOTOR (CURANMOR) MENGGUNAKAN MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) SKRIPSI Disusun Oleh : MUHAMMAD HARIS
Lebih terperinciKata kunci: Data Spatial, Heterogenitas Spatial, Geographically Weigthed Regression, Bandwidth, Fungsi Pembobot
GEOGRAPHICALLY WEIGTHED REGRESSION DALAM MENAKSIR MODEL OUTPUT SEKTOR INDUSTRI MENENGAH BESAR TAHUN 2012 Lani Amaliah 1, Nusar Hajarisman 2, Anna Chadijah 3 1 Program Magister Statistika Terapan UNPAD,
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 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 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 III MODEL REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON
BAB III MODEL REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON 3.1 Regresi Poisson Regresi Poisson merupakan salah satu model regresi dengan variabel responnya tidak berasal
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 terperinciABSTRAK. Kata kunci: DBD, Efek Spasial, Spatial Autoregressive (SAR).
Judul Nama Pembimbing : Pemodelan Penyebaran Kasus Demam Berdarah Dengue (DBD) di Kota Denpasar dengan Metode Spatial Autoregressive (SAR) : Ni Made Surya Jayanti : 1. I Wayan Sumarjaya, S.Si., M.Stats.
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-285
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) 2337-3520 (2301-928X Print) D-285 Analisis Faktor-Faktor Risiko yang Mempengaruhi Jumlah Kasus Malaria di Jawa Timur Tahun 2013 dengan Geographically Weighted
Lebih terperinciPemodelan Faktor-faktor yang Mempengaruhi Tingkat Pengangguran Terbuka di Provinsi Jawa Timur Tahun 2015 Menggunakan Regresi Spasial
JURNAL SAINS DAN SENI ITS Vol 6, No, (017) ISSN: 337-350 (301-98X Print) D-10 Pemodelan Faktor-faktor yang Mempengaruhi Tingkat Pengangguran Terbuka di Provinsi Jawa Timur Tahun 015 Menggunakan Regresi
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi merupakan bentuk analisis hubungan antara variabel prediktor
8 BAB 2 LANDASAN TEORI 2.1 Pengertian Analisis Regresi Analisis regresi merupakan bentuk analisis hubungan antara variabel prediktor (variabel independent) dengan variabel outcome (variabel dependen) untuk
Lebih terperinciPEMODELAN STATUS KESEJAHTERAAN DAERAH KABUPATEN ATAU KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION SEMIPARAMETRIC
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 43-52 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN STATUS KESEJAHTERAAN DAERAH KABUPATEN ATAU KOTA DI JAWA
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.1, (2015) ( X Print) D-55
JURNAL SAINS DAN SENI ITS Vol. 4, No., 205 2337-3520 230-928X Print D-55 Analisis Faktor-Faktor Mempengaruhi Jumlah Kasus Kusta di Jawa Timur pada Tahun 203 Menggunakan Geographically Weighted Negative
Lebih terperinciBAB I PENDAHULUAN. dalam menunjang seluruh kegiatan yang ada didalamnya, informasi yang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Kemajuan teknologi di era globalisasi saat ini berkembang dengan sangat cepat. Hal tersebut tentunya memberi dampak positif dalam kehidupan menyangkut kebutuhan informasi
Lebih terperinciPEMODELAN SPATIAL ERROR MODEL (SEM) UNTUK INDEKS PEMBANGUNAN MANUSIA (IPM) DI PROVINSI JAWA TENGAH
PEMODELAN SPATIAL ERROR MODEL (SEM) UNTUK INDEKS PEMBANGUNAN MANUSIA (IPM) DI PROVINSI JAWA TENGAH 1 Diana Wahyu Safitri, 2 Moh Yamin Darsyah, 3 Tiani Wahyu Utami 1,2,3 Program Studi Statistika FMIPA Universitas
Lebih 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 terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1. Analisis Regresi Linier Berganda Regresi linier adalah suatu metode yang digunakan untuk menyatakan pola hubungan antara variabel respo dengan variabel prediktor. Bila variabel
Lebih terperinciPEMODELAN BALITA GIZI BURUK DI KABUPATEN NGAWI DENGAN GEOGRAPHICALLY WEIGHTED REGRESSION. Latifah Ayunin 1 dan Sutikno 2
PEMODELAN BALITA GIZI BURUK DI KABUPATEN NGAWI DENGAN GEOGRAPHICALLY WEIGHTED REGRESSION Latifah Ayunin 1 dan Sutikno 2 1 Mahasiswa Jurusan Statistika, ITS, Surabaya 2 Dosen Pembimbing, Jurusan Statistika,
Lebih terperinciBAB 2 LANDASAN TEORI. bebas X yang dihubungkan dengan satu peubah tak bebas Y.
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Regresi linier sederhana merupakan suatu prosedur untuk mendapatkan hubungan matematis dalam bentuk suatu persamaan antara variabel tak bebas tunggal dengan
Lebih terperinciStatistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak
BAB 2 LANDASAN TEORI 2.1 Pengertian Analisis Regresi Statistik merupakan salah satu cabang ilmu pengetahuan yang paling banyak mendapatkan perhatian dan dipelajari oleh ilmuan dari hampir semua ilmu bidang
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 III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis dan Desain Penelitian Jenis Penelitian ini adalah quasi experimental atau eksperimen semu. Penelitian eksperimen merupakan penelitian yang dilakukan untuk mengetahui
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Perkembangan teknologi penginderaan jauh yang semakin pesat menyebabkan penginderaan jauh menjadi bagian penting dalam mengkaji suatu fenomena di permukaan bumi sebagai
Lebih terperinciProsiding Seminar Nasional Matematika, Statistika, dan Aplikasinya September 2017, Samarinda, Indonesia ISBN:
Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 017 3 September 017, Samarinda, Indonesia ISBN: 978-60-5031-0-3 Analisis Data Spasial Menggunakan Metode Geographically Weighted Regression
Lebih terperinciSeminar Hasil Tugas Akhir
LOGO Seminar Hasil Tugas Akhir Oleh : Efta Dhartikasari Priyana 1312 105 012 Dosen Pebimbing: Dr. Purhadi, M.Sc 8/7/2014 1 8/7/2014 2 Latar Belakang Latar Belakang Perumusan Masalah Ginjal Kronik Stroke
Lebih terperincihomogen jika titik-titik tersebar secara merata atau seimbang baik di atas maupun dibawah garis, dengan maksimum ragam yang kecil.
8 koefisien regresi berganda dari variabel tak bebas Y terhadap variabel bebas Xi. Pada kasus ini, persamaan mengandung arti sebagai berikut, seperti yang telah dimodelkan Merdun (23) di Sungai Saluda,
Lebih terperinciKata Kunci: Model Regresi Logistik Biner, metode Maximum Likelihood, Demam Berdarah Dengue
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 9 16 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN DBD (DEMAM BERDARAH DENGUE) MENGGUNAKAN REGRESI LOGISTIK
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Banyak metode yang dapat digunakan untuk menganalisis data atau informasi pada suatu pengamatan. Salah satu metode statistik yang paling bermanfaat dan paling sering
Lebih terperinciRegresi Bivariat Poisson Dalam Pemodelan Jumlah Kematian Bayi dan Jumlah Kematian Ibu di Propinsi Jawa Timur
1 Regresi Bivariat Poisson Dalam Pemodelan Jumlah Kematian Bayi dan Jumlah Kematian Ibu di Propinsi Jawa Timur Elvira Pritasari dan Purhadi Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan
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 terperinciBAB I PENDAHULUAN. Otonomi daerah menyebabkan adanya pergeseran ketatanegaraan di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Otonomi daerah menyebabkan adanya pergeseran ketatanegaraan di Indonesia dari sentralisasi ke desentralisasi, dimana pemerintah daerah lebih leluasa dalam mengatur
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini menggunakan data time series tahunan Data
40 III. METODE PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunakan data time series tahunan 2002-2012. Data sekunder tersebut bersumber dari Badan Pusat Statistik (BPS) Lampung. Adapun data
Lebih terperinciPemodelan Jumlah Kematian Ibu di Jawa Timur dengan Geographically Weighted Negative Binomial Regression (GWNBR)
JURNAL SAINS DAN SENI POMITS Vol. 3, No., (014) ISSN: 337-3539 (301-971 Print) D-18 Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Geographically Weighted Negative Binomial Regression (GWNBR) Eriska
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN Studi ini mempelajari perilaku variabel ekonomi makro terhadap yield obligasi pemerintah Indonesia seri FR 16, FR 30 dan FR 36. Dimana masing-masing dari seri obligasi pemerintah
Lebih terperinciPENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK PEMODELAN PERTUMBUHAN EKONOMI MENURUT KABUPATEN/KOTA DI JAWA TENGAH HALAMANAN JUDUL SKRIPSI
PENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK PEMODELAN PERTUMBUHAN EKONOMI MENURUT KABUPATEN/KOTA DI JAWA TENGAH HALAMANAN JUDUL SKRIPSI Disusun Oleh: PRATAMA GANANG WIDAYAKA 24010212120018
Lebih terperinciBAB 1 PENDAHULUAN. konsistensi dari tinja, yang melembek sampai mencair dan bertambahnya frekuensi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Diare adalah suatu penyakit dengan gejala adanya perubahan bentuk dan konsistensi dari tinja, yang melembek sampai mencair dan bertambahnya frekuensi buang
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
BAB IV ANALISIS DAN PEMBAHASAN Pada bab ini akan dibahas mengenai gambaran persebaran IPM dan komponen-komponen penyususn IPM di Provinsi Jawa Tengah. Selanjutnya dilakukan pemodelan dengan menggunakan
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 terperinciIV. METODOLOGI PENELITIAN. Penelitian ini dilakukan di Kecamatan Tanjungpinang Timur,
IV. METODOLOGI PENELITIAN 4.1 Tempat dan Waktu Penelitian Penelitian ini dilakukan di Kecamatan Tanjungpinang Timur, Tanjungpinang, Kepulauan Riau. Pemilihan lokasi dilakukan secara sengaja (purposive)
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Analisis Regresi Tidak jarang dihadapkan dengan persoalaan yang melibatkan dua atau lebih peubah atau variabel yang ada atau diduga ada dalam suatu hubungan tertentu. Misalnya
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder tingkat kabupaten/kota tahun 2010, yang bersumber dari Badan Pusat Statistik (BPS), Kementerian
Lebih terperinciIII. METODE PENELITIAN. Data yang digunakan pada penelitian ini adalah data sekunder yang berupa data time
44 III. METODE PENELITIAN A. Jenis dan Sumber Data Data yang digunakan pada penelitian ini adalah data sekunder yang berupa data time series periode 2001-2012 yang diperoleh dari Badan Pusat Statistik
Lebih terperinciPERBANDINGAN MODEL REGRESI BINOMIAL NEGATIF DENGAN MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR)
PERBANDINGAN MODEL REGRESI BINOMIAL NEGATIF DENGAN MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) (Studi Kasus : Angka Kematian Ibu di Provinsi Jawa Timur Tahun 2011) SKRIPSI Oleh: M. Ali Ma sum
Lebih terperinci2.4. Association Rule BAB III METODELOGI PENELITIAN Studi Literatur Pengumpulan Data Retrieve Data...
DAFTAR ISI LEMBAR PERNYATAAN KEASLIAN... v HALAMAN PERSEMBAHAN... vi KATA PENGANTAR... vii ABTRAK... ix DAFTAR ISI... x DAFTAR TABEL... xiii DAFTAR GAMBAR... xiv BAB I... 1 PENDAHULUAN... 1 1.1. Latar
Lebih terperinci