Model Geographically Weighted Negative Binomial Regression (GWNBR) untuk Data Kejahatan
|
|
- Suryadi Sudjarwadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Model Geographically Weighted Negative Binomial Regression (GWNBR) untu Data Kejahatan (Studi Kasus 38 Kabupaten/Kota di Jawa Timur) Herlin Venny Johannes 1,a), Septiadi Padmadisastra,b), Bertho Tantular 3,c) 1,,3) Departemen Statisti, Faultas Matematia dan Ilmu Pengetahuan Alam, Universitas Padjajaran a) b) c) ABSTRAK Tindaan riminalitas di Indonesia semain meningat bai variasi maupun jumlahnya setiap tahun. Berdasaran hasil penelitian yang dilauan sebelumnya, maa dapat diataan bahwa fator yang dominan berpengaruh terhadap asus riminalitas adalah fator sosial eonomi. Memodelan jumlah tinda ejahatan berdasaran fator fator yang mempengaruhinya dapat dilauan menggunaan regresi poisson. Namun, ta jarang dalam regresi poisson terdapat asus overdispersi yang menyebaban parameter bias. Salah satu metode yang digunaan dalam mengatasi overdispersi dalam regresi poisson adalah regresi binomial negatif. Dengan memperhatian aspe spasial (wilayah) maa digunaan metode Geographically Weighted Negative Binomial Regression menggunaan pembobotan Adaptive Bisqure Kernel dengan unit penelitian 38 abupaten/ota di Jawa Timur diperoleh diperoleh 3 elompo yang dielompoan berdasaran variabel yang signifian. Hasil penelitian juga menunjuan bahwa model GWNBR lebih bai digunaan untu menganalisis jumlah tinda ejahatan yang mengalami overdispersi di Jawa Timur dibandingan dengan Regresi binomial negatif. Kata unci: Kejahatan, Binomial Negatif, GWNBR, Overdispersi, Poisson. 1. PENDAHULUAN Terdapat beberapa pengertian tinda ejahatan menurut para ahli, salah satunya mengataan bahwa tinda pidana adalah perbuatan yang dilarang oleh suatu aturan huum larangan mana disertai ancaman (sansi) yang berupa pidana tertentu, bagi barang siapa melanggar larangan tersebut[1]. Tindaan riminalitas di Indonesia semain meningat bai variasi maupun jumlahnya setiap tahun. Misalnya pembunuhan, perosaan, penganiayaan, perusaan, pencurian, penipuan, penadahan, dan asus lain yang membuat masyaraat merasa tida aman. Kasus riminalitas tersebut terjadi disebaban oleh berbagai fator, bai dari internal maupun esternal. Misalnya tingat pendidian yang didapatan, gaji atau upah yang tida mencuupi dan hubungan eluarga[]. Fator tersebut banya ditemuan di pusat penahanan remaja di negara-negara besar seperti di Australia[3] dan Ameria Seriat[4]. Selain itu, Kaamu (008) dalam penelitiannya di Jepang juga mencatat bahwa tingat asus riminalitas yang terjadi dipengaruhi oleh pengangguran, pendapatan, dan tingat penangapan. Berdasaran hasil penelitian yang 60
2 dilauan sebelumnya, maa dapat diataan bahwa fator yang dominan berpengaruh terhadap asus riminalitas adalah fenomena eonomi. Jumlah tinda ejahatan merupaan data jumlahan, dan distribusi poisson merupaan salah satu distribusi untu data jumlahan. Memodelan jumlah tinda ejahatan berdasaran fator fator yang mempengaruhinya dapat dilauan menggunaan regresi poisson. Dalam regresi poisson terdapat asumsi equidispersi dimana varians data sama dengan rata rata data. Ta jarang dalam regresi poisson terdapat asus overdispersi yang menyebaban parameter bias. Salah satu metode yang digunaan dalam mengatasi overdispersi dalam regresi poisson adalah regresi binomial negatif. Model binomial negatif memuat peubah tambahan yang memilii sebaran Gamma untu mengatasi elebihan varians pada regresi Poisson. Peubah tambahan ini merupaan jumlah dari setiap ejadian yang saling bebas dan masing-masing ejadian memilii sebaran Poisson. Dengan memperhatian aspe spasial (wilayah) maa digunaan metode Geographically Weighted Negative Binomial Regression dengan unit penelitian 38 abupaten/ota di Jawa Timur. Hasil analisis yang aan diperoleh adalah model regresi poisson dan binomial negatif serta fator fator yang memengaruhi jumlah tinda ejahatan di Jawa Timur dan menggunaan pembobotan Adaptive Bisqure Kernel aan diperoleh fator-fator yang mempengaruhi setiap abupaten/ota.. TINJAUAN PUSTAKA.1 Regresi Poisson Distribusi poisson merupaan bentu distribusi untu peristiwa yang probabilitas ejadiannya sangat ecil dan bergantung pada interval watu tertentu dengan hasil pengamatan berupa variabel disrit, dimana fungsi distribusinya adalah sebagai beriut [5]: e μ μ y, y = 0,1,, f Y (y) = { y! (1) 0, lainnya Dengan μ merupaan rata rata variabel random Y yang berdistribusi poisson di mana nilai rata-rata dan varians dari Y mempunyai nilai lebih dari nol. Regresi Poisson merupaan suatu bentu analisis regresi yang digunaan untu memodelan data yang berbentu count (jumlah). Regresi poisson dapat dinyataan sebagai beriut: p ln(μ i ) = β 0 + β x i, i = 1,,, n () =1 Penasiran parameter model regresi poisson menggunaan metode Maximum Lielihood Estimation (MLE) dengan cara memasimalan fungsi lielihood [6]. Pengujian parameter model regresi poisson bertujuan untu menguji apaah parameter model memilii pengaruh yang signifian terhadap variabel respon (y) dengan hipotesis sebagai beriut: H 0 : β 1=β = =β p= 0 H 1 : paling sediit ada satu β 0, =1,,,p Dengan statisti uji sebagai beriut: D(β ) = lnδ = ln ( L(ω ) L(Ω ) ) (3) 61
3 Daerah penolaan adalah Tola H0 jia nilai (β) > χ (α;p) yang artinya paling sediit ada satu variabel yang memilii pengaruh yang signifian terhadap variabel respon (y). Setelah dilauan pengujian serenta, dilanjutan dengan pengujian parsial dengan hipotesis sebagai beriut: H 0 : β =0 H 1 : β 0 ; =1,,,p Dengan statisti uji sebagai beriut: Z = β se(β ) Daerah penolaan adalah Tola H 0 jia nilai dari Z h it > Z α/ artinya variabel memberian pengaruh yang signifian pada model. Overdispersi dalam regresi poisson terjadi apabila nilai variansnya lebih besar daripada nilai meannya[7]. Overdispersi menyebaban dugaan dari parameter oefisien regresinya tetap onsisten namun tida efisien. Hal ini aan berdampa pada nilai standar error yang menjadi underestimate, sehingga tida valid. Jia pada regresi poisson terjadi overdispersi, maa alternatif yang dapat digunaan adalah regresi binomial negatif [8].. Regresi Binomial Negatif Pada regresi binomial negatif yang dihasilan dari distribusi mixture Poisson-Gamma dengan fungsi massa peluang binomial negatif: f(y, μ, θ) = Γ(y + 1 θ ) Γ( 1 θ )y! ( θμ ) 1 θ ( θμ 1 + θμ ) y Saat θ= 0 maa distribusi binomial negatif memilii varians V[Y] = μ. Estimasi parameter dari regresi binomial negatif digunaan metode masimum lielihood. Uji esesuaian model regresi binomial negatif dengan uji devians dan hipotesis sebagai beriut: H 0 : β 1=β = =β p= 0 H 1 : paling sediit ada satu β 0, =1,,,p Dengan statisti uji sebagai beriut: D(β ) = lnδ = ln ( L(ω ) L(Ω ) ) (5) Daerah penolaan adalah tola H 0 jia nilai (β) >χ(α,p), artinya paling sediit ada satu variabel yang memberian pengaruh pada model. Setelah dilauan uji serenta, dilanjutan dengan pengujian parsial setiap variabel preditornya dengan hipotesis sebagai beriut: H 0 : β=0 H 1 : β 0 ; =1,,,p Dengan statisti uji sebagai beriut: Z = β se(β ) Daerah penolaan adalah Tola H 0 jia nilai dari Z h it > Z α/ artinya variabel memberian pengaruh yang signifian pada model. (4) 6
4 .3 Pengujian Spasial Terdapat dua pengujian spasial yaitu heterogenitas spasial dan dependensi spasial. Untu melihat adanya heterogenitas spasial pada data dapat dilauan pengujian Breusch-Pagan [9]. Hipotesis yang digunaan adalah sebagai beriut: H 0 : σ 1=σ = =σ n=σ H 1 : paling sediit ada satu σ i σ Dengan statisti uji Breusch-Pagan (BP) sebagai beriut. BP = ( 1 ) ft Z(Z T Z) 1 Z T f~χ (p) (6) Kriteria Penolaan: Tola H0 jia nilai BP >χ (p) yang artinya adalah variansi antar loasi berbeda. Terdapat tiga fungsi pembobot yang sering digunaan dalam pembobotan, salah satunya adalah fungsi Adaptive Bisquare Kernel yaitu: w j (u i, v i ) = { (1 (d ij ) ) h i untu d ij h i 0 untu d ij h i (7).4 Multiolinieritas Multiolinieritas adalah ondisi terdapatnya hubungan linier atau orelasi yang tinggi antara satu variabel preditor dengan variabel preditor yang lain. Dalam model regresi, adanya orelasi antar variabel preditor menyebaban tasiran parameter regresi yang dihasilan aan memilii error yang sangat besar. Pendetesian asus multiolinieritas dapat dilihat melalui beberapa cara, salah satunya adalah Nilai VIF (Varian Inflation Factor) lebih besar dari 10 menunjuan adanya multiolinieritas antar variabel preditor [10]..5 GWNBR Model GWNBR aan menghasilan penduga parameter loal dengan masing masing loasi aan memilii parameter yang berbeda beda. Model GWNBR dapat dirumusan sebagai beriut [7]: y i ~NB [t i exp ( β (ui,v i )x i ), θ (ui,v i )] (8) Di mana : y i : Nilai observasi respon e-i x i : Nilai observasi variabel preditor e- pada pengamatan loasi (u i, ) (u i, i) : oefisien regresi variabel preditor e- untu setiap loasi (u i,v i) (u i,) : parameter disperse untu setiap loasi (u i,v i) Penasiran parameter model GWNBR dilauan dengan menggunaan metode Maximum Lielihood Estimation (MLE). Langah-langah estimasi : 1. Menentuan nilai tasiran awal parameter β =[θ 0 0 β 00 β p0], iterasi pada saat m = 0. Membentu vetor emiringan g dengan p adalah banyanya parameter yang diduga. 3. Membentu matris Hessian H. Matris Hessian ini disebut juga matris informasi. 63
5 4. Melauan iterasi mulai dari m=0 pada persamaan: SEMINAR STATISTIKA FMIPA UNPAD 017 (SNS VI) β (m+1) = β (m) H (m) 1 (β (m) )g (m) (β (m) ) 5. Proses iterasi dapat dihentian etia nilai tasiran yang diperoleh sudah onvergen e suatu nilai atau β (m+1) β (m) 6. Jia belum mencapai penduga parameter yag onvergen, maa pada langah e- dilauan embali sampai mencapai onvergen. Penduga parameter yang onvergen diperoleh jia β (m+1) β (m) < ε, dimana ε merupaan bilangan yang sangat ecil. 3.METODOLOGI Data yang digunaan pada penelitian ini adalah data seunder yang diperoleh dari Badan Pusat Statisti (BPS) Provinsi Jawa Timur tahun 015 dengan unit penelitiannya adalah setiap abupaten/ota di Jawa Timur. Variabel yang digunaan adalah Jumlah tinda ejahatan (Y), Kepadatan Pendudu (X1), Tingat pengangguran terbua (X), Persentase Pendudu Misin (X3), Indes Pembangunan Manusia (X4), Gini Ratio (X5), Rata-rata Lama Seolah(X6), Tingat Kedalaman Kemisinan, dan Tingat Keparahan Kemisinan (X8). Selain itu juga digunaan dua peubah geografis mengenai loasi abupaten/ota di Provinsi Jawa Timur yaitu : u i = Garis Lintang Selatan tiap abupaten/ota. v i = Garis Bujur Timur tiap abupaten/ota. Peubah-peubah tersebut digunaan dalam menentuan pembobot pada model GWNBR. Langah-langah dalam analisis data ini adalah sebagai beriut. 1. Mengidentifiasi dan menyelesaian adanya asus multiolinieritas.. Melauan pemerisaan overdispresi data. 3. Mendapatan model Binomial Negatif 4. Melauan pengujian spasial. 5. Mendapatan model GWNBR. 4.HASIL DAN PEMBAHASAN 4.1 Pemerisaan Multiolinieritas Nilai VIF yang lebih besar dari 10 menunjuan adanya asus multiolinieritas antar variabel preditor. Beriut nilai VIF masing masing variabel preditor pada Tabel 1. Tabel 1. Nilai VIF 8 Variabel Preditor Variabel X 1 X X 3 X 4 VIF 5,37,51 46,59 46,0 Variabel X 5 X 6 X 7 X 8 VIF 6,97 45,8 7,13 101,38 Nilai VIF pada delapan variabel memilii nilai yang sangat beragam dan ada yang lebih dari 10, sehingga dapat disimpulan terdapat asus multiolinieritas pada data. 64
6 4. Pemodelan Regresi Poisson Dengan mengunaan metode MLE, diperoleh estimasi parameter model regresi poisson pada Tabel. Tabel. Devians Model Poisson AIC Devians df χ (0,1;8) 5409,5 5095,6 9 13,36 Untu pengujian serenta dapat dilihat pada Tabel dietahui nilai devians sebesar 5095,6 jia nilai devians dibandingan dengan nilai Chi-Square maa D(β )>χ (α;p) yang artinya paling sediit ada satu variabel yang memilii pengaruh yang signifian terhadap variabel respon. Berdasaran hasil pengujian secara parsial, dapat disimpulan variabel yang signifian mempengaruhi variabel respon adalah X1, X, X3, X 4, X 5, X6, X7 dan X Overdispersi Overdispersi dalam regresi poisson terjadi apabila nilai variansnya lebih besar daripada nilai meannya. Overdispersi dapat didetesi dengan nilai devians yang dibagi dengan derajat bebasnya. Jia nilai hasil pembagian tersebut lebih besar dari 1, maa dapat diataan terjadi overdispersi pada data. Tabel 3. Nilai Devians Model Poisson Kriteria Nilai df Devians/df Deviance 5095, ,71 Berdasaran Tabel 3. dietahui bahwa nilai hasil bagi antara devians dan derajat bebasnnya lebih dari 1 sehingga dapat disimpulan bahwa pada model regresi poisson jumlah tinda ejahatan di Jawa Timur terdapat asus overdispersi. Salah satu metode yang digunaan untu mengatasi overdispersi pada regresi poisson adalah regresi Binomial Negatif. 4.4 Pemodelan Binomial Negatif Dengan mengunaan software R, diperoleh estimasi parameter model regresi Binomial Negatif pada Tabel 4. Tabel 4. Devians Model Binomial Negatif AIC Devians df χ (0,1;6) 533,99 39, ,64 65
7 Pada Tabel 4 dietahui nilai devians sebesar 39,80. Jia nilai devians dibandingan dengan nilai Chi-Square maa maa D(β )>χ(α;p) yang artinya paling sediit ada satu variabel yang memilii pengaruh yang signifian terhadap variabel respon. Berdasaran hasil pengujian secara parsial, dapat disimpulan variabel yang signifian mempengaruhi variabel respon adalah X1, X dan X3. Jia dibandingan dengan regresi poisson, regresi binomial negatif mempunyai nilai devians yang lebih ecil (39,80) daripada regresi poisson (5096,6) sehingga dapat disimpulan bahwa regresi Binomial Negatif lebih bai daripada regresi Poisson. 4.5 Pengujian Spasial Untu melihat adanya heterogenitas spasial pada data dapat dilauan pengujian Breusch-Pagan. Berdasaran hasil pengujian dengan software R diperoleh nilai BP test sebesar 17,553 dan p-value sebesar pada taraf nyata 5%. Kesimpulan yang diperoleh adanya eragaman spasial antar wilayah. 4.6 Pemodelan GWNBR Berdasaran perhitungan diperoleh nilai devians model Geographically Weighted Negative Binomial sebesar 30,8. Jia dibandingan dengan devians regresi binomial negatif (39,80), maa dapat disimpulan bahwa model GWNBR lebih bai digunaan untu menganalisis jumlah tinda ejahatan yang mengalami overdispersi di Jawa Timur. Pengujian selanjutnya dilauan pengujian secara serenta untu menguji apaah ada variabel preditor berpengaruh terhadap model. Jia devians model GWNBR dibandingan dengan nilai χ (0,1;6) dapat disimpulan bahwa Tola H 0 yang artinya paling sediit ada satu variabel preditor yang berpengaruh terhadap model. Pengujian signifiansi model Geographically Weighted Negative Binomial secara parsial dilauan bertujuan untu mengetahui parameter mana saja yang berpengaruh secara signifian terhadap variabel respon pada tiap-tiap loasi. Berdasaran hasil pengujian signifiansi parameter, diperoleh parameter yang signifian berbeda-beda untu tiap abupaten/ota. Parameter yang signifian di setiap abupaten dapat dilihat pada Tabel 5 sebagai beriut. Tabel 5. Pengelompoan Kabupaten/Kota Berdasaran Variabel Signifian dalam Model GWNBR Kel Kabupaten/Kota Variabel Signifian 1 Pacitan, Ponorogo, Probolinggo, Pasuruan, X,X5,X6 Lumajang, Banyuwangi, Jombang, Tuban, Lamongan, Gresi, Bangalan, Sampang, Pameasan, Kota Pasuruan Trenggale, Tulungagung, Blitar, Kediri Madiun X,X3,X5,X6 Bojonegoro, Kota Madiun 4 Malang, Jember, Bondowoso, Situbondo, Sidoarjo, Mojoerto, Nganju, Magetan, Ngawi, Sumenep, X,X5 66
8 Kota Kediri, Kota Blitar, Kota Malang, Kota Probolinggo, Kota Mojoerto, ota Surabaya, Kota Batu SEMINAR STATISTIKA FMIPA UNPAD 017 (SNS VI) 5.KESIMPULAN Pemodelan Jumlah tinda ejahatan di Jawa Timur lebih tepat jia menggunaan regresi binomial negatif dibandingan dengan regresi poisson jia terdapat asus overdispersi pada regresi Poisson. Selain dapat mengatasi overdispersi, Regresi binomial negatif memilii nilai devians yang lebih ecil dibandingan regresi poisson. Perbedaan antara regresi poisson dengan binomial negatif adalah seluruh variable penelitian signifian pada regresi poisson, sedangan pada regresi binomial negatif hanya 3 variabel penelitian yang signifian. Berdasaran hasil pemodelan GWNBR dengan fungsi pembobot adaptive bisquare ernel didapatan pengelompoan sebanya 3 elompo berdasaran variable-variabel yang signifian. 6.DAFTAR PUSTAKA [1] Moeljatno. Asas-asas Huum Pidana. Jaarta: Bina Asara [] Abdulsyani, Sosiologi Kriminalitas, Remaja. Karya, Bandung [3] Cunneen, C. dan White, R., Juvenile Justice: Youth and Crime in Australia. Oxford University Press, Melbourne. 00. [4] Krisberg, B., Juvenile Justice: Redeeming Our Children. Thousand Oas, CA: Sage [5] Myers, R. H, Classical and Modern Regression with Applicaton. Boston: PWS- KENT Publishing Company [6] Cameron, A. C., & Trivedi, P. K, Regression Analysis of Count Data. Cambridge: Cambridge University Press [7] McCullagh, P., & Nelder, J. A., Generalized linear models. London: Chapman and Hall [8] Hardin, J. W., & Hilbe, J. M. Generalized Linear Models and Extensions Second Edition. Texas: Stata Press [9] Greene, W. Functional forms for the negative binomial model for count data. Economics Letters 99(3), [10] Ricardo, A., & Carvalho, T. Geographically Weighted Negative Binomial Regression-Incorporating Overdispersion. Business Media New Yor: Springer Science [11] Hocing, R. R. Methods and applications of linear models: regression and the analysis of variance. New Yor: John Wiley and Sons
Pemodelan 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 terperinciPendekatan Regresi Nonparametrik Spline Untuk Pemodelan Laju Pertumbuhan Ekonomi (LPE) di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol., No., (0) -50 (0-9X Print) D- Pendeatan Regresi Nonparametri Spline Untu Pemodelan Laju Pertumbuhan Eonomi (LPE) di Jawa Timur Elfrida Kurnia Litawati dan I Nyoman Budiantara
Lebih terperinciPEMODELAN JUMLAH KEJADIAN LUAR BIASA DIFTERI DI JAWA TIMUR MENGGUNAKAN GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION (GWNBR)
1 PEMODELAN JUMLAH KEJADIAN LUAR BIASA DIFTERI DI JAWA TIMUR MENGGUNAKAN GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION (GWNBR) Bunga Nevrieda Nandasari dan Ir. Sri Pingit Wulandari, M.Si Jurusan
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 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 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 terperinciPENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 58 65 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA
Lebih 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 FAKTOR YANG MEMPENGARUHI JUMLAH HIV DAN AIDS PROVINSI JAWA TIMUR MENGGUNAKAN REGRESI POISSON BIVARIAT
PEMODELAN FAKOR YANG MEMPENGARUHI JUMLAH HIV DAN AIDS PROVINSI JAWA IMUR MENGGUNAKAN REGRESI POISSON BIVARIA Novi ri Ratnasari, Purhadi Jurusan Statistia, Faultas MIPA, Institut enologi Sepuluh Nopember
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
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 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 terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciABSTRAK. Kata kunci: Gizi Buruk, GWNBR, Flexibly Shaped Spatial Scan Statistic, Kantong Gizi Buruk ABSTRACT
Pemodelan Spasial Balita Gizi Buruk dengan Geographically Weighted Negative Binomial Regression dan Flexibly Shaped Spatial Scan Statistic (Studi Kasus Jumlah Balita Gizi Buruk di Jawa Timur Tahun 2013)
Lebih terperinciEARLY WARNING SYSTEM JUMLAH ANAK PUTUS SEKOLAH DENGAN METODE ZERO TRUNCATED NEGATIVE BINOMIAL
EARLY WARNING SYSTEM JUMLAH ANAK PUTUS SEKOLAH DENGAN METODE ZERO TRUNCATED NEGATIVE BINOMIAL Robert Kurniawan Jurusan Statistika Komputasi, Sekolah Tinggi Ilmu Statistik (STIS), Jakarta Jl. Otto Iskandardinata
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 terperinciPengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat)
Statistika, Vol. 14 No. 2, 69 76 November 2014 Pengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat) Jurusan Matematika, Fakultas Sains dan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
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 terperinciPEMODELAN IPM PROVINSI JAWA TIMUR, JAWA TENGAH, JAWA BARAT DAN SUMATERA UTARA DENGAN METODE REGRESI LOGISTIK ORDINAL
PEMODELAN IPM PROVINSI AWA IMUR, AWA ENGAH, AWA BARA DAN SUMAERA UARA DENGAN MEODE REGRESI LOGISIK ORDINAL Citra Fatimah Nur dan Purhadi Mahasiswa urusan Statistia, Institut enologi Sepuluh Nopember Kampus
Lebih terperinciUJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure
8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher
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 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 terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciEstimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani
Lebih terperinciLampiran 1 LAPORAN REALISASI DAU, PAD TAHUN 2010 DAN REALISASI BELANJA DAERAH TAHUN 2010 KABUPATEN/KOTA DI JAWA TIMUR (dalam Rp 000)
Lampiran 1 LAPORAN REALISASI DAU, PAD TAHUN 2010 DAN REALISASI BELANJA DAERAH TAHUN 2010 KABUPATEN/KOTA DI JAWA TIMUR (dalam Rp 000) Kabupaten/Kota DAU 2010 PAD 2010 Belanja Daerah 2010 Kab Bangkalan 497.594.900
Lebih terperinciMODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON
MODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON Ade Susanti, Dewi Retno Sari Saputro, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak
Lebih terperinciPEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 74 82 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Identifikasi Variabel Prediktor pada Model MGWR Setiap variabel prediktor pada model MGWR akan diidentifikasi terlebih dahulu untuk mengetahui variabel prediktor yang berpengaruh
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series)
III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunaan data seunder bersifat runtun watu (time series) dalam periode tahunan dan data antar ruang (cross section). Data seunder tersebut
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) ( X Print) D-193
JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Print) D-193 Analisis Faktor-Faktor yang Memengaruhi Jumlah Kasus Tuberculosis di Surabaya Tahun 014 Menggunakan Geographically Weighted Negative
Lebih terperinciRegresi Poisson dan Penerapannya Untuk Memodelkan Hubungan Usia dan Perilaku Merokok Terhadap Jumlah Kematian Penderita Penyakit Kanker Paru-Paru
Regresi Poisson dan Penerapannya Untuk Memodelkan Hubungan Usia dan Perilaku Merokok Terhadap Jumlah Kematian Penderita Penyakit Kanker Paru-Paru IIN SUNDARI Program Studi Matematika, Fakultas Matematika
Lebih terperinci8/7/2014. Sumber Data
8/7/2014 1 8/7/2014 2 Sumber Data 8/7/2014 3 Variabel Penelitian 8/7/2014 4 Diagram Alir Mendeskripsikan data Analisis Statistika Deskriptif Pemeriksaan Multiko antar Variabel Prediktor Ya Tidak Buang
Lebih terperinciPemodelan Angka Putus Sekolah Tingkat SLTP dan sederajat di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal
Pemodelan Angka Putus Sekolah Tingkat SLTP dan sederajat di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal Oleh: DELTA ARLINTHA PURBASARI 1311030086 Dosen Pembimbing: Dr. Vita
Lebih terperinci( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang
LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil
Lebih terperinciBAB 4 ANALISA DAN PEMBAHASAN. faktor faktor yang mempengaruhi, model regresi global, model Geographically
BAB 4 ANALISA DAN PEMBAHASAN Pada bab ini dibahas tentang pola penyebaran angka buta huruf (ABH) dan faktor faktor yang mempengaruhi, model regresi global, model Geographically Weighted Regression (GWR),
Lebih terperinciPENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 11-16 ISSN: 2303-1751 PENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA NI MADE SEKARMINI 1, I KOMANG GDE SUKARSA
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Data yang telah berhasil diumpulan oleh penulis di BB BIOGEN diperoleh hasil bobot biji edelai dengan jumlah varietas yang aan diuji terdiri dari 15
Lebih terperinciPEMODELAN GENERALIZED REGRESI POISSON PADA FAKTOR- FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI PROVINSI SULAWESI SELATAN TAHUN 2014
PEMODELAN GENERALIZED REGRESI POISSON PADA FAKTOR- FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI PROVINSI SULAWESI SELATAN TAHUN 2014 SKRIPSI Diajuan Untu Memenuhi Salah Satu Syarat Meraih Gelar Sarjana
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 terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TENGAH MENGGUNAKAN REGRESI GENERALIZED POISSON DAN BINOMIAL NEGATIF
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TENGAH MENGGUNAKAN REGRESI GENERALIZED POISSON DAN BINOMIAL NEGATIF 1 Alan Prahutama, 2 Sudarno, 3 Suparti, 4 Moch. Abdul Mukid 1,2,3,4
Lebih terperinciJUDUL TUGAS AKHIR SS141501
JUDUL TUGAS AKHIR SS141501 IDENTIFIKASI WILAYAH KANTONG PENYAKIT DEMAM BERDARAH DENGUE (DBD) DENGAN FLEXIBLY SHAPED SPATIAL SCAN STATISTIC MELALUI PEMODELAN GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION
Lebih terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 72 TAHUN 2012 TENTANG UPAH MINIMUM KABUPATEN / KOTA DI JAWA TIMUR TAHUN 2013
GUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 72 TAHUN 2012 TENTANG UPAH MINIMUM KABUPATEN / KOTA DI JAWA TIMUR TAHUN 2013 GUBERNUR JAWA TIMUR, Menimbang : a. bahwa dalam upaya meningkatkan kesejahteraan
Lebih terperinciMODEL REGRESI BINOMIAL NEGATIF TERBOBOTI GEOGRAFIS UNTUK DATA KEMATIAN BAYI. Lusi Eka Afri
MODEL REGRESI BINOMIAL NEGATIF TERBOBOTI GEOGRAFIS Lusi Eka Afri Program Studi Pendidikan Matematika Fakultas Keguruan dan Ilmu Pendidikan Universitas Pasir Pengaraian ABSTRACT Negative binomial regression
Lebih terperinciII. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode
3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode
Lebih terperinciJURUSAN STATISTIKA - FMIPA INSTITUT TEKNOLOGI SEPULUH NOPEMBER. Ayunanda Melliana Dosen Pembimbing : Dr. Dra. Ismaini Zain, M.
JURUSAN STATISTIKA - FMIPA INSTITUT TEKNOLOGI SEPULUH NOPEMBER Seminar hasil TUGAS AKHIR Ayunanda Melliana 1309100104 Dosen Pembimbing : Dr. Dra. Ismaini Zain, M.Si PENDAHULUAN Latar Belakang Rumusan Masalah
Lebih terperinciSEMINAR HASIL TUGAS AKHIR. Presented by Rizky Amalia Yulianti Dosen Pembimbing : Dr. Vita Ratnasari, S.Si, M.Si
SEMINAR HASIL TUGAS AKHIR Presented by Rizky Amalia Yulianti 1309 100 076 Dosen Pembimbing : Dr. Vita Ratnasari, S.Si, M.Si Agenda 1. 2. 3. 4. 5. Pendahuluan Tinjauan Metodelogi Hasil dan Kesimpulan 1.
Lebih terperinciBAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel
BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel
Lebih terperinciANALISIS VARIANSI (ANOVA)
ANALISIS VARIANSI (ANOVA) ANOVA = Analisis Varians (Anava) = Analisis Ragam = Sidi Ragam Diperenalan oleh R.A. Fisher (195) disebut uji F pengembangan dari uji t dua sampel bebas (independent samples t
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciPemodelan Faktor-Faktor yang Mempengaruhi Kemiskinan Kabupaten/Kota di Jawa Timur Menggunakan Regresi Data Panel
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) 337-350 (301-98X Print) D-45 Pemodelan Faktor-Faktor yang Mempengaruhi Kemiskinan Kabupaten/Kota di Jawa Timur Menggunakan Regresi Data Panel Nur Fajriyah
Lebih terperinci(R.5) Pemodelan Regresi Poisson Terboboti Geografis Pada Kasus Gizi. buruk di Jawa Timur.
(R.5) Pemodelan Regresi Poisson Terboboti Geografis Pada Kasus Gizi Buruk di Jawa Timur Ida Mariati Hutabarat 1, Asep Saefuddin 2 1Jurusan Matematika Uncen. 2 Departemen Statistika IPB 1Jl.Kamp Wolker
Lebih terperinciBAB III METODE PENELITAN. Lokasi pada penelitian ini adalah Kabupaten/Kota Provinsi Jawa Timur.
BAB III METODE PENELITAN A. Lokasi Penelitian Lokasi pada penelitian ini adalah Kabupaten/Kota Provinsi Jawa Timur. Pemilihan lokasi ini salah satunya karena Provinsi Jawa Timur menepati urutan pertama
Lebih terperinciPEMODELAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION PADA REGRESI POISSON
PEMODELAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION PADA REGRESI POISSON Rena Muntafiah 1, Rochdi Wasono 2, Moh. Yamin Darsyah 3 1,2,3 Program Studi Statistika, Fakultas Matematika dan Ilmu
Lebih 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 terperinciE-Jurnal Matematika Vol. 2, No.2, Mei 2013, ISSN:
E-Jurnal Matematika Vol., No., Mei 013, 37-41 ISSN: 303-1751 PENERAPAN REGRESI QUASI-LIKELIHOOD PADA DATA CACAH (COUNT DATA) YANG MENGALAMI OVERDISPERSI DALAM REGRESI POISSON (Studi Kasus: Jumlah Kasus
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciJurnal Matematika Vol. 2 No. 2, Desember ISSN :
Jurnal Matematika Vol. 2 No. 2, Desember 2012. ISSN : 1693-1394 Perbandingan Analisis Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif Untuk Mengatasi Overdispersi Studi Kasus: Pemodelan
Lebih terperinciE-Jurnal Matematika Vol. 2, No.3, Agustus 2013, ISSN:
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 23-28 ISSN: 2303-1751 PENERAPAN REGRESI ZERO INFLATED POISSON UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON (Studi Kasus: Ketidaklulusan Siswa SMA/MA
Lebih terperinciUji Alternatif Data Terurut Perbandingan antara Uji Jonckheere Terpstra dan Modifikasinya Ridha Ferdhiana 1 Statistics Peer Group
Uji Alternatif Data Terurut Perbandingan antara Uji Joncheere Terpstra dan Modifiasinya Ridha Ferdhiana Statistics Peer Group Jurusan Matematia FMIPA Universitas Syiah Kuala Banda Aceh, Aceh, 23 email:
Lebih terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 78 TAHUN 2013 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2014
GUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 78 TAHUN 2013 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2014 GUBERNUR JAWA TIMUR, Menimbang : a. bahwa dalam upaya meningkatkan kesejahteraan
Lebih terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD
ESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD Fitra1, Saleh2, La Podje3 Mahasiswa Program Studi Statistika, FMIPA Unhas 2,3 Dosen Program Studi Statistika,
Lebih terperinciPEMODELAN DAN PEMETAAN ANGKA BUTA HURUF PROVINSI JAWA TIMUR DENGAN PENDEKATAN REGRESI SPASIAL. Bertoto Eka Firmansyah 1 dan Sutikno 2
PEMODELAN DAN PEMETAAN ANGKA BUTA HURUF PROVINSI JAWA TIMUR DENGAN PENDEKATAN REGRESI SPASIAL Bertoto Eka Firmansyah dan Sutikno Mahasiswa Jurusan Statistika, ITS, Surabaya Dosen Pembimbing, Jurusan Statistika,
Lebih terperinciAnalisis Biplot pada Kabupaten/Kota di Provinsi Jawa Timur Berdasarkan Variabel-variabel Komponen Penyusun Indeks Pembangunan Manusia (IPM)
Sidang Tugas Akhir Surabaya, 15 Juni 2012 Analisis Biplot pada Kabupaten/Kota di Provinsi Jawa Timur Berdasarkan Variabel-variabel Komponen Penyusun Indeks Pembangunan Manusia (IPM) Wenthy Oktavin Mayasari
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinciPEMETAAN DAN MODEL REMAJA PUTUS SEKOLAH USIA SMA DI PROVINSI JAWA TIMUR PADA TAHUN 2009 DENGAN METODE GWR (GEOGRAPHICALLY WEIGHTED REGRESSION)
PEMETAAN DAN MODEL REMAJA PUTUS SEKOLAH USIA SMA DI PROVINSI JAWA TIMUR PADA TAHUN 2009 DENGAN METODE GWR (GEOGRAPHICALLY WEIGHTED REGRESSION) Pembimbing : Ir. Sri Pingit Wulandari, MSi Liska Septiana
Lebih terperinciVARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL
SEMINAR NASIONAL PENDIDIKAN SAINS Peningatan Kualitas Pembelajaran Sains dan Kompetensi Guru melalui Penelitian & Pengembangan dalam Menghadapi Tantangan Abad-1 Suraarta, Otober 016 VARIASI NILAI BATAS
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 terperinciBAB 3 METODE PENELITIAN. disajikan pada Gambar 3.1 dan koordinat kabupaten/kota Provinsi Jawa Timur disajikan
BAB 3 METODE PENELITIAN 3.1 Gambaran Umum Objek Wilayah Provinsi Jawa Timur meliputi 29 kabupaten dan 9 kota. Peta wilayah disajikan pada Gambar 3.1 dan koordinat kabupaten/kota Provinsi Jawa Timur disajikan
Lebih terperinciPemodelan Faktor Penyebab Kecelakaan Lalu Lintas Berdasarkan Metode Geographically Weighted Regression di Jawa Timur
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Print) D-58 Pemodelan Faktor Penyebab Kecelakaan Lalu Lintas Berdasarkan Metode Geographically Weighted Regression di Jawa Timur Putu
Lebih terperinciE-Jurnal Matematika Vol. 5 (4), November 2016, pp ISSN:
E-Jurnal Matematika Vol 5 (4), November 2016, pp 133-138 ISSN: 2303-1751 PERBANDINGAN REGRESI ZERO INFLATED POISSON (ZIP) DAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA DATA OVERDISPERSION (Studi
Lebih 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 terperinciJumlah Penduduk Jawa Timur dalam 7 (Tujuh) Tahun Terakhir Berdasarkan Data dari Dinas Kependudukan dan Pencatatan Sipil Kab./Kota
Jumlah Penduduk Jawa Timur dalam 7 (Tujuh) Tahun Terakhir Berdasarkan Data dari Dinas Kependudukan dan Pencatatan Sipil Kab./Kota TAHUN LAKI-LAKI KOMPOSISI PENDUDUK PEREMPUAN JML TOTAL JIWA % 1 2005 17,639,401
Lebih terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 69 TAHUN 2009 TENTANG UPAH MINIMUM KABUPATEN / KOTA DI JAWA TIMUR TAHUN 2010
GUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 69 TAHUN 2009 TENTANG UPAH MINIMUM KABUPATEN / KOTA DI JAWA TIMUR TAHUN 2010 GUBERNUR JAWA TIMUR, Menimbang Mengingat : a. bahwa dalam upaya meningkatkan
Lebih terperinciPEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL
1 PEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL Uaies Qurnie Hafizh, Vita Ratnasari Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Lebih terperinciIDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD
JMP : Vol. 9 No. 1, Juni 17, hal. 13-11 ISSN 85-1456 IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR Gumgum Darmawan Statistia FMIPA UNPAD gumgum@unpad.ac.id Budhi Handoo Statistia
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 ObjePenelitian Obje penelitian merupaan hal yang tida dapat dipisahan dari suatu penelitian. Obje penelitian merupaan sumber diperolehnya data dari penelitian yang dilauan.
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 terperinciEVALUASI/FEEDBACK KOMDAT PRIORITAS, PROFIL KESEHATAN, & SPM BIDANG KESEHATAN
EVALUASI/FEEDBACK PRIORITAS, PROFIL KESEHATAN, & SPM BIDANG KESEHATAN MALANG, 1 JUNI 2016 APLIKASI KOMUNIKASI DATA PRIORITAS FEEDBACK KETERISIAN DATA PADA APLIKASI PRIORITAS 3 OVERVIEW KOMUNIKASI DATA
Lebih terperinciKECENDERUNGAN PENGGUNAAN JENIS ALAT KONTRASEPSI PESERTA KB AKTIF PADA KABUPATEN SIDOARJO TAHUN 2009
KECENDERUNGAN PENGGUNAAN JENIS ALAT KONTRASEPSI PESERTA KB AKTIF PADA KABUPATEN SIDOARJO TAHUN 009 Furqan Qadarisman, dan Dwiatmono Agus W. Jurusan Statistia Institut Tenologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 68 TAHUN 2015 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2016
GUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 68 TAHUN 2015 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2016 GUBERNUR JAWA TIMUR. Menimbang : a. bahwa dalam upaya meningkatkan kesejahteraan
Lebih terperinciTUGAS AKHIR SS141501
TUGAS AKHIR SS141501 PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH KASUS TUBERKULOSIS DI JAWA TIMUR MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED GENERALIZED POISSON REGRESSION DAN GEOGRAPHICALLY WEIGHTED
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Lokasi Penelitian Lokasi penelitian di Pulau Jawa Provinsi Jawa Timur yang terdiri dari 29 kabupaten dan 9 kota di antaranya dari Kab Pacitan, Kab Ponorogo, Kab Trenggalek,
Lebih terperinciPendekatan Flexibly Shaped Spatial Scan Statistic untuk Deteksi Wilayah Kantong Penyakit DBD Melalui Pemodelan Regresi.
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) 337-350 (301-98X Print) D-0 Pendekatan Flexibly Shaped Spatial Scan Statistic untuk Deteksi Wilayah Kantong Penyakit DBD Melalui Pemodelan Regresi Binomial
Lebih terperincimungkin muncul adalah GA, GG, AG atau AA dengan peluang masing-masing
. DISTRIUSI INOMIL pabila sebuah oin mata uang yang memilii dua sisi bertulisan ambar () dan nga () dilempar satu ali, maa peluang untu mendapatan sisi ambar adalah,5 atau. pabila oin tersebut dilempar
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN Pada bab analisis dan pembahasan ini akan jelaskan tentang pola persebaran jumlah penderita kusta dan faktor-faktor yang mempengaruhinya, kemudian dilanjutkan dengan pemodelan
Lebih terperinciPerbandingan Analisis Generalized Poisson Regression
1 Perbandingan Analisis Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif (Studi Kasus: Pemodelan Jumlah Penderita Kusta di Jawa Timur Tahun 2012 Sari Putri (1) dan Wiwiek Setya Winahju
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciKAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST
KAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST Timbul Pardede (timbul@mail.ut.ac.id) Jurusan Statisti FMIPA, Universitas Terbua ABSTRAK Metode Ward dan metode K-rataan
Lebih terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 72 TAHUN 2014 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2015
GUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 72 TAHUN 2014 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2015 GUBERNUR JAWA TIMUR. Menimbang : a. bahwa dalam upaya meningkatkan kesejahteraan
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 121 TAHUN 2016 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2017
\ PERATURAN NOMOR 121 TAHUN 2016 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2017 DENGAN RAHMAT TUHAN YANG MAHA ESA. Menimbang : a. bahwa dalam upaya meningkatkan kesejahteraan masyarakat khususnya
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print)
Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Tetanus Neonatorum (TN) di Jawa Timur dengan Metode Regresi Zero- Inflated Generalized Poisson (ZIGP) D-116 Siska Puji Lestari dan Sri Pingit Wulandari
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinci