ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:
|
|
- Ratna Tedjo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ISSN: JURNAL GAUSSIAN, Volume 4, Nomor, ahu 015, Halama Ole d: ANALISIS FAKOR FAKOR YANG MEMPENGARUHI JUMLAH KEJAHAAN PENCURIAN KENDARAAN BERMOOR (CURANMOR) MENGGUNAKAN MODEL GEOGRAPHICALLY WEIGHED POISSON REGRESSION (GWPR) Muhammad Hars 1, Hasb Yas, Abdul Hoyy 3 1 Mahasswa Jurusa Statsta FSM UNDIP,3 Staf Pegaar urusa Statsta FSM UNDIP ABSRAC heft s a act tag someoe else s property, partally or eterely, wth teto to have t llegally. Motor vehcle theft s oe of the most hghlghted crme type ad dsturbg the commutes. Regresso aalyss s a statstcal aalyss for modelg the relatoshps betwee respose varable ad predctor varable. If the respose varable follows a Posso dstrbuto or categorzed as a cout data, so the regresso model used s Posso regresso. Geographcally Weghted Posso Regresso (GWPR) s a local form of Posso regresso where data samplg locato s prortzed. GWPR model s used for detfyg the factors that fluece the umbers of motor vehcles theft, ether usg a weghted gauss erel fucto or bsquare erel fucto. Based o the value of Aae Iformato Crtero (AIC) of Posso regresso ad GWPR model, t s aalyzed that GWPR model usg a weghted fxed bsquare erel fucto s the best model for aalyzg the umber of motor vehcles theft at every Sub-Dstrcts the Semarag cty 01, because t has the smallest AIC value. hs model has a precso of 88,81%. Keywords: Motor Vehcle heft, Geographcally Weghted Posso Regresso, Kerel Gauss Fucto, Kerel Bsquare Fucto, Aae Iformato Crtero 1. PENDAHULUAN Kasus eahata yag terad pada masyaraat saat sagat beragam esya. Pecura edaraa bermotor (curamor) merupaa salah satu es eahata yag palg dsorot oleh masyaraat Idoesa. Hampr setap har meda massa dhas oleh berta-berta tetag tda eahata curamor yag terad dmasyaraat, asus berdampa buru bag masyaraat area pelau serg melua baha meghabs yawa orbaya. Idoesa mecatat pegata eahata dar 009 sampa 011, eaa aga rmaltas hususya pecura edaraa bermotor adalah a dar eada mead atau a setar 13,7% [1]. Beberapa fator yag meyebaba teradya eahata curamor dataraya dsebaba oleh megatya umlah pegaggura da aa yag putus seolah, terbatasya aggota perlduga masyaraat (lmas), urag atfya orgasas sosal (arag tarua), da megatya umlah edaraa bermotor tu sedr d suatu wlayah []. Fator-fator tersebut tdalah sama pada suatu wlayah dega wlayah laya area meml araterst yag berbeda, utu tu perlu mempertmbaga aspe spasal dalam peyusua sebuah model. Salah satu aalss statst spasal dega pedeata pola tt adalah Geographcally Weghted Posso Regresso (GWPR). Metode merupaa betu loal dar regres Poso dmaa loas pegambla data sagat dperhatayag berasums bahwa data berdstrbus Posso [3]. Metode GWPR dterapa dalam beberapa peelta dataraya Aulele (010) utu megetahu fatorfator yag berpegaruh terhadap emata bay dega data yag berupa umlah (cout). Qomaryah, d (013) megguaa metode GWPR utu megetahu fator-fator yag mempegaruh umlah emata bu. Oleh area tu, metode GWPR aa dterapa utu pemodela umlah pecura edaraa bermotor d Kota Semarag tahu 01.. INJAUAN PUSAKA.1 Model Regress Posso Regres Posso merupaa suatu betu aalss regres yag dguaa utu memodela data yag berbetu cout (umlah), msalya data tersebut dlambaga dega Y yatu bayaya eada yag terad dalam suatu perode watu da wlayah tertetu. Regres Posso merupaa
2 model regres oler dmaa varabel respo (y) megut dstrbus Posso. Suatu varabel radom Y ddefsa mempuya dstrbus Posso a destas (fugs peluagya) dbera sebaga berut [4] : y e, y 0, 1,,..., fy ( y) fy ( y, ) y! (1) 0 laya Dega parameter μ > 0, mea da varas = μ Pada model regres Posso, basaya l fucto yag dguaa adalah log, sehgga log( ) =. Dega dema model regres Posso dapat dtulsa sebaga berut : l( ) 0 x, 1,,..., () 1 dega (x ) exp( x ) 0 1 Suatu cr dar dstrbus Posso adalah adaya equdspers, ya eadaa dmaa la mea da varas dar varabel respo berla sama. Namu pada pratya, adag-adag dtemua suatu ods dmaa varas data lebh besar dbadg mea. Kods sepert dsebut overdspers [5]. Ja pada data dsrt terad overdspers tetap tetap dguaa model regres Posso, maa estmas parameter oefse regresya tetap osste tetap tda efse area berdampa pada la stadar error yag tgg. Peasra parameter regres Posso dlaua dega megguaa metode Maxmum Lelhood Estmato (MLE). Ja varabel respo adalah y maa model regres Posso utu y adalah [6] : log(y) x 0 1 ; log(y) exp( X β). (3) Karea ( Y ~ Posso ( )), maa betu model mead exp( β). Fugs lelhood dar regres Posso yatu : y exp( )( ) Lβ (4) 1 y! Fugs log-lelhood Posso sebaga berut : exp x β yx β l L β l ( y!) (5) Utu memperoleh la tasra β emuda persamaa (5) dturua terhadap β da dsamaa dega ol yag selautya dapat dselesaa dega metode teras Newto-Raphso. Salah satu metode yag dapat dguaa utu meetua statst u dalam pegua parameter model regres Posso adalah dega megguaa metode (MLR) Maxmum Lelhood Rato est [7]. Hpotessya adalah : H 0 : β 1 = β = = β 5 = 0 H 1 : palg sedt ada satu β 0 ; = 1,,, 5 Statst u utu elayaa model regres Posso : ˆ wˆ ˆ L D β l l L l Lwˆ (6) Lˆ Krtera peguaya adalah tola H 0 apabla D β ˆ). JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 06 ( ( ; 1) D( βˆ ) dsebut uga sebaga statst raso lelhood, dmaa statst merupaa pedeata dar dstrbus dega deraat bebas 1 d bawah model yag sedag damat. Parameter model regres Posso yag telah dhasla dar estmas parameter belum tetu mempuya pegaruh yag sgfa terhadap model. Utu tu perlu dlaua pegua terhadap parameter model regres Posso secara dvdu dega hpotess sebaga berut : H 0 : β = 0 (pegaruh varabel tda sgfa) X
3 H 1 : β 0, dega =1,..,5 (pegaruh varabel sgfa) ˆ Statst u : Z ht (7) se ˆ Dega seˆ adalah la stádar error dar parameter. Krtera peguaya adalah tola H 0 apabla Z ht Z /.. Model Geographcally Weghted Posso Regresso (GWPR) GWPR adalah betu loal dar regres Posso dmaa loas dperhata yag berasums bahwa data berdstrbus Posso. Peasra parameter model GWPR megguaa metode MLE. Karea varabel respo berdstrbus Posso maa fugs lelhood sebaga berut : L β exp x, β x, β 1 y! Fator leta geografs merupaa fator pembobot pada model GWPR. Fator meml la yag berbeda utu setap daerah yag meuua sfat loal pada model GWPR. Oleh area tu pembobot dbera pada betu log-lelhoodya utu model loal GWPR, maa dperoleh : l L Estmas parameter u, maa dperoleh : u, v y x βu, v exp x βu, v y l y! w u, v β (9) v 1 β dperoleh dega medfferesala persamaa (9) terhadap β u, l L β u, v β u, v y x x exp x βu, v w u, v 1 Nla estmas dperoleh dega memasmuma betu dfferesal tersebut sehgga : l L βu, v y x x exp x βu, v w u, v β u, v 1 0 Karea fugs pada persamaa (11) berbetu mplst, maa dguaa suatu prosedur teras umer yatu metode Newto-Raphso. Secara umum persamaa utu teras Newto-Raphso 1 β u, v β u, v H m β u, v g u, v (1) adalah [8] : m1 m m m βm U hpotess yag pertama dlaua adalah pegua model secara sereta. Hpotess : H0 : u, v ; 1,,..., ; 1,,..., p H : palg tda ada satu u, v 1 L wˆ l Lˆ Statst u : D βˆ u, v l L l Lwˆ (13) D( βˆ ) dsebut uga sebaga statst raso lelhood. Pegua esesuaa model GWPR megguaa perbadga la devas model regres Posso da model GWPR. Msala model regres Posso dyataa dega model A dega deraat bebas df A da model GWPR dyataa dega model B dega deraat bebas df B maa : F Devas Model A/ df ˆ v (8) (10) (11) A ht (14) Devas Model B / df B Aa megut dstrbus F dega deraat bebas df A da df B. Krtera peguaya adalah tola H 0 a F ht F ; df A ; df B. Pegua parameter model dlaua dega megu parameter secara parsal. Betu hpotess pegua parameter model secara parsal adalah : Hpotess : H0 : u, v 0 ; 1,,..., ; 1,..., p JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 07
4 u, v 0 H1 : Dalam pegua hpotess d atas dapat dguaa statst u sebaga berut : ˆ ( u, v ) tht (15) se( ˆ ( u, v )) Nla stadar error u, v dperoleh dar : se ˆ u, v var ˆ u, v Dega var u, v merupaa eleme e- dagoal pada matrs varβ u, v p 1x p 1 da u, v (16) yag beruura merupaa tasra parameter model yag memasmuma fugs log-lelhood. Krtera peguaya adalah tola H 0 a [9] ht / ; ( p1). Pembobot yag dguaa utu megestmas paramater dalam model GWPR dataraya adalah fugs erel Gaussa da fugs erel bsquare : w u, v exp d h a. Fugs erel gaussa : 1 d h b. Fugs erel bsquare : w u, v dega d ara atara loas, v ) ( 0, u e loas v t, t utu utu detahu da basaya dsebut parameter peghalus (badwdth). d d h h u, da h adalah parameter o egatf yag Salah satu metode yag dguaa utu utu memlh badwdth optmum adalah metode Cross Valdato (CV) yag ddefsa sebaga berut : dega : h y CV h y y ( h) 1 ˆ (17) : Nla peasr y (fttg value) dmaa pegamata dloas u, v ) dhlaga dar proses peasra ( : Uura sampel Metode yag dguaa utu memlh model terba utu GWPR yatu Aae Iformato Crtero (AIC) yag ddefsa sebaga berut : AIC = D(h) + K(h) (18) Dega D(h) merupaa la devas model dega badwdth (h) da K(h) merupaa bayaya parameter efetf dalam model. Model terba adalah model dega la AIC terecl. 3. Dagost Multolertas Dagost multolertas bertuua utu megetahu apaah pada model regres dtemua adaya orelas atar varabel bebas (depede). Ja varabel depede salg berorelas maa varabel-varabel tda ortogoal [10]. Utu medetes adaya olertas dapat megguaa Varace Iflato Factors (VIF) yag dyataa sebaga berut : 1 VIF (19) 1 R Dega R adalah oefse determas, d maa varabel bebas yag dplh dguaa sebaga varabel terat da varabel bebas laya dguaa sebaga varabel bebas. VIF yag lebh besar dar 10 meuua adaya olertas atar varabel predtor. 4. Metodolog Peelta Data yag dguaa dalam peelta adalah data seuder yag dperoleh dar Polrestabes da Bada Pusat Statst (BPS) Kota Semarag. Data curamor yag dambl merupaa data yag JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 08
5 tercatat pada Polrestabes Kota Semarag pada tahu 01, sedaga data survey yag dambl adalah data survey tahua BPS yag dsaa pada buu Kota Semarag Dalam Aga tahu 01. Varabel respo (Y) yag dguaa dalam peelta adalah umlah teradya eahata pecura motor (curamor) pada tahu 01. Varabel predtor (X ) yag dguaa dalam peelta adalah umlah pegaggura (X1), umlah aa putus seolah (X), umlah lmas (X3), umlah arag tarua (X4) da umlah edaraa bermotor (X5).ahapa aalss yag dguaa utu mecapa tuua peelta duraa sebaga berut : a. Megaalss model regres Posso dega lagah-lagah sebaga berut : 1. Pemersaa multolertas atara varabel predtor. Measr parameter model regres Posso 3. Pegua esesuaa model regres Posso da parameter model secara dvdu b. Megaalss model GWPR dega lagah-lagah sebaga berut: 1. Meetua u da v berdasara gars ltag selata da gars buur tmur utu setap ator polse d Kota Semarag.. Meetua badwdth optmum dega megguaa metode Cross Valdato (CV) 3. Meghtug ara Euclde aatara loas pegamata berdasara poss geografs. Jara Euclde atara loas yag terleta pada oordat u, v terhadap loas yag terleta pada oordat u, v 4. Meghtug matrs pembobot dega megguaa fugs erel Gauss da fugs erel bsquare 5. Measr parameter model GWPR 6. Melaua pegua esamaa model regres Posso da GWPR utu megu sgfas dar fator geografs. 7. Melaua pegua parameter secara parsal 8. Membuat esmpula c. Membadga model regres Posso dega model GWPR 5. Hasl da Pembahasa abel 1. Statst Desrptf Varabel Peelta Varabel N Mea Mmum Maxmum StDev Y 14 54, ,7 X X X , ,5 X , ,3 X abel 1 meuua bahwa rata-rata umlah asus curamor d Kota Semarag adalah 54,9 asus setap Kecamata dalam setahu dmaa umlah asus curamor teredah terdapat pada Kecamata Me yatu sebaya 3 asus sedaga umlah curamor tertgg berada pada Kecamata Semarag Selata dega 153 asus. Sebelum megaalss Regres Posso, perlu dlaua dagost olertas yag bertuua utu megetahu apaah varabel-varabel predtorya telah memeuh ods salg tda berorelas. Krtera yag dguaa utu memersa olertas atar varabel predtor adalah dega megguaa la Varace Iflato Factors (VIF) pada varabel predtor. abel. Nla VIF Varabel Predtor Nla VIF (Varace Iflato Factors) X 1 X X 3 X 4 X 5 1,7 5,1,4 1,5 4,0 abel meuua semua varabel predtor meml la lebh ecl dar 10, maa atar varabel predtor dapat dataa tda salg berorelas sehgga dapat dguaa dalam pembetua model regres Posso da GWPR. JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 09
6 5.1 Model Regres Posso Utu megu esesuaa model regres Posso dguaa la devas. Model regres Posso yag ba adalah model yag meml la devas seecl mug. abel 3. Kesesua Model Regres Posso Devas 64,7113 Db 8 15,51 0,05; db Hpotess : H 0 : β 1 = β = = β 5 = 0 H 1 : palg sedt ada satu β 0 ; = 1,,, 5 abel 3 meuua la statst u sgfas sebesar 5% yag meghasla 0,05;8 D = 64,7113. Dega megguaa tgat = 15,51 area la D lebh besar dar 0,05; db, maa model regres Posso laya dguaa. abel 4. Estmas Parameter Model Regres Posso Parameter Estmas Stadar Error Z Htug β 0 3, , , β 1-0, , , β 1, , ,64971 β 3-0, , ,54706 β 4-0, , ,53997 β 5-0, , ,5133 Setelah medapata la Z htug pada tabel 4 emuda melaua u parsal parameter model regres Posso. Hpotess : H 0 : β = 0 H 1 : β 0, dega = 1,,, 5 Berdasara abel 4 ddapata la Z htug utu semua parameter. Dega megguaa tgat sgfas (α) sebesar 5% maa la Z 0,05 = 1,96. Maa dperoleh 5 parameter yag sgfa yatu β 0, β, β 3, β 4, da β 5 area Z ht, utu tu perlu dlaua pegua ulag regres Posso tapa megguaa varabel (X 1 ). Z 0,05 abel 5. Kesesua Model Regres Posso (ampa Varabel X1) Devas 65, Db 9 0,05; db 15,51 Hpotess : H 0 : β = β 3 = β 4 = β 5 = 0 H 1 : palg sedt ada satu β 0 ; =, 3, 4, 5 abel 5 meuua la statst u D = 65, Dega megguaa tgat sgfas = 16,9, area la, sebesar 5% yag meghasla 0,05;9 D lebh besar dar 0,05; db maa model regres Posso laya dguaa tetap model tersebut meuua ods overdspers area la devas dbag dega deraat bebasya lebh besar dar 1. abel 6. Estmas Parameter Model Regres Posso (apa Varabel X 1 ) Parameter Estmas Stadar Error Z Htug β 0 3, , , β 1, , , β 3-0, ,0540-4, β 4-0, , ,53489 β 5-0,8688 0,0745-1, Setelah medapata la Z htug tapa megguaa varabel X 1 sesua tabel 6 emuda melaua u parsal parameter model regres Posso. JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 10
7 Hpotess : H 0 : β = 0 H 1 : β 0, dega =, 3, 4, 5 Berdasara abel 8 ddapata la Z htug utu semua parameter. Dega megguaa tgat sgfas (α) sebesar 5% maa la Z 0,05 = 1,96. Semua parameter sgfa, area Z ht Z 0, 05, sehgga model regres Posso yag dbetu utu umlah eahata curamor d Kota Semarag tahu 01 adalah : = exp(3, ,01930X - 0,47064X 3 0,151359X 4-0,8688X 5 ) Model datas meelasa bahwa umlah curamor aa megat sebesar exp(1,01930) a varabel umlah pedudu tda seolah (X ) bertambah sebesar satu satua dega syarat varabel predtor yag la adalah osta, umlah curamor aa berurag sebesar exp(0,47064) a varabel umlah lmas (X 3 ) bertambah sebesar satu satua dega syarat varabel predtor yag la adalah osta begtu uga dega varabel X 4 da X 5. Utu etepata model ddapata la R = 45,89% da ddapata la AIC sebesar 75, Model Geographcally Weghted Posso Regresso (GWPR) Dalam medapata model GWPR terlebh dahulu meetua matr pembobot emuda dlauta dega meetua badwth optmum. Matr pembobot yag dguaa adalah dega fugs erel Gauss da fugs erel bsquare. Dega megguaa matr pembobot fugs erel Gauss dperoleh badwth optmum sebesar 0,083310, sedaga dega fugs erel bsquare dperoleh badwth optmum sebesar 0,13740 utu semua loas. abel 7. U Kesamaa Model Regres Posso da GWPR Model Devas Df Devas/df F_ht Regres Posso 65,044 9,000 9,449 GWPR(Gauss) 164,980 5,571 9,614 0,994 GWPR(Bsquare) 54,810 3,366 16,83 1,808 Berdasara abel 7 ddapata la F htug dega megguaa pembobot fugs gauss yatu 0,994 da la F htug dega megguaa pembobot bsquare yatu 1,808. Dega megguaa tgat sgfas sebesar 5% maa la F 4, 346 da 0,05;9;5,571 F 0,05;9;3,366 7, 450. Maa dperoleh eputusa gagal tola H 0 area F htug urag dar F 0,05; v1; v. Sehgga dperoleh esmpula bahwa tda ada perbedaa yag sgfa atara model GWPR ba dega megguaa pembobot fugs erel gauss maupu bsquare dega model regres Posso. Pegua parameter model dmasuda utu megetahu fator-fator yag berpegaruh terhadap umlah curamor dsetap loas u, v. Msala aa d u apaah parameter berpegaruh dloas pertama u 1,v 1, maa betu hpotessya adalah : H u, v 0 ; 1,,..., 5, (parameter tda sgfa) 0 : : u1, v1 0 H, (parameter sgfa) Dega megguaa software GWR4 dperoleh hasl dalam abel 8 sebaga berut : abel 8. Pegua Parameter Model GWPR (Bsquare) d u 1,v 1 Parameter Estmas t htug Kesmpula 4, ,467 Sgfa 0 1 0, , da sgfa 0, ,7117 Sgfa -0,1888 -,849 Sgfa 3 4-0,4779-7,77145 Sgfa -0, ,7840 Sgfa 5 JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 11
8 Berdasara abel 8 ddapata la t htug utu semua parameter. Dega megguaa tgat sgfas sebesar 5% maa la t (0,05;8) =,306. Maa dperoleh 5 parameter yag sgfa yatu β 0, β, β 3, β 4 da β 5 area t ht t0,05;8, sehgga model GWPR dega megguaa pembobot fugs erel bsquare yag dbetu utu umlah curamor d Kota Semarag adalah : = exp(4, ,534894X - 0,1888X 3-0,4779X 4-0,78039X 5 ) Utu megetahu varabel yag sgfa tap ecamata d Kota Semarag dteraga dalam tabel 9 berut : abel 9. Pegelompoa Kecamata d Kota Semarag Berdasara Varabel Yag Sgfa Dega Megguaa Pembobot Fugs Kerel Gauss Kecamata Varabel Yag Sgfa Bayuma, Ngalya, Me, X : Jumlah pedudu yag tda Guug Pat seolah X 3 : Jumlah lmas X 5 : Jumlah edaraa bermotor Semarag Utara, Semarag egah, Semarag Barat, Gayamsar da Semarag mur, Peduruga, Semarag Selata, Gaah Mugur da Cadsar, embalag, Geu, ugu X : Jumlah pedudu yag tda seolah X 3 : Jumlah lmas X 4 : Jumlah arag tarua X 5 : Jumlah edaraa bermotor Berdasara abel 9 terlhat bahwa d Kota Semarag dega megguaa pembobot fugs erel gauss terdapat elompo Kecamata. Kelompo pertama terdr dar 4 Kecamata dega 3 varabel predtor yag sgfa da elompo edua terdr dar 10 Kecamata dega 4 varabel predtor yag sgfa. abel 11. Pegelompoa Kecamata d Kota Semarag Berdasara Varabel Yag Sgfa Dega Megguaa Pembobot Fugs Kerel Bsquare Kecamata Semarag Utara, Semarag egah, Semarag Barat, Gayamsar da Semarag mur, Semarag Selata, Gaah Mugur da Cadsar Peduruga embalag, Bayuma, Me Geu ugu, Ngalya, Guug Pat Varabel Yag Sgfa X : Jumlah pedudu yag tda seolah X 3 : Jumlah lmas X 4 : Jumlah arag tarua X 5 : Jumlah edaraa bermotor X 1 : Jumlah pegaggura X 4 : Jumlah arag tarua X 5 : Jumlah edaraa bermotor X 1 : Jumlah pegaggura X : Jumlah pedudu yag tda seolah X 3 : Jumlah lmas X 5 : Jumlah edaraa bermotor X 1 : Jumlah pegaggura X 3 : Jumlah lmas X 4 : Jumlah arag tarua X 5 : Jumlah edaraa bermotor X 1 : Jumlah pegaggura X 3 : Jumlah lmas X 4 : Jumlah arag tarua X 5 : Jumlah edaraa bermotor Berdasara abel 11 terlhat bahwa d ota Semarag dega megguaa pembobot fugs bsquare terdapat 5 elompo Kecamata. Kelompo pertama terdr dar 4 Kecamata dega 6 varabel predtor yag sgfa, elompo edua terdr dar 1 Kecamata dega 3 varabel JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 1
9 predtor yag sgfa, elompo etga terdr dar 3 Kecamata dega 4 varabel predtor yag sgfa, elompo eempat terdr dar 1 ecamata dega 4 varabel predtor yag sgfa da elompo elma terdr dar 3 Kecamata dega 3 varabel predtor yag sgfa. 6. Pemlha Model erba abel 16. Perbadga Kesesuaa Model Model Regres Posso Model GWPR(Kerel Gauss) Model GWPR(Kerel Bsquare) Kota Semarag Devas 65, AIC 75, R 45,89% Devas 164, AIC 179,9846 R 66,3% Devas 54, AIC 74, R 88,81% Berdasara abel 16 dperoleh bahwa model GWPR dega megguaa pembobot fugs erel bsquare lebh ba dguaa utu megaalss umlah emata bay d Kota semarag area mempuya la AIC yag terecl yatu sebesar 1, da la R terbesar yatu 88,81%. 7. Kesmpula Dar hasl da pembahasa dapat dperoleh beberapa esmpula sebaga berut : 1. Rata-rata umlah curamor d Kota Semarag tahu 01 adalah 54,9 atau 55 eada tap Kecamata. Secara eseluruha fator-fator yag mempegaruh umlah curamor berdasara model GWPR dega pembobot fugs erel gauss adalah varabel umlah pedudu yag tda seolah (X ), umlah lmas (X 3 ), umlah arag tarua (X 4 ) da umlah edaraa bermotor (X 5 ). Berdasara varabel yag sgfa maa Kecamata d Kota Semarag dapat delompoa mead elompo. Sedaga fator-fator yag mempegaruh umlah curamor d Kota Semarag berdasara model GWPR dega pembobot fugs bsquare adalah semua varabel (X 1, X, X 3, X 4 da X 5 ), pegelompoa Kecamata d Kota Semarag megguaa pembobot fugs erel bsquare berdasara varabel yag sgfa delompoa mead 5 elompo.. Model GWPR dega megguaa pembobot fugs erel bsquare lebh ba dguaa utu megaalss umlah curamor d Kota Semarag tahu 01 area mempuya la AIC yag terecl da la etepata model R =88,81%. 8. Daftar Pustaa [1] BPS. 01. Statst Krmal 01. Bada Pusat Statst. Jaarta. [] Wawacara dega pha epolsa Polrestabes Kota Semarag [3] Naaya,., Fothergham, A. S., Brusdo, C. ad Charlto, M Geographcally Weghted Posso Regresso for dsease Assocato Mappg. Statstcs Medces, Vol. 4, Pages [4] Mood, A.M., Graybll, F.A., & Boes, D.C Itroducto to he heory of Statstcs, hrd Edto, McGraw-Hll, Sgapura. [5] Camero, A.C. da rved, P.K Regresso Aalyss of Cout Data. Cambrdge Uversty Press. Cambrdge. [6] Qomaryah, N., Puram, S.W. da Pramoo, M.S Pemodela Fator-Fator Yag Mempegaruh Jumlah Kemata Ibu d Jatm Dega Pedeata (Geographcally Weghted Posso Regresso) Dtau Dar Seg Fasltas Kesehata. Jural Sas da Se Pomts, Vol., No. [7] Irawat, B. da Purhad. 01. Perbadga Aalss Geeralzed Posso Regresso (GPR) da Regres Bomal Negatf Utu megatas Overdspers Stud asus : JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 13
10 Pemodela Jumlah Kasus Kaer Servs d Jawa mur. Jural Matemata, Vol., No. [8] Aulele, S.N Model Geographcally Weghted Posso Regresso Dega Pembobot Fugs Kerel Gauss Stud asus : Jumlah Kemata Bay d Jawa mur ahu 007. Jural Bareeg, Vol.5, No, hal [9] Yas, H. da Rusgyoo, A Idetfas Fator-Fator Peyebab Keada Dare D Kota Semarag Dega Pedeata Geographcally Weghted Posso Regresso. Jural Sas da Matemata, Vol.1, No 3, hal [10] Ghozal, I Aplas Aalss Multvarate Dega Program IBM SPSS 19. Eds 5, Bada Peerbt Uverstas Dpoegoro. Semarag. JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 14
ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.
ANALISIS REGRESI Berdasara betu eleara data, model regres dapat dlasfasa mead dua macam yatu lear da o-lear. Ja pola data lear maa dguaa pemodela lear. Begtu uga sebalya apabla pola data tda lear maa dguaa
Lebih terperinciPEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON
Jural Bareeg Vol. 5 No. Hal. 3 7 () PEMODELAN JUMLAH KEMAIAN BAYI DI PROVINSI MALUKU AHUN DENGAN MENGGUNAKAN REGRESI POISSON SALMON N. AULELE Staf Jurusa Matemata, FMIPA, Upatt Jl. Ir. M. Putuhea, Kampus
Lebih terperinciPemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression
JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prt) D-361 Pemodela Aga Buta Huruf d Provs Sumatera Barat Tahu 014 dega Geographcally Weghted Regresso Rath Mahara da Wwe Setya Wahju Jurusa
Lebih terperinciII. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan
II. LANDASAN TEORI.1. Data Kategor Wallpole (1995, medefsa data ategor sebaga data yag dlasfasa meurut rtera tertetu. Data ategor dsebut uga data ometr atau data yag bua merupaa hasl peguura. Data ategor
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga saat adalah aalss terhadap data megea sebuah araterst atau atrbut da megea sebuah varabel dsrt atau otu. Tetap, sebagamaa dsadar, baya
Lebih terperinciBAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam
BAB II LANDASAN TEORI Pada bab II, aa djelasa tetag teor yag dpaa dalam semvarogram asotrop. Sela tu juga aa dbahas megea teor peduug dalam melaua peasra aduga cadaga baust d daerah Mempawah Kalmata, dataraya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu terjad dega sedrya amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDAAN TEORI Dalam bab aa djelasa teor-teor yag berhubuga dega peelta yag dapat djada sebaga ladasa teor atau teor peduug dalam peelta Ladasa teor aa mempermudah pembahasa hasl peelta pada bab 3 Adapu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga searag adalah aalss terhadap data megea sebuah araterst atau atrbut (ja data tu ualtatg) da megea sebuah araterst (ja data tu uattatf).
Lebih terperinciANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)
ANALSS DSRNAN (asus : Lebh dar elompo) Hazmra Yozza Jur. atemata FPA Uad LOGO POP POP POP 4 : POP Uura sampel : Sampel telah detahu dar elompo maa berasal Terhadap masg-masg obe damat/duur p peubah POP
Lebih terperinciSTATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran
KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu tejad dega sedrya, amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (uregstered verso) http://www.smpopdf.com Statst Bss : BAB V. UKURA PEYEBARA DATA.1 Peyebara Uura peyebara data adalah uura statst yag meggambara bagamaa berpecarya data
Lebih terperinciPemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion
Jural Iformata Mulawarma Vol 4 No. 3 September 009 37 Pemlha Model Regres erba Megguaa Metode Aae s Iformato Crtero da Schwarz Iformato Crtero M. Fathurahma Program Stud Ilmu Komputer, FMIPA Uverstas Mulawarma
Lebih terperinciBAB I PANDAHULUAN. 1.1 Latar Belakang
BB I PNDHULUN Latar Belaag Data merupaa seumlah formas yag dapat membera gambara/eteraga tetag suatu eadaa Iformas yag dperoleh membera eteraga, gambara, atau fata megea suatu persoala dalam betu ategor,
Lebih terperinciPemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi
JURNAL SAINS DAN SENI POMITS Vol., No., (13) ISSN: 337-35 (31-98X Prt D-5 Pemodela Reso Peyat Peumoa pada Balta d Jawa Tmur Megguaa Regres Logst Ber Stratfas Ita Novaa, Sr Pgt Wuladar da Purhad Jurusa
Lebih terperinciPemodelan Geographically Weighted Logistic Regression pada Indeks Pembangunan Kesehatan Masyarakat di Provinsi Papua
Prosdg Sear Nasoal MIPA 06 Pera Peelta Ilu Dasar dala Meuag Pebagua Berelauta Jatagor, 7-8 Otober 06 ISBN 978-60-76-- Peodela Geographcally Weghted Logstc Regresso pada Ides Pebagua Kesehata Masyaraat
Lebih terperinciPemodelan Penduduk Miskin di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR)
JURNAL SAINS DAN SENI POMITS Vol., No., (013) 337-350 (301-98X Prt) D-39 Pemodela Pedudu Ms d Jawa Tmur Megguaa Metode Geographcally Weghted Regresso (GWR) Yuata Damayat, Vta Ratasar Jurusa Statsta, Faultas
Lebih terperinciPemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi
Pemodela Reso Peyat Peumoa pada Balta d Jawa Tmur Megguaa Regres Logst Ber Stratfas Ita Novaa, Sr Pgt Wuladar da Purhad Jurusa Statsta, Faultas Matemata da Ilmu Pegetahua Alam, Isttut Teolog Sepuluh Nopember
Lebih terperinciPemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline
JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 337-35 (-98X Prt) D-5 Pemodela Fator-Fator yag Mempegaruh Aga Morbdtas d Jawa Tmur Megguaa Regres Noparametr Sple Krsa Wuladar, I Nyoma Budatara, da Madu
Lebih terperinciANALISIS JUMLAH TENAGA KERJA TERHADAP JUMLAH PASIEN RSUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGRESI GULUD
Jural as, Teolog da Idustr, Vol., No., Desember 04, pp. 48-57 IN 693-390 prt/in 407-0939 ole ANALII JUMLAH TENAGA KERJA TERHADAP JUMLAH PAIEN RUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGREI GULUD
Lebih terperinciAnalisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014)
Jural EKSPONENSIAL Volume 6, Nomor, Nopember 5 ISSN 85-789 Aalss Regres Espoesal Bergada (Stud Kasus: Jumlah Kelahra Bay d Kalmata Tmur pada Tahu 3 da 4) Double Expoetal Regresso Aalyss (Case Study: Number
Lebih terperinciProsiding Statistika ISSN:
Prosdg Statsta ISSN: 246-6456 Pemodela Aga Kemata Ba d Kabuate Kuga ahu 24 dega Regres Geeralzed Posso da RegresBomal Negatf Modelled Number Of Brth Mortalt I Kuga Resdece I 24 B Geeralzed Posso Regresso
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.. Watu da Temat Peelta Peelta srs dlaua d Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas Lamug ada tahu aadem 2009/200. 3.2. Metode Peelta Secara umum, elasaaa
Lebih terperinciPemodelan Jumlah Balita Gizi Buruk di Jawa Timur dengan Geographically Weighted Poisson Regression
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 1) ISSN: 31-98X D-9 Pemodela Jumlah Balta Gz Buruk d Jawa Tmur dega Geographcally Weghted Posso Regresso Rahm Amela da Purhad Jurusa Statstka, Fakultas Matematka
Lebih terperinciBAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:
BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-311
JURNAL SAINS DAN SENI POMIS Vol., No., (03) 337-350 (30-98X Prt) D-3 Pemodela Fator-Fator yag Memegaruh Jumlah Kemata Ibu d Jatm dega Pedeata GWPR (Geograhcally Weghted Posso Regresso) Dtau dar Seg Fasltas
Lebih terperinciSTATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:
STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data, blaga ataupu
Lebih terperinciPemodelan Angka Prevalensi Kusta dan Faktor- Faktor yang Mempengaruhi di Jawa Timur dengan Pendekatan Geographically Weighted Regression (GWR)
JURNAL SAINS DAN SENI POMIS Vol., No., () 7-5 (-98X Prt) D-75 Pemodela Aga Prevales Kusta da Fator- Fator yag Memegaruh d Jaa mur dega Pedeata Geograhcally Weghted Regresso (GWR) Alefa Maulda Dzra, Sat
Lebih terperinciAnalisis Faktor Risiko Penyebab Diabetes Mellitus di Kota Ambon Menggunakan Model Regresi Logistik
Statsta, Vol. 5 No. 2, 65-7 November 25 Aalss Fator Rso Peyebab Dabetes Melltus d Kota Ambo Megguaa Model Regres Logst Ferry Kodo Lembag, Dorteus L. Rahabauw 2,2Jurusa Matemata Faultas MIPA Uverstas Pattmura
Lebih terperinciπ(x) 1 e JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-277
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 22) ISSN: 23-928X D-277 Klasfas Pase Hasl Pap Smear Test sebaga Pedetes Awal Upaya Peagaa D pada Peyat Kaer Servs d RS. X Surabaya dega Metode Baggg Logstc Regresso
Lebih terperincititik tengah kelas ke i k = banyaknya kelas
STATISTIKA Bab 0 UKURAN PEMUSATAN DAN PENYEBARAN. Mea X. a. Data Tuggal... 3 b. Data Kelompo ( dstrbus frewes) f. f. f.... f. 3 3 f f f... f = f. f 3 Ket : tt tegah elas e = bayaya elas f frewes elas e
Lebih terperinci(R.17) ESTIMASI SMOOTHING SPLINE PADA FUNGSI VARIANSI BERDISTRIBUSI GAMMA DALAM PENDEKATAN REGRESI NONPARAMETRIK
PROSIDING ISSN : 87-59. Semar Nasoal Statsta November Vol, November (R.7) ESIMASI SMOOHING SPLINE PADA FUNGSI VARIANSI BERDISRIBUSI GAMMA DALAM PENDEKAAN REGRESI NONPARAMERIK Sfrya Dose Program Stud Statsta
Lebih terperinciMETODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap
III. METODE PENELITIAN A. Populas da Sampel Populas dar peelta adalah seluruh peserta dd elas VII semester geap SMP Neger 3 Terbaggbesar tahu pelaara 0/0 yag terdstrbus e dalam tuuh elas, yatu elas VII
Lebih terperinciPENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA
PEAKI ATAI AIO-CUM-DUAL UTUK ATA-ATA POPULAI PADA AMPLIG GADA Holla Maalu Bustam Haposa rat Mahasswa Program Matemata Dose Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas au Kampus Bawda
Lebih terperinciKarakteristik Siswa Putus Sekolah Tingkat SD dan SMP di Kawasan Surabaya Utara
Karaterst Sswa Putus Seolah Tgat SD da SMP d Kawasa Surabaya Utara Nur Ia Choryah, Prof.Dra.Susat Luwh,M.Stat,PhD, 3 Ir.Mutah Salamah,M.Kes Mahasswa Jurusa Statsta FMIPA-ITS (36 3,3 Dose Jurusa Statsta
Lebih terperinciBAB 2 LANDASAN TEORI. menentukan hubungan antara variabel independen (x) dengan variabel dependen (y).
BAB LANDASAN EORI Aalss Regres Aalss regres adalah salah satu metode ag dapat dguaa utu meetua hubuga atara varabel depede dega varabel depede Utu pegamata dega p varabel depede, maa model regres tersebut
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-159
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Set. 1 ISSN: 31-X D-15 Pemodela Fator-Fator Yag Beregaruh Terhada Prevales Balta Kurag Gz D Provs Jawa Tmur Dega Pedeata Geograhcally Weghted Logstc Regresso (GWLR
Lebih terperinciKajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d
Jural Grade Vol4 No Jul 008 : 37-38 Kaja Hubuga Koefse Korelas Pearso (r), Spearma-rho (ρ), Kedall-Tau (τ), Gamma (G), da Somers ( d yx ) Sgt Nugroho, Syahrul Abar, da Res Vusvtasar Jurusa Matemata, Faultas
Lebih terperinciadalah nilai-nilai yang mungkin diambil oleh parameter jika H
Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu
Lebih terperinciTeknik Mengatasi Data Hilang pada Kasus Rancangan Blok Lengkapacak
Jural Sas Matemata da Statsta, Vol. 3, No., Jul 07 ISSN 693-390 prt/issn 407-0939 ole Te Megatas Data Hlag pada Kasus Racaga Blo Legapaca Rado Yedra, Muslm, Jurusa Matemata, Faultas Sas da Teolog, UIN
Lebih terperinciI. PENDAHULUAN. Kata Kunci kematian ibu hamil, Jawa Timur, regresi poisson, binomial negatif, dan GWPR
Faktor yag Mempegaruh Jumlah Kemata Ibu Haml d Jawa mur Dega Megguaka Regres Bomal Negatf da Geographcally Weghted Posso Regresso(GWPR Rfk Arsta (, da Mutah Salamah ( Jurusa Statstka, Fakultas Matematka
Lebih terperinciKAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT
Aryato, Kaja Sfat Keompaa pada Ruag Baah KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH Aryato* ABSTRACT The propertes of ompatess Baah spaes ths paper s a geeralzato of a ompat uderstadg the system o the real
Lebih terperinciUKURAN DASAR DATA STATISTIK
UKURAN DASAR DATA STATISTIK UKURAN PUSAT Apa yag dapat ta smpula secara gamblag da cepat dar data yag dsodora berut : Tabel 1 Sampel Data Karyawa peserta Jamsoste Nama Sex Status Kerja Gaj/Bl Umur NATUL
Lebih terperinciPENDEKATAN MODEL GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH RUMAH TANGGA MISKIN DI PULAU BURU
Jural Barekeg Vol. 8 No. 2 Hal. 53 57 (2014) PENDEKATAN MODEL GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH RUMAH TANGGA MISKIN DI PULAU BURU Geographcally
Lebih terperinciModel Geographically Weighted Poisson Regression Studi Kasus : Jumlah Kematian Bayi di Jawa Timur & Jawa Tengah Tahun 2007 ABSTRAK
Model Geographcall Weghted Posso Regresso Std Kass : Jlah Keata Ba d Jaa r & Jaa egah ah 7 Salo Note Alele Prhad Mahassa Magster Jrsa Statsta IS Dose Jrsa Statsta IS eal : oce_cacer@ahoo.co Prhad@statsta.ts.ac.d
Lebih terperinciBAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)
BAB II KONSEP DASAR Kosep dasar yag dtuls dalam bab, merupaa beberapa dasar acua yag aa dguaa utu megaalsa model rso las da meetua fugs sebara peluag bertaha dalam model rso las Datara dasar acua tersebut
Lebih terperinciAnalisa Probabilistik Algoritma Routing pada Jaringan Hypercube
Aalsa Probablst Algortma Routg pada Jarga ypercube Zuherma Rustam Jurusa Matemata Uverstas Idoesa Depo 644. E-mal : rustam@maara.cso.u.ac.d Abstra Algortma routg pada suatu arga teroes suatu measme utu
Lebih terperinciIII. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah
3 III. METODE ENELITIAN 3.1 Watu da Tempat eelta da peracaga tugas ahr dlaua d Laboratorum Terpadu Te Eletro Uverstas Lampug da dusu Margosar, desa esawara Idah abupate esawara pada bula Agustus 1 sampa
Lebih terperinciPemilihan Model Regresi Terbaik Menggunakan Akaike s Information Criterion (The Best Regression ModelSelection UsingAkaike s Information Criterion)
Jural EKSPONENSIALVolume Nomor September 00 ISSN 085-789 Pemlha Model Regres Terba Megguaa Aae s Iformato Crtero (The Best Regresso ModelSelecto UsgAae s Iformato Crtero) M. Fathurahma Staf Pegaar Program
Lebih terperinciBAB 2. Tinjauan Teoritis
BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut
Lebih terperinciEstimasi dan Pengujian Hipotesis pada Model Geographically Weighted Multinomial Logistic Regression
Prosdg Koferes Nasoal Matematka XVII - 4-4 Ju 4, IS, Surabaya Estmas da Pegua Hpotess pada Model Geographcally Weghted Multomal Logstc Regresso M. Fathurahma, Purhad, Sutko 3, Vta Ratasar 4 Mahasswa S3
Lebih terperinciPEMILIHAN VARIABEL PADA MODEL GEOGRAPHICALLY WEIGHTED REGRESSION. Hasbi Yasin Staf Pengajar Program Studi Statistika FMIPA UNDIP.
Pemlha Varabel (Hasb Yas) PEMILIHAN VARIABEL PADA MODEL GEOGRAPHICALLY WEIGHED REGRESSION Hasb Yas Staf Pegajar Program Stud Statsta FMIPA UNDIP Abstract Regresso aalyss s a statstcal aalyss that ams to
Lebih terperinciKAJIAN ESTIMASI-M IRLS MENGGUNAKAN FUNGSI PEMBOBOT HUBER DAN BISQUARE TUKEY PADA DATA KETAHANAN PANGAN DI JAWA TENGAH. Elen Dwi Pradewi 1, Sudarno 2
Kaa Estmas-M (Ele) KAJIAN ESTIMASI-M IRLS MENGGUNAKAN FUNGSI PEMBOBOT HUBER DAN BISQUARE TUKEY PADA DATA KETAHANAN PANGAN DI JAWA TENGAH Ele Dw Pradew, Sudaro Alum Program Stud Statsta FSM Uverstas Dpoegoro
Lebih terperinciPENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP
PENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP Rosa Sey Yudasar Jurusa Matemata, Faultas Matemata da Ilmu Pegetahua Alam,Uverstas Neger Surabaya rosaseywah@yahoo.com Drs. Hery Tr Sutato, M.S
Lebih terperinciBAB 2 LANDASAN TEORI. Istilah regresi diperkenalkan oleh seorang yang bernama Francis Gulton dalam
BAB LANDASAN TEORI Pegerta Regres da Korelas Pegerta Regres Istlah regres dpereala oleh seorag yag erama Fracs Gulto dalam maalah erjudul regresso towerd medacraty heredtary stature Meurut hasl peelta
Lebih terperinciPemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif
Pemodela Jumlah Kemata Ibu d Jawa mur dega Pedekata Geeralzed Posso Regresso (GPR) da Regres Bomal Negatf Retdasyah Rsky Agga Permaa, Mutah Salamah Jurusa Statstka, Fakultas MIPA, Isttut ekolog Sepuluh
Lebih terperinciHIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1
HIMPUNAN RENTANGAN DAN BEBA LINIER HIMPUNAN RENTANGAN Defs (Kombas Ler) Msala V suatu ruag etor atas feld F. w etor d V, da, 1, juga etoretor d V. Vetor w dataa sebaga ombas ler dar etor-etor, 1, ja w
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-272
JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) 337-350 (30-98X Prt) D-7 Pemodela da Pemetaa Jumlah Kasus DBD d Kota Surabaya dega Geograhcally Weghted Negatve Bomal Regresso (Gwbr) da Flexbly Shaed Satal
Lebih terperinciRegresi Linier Sederhana Definisi Pengaruh
Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh
Lebih terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA Beberapa teor yag dperlua utu meduug pembahasa dataraya adalah varabel radom, regres lear bergada, metode uadrat terecl (MKT), peguja asums aalss regres, pecla (outler), regres robust,
Lebih terperinciBAB 2 DASAR TEORI ALIRAN DAYA. Sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen
BAB DAAR TEOR ALRAN DAA. Umum,,3,4 stem teaga lstr Electrc ower stem terdr dar tga ompoe utama, atu sstem pembagta teaga lstr, sstem trasms teaga lstr, da sstem dstrbus teaga lstr. Kompoe dasar ag membetu
Lebih terperinciModel Log Linier untuk Empat Dimensi. Log Linier Model for Four Dimentions
ural ESPONENSAL Volume 6, Nomor, Nopember 015 SSN 085-789 Model Log Ler utu Empat Dmes Log Ler Model for Four Dmetos M. Ars Budyoo 1, Sr ayugs, a Puramasar 3 1 Maasswa Program Stud Statsta Faultas MPA
Lebih terperinciBAB 3 Interpolasi. 1. Beda Hingga
BAB Iterpolas. Hgga. Iterpolas Lear da Kuadrat. Iterpolas -Maju da -Mudur Newto 4. Polo Iterpolas Terbag Newto 5. Polo Iterpolas Lagrage . Hgga Msala dbera suatu tabel la-la uers j j dar suatu ugs pada
Lebih terperinciEstimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model
Jural ILMU DASAR Vol. 9 No. Jul 008 : 5-7 5 Estmator Robust S Pada Model Seemgl Urelated Regresso he S Robust Estmator Seemgl urelated Regresso Model Sulato Jurusa Matemata FMIPA Uverstas Arlagga ABSRAC
Lebih terperinciBAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:
BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,
Lebih terperinciPemodelan dan Pemetaan Kasus Pneumonia di Kota Padang Tahun 2014 dengan Geograpghically Weighted Negative Binomial Regression
JURNAL SAINS DAN SENI ITS Vol. 5 No. (06) 337-350 (30-98 Prt) D-355 Pemodela da Pemetaa Kasus Peumoa d Kota Padag Tahu 04 dega Geograpghcally Weghted Negatve Bomal Regresso Reo War Dva Rahmtr da Wwek Setya
Lebih terperinciBAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier
BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres
Lebih terperinci8.4 GENERATING FUNCTIONS
8.4 GEERATIG FUCTIOS Fugs pembagt Fugs pembagt dguaa utu merepresetasa barsa secara efse dega megodea usur barsa sebaga oefse deret pagat dalam varabel. Fugs pembagt dapat dguaa utu: memecaha berbaga masalah
Lebih terperinciESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP. Staf Program Studi Statistika Jurusan Matematika FMIPA UNDIP 2
ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP Supart Achmad Mustofa da Agus Rusgyoo 3 3 Staf Program Stud Statsta urusa Matemata FMIPA UNDIP Alum urusa Matemata FMIPA UNDIP l. Prof. H.
Lebih terperinciBAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.
BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab bers defs-defs da sfat-sfat yag petg yag berhubuga dega modul. Hal-hal tersebut dperlua dalam pembahasa megea modul jetf pada Bab III. 2.1. Modul Mata ulah Aljabar Ler membahas
Lebih terperinciJEMBATAN PADA GRAF FUZZY INTUITIONISTIC
JEMTN PD GRF FUZZY INTUITIONISTIC St lfatur Rohmaah, au Surarso, da ambag Irawato 3 Uverstas Islam Darul Ulum Lamoga, a0304@gmalcom Uverstas Dpoegoro Semarag 3 Uverstas Dpoegoro Semarag bstract tutostc
Lebih terperinciRegresi Logistik Ordinal untuk Menganalisis Faktor-Faktor yang Mempengaruhi Perilaku Sexual Remaja
Jural EKSONENSIAL Volume, Nomor, Me 0 ISSN 085-789 Regres Logst Ordal utu Megaalss Fator-Fator yag Memegaruh erlau Seual Remaa Ordal Logstc Regresso for Aalyss Factors of Ifluece Behavor Adolecet Seual
Lebih terperinciBAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai
BB III FUZZY C-MENS 3. Fuzzy Klasterg Fuzzy lasterg erupaa salah satu etode aalss laster dega epertbaga tgat eaggotaa yag eaup hpua fuzzy sebaga dasar pebobota bag pegelopoa (Bezde,98). Metode erupaa pegebaga
Lebih terperinciH dinotasikan dengan B H
Delta-P: Jural Matemata da Pedda Matemata ISSN 089-855X Vol., No., Aprl 03 OPERATOR KOMPAK Mustafa A. H. Ruhama Program Stud Pedda Matemata, Uverstas Kharu ABSTRAK Detahu H da H dua ruag Hlbert, B H )
Lebih terperinciPERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM
PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka
Lebih terperinciProsiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA
Prosdg SPMIP. pp. 4-46, 6 ISBN : 979.74.47. PERKEMBNGN ESTIMTOR DENSITS NON PRMETRIK DN PLIKSINY Hasb Yas, Supart Staf PS Statsta, urusa Matemata, FMIP, UNDIP l. Prof. Sudarto, Kampus UNDIP Tembalag, Semarag
Lebih terperinciPemodelan Jumlah Kematian Bayi di Provinsi Jawa Timur Tahun 2011 dengan Pendekatan Regresi Binomial Negatif
JURNAL SAINS DAN SENI POMITS Vol., No., (013) 337-350 (301-98X Prt) D-8 Pemodela Jumlah Kemata Bay d Provs Jawa Tmur Tahu 011 dega Pedekata Regres Bomal Negatf Selfy Atka Sary da I Nyoma Latra Jurusa Statstka,
Lebih terperinciPENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNYA
PENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNA Srps dsaja sebaga salah satu syarat utu memperoleh gelar Sarjaa Sas Program Stud Matemata Oleh Layyatus
Lebih terperincidan µ : rata-rata hitung populasi x : rata-rata hitung sampel
Uura Statt. Pedahulua Uura Statt:. Uura Pemuata Bagamaa, d maa data berpuat? Rata-Rata Htug Arthmetc Mea Meda Modu Kuartl, Del, Peretl. Uura Peyebara Bagamaa peyebara data? Ragam, Vara Smpaga Bau Uura
Lebih terperinciBAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai
BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres
Lebih terperinciPEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR)
PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR) Supart, Taro da Yo Haryoo Staf urusa Matemata FMIPA UNDIP Alum urusa Matemata
Lebih terperinciAnalisis Pengendalian Kualitas Proses Pengantongan Semen di PT Semen Indonesia (Persero) Tbk dengan Pendekatan Six Sigma
JURNAL SAINS DAN SENI ITS Vol. 4, No., (15) 337-35 (31-98X Prt) D-54 Aalss Pegedala Kualtas Proses Pegatoga Seme d PT Seme Idoesa (Persero) Tb dega Pedeata Sx Sgma Ftrah Idra Cahya, Sr Mumpu Retagsh Jurusa
Lebih terperinciPENELUSURAN KARAKTERISTIK PERILAKU KONSUMEN DENGAN METODE AUTOMATIC INTERACTION DETECTION (AID)
PEELUSURA KARAKTERISTIK PERILAKU KOSUME DEGA METODE AUTOMATIC ITERACTIO DETECTIO AID Agus Rusgyoo Staf Pegajar Prod Statsta Jurusa Matemata FMIPA UDIP Abstract AID methods used to see relato betwee respos
Lebih terperinciBab II Teori Pendukung
Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciAnalisis Pola Hubungan PDRB dengan Faktor Pencemaran Lingkungan di Indonesia Menggunakan Pendekatan Geographically Weighted Regression (GWR)
JURNAL SAINS DAN SENI IS Vol. 5, No., (6) 337-35 (3-98X Prt) D-7 Aalss Pola ubuga PDRB dega Faktor Pecemara Lgkuga d Idoesa Megguaka Pedekata Geographcally Weghted Regresso (GWR) Rza Damayat da Mutah Salamah
Lebih terperinci9. SOAL-SOAL STATISTIKA
9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra
Lebih terperinci9. SOAL-SOAL STATISTIKA
9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) ( X Print) D-277
JURNAL SAINS DAN SENI ITS Vol. 5 No. (06 337-350 (30-98X Prt D-77 Pemodela da Pemetaa Kasus Demam Berdarah Degue d Provs Jawa Tmur Tahu 04 dega Geeralzed Posso Regresso, Regres Bomal Negatf da Flexbly
Lebih terperinciPEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR)
PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR) Supart Taro da Yo Haryoo Staf urusa Matemata FMIPA UNDIP Alum urusa Matemata
Lebih terperinciRegresi TELBS untuk Mengatasi Masalah Pencilan
8th Idustral Research Worshop ad Natoal Semar Polte Neger Badug July 6-7, 017 Regres TEBS utu Megatas Masalah Pecla Nurul Gusra 1, Frdaza, Nov Octavat 3 1,,3 Departeme Matemata FMIPA Uvestas Padjadjara
Lebih terperinciESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP
ESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP Hasb Yas Staf Pegaar Program Stud Statsta FMIPA UNDIP Abstract If X s a predctor varable ad Y s
Lebih terperinciE ax by c ae X be Y c. 6.1 Pengertian Umum
6.1 Pegerta Umum Baya permasalaha yag dataya dyataa oleh lebh dar sebuah varabel. Hubuga atara dua atau lebh varabel dapat dyataa secara matemata sehgga merupaa suatu model yag dapat dguaa utu berbaga
Lebih terperinciPemodelan Kondisi Jaringan Listrik PT. PLN (Persero) Area Surabaya Selatan dengan Analisis Regresi Logistik Ordinal
JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 7-0 (-98X Prt) D86 Pemodela Kods Jarga Lstr PT. PLN (Persero) Area Surabaya Selata dega Aalss Regres Logst Ordal Des Olva Sswadar da Haryoo Dearteme Statsta,
Lebih terperinciLam piran 1 K uesioner
LAMPIAN Lam pra K uesoer KUESIONE PENDAHULUAN Saya adalah mahasswa Uverstas Krste Maraatha Badug sedag megadaa peelta dalam pembuata Tugas Ahr. Maa saya megharapa erasamaya utu megs uesoer, saya megharapa
Lebih terperinciESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP
Estmas Regres No Parametr (Hasb Yas) ESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP Hasb Yas Staf Pegaar Program Stud Statsta FMIPA UNDIP Abstract
Lebih terperinciJurnal EKSPONENSIAL Volume 7, Nomor 1, Mei 2016 ISSN
Jural EKSPONENSIAL Volume 7, Nomor 1, Me 016 ISSN 085-789 Peeraa Geeralzed Posso Regresso I Utu Megatas Overdsers Pada Regres Posso (Stud Kasus: Pemodela Jumlah Kasus Kaer Servs d Provs Kalmata Tmur) Alcato
Lebih terperinciBAB III METODE PENELITIAN
30 BAB III METODE PENELITIAN A. Tujua Peelta Tujua ag g dcapa dalam peelta adalah utu megetahu apaah hasl belajar perserta dd elas IX MP Nusa Bagsa Mragge Dema pada mater poo volume bagu ruag ss legug
Lebih terperinci