PERBANDINGAN GLMM UNIVARIAT, BIVARIAT, DAN REDUKSI DENGAN PCA PADA DATA LONGITUDINAL DENGAN RESPON BIVARIAT
|
|
- Fanny Cahyadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PERBANDINGAN GLMM UNIVARIAT, BIVARIAT, DAN REDUKSI DENGAN PCA PADA DATA LONGITUDINAL DENGAN RESPON BIVARIAT A. A. R. Fernandes 1) dan Solimun 1) 1) Staf Pengajar Program Studi Statistika Jurusan Matematika FMIPA UB ABSTRAK Pada penelitian kuantitatif khususnya penelitian di bidang kesehatan kerap kali menggunakan data longitudinal yang menggunakan pengukuran berulang pada beberapa individu dalam beberapa periode waktu. Salah satu metode yang digunakan untuk data longitudinal dengan respon kuantitatif adalah General Linear Mixed Model (GLMM). Penelitian yang menggunakan dua variabel respon dapat diselesaikan dengan menggunakan tiga metode, yaitu pertama dengan menggunakan kedua peubah respon secara sekaligus dengan Bi-respon GLMM, kedua dengan menggunakan kedua peubah respon secara parsial Unirespon GLMM, dan ketiga menggunakan reduksi PCA-GLMM (Jacqmin-Gadda, 2000, dan Hermanussen, 2008). Penelitian ini menggunakan satu data primer dan satu data simulasi. Sehingga pada penelitian ini akan membandingkan manakah di antara ketiga metode yang terbaik untuk analisis data longitudinal dengan bi-respon menggunakan GLMM univariat, GLMM bivariat, dan PCA-GLMM. Dari hasil penelitian yang dilakukan dapat diambil kesimpulan sebagai berikut: (a) Pada kondisi korelasi rendah (korelasi antara 0.00 hingga 0.30), GLMM univariat lebih layak untuk digunakan. (b) Pada kondisi korelasi sedang (korelasi antara 0.31 hingga 0.60), GLMM Bivariat dan GLMM reduksi PCA sama layak untuk digunakan, dan (c) Pada kondisi korelasi tinggi (korelasi antara 0.61 hingga 0.90), GLMM Bivariat adalah pilihan terbaik dalam membentuk model GLMM pada data longitudinal. Kata kunci: GLMM, Univariat, Bivariat, dan Reduksi PCA ABSTRACT In medical research, eventually researcher using the longitudinal data dealing with repeated measurement in each patient as a subject in several period of time. One of the suitable method dealing with longitudinal data with quantitative response is General Linear Mixed Model (GLMM). There are three method when longitudinal data analysis using two response, the first option using bi-response GLMM, the second option using partial uniresponse GLMM, and the third option using PCA-GLMM (Jacqmin-Gadda, 2000, and Hermanussen, 2008). This research using one primary data and the simulation data. The aim of this research is to compare which one is the best method for bi-respon longitudinal data using univariate-glmm, bivariate- GLMM, and PCA-GLMM. This research obtain that: First, univariate-glmm is the best solution when the condition of correlation between the response around 0.00 until 0.30 (or low correlation), Second, Bivariate- GLMM and PCA-GLMM are the best solution when the condition of correlation between the response around 0.31 until 0.60 (or medium correlation), and Third, Bi-variate GLMM is the best solution when the condition of correlation between the respons aroun 0.61 until 0.90 (or high correlation). Keywords: GLMM, Univariate, Bivariate, dan PCA Reduction PENDAHULUAN Perkembangan analisis data longitudinal sebagai salah satu rumpun di ilmu statistika, semakin meningkat penggunaannya terutama penelitian di bidang kesehatan. Melalui penggabungan data cross-sectional dan data deret waktu, penggunaan data longitudinal lebih informatif, variatif dan lebih unggul dalam mempelajari perubahan dinamis [1]. Menurut Verbeke dan Molenberghs [2], analisis dua tahap (two-stage analysis) merupakan alternatif pendekatan analisis data longitudinal. Analisis ini dilakukan dengan merangkum vektor pengukuran berulang (repeated measurement) untuk setiap unit cross-sectional (subyek) ke dalam bentuk vektor penduga koefisien regresi subyek-spesifik pada tahap pertama dan menghubungkan penduga tersebut dengan peubah bebas yang diketahui menggunakan teknik regresi multipeubah pada tahap kedua. Penggabungan kedua tahap ini ke dalam model statistik tunggal disebut General Linear Mixed Model (GLMM). Pada penelitian bidang kesehatan, kerap kali ditemukan lebih dari satu peubah respon pada hasil observasi yang saling berhubungan dan satu set peubah bebas yang berasal dari pasien yang diteliti dalam beberapa periode waktu dengan respon yang digunakan bersifat kuantitatif. Jacqmin-Gadda, et al. (2000), menganalisis data longitudinal berupa dua peubah respon menggunakan General Linear Mixed Model (GLMM) secara simultan (respon bivariat) dan membandingkannya jika dikerjakan secara parsial (respon univariat). 1
2 Hermanussen M [3] menggunakan reduksi variabel dari bivariat menjadi univariat menggunakan Principal Component Analysis (PCA) sebagai respon dalam General Linear Mixed Model (GLMM). Tujuan dan Manfaat Penelitian Adapun tujuan penelitian yang akan diperoleh adalah sebagai berikut: Mendapatkan model General Linear Mixed Model (GLMM) terbaik di antara respon univariat, multivariat dan reduksi variabel menggunakan PCA Manfaat penelitian adalah sebagai berikut: (1) Sebagai alternatif penyelesaian masalah pada analisis data longitudinal dengan respon ganda, (2) Pemilihan model terbaik pada General Linear Mixed Model (GLMM) diharapkan agar dapat digunakan sebagai alternatif bagi para peneliti di bidang analisis data longitudinal. TINJAUAN TEORI General Linear Mixed Model (GLMM) Verbeke dan Molenberghs [2], data longitudinal pada praktiknya menggunakan fungsi regresi linier pada setiap subyek (subyek-spesifik). Kombinasi analisis dua-tahap ke dalam model statistik tunggal disebut General Linear Mixed Model (GLMM). Diggle, et. al. [4], General Linear Mixed Model (GLMM) diperoleh dari analisis dua tahap, sehingga analisis pendekatannya menggunakan fungsi regresi linier pada setiap subyek (subyek-spesifik). Model General Linear Mixed Model (GLMM), diperoleh: = + + (1) di mana = matriks (n ixp) peubah bebas yang diketahui. Model tersebut mengasumsikan vektor pengukuran berulang (repeated measurements) mengikuti model regresi linier dengan parameter populasispesifik, (yaitu, sama untuk semua subyek) dan parameter subyek-spesifik, diasumsikan bersifat acak sehingga biasa disebut efek acak (Molenbergh dan Verbeke [2]). GLMM dengan Dua Peubah Respon Thiebaut, et al. [5], mendefinisikan General Linear Mixed Model pada dua peubah respon dengan Gaussian adalah model campuran dari komponen acak, orde ke-1 dari auto-regressive, AR(1) dan komponen residual. Misalkan =, merupakan vektor respon untuk subyek i, dengan adalah vektor pengukuran, maka k (k = 1,2) dengan = =. Jika dua data longitudinal bersifat bebas, maka dapat digunakan dua model berikut : = (2) = (3) di mana: ~ N (0, ) dan ~ N (0, ) ~ N(0, ) dan ~ N(0, ) ~ N(0, ) dan ~ N(0, ) = matrik ( x ) peubah bebas yang diketahui = vektor berdimensi berisi efek tetap (fixed effect) = matrik peubah bebas yang diketahui, memodelkan peubah respon disusun berdasarkan waktu untuk subyek ke-i. = vektor efek acak (random effect) berdimensi q, dengan ) = 2n i - (t), proses stokastik yang memungkinkan hubungan antara pengukuran (vektor realisasi orde-1 dari auto-regressive) AR (1). = matrik identitas berdimensi. Menurut Weiss [6], secara umum model General Linear Mixed Model (GLMM) pada dua peubah respon, sebagai berikut: = + + (4) dengan: ~ N(0, ), ~ N(0, ), dan ~ N(0, G) G = matriks peragam pada dua peubah respon. di mana: =, =, =, =, dan 2
3 = adalah 2 yang merupakan vektor realisasi dari proses dua peubah respon. = adalah vektor komponen residual diasumsikan bebas. i = = adalah matrik kovarian dari komponen residual. (t) = adalah fungsi kovarian dari dua peubah respon dengan orde-1 dari auto-regressive yang berasal dari = nilai =, sehingga nilai = r x, dan = r x, adalah nilai exp.simbol merupakan notasi produk Kronecker. Pemilihan Model Terbaik Jika pada hasil pemeriksaan diagnostik terdapat beberapa model yang layak digunakan maka perlu dipilih satu model terbaik yang akan digunakan pada data. Pemilihan model terbaik dapat dilakukan dengan menghitung nilai AIC (Akaike s Information Criterion), dengan rumus : AIC = nln( + 2m (5) di mana: n = banyaknya pengamatan = penduga ragam sisaan. m = banyaknya parameter yang diduga dalam model Model terbaik adalah model yang memiliki nilai AIC terkecil (Thiebaut, et al. [5]). METODE PENELITIAN Data yang diperoleh adalah yang pertama data primer pasien penderita Diabetes Mellitus Tipe 2 yang terdaftar dalam pasien rawat inap di RSSA Malang. Dalam bidang kesehatan, kadar Glukosa Plasma Puasa (FPG) dan kadar Hemoglobin (HbA1c) diketahui saling berkorelasi. Diabetes Mellitus Tipe 2 terutama timbul pada orang dewasa tetapi kadang pada masa remaja dan kebanyakan penderita Diabetes Mellitus Tipe 2 berbadan gemuk. Penelitian ini dilakukan dua terapi pengobatan, yaitu dengan menggunakan terapi oral anti diabetes (OAD) dan terapi insulin. Terapi yang dilakukan penderita Diabetes Mellitus Tipe 2 bertujuan untuk menurunkan kadar Glukosa Plasma Puasa (FPG) antara mg/dl dan kadar Hemoglobin (HbA1c) kurang dari 8%. Kadar HbA1c menunjukkan jumlah gula yang terikat oleh protein di dalam sel darah merah. Karena sel darah merah hidup sampai dengan 3 bulan, maka uji HbA1c menunjukkan kadar gula darah rata-rata selama 3 bulan terakhir. Data kedua adalah data simulasi (bangkitan) dengan berbagai kondisi korelasi antara dua variabel respon yaitu (1) korelasi rendah (nilai mutlak r (koefisien korelasi antara kedua variabel respon) dalam rentang ), (2) korelasi sedang (nilai mutlak r dalam rentang ), dan (3) korelasi tinggi (nilai mutlak r dalam rentang ). 1. Eksplorasi data dari kedua peubah respon secara parsial dan simultan: a. Eksplorasi profil individu. b. Eksplorasi model marginal: Struktur rata-rata (efek tetap), Struktur ragam dan Struktur korelasi dari dua peubah respon. 2. Pembentukan model tentatif dengan penentuan jumlah efek tetap awal dan efek acak sementara ( ET tentatif dan EA tentatif) serta nilai korelasi dari dua peubah respon ( ). 3. Pemeriksaan Pendugaan parameter efek tetap pada model awal menggunakan metode Maximum Likelihood (ML). Apabila diperoleh nilai -2loglikelihood (-2lnL ML) yang konvergen, maka beranjak ke tahap selanjutnya, namun bila kondisi ini tidak dipenuhi kembali ke tahap pembentukan model awal (Tahap 2). 4. Pemeriksaan signifikansi penduga parameter efek tetap pada model awal menggunakan uji F, bila terdapat efek tetap (selain efek tetap waktu) yang tidak signifikan maka kembali ke Tahap 2 dan membentuk kembali model awal tanpa mengikutsertakan efek tetap selain waktu yang tidak signifikan tersebut ke dalam model. 5. Pembentukan model marginal : a. Struktur ragam (efek acak) : b. Struktur rata-rata (efek tetap): 3
4 c. Struktur korelasi 6. Pendugaan model marginal: a. Pendugaan terhadap komponen ragam yang sesuai menggunakan penduga REML. b. Pendugaan parameter efek tetap yang sesuai menggunakan penduga Maximum Likelihood (ML). 7. Pembentukan model akhir. 8. Menghitung nilai AIC. 9. Interpretasi model. Pembentukan model longitudinal dengan dua peubah respon menggunakan General Linear Mixed Model (GLMM) menggunakan bantuan software SAS HASIL DAN PEMBAHASAN Eksplorasi Data Pada data primer pasien penderita Diabetes Mellitus Tipe 2, terdapat dua respon penelitian yaitu: kadar Glukosa Plasma Puasa (FPG) dan kadar Hemoglobin (HbA1c) Eksplorasi Data Kadar Glukosa Plasma Puasa/FPG) Eksplorasi Profil Individu ini menggambarkan bagaimana perubahan respon kadar Glukosa Plasma Puasa (FPG) terhadap waktu pada setiap subyek yang diamati, adapun kesimpulan terhadap keragaman perubahan respon di dalam subyek dan antar subyek merupakan informasi lain yang dapat diperoleh dari eksplorasi ini. Profil individu yang terbentuk disajikan pada Gambar 1. Gambar 1. Profil Individu Respon FPG Dari Gambar 1 menunjukkan perubahan kadar Glukosa Plasma Puasa (FPG) berbeda-beda pada pasien yang diamati pada pengukuran. Profil individu yang terbentuk juga menunjukkan pengaruh perubahan waktu (bulan) terhadap perubahan kadar Glukosa Plasma Puasa (FPG) untuk setiap pasien berbeda. Antara pengamatan pada setiap pasien tidak menunjukkan keragaman yang tinggi, hal ini terlihat dari grafik yang terbentuk untuk setiap pasien memiliki pola yang relatif konstan terhadap waktu. Eksplorasi Distribusi Marjinal dilakukan melalui eksplorasi terhadap struktur rata-rata, struktur ragam dan struktur korelasi. Kesimpulan terhadap efek tetap pada model tentatif akan diperoleh dari hasil eksplorasi struktur rata-rata, sedangkan struktur ragam memberikan kesimpulan awal mengenai perlu atau tidaknya menyertakan efek acak selain efek tetap ke dalam model tentatif. Gambar 2 Struktur Rata-rata Respon FPG Hasil eksplorasi struktur rata-rata data pada Gambar 2 memperlihatkan grafik perubahan waktu (bulan) terhadap perubahan kadar Glukosa Plasma Puasa (FPG) menunjukkan pola linier. Dengan demikian struktur efek tetap waktu linier akan dipertimbangkan pada pembentukan model tentatif pada tahap selanjutnya. Eksplorasi Data Kadar Hemoglobin (HbA1c) Berbeda dengan respon kadar Glukosa Plasma Puasa (FPG), pada respon kadar Hemoglobin (HbA1c) terlihat dari hasil eksplorasi profil individu pada Gambar 3 memperlihatkan ketidakteraturan garis yang terbentuk sebagai hasil penggunaan unit waktu. Adanya perubahan kadar Hemoglobin (HbA1c) setiap waktu 4
5 pengamatan memberikan kesimpulan adanya pengaruh perubahan waktu (bulan) terhadap perubahan kadar Hemoglobin (HbA1c) pada pasien. Gambar 3. Profil Individu Respon HbA1c Hasil eksplorasi struktur rata-rata pada Gambar 3 memperlihatkan grafik yang terbentuk menurun secara linier, hal ini menunjukkan terdapat pengaruh perubahan waktu (bulan) terhadap kadar Hemoglobin (HbA1c). Gambar 4 Struktur Rata-rata Respon HbA1c Pembentukan Model Univariat Respon Kadar Glukosa Plasma Puasa/FPG Hasil pembentukan model univariat respon Kadar Glukosa Plasma Puasa/FPG disajikan pada Tabel 1, hasil tersebut menunjukkan pengujian efek tetap secara parsial menggunakan statistik uji t bagi efek tetap pada terapi oral anti diabetes (OAD) dan insulin. Tabel 1 Pendugaan Parameter Efek Tetap Model Respon FPG Parameter Penduga Std.Error t hitung P-value Intersep <0.0001* Waktu ij <0.0001* Usia i * Keterangan: tanda * menyatakan signifikan pada taraf 5%. Hasil pengujian pada Tabel 1 terlihat bahwa slope waktu signifikan dan negatif. Hal ini mengindikasikan bahwa seiring perubahan waktu, pasien memiliki perubahan respon FPG yang cenderung turun. Pengujian pada peubah penyerta yaitu usia memiliki pengaruh yang signifikan terhadap respon, hal ini memperlihatkan bahwa pasien dengan usia lebih tua memiliki respon FPG yang lebih tinggi daripada pasien dengan usia yang lebih muda. Model akhir diberikan sebagai berikut: = ( ) + ( )Waktuij Model tersebut menjelaskan rata-rata keseluruhan tingkat kadar Glukosa Plasma Puasa (FPG) pada 35 pasien sebelum pengukuran adalah mg/dl dan pengurangan ataupun penambahan kadar Glukosa Plasma Puasa (FPG) pasien tersebut dipengaruhi efek perubahan waktu (bulan). Adapun penambahan 1 tahun usia pasien Diabetes Mellitus Tipe 2, berdasarkan model 4.2 dapat meningkatkan kadar Glukosa Plasma Puasa sebanyak mg/dl. Pembentukan Model Univariat Respon Kedua (Kadar Hemoglobin/HbA1c) Hasil pembentukan model univariat respon kadar Hemoglobin (HbA1c) secara lengkap disajikan pada Lampiran 3. Model akhir disajikan pada Tabel 2, hasil tersebut menunjukkan pengujian efek tetap secara parsial menggunakan statistik uji t bagi efek tetap pada terapi OAD dan insulin. Tabel 2. Pendugaan Parameter Efek Tetap Model Respon HbA1c Parameter Penduga Std.Error t hitung P-value Intersep <.0001* Waktu ij <.0001* Jenis * Kelamin i Usia i * 5
6 Keterangan: tanda * menyatakan signifikan pada taraf 5%. Model akhir diberikan sebagai berikut: = ( ( )Waktu ij Jenis Kelamin i + Model tersebut menjelaskan rata-rata keseluruhan tingkat kadar Hemoglobin (HbA1c) pasien pada 35 pasien sebelum pengukuran adalah % dan pengurangan ataupun penambahan kadar Hemoglobin (HbA1c) pasien tersebut dipengaruhi efek perubahan waktu (bulan). Adapun penambahan 1 tahun usia pasien Diabetes Mellitus Tipe 2, berdasarkan model diatas dapat meningkatkan kadar Hemoglobin sebesar %. Pengujian pada peubah penyerta yaitu jenis kelamin, pengaruh jenis kelamin terhadap respon kadar Hemoglobin (HbA1c) adalah signifikan dan negatif. Jenis kelamin berupa peuabh boneka dengan 0 adalah wanita dan 1 adalah pria, hal ini mengindikasikan bahwa pasien wanita memiliki respon yang lebih baik daripada pasien berjenis kelamin pria. Pembentukan Model Univariat Respon dari hasil Reduksi dengan PCA Hasil pembentukan model univariat respon dari hasil reduksi dengan PCA secara lengkap disajikan pada Lampiran 3. Model akhir disajikan pada Tabel 3, hasil tersebut menunjukkan pengujian efek tetap secara parsial menggunakan statistik uji t bagi efek tetap pada terapi OAD dan insulin. Tabel 3 Pendugaan Parameter Efek Tetap Model dari hasil Reduksi dengan PCA Parameter Penduga Std.Error t hitung P-value Intersep * Waktu ij Jenis * Kelamin i Usia i * Keterangan: tanda * menyatakan signifikan pada taraf 5%. Model akhir diberikan oleh persamaan berikut: = ( ( )Waktu ij Jenis Kelamin i Usia i + e ij Model tersebut menjelaskan rata-rata keseluruhan tingkat dari hasil Reduksi dengan PCA pasien pada 35 pasien sebelum pengukuran adalah % dan pengurangan ataupun penambahan dari hasil Reduksi dengan PCA pasien tersebut dipengaruhi efek perubahan waktu (bulan). Adapun penambahan 1 tahun usia pasien Diabetes Mellitus Tipe 2, berdasarkan model di atas dapat meningkatkan dari Respon hasil Reduksi dengan PCA sebesar %. Pengujian pada peubah penyerta yaitu jenis kelamin, pengaruh jenis kelamin terhadap respon dari hasil Reduksi dengan PCA adalah signifikan dan negatif. Jenis kelamin berupa peuabh boneka dengan 0 adalah wanita dan 1 adalah pria, hal ini mengindikasikan bahwa pasien wanita memiliki respon yang lebih baik daripada pasien berjenis kelamin pria. Model Bivariat Hasil pembentukan model bivariat respon kadar Glukosa Plasma Puasa (FPG) dan kadar Hemoglobin (HbA1c) secara lengkap disajikan pada Lampiran 3. Model akhir disajikan pada Tabel 4, hasil tersebut menunjukkan pengujian efek tetap secara parsial menggunakan statistik uji t bagi efek tetap pada terapi OAD dan insulin. Tabel 4 Pendugaan Parameter Efek Tetap Model Bivariat Parameter Penduga Std.Error t hitung P-value Intersep * Waktu ij <.0001* Usia i * Keterangan: tanda * menyatakan signifikan pada taraf 5%. Pengurangan kadar Glukosa Plasma Puasa (FPG) dan kadar Hemoglobin (HbA1c) pada 35 pasien tersebut dipengaruhi efek perubahan waktu (bulan). Adapun penambahan 1 tahun usia pasien Diabetes Mellitus Tipe 2, berdasarkan model di atas dapat meningkatkan kadar Glukosa Plasma Puasa (FPG) dan kadar Hemoglobin (HbA1c) sebesar Pada dua peubah respon (bivariat) dengan memasukkan dua efek acak slope dapat diberikan pada persamaan berikut: (FPG) = ( ) ( ) + 6
7 (HbA1c) = ( ) ( ) + Perbandingan Model Dua Univariate dan Model Bivariat Secara Keseluruhan Hasil pendugaan parameter dan standard error dari model dua univariate dan bivariat untuk data pasien Diabetes Mellitus Tipe 2 disajikan pada Tabel 5 (Lampiran 1). Berdasarkan Tabel 5 dapat dikatakan bahwa model dua peubah respon (bivariat) memiliki nilai penduga parameter dan nilai standard error yang cenderung kecil. Pemilihan model terbaik ini dapat ditunjukkan dengan nilai AIC (Akaike Information Criterion ) pada Tabel 5. Dari Tabel 5 dapat diketahui bahwa untuk perbandingan keseluruhan model, GLMM dengan respon bivariat adalah model yang paling sesuai untuk digunakan pada data longitudinal 35 pasien Diabetes Mellitus Tipe 2 dengan dua peubah respon yang saling berkorelasi. Perbandingan Model GLMM Pada Data Simulasi Data kedua adalah data simulasi (bangkitan) dengan berbagai kondisi korelasi antara dua variabel respon yaitu (simulasi 1) korelasi rendah (nilai mutlak r (koefisien korelasi antara kedua variabel respon) dalam rentang ), (simulasi 2) korelasi sedang (nilai mutlak r dalam rentang ), dan (simulasi 3) korelasi tinggi (nilai mutlak r dalam rentang ). Dua variabel respon yang digunakan adalah sama dengan data pertama yaitu kadar FPG dan kadar HbA1c. Tabel 6 pada Lampiran nilai AIC untuk ketiga model yaitu univariat, reduksi dengan PCA, dan bivariat pada 10 data simulasi 1 hingga 3. Dari Tabel 6 memperlihatkan bahwa pada kondisi korelasi antar respon pada data simulasi 1 pada kondisi korelasi rendah yaitu berkisar antara 0.0 hingga 0.30, model terbaik yaitu yang menghasilkan nilai AIC terkecil adalah model GLMM univariat, yaitu pembentukan model secara parsial dari kedua respon pengamatan. Pada data simulasi 2, yaitu dengan kondisi korelasi sedang yaitu berkisar antara 0.31 hingga 0.60, terlihat bahwa model GLMM Bivariat dan GLMM reduksi PCA secara keseluruhan memiliki nilai AIC yang lebih baik dibandingkan model GLMM Univariat. Dapat dikatakan pada kondisi korelasi sedang, model GLMM Bivariat maupun GLMM reduksi PCA sama baiknya, karena memiliki nilai AIC yang cenderung hampir sama. Pada data simulasi 3, yaitu dengan korelasi tinggi yaitu berkisar antara 0.61 hingga 0.90, memberikan hasil yang hampir sama dengan data simulasi 2, akan tetapi terlihat dengan jelas bahwa model GLMM Bivariat memiliki nilai AIC yang jauh lebih kecil dibandingkan GLMM reduksi PCA. Dapat disimpulkan, pada kondisi korelasi rendah, GLMM univariat lebih layak untuk digunakan. Pada kondisi korelasi sedang, GLMM Bivariat dan GLMM reduksi PCA sama layak untuk digunakan, dan pada kondisi korelasi tinggi, GLMM Bivariat adalah pilihan terbaik dalam membentuk model GLMM pada data longitudinal. KESIMPULAN DAN SARAN Kesimpulan Dari hasil penelitian yang dilakukan dapat diambil kesimpulan sebagai berikut: pada data simulasi (a) Pada kondisi korelasi rendah (korelasi antara 0.00 hingga 0.30), GLMM univariat lebih layak untuk digunakan. (b) Pada kondisi korelasi sedang (korelasi antara 0.31 hingga 0.60), GLMM Bivariat dan GLMM reduksi PCA sama layak untuk digunakan, dan (c) Pada kondisi korelasi tinggi (korelasi antara 0.61 hingga 0.90), GLMM Bivariat adalah pilihan terbaik dalam membentuk model GLMM pada data longitudinal. Saran Dari hasil penelitian ini disarankan beberapa hal sebagai berikut: 1. GLMM Univariat, Bivariat, dan Reduksi PCA dapat digunakan sebagai penyelesaian masalah pada analisis data longitudinal dengan respon ganda, pada berbagai kondisi korelasi antar respon. 2. Pada penelitian selanjutnya disarankan untuk menggunakan respon multivariat yaitu respon yang menggunakan lebih dari dua. Karena pada beberapa penelitian di bidang kesehatan, tidak sedikit yang menggunakan respon lebih dari dua. DAFTAR PUSTAKA 1. Hedeker, D. dan R.D. Gibbons Longitudinal Data Analysis. John Wiley & Sons. New York. 2. Verbekke.G., dan Molenberghs.G Linear Mixed Model for Longitudinal Data. Springer Series in statistics. New York:Springer Verlag. 3. Hermanussen, M Principal Components in the Analysis of Longitudinal Growth Data. 7
8 4. Diggle, P. J., P. J. Heagerty, K. Y. Liang, dan S. L. Zeger, Analysis Of Longitudinal Data. Second Edition. Oxford University Press Inc., New York. 5. Thiebaut, R., Jacqmin-Gadda H., Leport C., Katlama C., Costagliola D., Moing V.L., Morlat P., Chene G Bivariate Longitudinal Model for the Analysis of the Evolution of HIV RNA and CD4 Cel Count in HIV Infection Taking Into Account Left Censoring of HIV RNA Measures. Journal of Biopharmaceutical Statistics Vol 13, No. 2. Page Weiss, R. E Modeling Longitudinal Data. Springer Texts in Statistic New York. 8
9 Lampiran 1. Tabel 5. Perbandingan Pendugaan Parameter dan Standard Error Peubah FPG (Satu Respon) HbA1c (Satu Respon) Reduksi PCA (Satu Respon) Bivariat (Dua Respon) Duga S.E. Duga S.E. Duga S.E. Duga S.E. Terapi Usia i Waktu i AIC Tabel 6. Nilai AIC Pada Ketiga Data Simulasi Data Simulasi 1 (r ) Simulasi 2 (r ) Simulasi 3 (r ) Reduksi PCA Bi-variat Reduksi PCA Bi-variat Univariat Univariat Univariat Reduksi PCA Bi-variat Rerata
SBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n
SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi
Lebih terperinciModel Cox Extended dengan untuk Mengatasi Nonproportional Hazard pada Kejadian Bersama
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Model Cox Extended dengan untuk Mengatasi Nonproportional Hazard pada Kejadian Bersama Anita Nur Vitriana, Rosita Kusumawati Program Studi
Lebih terperinciKata Kunci: Analisis Regresi Linier, Penduga OLS, Penduga GLS, Autokorelasi, Regresor Bersifat Stokastik
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 168 176 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN PENDUGA ORDINARY LEAST SQUARES (OLS) DAN GENERALIZED LEAST SQUARES (GLS) PADA MODEL REGRESI
Lebih terperinciGEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH
GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH SKRIPSI Disusun Oleh : NURMALITA SARI 240102120008 DEPARTEMEN STATISTIKA FAKULTAS
Lebih terperinciPENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
Lebih terperinciHASIL DAN PEMBAHASAN
3 HASIL DAN PEMBAHASAN Analisis Dekriptif Analisis deskripsi merupakan teknik eksplorasi data untuk melihat pola data secara umum. Dari data TIMSS 7 rata-rata capaian matematika siswa Indonesia sebesar
Lebih terperinci(α = 0.01). Jika D i > , maka x i atau pengamatan ke-i dianggap pencilan (i = 1, 2,..., 100). HASIL DAN PEMBAHASAN
4 karena adanya perbedaan satuan pengukuran antar peubah. 1.. Memastikan tidak adanya pencilan pada data dengan mengidentifikasi adanya pencilan pada data. Pengidentifikasian pencilan dilakukan dengan
Lebih terperinciESTIMASI PARAMETER MODEL TAHAP AWAL AR(1) REGRESI RESPON BINER LONGITUDINAL. Rohmatul Fajriyah FMIPA UII Yogyakarta dan Subanar FMIPA UGM Yogyakarta
JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, 78-87, Desember 2002, ISSN : 40-858 ESTIMASI PARAMETER MODEL TAHAP AWAL AR( REGRESI RESPON BINER LONGITUDINAL Rohmatul Fajriyah FMIPA UII Yogyakarta dan Subanar
Lebih terperinciPEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG. Indahwati, Yenni Angraeni, Tri Wuri Sastuti
S-25 PEMODELAN REGRESI TIGA LEVEL PADA DATA PENGAMATAN BERULANG Indahwati, Yenni Angraeni, Tri Wuri Sastuti Departemen Statistika FMIPA IPB Email : Indah_stk@yahoo.com Abstrak Pemodelan multilevel adalah
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman 907-916 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN REGRESI LINIER MULTIVARIAT DENGAN METODE PEMILIHAN
Lebih terperinciE-Jurnal Matematika Vol. 4 (2), Mei 2015, pp ISSN:
PENERAPAN REGRESI PROBIT BIVARIAT UNTUK MENDUGA FAKTOR-FAKTOR YANG MEMENGARUHI KELULUSAN MAHASISWA (Studi Kasus: Mahasiswa Fakultas MIPA Unversitas Udayana) Ni Gusti Ketut Trisna Pradnyantari 1, I Komang
Lebih terperinciPEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN. Mike Susmikanti *
PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN Mike Susmikanti * ABSTRAK PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN. Pemodelan dalam penelitian berbagai bidang khususnya bidang industri, merupakan kebutuhan
Lebih terperinciSIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS
SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.
Lebih terperinciPERBANDINGAN REGRESI KOMPONEN UTAMA DAN ROBPCA DALAM MENGATASI MULTIKOLINEARITAS DAN PENCILAN PADA REGRESI LINEAR BERGANDA
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 1-5 ISSN: 2303-1751 PERBANDINGAN REGRESI KOMPONEN UTAMA DAN ROBPCA DALAM MENGATASI MULTIKOLINEARITAS DAN PENCILAN PADA REGRESI LINEAR BERGANDA NI WAYAN
Lebih terperinciBAB III MODEL REGRESI DATA PANEL. Pada bab ini akan dikemukakan dua pendekatan dari model regresi data
BAB III MODEL REGRESI DATA PANEL Pada bab ini akan dikemukakan dua pendekatan dari model regresi data panel, yaitu pendekatan fixed effect dan pendekatan random effect yang merupakan ide pokok dari tugas
Lebih terperinciPEMODELAN REGRESI 2-LEVEL DENGAN METODE ITERATIVE GENERALIZED LEAST SQUARE (IGLS) (Studi Kasus: Tingkat pendidikan Anak di Kabupaten Semarang)
PEMODELAN REGRESI 2-LEVEL DENGAN METODE ITERATIVE GENERALIZED LEAST SQUARE (IGLS) (Studi Kasus: Tingkat pendidikan Anak di Kabupaten Semarang) SKRIPSI Oleh: DYAN ANGGUN KRISMALA NIM: J2E 009 040 JURUSAN
Lebih terperinciGENERALIZED CROSS VALIDATION DALAM REGRESI SMOOTHING SPLINE
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 3 (2013), hal 191 196. GENERALIZED CROSS VALIDATION DALAM REGRESI SMOOTHING SPLINE Andi Sayuti, Dadan Kusnandar, Muhlasah Novitasari Mara
Lebih terperinciBAB II TINJAUAN PUSTAKA. level, model regresi tiga level, penduga koefisien korelasi intraclass, pendugaan
6 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini yaitu analisis regresi, analisis regresi multilevel, model regresi dua level, model regresi tiga
Lebih terperinci3. METODE. Kerangka Pemikiran
25 3. METODE 3.1. Kerangka Pemikiran Berdasarkan hasil-hasil penelitian terdahulu serta mengacu kepada latar belakang penelitian, rumusan masalah, dan tujuan penelitian maka dapat dibuat suatu bentuk kerangka
Lebih terperinciESTIMASI PARAMETER PADA MODEL REGRESI LINIER MULTILEVEL DENGAN METODE RESTRICTED MAXIMUM LIKELIHOOD (REML) abang Semarang SKRIPSI.
ESTIMASI PARAMETER PADA MODEL REGRESI LINIER MULTILEVEL DENGAN METODE RESTRICTED MAXIMUM LIKELIHOOD (REML) abang Semarang PT Jasa Marga ro) C SKRIPSI Disusun Oleh : ISNI RAKHMI DIANTI J2E 006 018 PROGRAM
Lebih terperinciPEMODELAN PRINCIPAL COMPONENT REGRESSION DENGAN SOFTWARE R
PEMODELAN PRINCIPAL COMPONENT REGRESSION DENGAN SOFTWARE R Margaretha Ohyver Mathematics & Statistics Department, School of Computer Science, Binus University Jln. K.H. Syahdan No. 9, Palmerah, Jakarta
Lebih terperinciBAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari
BAB III MODEL STATE-SPACE 3.1 Representasi Model State-Space Representasi state space dari suatu sistem merupakan suatu konsep dasar dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1. Pengumpulan Data Panel Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari Badan Pusat Statistik Provinsi Jawa Tengah. Data yang
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Dalam penelitian bidang kesehatan melibatkan makhluk hidup sebagai responden atau subjek yang diteliti, terutama manusia. Ketika kita memperhatikan
Lebih terperinciBAB II TINJAUAN PUSTAKA. variabel prediktor terhadap variabel respons. Hubungan fungsional
BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Dalam ilmu statistika, metode yang dapat digunakan untuk menganalisis pola hubungan antara satu variabel atau lebih dengan satu variabel atau lebih lainnya
Lebih terperinciBAB III. Model Regresi Linear 2-Level. Sebuah model regresi dikatakan linear jika parameter-parameternya bersifat
BAB III Model Regresi Linear 2-Level Sebuah model regresi dikatakan linear jika parameter-parameternya bersifat linear. Untuk data berstruktur hirarki 2 tingkat, analisis regresi yang dapat digunakan adalah
Lebih terperinciPENDEKATAN MODEL MULTILEVEL UNTUK DATA REPEATED MEASURES
PENDEKATAN MODEL MULTILEVEL UNTUK DATA REPEATED MEASURES Bertho Tantular 1 S-1 1 Jurusan Statistika FMIPA Universitas Padjadjaran 1 bertho@unpad.ac.id Abstrak Data yang diperoleh dari pengukuran berulang
Lebih terperinciBAB III METODE PENELITIAN
28 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini berupa data sekunder, yaitu berkaitan dengan data yang waktu dikumpulkannya bukan (tidak harus) untuk
Lebih terperinci3 METODE. 3.1 Data = 0 1. time 0, =1, 2,,, =1, 2,, dengan n = 100 dan m = 5.
11 3 METODE 3.1 Data Data dalam penelitian ini terdiri dari dua sumber yaitu data simulasi dan data terapan. Data simulasi berguna untuk mengukur kinerja penduga kekar Huber pada data longitudinal. Data
Lebih terperinciMODEL REGRESI PROBIT BIVARIAT
MODEL REGRESI PROBIT BIVARIAT NURFIDAH DWITIYANTI Program Studi Teknik Informatika Fakultas Teknik, Matematika dan Ilmu Pengetahuan Alam Universitas Indraprasta PGRI Jl. Nangka No. 58 C, Tanjung Barat,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinciANALISIS RAGAM SKOR KOMPONEN UTAMA PADA PERCOBAAN RESPONS-GANDA. Bahriddin Abapihi 1)
Bahriddin Abapihi//Paradigma, Vol.15 No.1 Pebruari 2011 hlm.11 18 11 ANALISIS RAGAM SKOR KOMPONEN UTAMA PADA PERCOBAAN RESPONS-GANDA Bahriddin Abapihi 1) 1) Jurusan Matematika FMIPA, Universitas Haluoleo,
Lebih terperinciBAB 2 LANDASAN TEORI Pengertian Data Deret Berkala
BAB 2 LANDASAN TEORI 2.1. Pengertian Data Deret Berkala Suatu deret berkala adalah himpunan observasi yang terkumpul atau hasil observasi yang mengalami peningkatan waktu. Data deret berkala adalah serangkaian
Lebih terperinciUniversitas Negeri Malang E-mail: livia.mat09@gmail.com
1 APLIKASI ANALISIS REGRESI KOMPONEN UTAMA TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI PENYAKIT DIABETES MELLITUS (Studi Kasus di Puskesmas Tempeh Kab. Lumajang) Universitas Negeri Malang E-mail: livia.mat09@gmail.com
Lebih terperinciSeminar Tugas Akhir. Dosen Pembimbing : Prof. Dr. Drs. I Nyoman Budiantara, MS
Seminar Tugas Akhir Oleh: Dhina Oktaviana P 1307 100 068 Dosen Pembimbing : Prof. Dr. Drs. I Nyoman Budiantara, MS JURUSAN STATISTIKA Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh
Lebih terperinciTINJAUAN PUSTAKA TIMSS 2007
3 TINJAUAN PUSTAKA TIMSS 007 TIMSS ( Trends in Mathematics and Science Study) merupakan penelitian yang dilakukan oleh IEA (International Association for the Evaluation of Educational Achievement) yang
Lebih terperinciBAB III METODOLOGI PENELITIAN. 1. Apakah investasi mempengaruhi kesempatan kerja pada sektor Industri alat
43 BAB III METODOLOGI PENELITIAN A. Tujuan Penelitian Berdasarkan masalah-masalah yang telah peneliti rumuskan, maka tujuan penelitian ini adalah untuk mengetahui: 1. Apakah investasi mempengaruhi kesempatan
Lebih terperinciKlasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan
Statistika, Vol. 15 No. 2, 87-97 November 215 Klasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan Fitriana A.R. 1, Nurhasanah 2, Ririn Raudhatul
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO
Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas
Lebih terperinciPERLUASAN REGRESI COX DENGAN PENAMBAHAN PEUBAH TERIKAT-WAKTU
E-Jurnal Matematika Vol. 3 3), Agustus 2014, pp. 86-91 ISSN: 2303-1751 PERLUASAN REGRESI COX DENGAN PENAMBAHAN PEUBAH TERIKAT-WAKTU Luh Putu Ari Dewiyanti 1, Ni Luh Putu Suciptawati 2, I Wayan Sumarjaya
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam proses penelitian untuk mengkaji karakteristik penduga GMM pada data
5 II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga GMM pada data panel ini, penulis menggunakan definisi, teorema dan konsep dasar yang berkaitan dengan pendugaan parameter,
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS)
FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS) Yuditia Ari Prabowo, Yuliana Susanti, dan Santoso Budi Wiyono
Lebih terperinciPeranan dari Pemilihan Level sebagai Referensi pada Variabel Bebas Bertipe Kategori terhadap Derajat Multikolinieritas dalam Model Regresi Linier
Prosiding Statistika ISSN: 2460-6456 Peranan dari Pemilihan Level sebagai Referensi pada Variabel Bebas Bertipe Kategori terhadap Derajat Multikolinieritas dalam Model Regresi Linier 1 Seny Mustikawati,
Lebih terperinciBAB I. PENDAHULUAN. 1.1 Pengertian Ekonometrika. 1.2 Ekonometrika Merupakan Suatu Ilmu
1.1 Pengertian Ekonometrika BAB I. PENDAHULUAN Apakah ekonometrika itu?. Ekonometrika berarti pengukuran masalah ekonomi (economic measurement) secara kuantitatif. Walaupun pengukuran merupakan bagian
Lebih terperinciPERAMALAN DATA NILAI EKSPOR NON MIGAS INDONESIA KE WILAYAH ASEAN MENGGUNAKAN MODEL EGARCH
PERAMALAN DATA NILAI EKSPOR NON MIGAS INDONESIA KE WILAYAH ASEAN MENGGUNAKAN MODEL EGARCH, Universitas Negeri Malang E-mail: die_gazeboy24@yahoo.com Abstrak: Penelitian ini bertujuan untuk mengetahui model
Lebih terperinciBAB II TINJAUAN PUSTAKA. keuntungan atau coumpouding. Dari definisi di atas dapat disimpulkan bahwa
BAB II TINJAUAN PUSTAKA 2.1 Pengertian Investasi Menurut Fahmi dan Hadi (2009) investasi merupakan suatu bentuk pengelolaan dana guna memberikan keuntungan dengan cara menempatkan dana tersebut pada alokasi
Lebih terperinciLOGO SEMINAR TUGAS AKHIR. Oleh : Rifdatur Rusydiyah Dosen Pembimbing : DR. Subiono, M.Sc
LOGO SEMINAR TUGAS AKHIR Oleh : Rifdatur Rusydiyah 1206 100 045 Dosen Pembimbing : DR. Subiono, M.Sc JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan statistik sebagai alat bantu untuk mengambil keputusan yang lebih baik telah mempengaruhi hampir seluruh aspek kehidupan. Setiap orang, baik sadar maupun
Lebih terperinciKata Kunci : Common Effect, Fixed Effect, Tingkat Kesejahteraan Masyarakat (IPM), Regresi Data Panel
Judul Nama Pembimbing : Analisis Tingkat Kesejahteraan Masyarakat Kabupaten/Kota di Provinsi Bali : Kadek Ari Lestari : 1. Ir. I Putu Eka Nila Kencana, M.T. 2. Ir. I Komang Gde Sukarsa, M.Si. ABSTRAK Penelitian
Lebih terperinciMinggu XI ANALISIS KOMPONEN UTAMA. Utami, H
Minggu XI ANALISIS KOMPONEN UTAMA Utami, H Outline 1 Pendahuluan 2 Tujuan 3 Analisis Komponen Utama 4 Contoh Utami, H Minggu XIANALISIS KOMPONEN UTAMA 2 / 16 Outline 1 Pendahuluan 2 Tujuan 3 Analisis Komponen
Lebih terperinciBAB III METODE PENELITIAN. tahun mencakup wilayah kabupaten dan kota di Provinsi Jawa Timur.
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder periode tahun 2001-2010 mencakup wilayah kabupaten dan kota di Provinsi Jawa Timur. Kabupaten
Lebih terperinciIII. METODE PENELITIAN. series dan (2) cross section. Data time series yang digunakan adalah data tahunan
29 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder berupa data panel, yaitu data yang terdiri dari dua bagian : (1)
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi
Lebih terperinciMENGATASI MULTIKOLINEARITAS MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS (PCA)
MENGATASI MULTIKOLINEARITAS MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS (PCA) Laporan Praktikum ke-2 Disusun untuk Memenuhi Laporan Praktikum Analisis Regresi Lanjutan Oleh Nama : Faisyal Nim : 125090507111001
Lebih terperinciPEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION
PEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION SKRIPSI Disusun Oleh : DEPY VERONICA 24010212140035 DEPARTEMEN STATISTIKA
Lebih terperinciPERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN
E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751 PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN NI PUTU NIA IRFAGUTAMI 1, I GUSTI
Lebih terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciBAB III METODE PENELITIAN. untuk menganalisis pengaruh PMDN dan Tenaga Kerja terhadap Produk
BAB III METODE PENELITIAN A. Lokasi Penelitian Dalam penelitian ini, Indonesia dijadikan sebagai objek penelitian untuk menganalisis pengaruh PMDN dan Tenaga Kerja terhadap Produk Domestik Regional Bruto
Lebih terperinciJurnal Gradien Vol. 10 No. 1 Januari 2014 : 957-962 Analisis Model Regresi Linear Berganda dengan Metode Response Surface * Henoh Bayu Murti, Dian Kurniasari, Widiarti Jurusan Matematika, Fakultas Matematika
Lebih terperinci4 HASIL DAN PEMBAHASAN
16 4 HASIL DAN PEMBAHASAN Pada bab ini dibahas mengenai kajian simulasi dan kajian terapan. Simulasi dilakukan untuk mengevaluasi penduga yang diperoleh dengan menggunakan metode pendugaan klasik dan metode
Lebih terperinciBAB III PEMBAHASAN. extended untuk mengatasi nonproportional hazard dan penerapannya pada kasus
BAB III PEMBAHASAN BAB III PEMBAHASAN Pada Bab III ini akan dibahas tentang prosedur pembentukan model Cox extended untuk mengatasi nonproportional hazard dan penerapannya pada kasus kejadian bersama yaitu
Lebih terperinciBAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
BAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION 3.1 Mixed Geographically Weighted Regression Model Mixed Geographically Weighted Regression merupakan model kombinasi atau gabungan antara regresi global
Lebih 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 terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Banyak jenis data memiliki struktur hirarki, tercluster, atau bersarang (nested). Hirarki tersebut dapat hadir secara alami dalam pengamatan observasional
Lebih terperinciModel Vector Autoregressive-Generalized Space Time Autoregressive
Model Vector Autoregressive-Generalized Space Time Autoregressive Hilma Mutiara Winata 1), Entit Puspita 2), Fitriani Agustina 3) 1), 2), 3) Departemen Pendidikan Matematika FPMIPA UPI *Surel: hilmamutiarawinata@gmail.com
Lebih terperinciSTUDI KAUSALITAS GRANGER ANTARA NILAI TUKAR RUPIAH TERHADAP USD DAN AUD MENGGUNAKAN ANALISIS VAR
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA Fakultas MIPA, Universitas Negeri Yogyakarta, 16 Mei 2009 STUDI KAUSALITAS GRANGER ANTARA NILAI TUKAR RUPIAH TERHADAP USD DAN AUD MENGGUNAKAN
Lebih terperinciMETODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 3 (2014), hal 163-168. METODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Lebih terperinciDAFTAR ISI. LEMBAR PERSETUJUAN... ii. PERNYATAAN KEASLIAN PENELITIAN... v. ABSTRAK... vi. ABSTRACT... vii. RINGKASAN... viii. SUMMARY...
DAFTAR ISI Halaman SAMPUL DALAM... i LEMBAR PERSETUJUAN... ii PENETAPAN PANITIA PENGUJI... iii KATA PENGANTAR... iv PERNYATAAN KEASLIAN PENELITIAN... v ABSTRAK... vi ABSTRACT... vii RINGKASAN... viii SUMMARY...
Lebih terperinciMetode Regresi Ridge dengan Iterasi HKB dalam Mengatasi Multikolinearitas
Vol. 14, No. 1, 93-99, Juli 2017 Metode Regresi Ridge dengan Iterasi HKB dalam Mengatasi Multikolinearitas Nurhasanah Abstrak Regresi berganda dengan peubah bebas saling berkorelasi (multikolinearitas)
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Banyak metode yang dapat digunakan untuk menganalisis data atau informasi pada suatu pengamatan. Salah satu metode statistik yang paling bermanfaat dan paling sering
Lebih terperinciJURNAL GAUSSIAN, Volume 2, Nomor 2, April 2013, Halaman Online di:
JURNAL GAUSSIAN, Volume, Nomor, April 013, Halaman 119-18 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN KOEFISIEN KORELASI KANONIK DAN INTERPRETASI FUNGSI KANONIK MULTIVARIAT Muhamad
Lebih terperinciBAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT
BAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT Model fungsi transfer multivariat merupakan gabungan dari model ARIMA univariat dan analisis regresi berganda, sehingga menjadi suatu model yang mencampurkan pendekatan
Lebih terperinciMETODE PARTIAL LEAST SQUARES UNTUK MENGATASI MULTIKOLINEARITAS PADA MODEL REGRESI LINEAR BERGANDA
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 3 (2014), hal 169 174. METODE PARTIAL LEAST SQUARES UNTUK MENGATASI MULTIKOLINEARITAS PADA MODEL REGRESI LINEAR BERGANDA Romika Indahwati,
Lebih terperinciModel Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur M.Fariz Fadillah Mardianto,
Lebih terperinciAnalisis Model Regresi Linear Berganda dengan Metode Response Surface
Jurnal Gradien Vol. 10 No. 1 Januari 2014 : 957-962 Analisis Model Regresi Linear Berganda dengan Metode Response Surface * Henoh Bayu Murti, Dian Kurniasari, Widiarti Jurusan Matematika, Fakultas Matematika
Lebih terperinciKetakbiasan Dalam Model Analisis Faktor Konfirmatori Pada Metode Pendugaan Maximum Likelihood Untuk Data Ordinal
Prosiding Semirata FMIPA Universitas Lampung, 2013 Ketakbiasan Dalam Model Analisis Faktor Konfirmatori Pada Metode Pendugaan Maximum Likelihood Untuk Data Ordinal Wiwik Sudestri, Eri Setiawan dan Nusyirwan
Lebih terperinciBAB I PENDAHULUAN. atau tidak semua T1 T2 TN. sehingga banyaknya. keseluruhan observasi data panel adalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Data panel merupakan gabungan data periode (time series) dan data objek (cross section). Data cross section adalah data yang dikumpulkan dalam satu waktu terhadap
Lebih terperinciMODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 33 41 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Lebih terperinciMETODE PENELITIAN. Variabel-variabel yang digunakan dalam penelitian Respon PDB terhadap shock
40 III. METODE PENELITIAN Variabel-variabel yang digunakan dalam penelitian Respon PDB terhadap shock kredit perbankan, pembiayaan pada lembaga keuangan non bank dan nilai emisi saham pada pasar modal
Lebih terperinciREGRESI SPLINE BIRESPON UNTUK MEMODELKAN KADAR GULA DARAH PENDERITA DIABETES MELITUS
REGRESI SPLINE BIRESPON UNTUK MEMODELKAN KADAR GULA DARAH PENDERITA DIABETES MELITUS Dhina Oktaviana P, I Nyoman Budiantara Mahasiswa Jurusan Statistika ITS Surabaya, Dosen Jurusan Statistika ITS Surabaya
Lebih terperinciMasalah Overdispersi dalam Model Regresi Logistik Multinomial
Statistika, Vol. 16 No. 1, 29 39 Mei 2016 Masalah Overdispersi dalam Model Regresi Logistik Multinomial Annisa Lisa Nurjanah, Nusar Hajarisman, Teti Sofia Yanti Prodi Statistika, Fakultas Matematika dan
Lebih terperinciKAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN SIX SIGMA. Victoria Dwi Murti 1, Sudarno 2, Suparti 3
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 241-248 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN
Lebih terperinciSIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY KRIGING DENGAN TEKNIK JACKKNIFE
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 333-342 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian SIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY
Lebih terperinciPendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi
Statistika, Vol. No., Mei Pendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi MARZUKI, HIZIR SOFYAN, ASEP RUSYANA Jurusan Matematika FMIPA Universitas Syiah Kuala Jl.
Lebih terperinciPemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah
Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu
Lebih terperinciESTIMASI KURVA REGRESI PADA DATA LONGITUDINAL DENGAN WEIGHTED LEAST SQUARE
ESTIMASI KURVA REGRESI PADA DATA LONGITUDINAL DENGAN WEIGHTED LEAST SQUARE Dian Ragil P.. Abstrak Model varying-coefficient pada data longitudinal akan dikaji dalam proposal ini. Hubungan antara variabel
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Dalam penelitian suatu bidang yang melibatkan makhluk hidup terutama manusia sebagai respon atau subjek yang diteliti tentunya harus memperhatikan
Lebih terperinciESTIMASI KOMPONEN VARIAN PADA RANCANGAN ACAK KELOMPOK DENGAN MODIFIKASI HARTLEY-ROU
ESTIMASI KOMPONEN VARIAN PADA RANCANGAN ACAK KELOMPOK DENGAN MODIFIKASI HARTLEY-ROU Lismayani Usman 1, Raupong 2, Andi Kresna Jaya 3 Program studi Statistika, Jurusan Matematika, FMIPA, Universitas Hasanuddin
Lebih terperinciPENAKSIRAN PARAMETER MODEL REGRESI POISSON DENGAN METODE EXACT GENERALIZED ESTIMATING EQUATIONS (EGEE) UNTUK MULTIPLE-RANDOM EFFECTS
PENAKSIRAN PARAMETER MODEL REGRESI POISSON DENGAN METODE EXACT GENERALIZED ESTIMATING EQUATIONS (EGEE) UNTUK MULTIPLE-RANDOM EFFECTS Anisah Nurul Hayati Pembimbing : Dr. Yekti Widyaningsih, M.Si dan Dr.
Lebih terperinciISSN: X 27 MODEL COX EXTENDED UNTUK MENGATASI NONPROPORTIONAL HAZARD PADA KEJADIAN BERSAMA
ISSN: 067X 7 MODEL COX EXTENDED UNTUK MENGATASI NONPROPORTIONAL HAZARD PADA KEJADIAN BERSAMA Anita Nur Vitriana a, Rosita Kusumawati b a Program Studi Matematika FMIPA UNY Jl. Colombo No. Yogyakarta, anitavtrn@gmail.com
Lebih terperinciGEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 717-726 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS
Lebih terperinciS 10 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis)
PROSIDING ISBN : 978 979 6353 6 3 S 0 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis) Wirayanti ), Adi Setiawan ), Bambang Susanto
Lebih terperinciBAB I Pendahuluan. 1. Mengetahui pengertian penelitian metode regresi. 2. Mengetahui contoh pengolahan data menggunakan metode regresi.
BAB I Pendahuluan 1.1. Latar belakang Sepanjang sejarah umat manusia, orang melakukan penelitian tentang ada tidaknya hubungan antara dua hal, fenomena, kejadian atau lainnya. Dan ada tidaknya pengaruh
Lebih terperinciIII.METODE PENELITIAN. Penelitian ini merupakan penelitian kuantitatif, karena penelitian ini
43 III.METODE PENELITIAN A. Jenis dan Sumber Data Penelitian ini merupakan penelitian kuantitatif, karena penelitian ini disajikan dengan angka-angka. Hal ini sesuai dengan pendapat Arikunto (2006) yang
Lebih terperinciANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI MAHASISWA
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 ANALISIS FAKTOR TERHADAP DATA PENGGUNAAN WEB PERSONAL DOSEN ITS DAN PERBANDINGAN TERHADAP PENCAPAIAN IPK DAN LAMA STUDI
Lebih terperinciPERAMALAN DATA SAHAM S&P 500 INDEX MENGGUNAKAN MODEL TARCH
PERAMALAN DATA SAHAM S&P 500 INDEX MENGGUNAKAN MODEL TARCH Universitas Negeri Malang E-mail: abiyaniprisca@ymail.com Abstrak: Penelitian ini bertujuan untuk mengetahui model peramalan terbaik dari data
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Regresi logistik digunakan untuk memprediksi variabel respon yang biner dengan satu set variabel penjelas (prediktor). Estimasi parameter dapat menjadi tidak
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER I Ketut Putra Adnyana 1, I Wayan Sumarjaya 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas FMIPA
Lebih terperinciESTIMASI PARAMETER MODEL MIXTURE AUTOREGRESSIVE (MAR) MENGGUNAKAN ALGORITMA EKSPEKTASI MAKSIMISASI (EM) Abstract
Estimasi Parameter (Mika Asrini) ESTIMASI PARAMETER MODEL MIXTURE AUTOREGRESSIVE (MAR) MENGGUNAKAN ALGORITMA EKSPEKTASI MAKSIMISASI (EM) Mika Asrini 1, Winita Sulandari 2, Santoso Budi Wiyono 3 1 Mahasiswa
Lebih terperinciKetakbiasan Dalam Model Analisis Faktor Konfirmatori Pada Metode Pendugaan Kuadrat Terkecil Tak Terboboti (Unweighted Least Square) Untuk Data Ordinal
Prosiding Semirata FMIPA Universitas Lampung, 2013 Ketakbiasan Dalam Model Analisis Faktor Konfirmatori Pada Metode Pendugaan Kuadrat Terkecil Tak Terboboti (Unweighted Least Square) Untuk Data Ordinal
Lebih terperinci