(DS.5) MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER
|
|
- Hengki Dharmawijaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 (DS.5) MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER (Kasus : Pendugaan Proporsi Keluarga Miskin Di kabupaten Jember Jawa Timur) Etis Sunandi 1), Khairil A Notodiputro 2), Anik Djuraidah 3) 1) Alumni Program Studi Statistika Sekolah Pascasarjana IPB, 2) 3) Staf Pengajar Program Studi Statistika, FMIPA, IPB 1) etiss18@gmail.com, 2) khairilnotodiputro@gmail.com, 3) anikdjuraidah@gmail.com Abstrak Pendugaan area kecil merupakan suatu metode statistika untuk menduga parameter pada suatu subpopulasi dengan jumlah contohnya berukuran kecil atau bahkan tidak ada. Metode ini memanfaatkan data dari domain besar untuk menduga peubah yang menjadi perhatian pada domain yang lebih kecil. Model-model dalam pendugaan area kecil mengasumsikan bahwa pengaruh acak galat area saling bebas. Namun dalam beberapa kasus, asumsi ini sering dilanggar. Penyebabnya adalah keragaman suatu area dipengaruhi area sekitarnya, sehingga efek spasial dapat dimasukkan ke dalam pengaruh acak area. Rao (2003) menyatakan bahwa salah satu model dalam pendugaan area kecil yang dapat dipengaruhi oleh efek spasial adalah model Logit-Normal. Model tersebut digunakan untuk menduga proporsi melalui metode Bayes berhirarki (Hierarchical Bayes/BB). Tujuan pertama dari penelitian ini adalah mengembangkan metode Bayes untuk data respon biner variabel dengan menambahkan efek spasial. Tujuan terakhir adalah untuk menerapkan metode pendugaan area kecil menggunakan pendekatan BB untuk menentukan proporsi keluarga miskin di Kabupaten Jember. Hasilnya menunjukkan bahwa estimasi langsung dan tidak langsung estimasi proporsi yang diperoleh 10 desa di keluarga miskin lebih dari 50%. Selanjutnya, hasil dari model BB berdasarkan data Susenas Jember, model Logit-Normal dengan tetangga terdekat merupakan model terbaik. Persentase Model diperkirakan keluarga miskin di Jember adalah 40,93%. Kata Kunci : Proporsi Bayes berhirarki, pendugaan area kecil, pembobot spasial, proporsi keluarga miskin 1. PENDAHULUAN Pendugaan area kecil merupakan suatu metode statistika untuk menduga parameter pada suatu subpopulasi dengan jumlah contohnya berukuran kecil atau bahkan tidak ada. Metode ini memanfaatkan data dari domain besar untuk menduga peubah yang menjadi perhatian pada domain yang lebih kecil. Statistik area kecil (small area statistic) telah menjadi perhatian para statistisi dunia secara sangat serius sejak sepuluh tahun terakhir ini. (Rahman 2008). Menurut Russo et al. (2005) pendekatan klasik untuk menduga parameter area kecil didasarkan pada aplikasi model desain penarikan contoh dan dikenal sebagai metode pendugaan langsung. Kelemahan metode ini pada subpopulasi adalah tidak memiliki presisi 414
2 yang memadai yang disebabkan oleh kecilnya jumlah contoh yang digunakan untuk memperoleh dugaan tersebut. Oleh karena itu, dikembangkan metode pendugaan secara tidak langsung. Tujuan dari metode pendugaan ini adalah untuk meningkatkan keefektifan ukuran contoh dan menurunkan keragaman sehingga lebih akurat.menurut Lahiri (2008) dalam Sadik (2009), metode pendugaan tidak langsung pada area kecil pada dasarnya memanfaatkan kekuatan area sekitar dan sumber data di luar area yang statistikanya ingin diperoleh. Model-model dalam pendugaan area kecil mengasumsikan bahwa pengaruh acak galat area saling bebas. Namun dalam beberapa kasus, asumsi ini sering dilanggar. Penyebabnya adalah keragaman suatu area dipengaruhi area sekitarnya, sehingga efek spasial dapat dimasukkan ke dalam pengaruh acak. Efek spasial merupakan hal yang lazim terjadi antara satu area dengan area yang lain, ini berarti bahwa area yang satu mempengaruhi area lainnya. Dalam statistika, model yang dapat menjelaskan hubungan antara suatu area dengan area sekitarnya adalah model spasial Penelitian ini membentuk model spasial Bayes pada pendugaan daerah kecil dengan model Logit-Normal yang akan diterapkan pada data kemiskinan. Tema yang diusung dalam penelitian ini yaitu pendugaan proporsi keluarga miskin di Kabupaten Jember Provinsi Jawa Timur. Penelitian ini akan menggunakan peubah respon yang menyebar menurut Binomial (Logit) dan pengaruh area yang menyebar menurut distribusi Normal. Hal ini yang mendasari pemakaian Model Logit-Normal. Sebelum pembahasan yang lebih lanjut, harus dimengerti tentang kemiskinan terlebih dahulu. Kemiskinan didefinisikan sebagai suatu keadaan tidak terpenuhinya kebutuhan hidup sehari-hari, seringkali dihubungkan dengan kebutuhan, kesulitan dan kekurangan sumber daya dalam pengertian yang luas. Menurut BPS, Kemiskinan adalah kondisi seseorang yang hanya dapat memenuhi kebutuhan konsumsi kurang dari 2100 kalori perhari. Patokan kecukupan 2100 kalori ini berlaku untuk semua umur, jenis kelamin, dan perkiraan tingkat kegiatan fisik, berat badan, serta perkiraan status fisiologis penduduk, ukuran ini sering disebut dengan garis kemiskinan. Penelitian ini bertujuan mengembangkan metode Bayes berhirarki khusus untuk data peubah respon biner dengan menambahkan pengaruh spasial dan menerapkan metode pendugaan area kecil melalui pendekatan Bayes berhirarki untuk menentukan proporsi keluarga miskin di Kabupaten Jember Provinsi Jawa Timur. 415
3 2. LANDASAN TEORI 2.1 Model spasial otoregresif bersyarat (Conditional Autoregressive/ CAR) Menurut Banerjee et al. (2004), CAR didefinisikan sebagai model spasial yang menyebar Normal. Model CAR pengaruh acak v bergantung pada pengaruh area lain. Untuk distribusi bersama v = (v,, v ) diperoleh v~n (0, (I ρq) M) dengan v merupakan vector pengaruh acak area, Q adalah matriks pembobot spasial yang menunjukkan hubungan area-i dengan area-l, dan M yaitu Matriks diagonal ragam pengaruh acak area-i = diagσ,,, σ,. Matriks (I ρq) bersifat simetriks dan definit positif. Sementara itu korelasi spasial (ρ) diperoleh dari ρ = ; 1 ρ 1. Menurut Rao 2003, λ merupakan akar ciri terbesar matriks pembobot spasial Q. Jika ρ = 0, maka model CAR diasumsikan pengaruh acak area-i saling bebas. Beberapa tipe pola pembentukan matriks pembobot spasial, diantaranya adalah tetangga terdekat dan korelasi. Matriks ini mempunyai aturan sebagai berikut : 1. Matriks pembobot spasial korelasi dengan nilai 0 r Matriks pembobot spasial tetangga terdekat Q () = r Q () = 1 0 dengan r adalah korelasi antara area-i dan area-l. Ukuran dari korelasi yang kuat antara area-i dan area-l jika r 0.5, sedangkan d jarak Euclid antara area-i dengan area-l. Pembobot spasial tetangga terdekat akan bernilai 1 bila area-i mempunyai korelasi kuat dengan area-l. 2.2 Model Logit-Normal dengan pengaruh spasial Model yang digunakan dalam pendugaan proporsi keluarga miskin area-i melalui metode Bayes berhirarki adalah model Logit-Normal yang didefinisi sebagai berikut: y p ~ind Binomial(n, p ) θ = logit(p) = X β + v, v~n (0, (I ρq) M) β dan σ saling bebas f(β) 1 1 ~gamma(a, b) ; a 0, b > 0 σ Prosedur MCMC yang terkenal adalah Gibbs bersyarat. Menurut Rao (2003) Gibbs bersyarat untuk model ini adalah 416
4 i. [β p, σ, y]~n [β, σ ( x x ) ] ii. [σ β, p, y]~gamma + a, [(θ X β) (θ X β)] + b iii. f(p β, σ, y) h(p β, σ )k(p ) (1) Pendugaan parameter β dan σ dibangkitkan secara langsung dari (i) dan (ii). Parameter β pada bagian (i) persamaan (1) dinyatakan oleh β = ( x x ) ( x θ ). Sementara itu, bagian (iii) persamaan (1) dinyatakan sebagai i. f(p β, σ, y) h(p β, σ )k(p ) ii. iii. h(p β, σ ) = exp [θ x β] k(p ) = p (1 p ) dengan d adalah diagonal matriks ((I ρq) M) pada baris dan kolom ke-i. Nilai proporsi Bayes berhirarki akan diduga melalui simulasi gibbs sampling Metropolis-Hasting (M-H). Sampel gibbs MCMC dapat dibangkitkan langsung dari (iii) pada persamaan (2). Adapun algoritma M-H adalah sebagai berikut: 1. Diambil sebarang nilai p dari sebaran uniform (0,1). 2. Dibangkitkan θ~ind NX β, ((I ρq) M), lalu dicari nilai p () = g (θ ). () 3. Dihitung r p, p = min k(p ) k p (), 1 ; k = 0, 1,, D 4. Dibangkitkan u dari distribusi uniform (0,1). 5. Dipilih p () = p jika u r p (), p. 6. Diulangi langkah 3 sampai diperoleh D sampel. Setelah dilakukan simulasi M-H, diperoleh barisan penduga proporsi sebagai berikut p (),, p () ; k = 1,, D. Kemudian besaran posterior yang sedang diamati dapat dihitung. Penduga proporsi Bayes berhirarki p adalah p penduga proporsi Bayes berhirarki p adalah p () (2) = p (.). Sedangkan ragam Vp p = 1 D p () p (.) (3) 417
5 3. METODOLOGI PENELITIAN Studi kasus dilakukan pada data Susenas Kabupaten Jember Jawa Timur. Ada dua model yang digunakan dalam penelitian ini yaitu : model Logit-Normal Bayes berhirarki dengan pembobot spasial korelasi (BB1), dan model Logit-Normal Bayes berhirarki dengan pembobot spasial tetangga terdekat (BB2). Data yang digunakan adalah proporsi keluarga miskin untuk desa / kelurahan di Kabupaten Jember Jawa Timur. Data ini merupakan data Survei Sosial-Ekonomi Nasional (Susenas) 2008 yang berbasis rumah tangga serta data Potensi Desa (PODES) 2008 sebagai sumber data pendukung. Adapun peubah penjelas yang diasumsikan mempengaruhi dan menggambarkan proporsi keluarga miskin adalah: Persentase keluarga pertanian (x ), Jumlah keluarga yang menerima kartu ASKESKIN dalam setahun (x ), Jumlah keluarga pengguna listrik PLN (x ), Jumlah sekolah (SD, SMP, SMA, PT) (x ), Jumlah keluarga bertempat tinggal di bantaran/tepi sungai (x ), Jumlah Surat Keterangan Tidak Mampu (SKTM) setahun terakhir (x ), Jumlah lembaga pendidikan keterampilan lainnya (x ), dan Jumlah Tenaga Kerja Indonesia/TKI (x ). 4. HASIL DAN PEMBAHASAN 4.1 Pendugaan Langsung Proporsi Keluarga Miskin Di Jember Pendugaan langsung proporsi keluarga miskin dilakukan pada 35 desa/kelurahan yang ada di Kabupaten Jember. Jumlah contoh yang diambil di setiap desa bervariasi yaitu sebanyak rumah tangga. Hasil pendugaan langsung menunjukkan bahwa proporsi keluarga miskin pada desa-desa yang disurvei beragam. Hal ini ditunjukkan oleh nilai koefisien keragaman yang cukup besar yaitu 53.86%. Beberapa nilai statistik penduga langsung tersaji pada Tabel 1. Terdapat 10 desa yang memiliki proporsi keluarga miskin lebih dari setengah. Bahkan, terdapat satu desa yang memiliki proporsi keluarga miskin cukup tinggi sebesar yaitu Desa Karang Semanding. Sebaliknya, terdapat dua desa yaitu Desa Arjasa dan Desa Tegal Besar memiliki proporsi keluarga miskin cukup kecil yaitu sebesar
6 Tabel 1 Nilai-Nilai Statistik Penduga Langsung Proporsi Keluarga Miskin di Kabupaten Jember Jawa Timur Statistik Penduga Langsung Proporsi Rata-rata 0.42 Simpangan Baku 0.22 Koefesien Keragaman (%) Minimum 0.06 Median 0.38 Maksimum Pendugaan proporsi Bayes Berhirarki Keluarga Miskin di Jember Penggunaan metode BB pada model Logit-Normal dengan pembangkitan Metropolis- Hasting sebanyak 1000 sampel menghasilkan nilai proporsi (pbb1 dan pbb2) yang berbeda dengan hasil dari pendugaan langsung (PL). Dari hasil tersebut, terdapat 10 desa yang memiliki proporsi keluarga miskin lebih dari setengah. Bahkan, ada beberapa desa yang memiliki proporsi kemiskinan yang cukup besar yaitu lebih dari 0.7 seperti Desa Karang Semanding, Pringgowirawan, Wringin Agung, dan Sukorejo. Pada Desa Karang Semanding pbb1 keluarga miskin sebesar yang dapat diartikan terdapat 1950 keluarga miskin dari 2199 keluarga yang tinggal di desa tersebut. Sedangkan pbb2 keluarga miskin di Desa Karang Semanding sebesar ini berarti terdapat 1924 keluarga miskin dari 2199 keluarga yang tinggal di desa tersebut. Hal ini mengindikasikan bahwa pendugaan dengan menggunakan BB1 dan BB2 menghasilkan dugaan proporsi yang cukup berbeda. Nilai penduga proporsi Bayes berhirarki mempunyai kecendrungan yang sama dengan penduga proporsi langsung. Hal ini mengindikasikan bahwa pendugaan BB menghasilkan penduga proporsi yang konsisten. Gambar 1 menunjukkan bahwa secara umum penduga proporsi Bayes berhirarki mempunyai nilai yang lebih besar daripada penduga langsung proporsi. Oleh karena itu, dapat dikatakan bahwa penduga peroporsi Bayes berhirarki adalah penduga yang overestimate. Jurusan Statistika - FMIPA-Universitas Padjadjaran 419
7 selisih proporsi s e lis ih p B B 1 d e n g a n P L s e lis ih p B B 2 d e n g a n P L Gambar 1. Diagram kotak selisih antara penduga proporsi Bayes berhirarki (pbb1 dan pbb2) dan penduga langsung proporsi Pendugaan proporsi Bayes berhirarki (pbb) dari data Susenas, model terbaik dipilih hanya berdasarkan nilai dugaan ragam pbb. Walaupun rata-rata ragam pbb1 dan pbb2 mempunyai nilai yang sama, namun jika dilihat dari ragam penduga proporsi Bayes berhirarki per area, terdapat 24 area yang memiliki nilai ragam pbb1 lebih besar dari pbb2. Dengan kata lain, dapat disimpulkan bahwa BB2 lebih baik dari BB1. Sedangkan bila dilihat perbandingan antara dugaan ragam PL dan pbb, secara umum nilai dugaan ragam pbb lebih kecil dugaan ragam PL. sehingga dapat ditarik kesimpulan bahwa pendugaan proporsi menggunakan model Logit-Normal Bayes berhirarki lebih baik dari pendugaan langsung proporsi. Agregasi persentase keluarga miskin di Kabupaten Jember diduga melalui model-model yang digunakan dalam penelitian ini. Pendugaan langsung menduga bahwa persentase keluarga miskin di Kabupaten Jember Jawa Timur sebesar 39.99%. Model BB1 menduga persentase keluarga miskin di Jember pada tahun 2008 sebesar 41.26%. Selanjutnya, BB2 menduga persentase keluarga miskin di Indonesia sebesar 40.93%. Dengan demikian, hampir 50% keluarga di Jember merupakan keluarga miskin pada tahun SIMPULAN Hasil pendugaan proporsi Bayes berhirarki pada data Susenas Kabupaten Jember, model Logit-Normal Bayes berhirarki dengan pembobot spasial tetangga terdekat, secara umum memiliki dugaan ragam yang terkecil jika dibandingkan dengan model Logit-Normal Bayes berhirarki dengan pembobot spasial korelasi. Sedangkan bila dilihat perbandingan antara ragam PL dan pbb, secara umum nilai dugaan ragam pbb lebih kecil dugaan ragam PL. sehingga dapat ditarik kesimpulan bahwa pendugaan proporsi menggunakan model Logit-Normal Bayes berhirarki lebih baik dari pendugaan langsung proporsi. Jurusan Statistika - FMIPA-Universitas Padjadjaran 420
8 Pendugaan langsung dan Bayes berhirarki proporsi keluarga miskin di Kabupaten Jember Jawa Timur menduga terdapat 10 desa/kelurahan yang memiliki proporsi keluarga miskin lebih dari 50%. Model Logit-Normal Bayes berhirarki dengan pembobot spasial korelasi menduga persentase keluarga miskin di Jember pada tahun 2008 sebesar 41.26%. Sementara itu, model Logit-Normal Bayes berhirarki dengan pembobot spasial tetangga terdekat menduga persentase keluarga miskin di Indonesia sebesar 40.93%. 6. DAFTAR PUSTAKA Battese, G E; Harter, R M; Fuller, WA An Error-Components Model for Prediction of County Crop Areas Using Survey and Satellite Data. J Amer Statist Assoc, Vol 83:pp Banerjee S, Carlin BP, Gelfan AE Hierarchical Modeling and Analysis for Spatial Data. Boca Raton: Chapman & Hall/CRC Press Company. BPS [Badan Pusat Statistik] Data dan Informasi Kemiskinan Jakarta: Badan Pusat Statistik. Rahman LOA Aproksimasi Bootstrap Parametrik pada Pendugaan Selang Prediksi Statistik Area Kecil [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Rao JNK Small Area Estimation. New York: John Wiley and Sons. Russo C, Sabbatini M, Salvatore R General Linear Models in Small Area Estimation: an assessment in agricultural surveys. Sadik K Metode Prediksi Tak-Bias Linear Terbaik dan Bayes Berhirarki untuk Pendugaan Area Kecil Berdasarkan Model State Space [disertasi]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Jurusan Statistika - FMIPA-Universitas Padjadjaran 421
MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER
MODEL SPASIAL BAYES DALAM PENDUGAAN AREA KECIL DENGAN PEUBAH RESPON BINER Etis Sunandi 1), Khairil A Notodiputro 2), Anik Djuraidah 2) 1) Jurusan Matematika FMIPA Universitas Bengkulu 2) Jurusan Statistika,
Lebih terperinciDosen Jurusan Matematika FMIPA Universitas Bengkulu, Bengkulu ABSTRACT
ESTIMASI TINGKAT KEMISKINAN PADA LEVEL DESA DI KABUPATEN MUKOMUKO DENGAN MENGGUNAKAN SMALL AREA ESTIMATION (ESTIMATION OF POVERTY RATE IN VILLAGE LEVEL AT MUKOMUKO DISTRICT USING SMALL AREA ESTIMATION)
Lebih terperinci(DS.4) MODEL OTOREGRESIF SIMULTAN BAYES UNTUK ANALISIS DATA KEMISKINAN
(DS.4) MODEL OTOREGRESIF SIMULTAN BAYES UNTUK ANALISIS DATA KEMISKINAN Safaat Yulianto 1, Anik Djuraidah 2, Aji Hamim Wigena 2 1Akademi Statistika Muhammadiyah Semarang 2Jurusan Statistika, Institut Pertanian
Lebih terperinciPENDUGAAN AREA KECIL TERHADAP ANGKA MELEK HURUF DI KABUPATEN KUTAI KARTANEGARA DENGAN METODE EMPIRICAL BAYES BERBASIS MODEL BETA-BINOMIAL
PENDUGAAN AREA KECIL TERHADAP ANGKA MELEK HURUF DI KABUPATEN KUTAI KARTANEGARA DENGAN METODE EMPIRICAL BAYES BERBASIS MODEL BETA-BINOMIAL Norlatifah 1), Gandhi Pawitan 2), Enny Supartini 3) 1) Mahasiswa
Lebih terperinciPENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION (HB SAE) DALAM MENGESTIMASI ANGKA MELEK HURUF KECAMATAN DI KABUPATEN INDRAMAYU
PENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION (HB SAE) DALAM MENGESTIMASI ANGKA MELEK HURUF KECAMATAN DI KABUPATEN INDRAMAYU Ari Shobri B 1), Septiadi Padmadisastra 2), Sri Winarni 3) 1) Mahasiswa
Lebih terperinciPENERAPAN METODE PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PADA PENENTUAN PROPORSI RUMAH TANGGA MISKIN DI KABUPATEN KLUNGKUNG
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 35-39 ISSN: 2303-1751 PENERAPAN METODE PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PADA PENENTUAN PROPORSI RUMAH TANGGA MISKIN DI KABUPATEN KLUNGKUNG PUTU
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Statistik area kecil (small area statistics) saat ini telah menjadi perhatian para statistisi dunia secara sangat serius. Telah banyak penelitian yang dikembangkan
Lebih terperinciPengembangan dan Aplikasi Geoinformatika Bayesian pada Data Kemiskinan di Indonesia (Studi Kasus Jawa Timur)
Jurnal Ilmu Pertanian Indonesia (JIPI), Agustus 2012 ISSN 0853 4217 Pengembangan dan Aplikasi Geoinformatika Bayesian pada Data Kemiskinan di Indonesia (Studi Kasus Jawa Timur) Vol. 17 (2): 77 82 (Bayesian
Lebih terperinciHASIL DAN PEMBAHASAN Pendugaan Pengeluaran Per Kapita
HASIL DAN PEMBAHASAN Pendugaan Pengeluaran Per Kapita Kabupaten Jember terdiri dari 247 desa/kelurahan. 14.17% dari jumlah tersebut atau 35 desa/kelurahan terpilih sebagai contoh dalam susenas 2008, dengan
Lebih terperinciMETODE PREDIKSI TAK-BIAS LINEAR TERBAIK DAN BAYES BERHIRARKI UNTUK PENDUGAAN AREA KECIL BERDASARKAN MODEL STATE SPACE KUSMAN SADIK
METODE PREDIKSI TAK-BIAS LINEAR TERBAIK DAN BAYES BERHIRARKI UNTUK PENDUGAAN AREA KECIL BERDASARKAN MODEL STATE SPACE KUSMAN SADIK SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2009 PERNYATAAN MENGENAI
Lebih terperinciTINJAUAN PUSTAKA. merupakan nilai peubah bebas ke-p pada merupakan nilai koefisien peubah penjelas merupakan galat acak pengamatan ke-i.
TINJAUAN PUSTAKA Model egresi Berganda egresi linier adalah persamaan matematika yang menggambarkan hubungan antara peubah respon y dan peubah bebas X X X2 Xp. Hubungan antara kedua peubah tersebut dinyatakan
Lebih terperinci(R.11) PENGGUNAAN MATRIKS PEMBOBOT SPASIAL PADA MODEL SMALL AREA ESTIMATION DENGAN METODE SPATIAL EMPIRICAL BEST LINEAR UNBIASED PREDICTION
(R.11) PENGGUNAAN MATRIKS PEMBOBOT SPASIAL PADA MODEL SMALL AREA ESTIMATION DENGAN METODE SPATIAL EMPIRICAL BEST LINEAR UNBIASED PREDICTION Dariani Matualage (1), Asep Saefuddin (2), Aji Hamim Wigena (2)
Lebih terperinciDATA DAN METODE PENELITIAN
8 DATA DAN METODE PENELITIAN Data Data yang digunakan dalam penelitian ini terdiri dari dua jenis, yaitu data yang dibangkitkan dari simulasi dan data riil yang diperoleh dari Badan Pusat Statistik(BPS),
Lebih terperinciKarakteristik Pendugaan Emperical Best Linear Unbiased Prediction (EBLUP) Pada Pendugaan Area Kecil
Prosiding Semirata FMIPA Universitas Lampung, 2013 Karakteristik Pendugaan Emperical Best Linear Unbiased M. Adi Sidauruk, Dian Kurniasari, Widiarti Jurusan Matematika, FMIPA Universitas Lampung E-mail:
Lebih terperinciTINJAUAN PUSTAKA Profil Kabupaten Jember Pengeluaran Per kapita
TINJAUAN PUSTAKA Profil Kabupaten Jember Berdasarkan data BPS (2009), Kabupaten Jember secara geografis terletak pada 113 0 30-113 0 45 Bujur Timur dan 8 0 00-8 0 30 Lintang Selatan. Wilayah Kabupaten
Lebih terperinciAPROKSIMASI BOOTSTRAP PARAMETRIK PADA PENDUGAAN SELANG PREDIKSI STATISTIK AREA KECIL LA ODE ABDUL RAHMAN
APROKSIMASI BOOTSTRAP PARAMETRIK PADA PENDUGAAN SELANG PREDIKSI STATISTIK AREA KECIL LA ODE ABDUL RAHMAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 SURAT PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN PEMBOBOT KERNEL GAUSSIAN UNTUK DATA KEMISKINAN. Rita Rahmawati 1, Anik Djuraidah 2.
ANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN PEMBOBOT KERNEL GAUSSIAN UNTUK DATA KEMISKINAN Rita Rahmawati 1, Anik Djuraidah 2 1) Program Studi Statistika, FMIPA Universitas Diponegoro 2) Jurusan
Lebih terperincidimana n HASIL DAN PEMBAHASAN
5. Proses penghilangan data dilakukan secara acak untuk memenuhi asumsi mekanisme kehilangan data yang acak (MAR). 6. Ulangan yang digunakan sebanyak 1 kali pada setiap simulasi untuk memberikan peluang
Lebih terperinciPROSIDING ISSN : Seminar Nasional Statistika 12 November 2011 Vol 2, November 2011
(R.7) Model Regresi Poisson dan Model Spasial Otoregresif Poisson untuk Mendeteksi Faktor-Faktor yang Berpengaruh terhadap Jumlah Penderita Gizi Buruk di Provinsi Jawa Timur Siti Rohmah Rohimah 1, Muhammad
Lebih terperinciSMALL AREA ESTIMATION PENGELUARAN PER KAPITA DI KABUPATEN BANGKALAN DENGAN METODE HIERARCHICAL BAYES
Statistika, Vol., No., November 5 SMALL AREA ESTIMATION PENGELUARAN PER KAPITA DI KABUPATEN BANGKALAN DENGAN METODE HIERARCHICAL BAYES Andi Muhammad Ade Satriya, Nur Iriawan, Brodjol Sutijo S. U,, Program
Lebih terperinciMODEL REGRESI TERBOBOTI GEOGRAFIS BAYES UNTUK DATA KEMISKINAN (Kasus 35 Desa atau Kelurahan di Kabupaten Jember) YUSNITA
MODEL REGRESI TERBOBOTI GEOGRAFIS BAYES UNTUK DATA KEMISKINAN (Kasus 35 Desa atau Kelurahan di Kabupaten Jember) YUSNITA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012 PERNYATAAN MENGENAI TESIS
Lebih terperinciTINJAUAN PUSTAKA Pemilihan Peubah Gizi Buruk
5 TINJAUAN PUSTAKA Pemilihan Peubah Gizi Buruk Gizi buruk adalah keadaan kurang zat gizi tingkat berat yang disebabkan oleh rendahnya konsumsi energi dan protein dalam waktu cukup lama yang ditandai dengan
Lebih terperinciHASIL DAN PEMBAHASAN Deskripsi Data
HASIL DAN PEMBAHASAN Deskripsi Data Jawa Timur merupakan salah satu provinsi di Indonesia yang mempunyai 38 kabupaten/kota, terdiri atas 29 kabupaten dan 9 kota. Secara umum wilayah Provinsi Jawa Timur
Lebih terperincipendekatan dalam penelitian ini dinilai cukup beralasan.
Tabel Hasil pendugaan model pengaruh tetap dengan Y sebagai peubah respon dan X, X dan X sebagai C -. 00 X -5 0.50 X.05 00 X 00 R 0.6 Adjusted R 0.6 Hasil pendugaan model data panel dengan Y sebagai peubah
Lebih terperinciPENDUGAAN ANGKA MELEK HURUF DI KABUPATEN BANGKALAN MENGGUNAKAN SMALL AREA ESTIMATION DENGAN PENDEKATAN HIERARCHICAL BAYES
PENDUGAAN ANGKA MELEK HURUF DI KABUPATEN BANGKALAN MENGGUNAKAN SMALL AREA ESTIMATION DENGAN PENDEKATAN HIERARCHICAL BAYES 1 Risya Fadila, 2 Agnes Tuti Rumiati, 3 Nur Iriawan 1,2,3 Program Studi Statistika,
Lebih terperinciMETODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIS SPASIAL PADA AREA KECIL UNTUK PENDUGAAN PENGELUARAN PER KAPITA
METODE PREDIKSI TAK BIAS LINIER TERBAIK EMPIRIS SPASIAL PADA AREA KECIL UNTUK PENDUGAAN PENGELUARAN PER KAPITA (Studi Kasus : Kabupaten Jember Provinsi Jawa Timur) DARIANI MATUALAGE SEKOLAH PASCASARJANA
Lebih terperinciKata kunci: Geographically Weighted Regression, Gauss Kernel, bandwidth, cross validation
PENGGUNAAN GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN PEMBOBOT GAUSS KERNEL UNTUK KLASIFIKASI DESA MISKIN (Studi kasus desa-desa di Kabupaten Jember, Jawa Timur) Rita Rahmawati 1, Anik Djuraidah 2,
Lebih terperinciDATA DAN METODE Sumber Data
14 DATA DAN METODE Sumber Data Data yang digunakan dalam penelitian ini adalah data hasil simulasi dan data dari paket Mclust ver 3.4.8. Data simulasi dibuat dalam dua jumlah amatan yaitu 50 dan 150. Tujuan
Lebih terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
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 terperinciAPROKSIMASI BOOTSTRAP PARAMETRIK PADA PENDUGAAN SELANG PREDIKSI STATISTIK AREA KECIL LA ODE ABDUL RAHMAN
APROKSIMASI BOOTSTRAP PARAMETRIK PADA PENDUGAAN SELANG PREDIKSI STATISTIK AREA KECIL LA ODE ABDUL RAHMAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 SURAT PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciPENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN
PENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN A. Rofiqi Maulana; Suci Astutik Universitas Brawijaya; arofiqimaulana@gmail.com ABSTRAK. Filariasis (Penyakit Kaki Gajah) adalah penyakit
Lebih terperinciSTATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 8 Outline: Simple Linear Regression and Correlation Multiple Linear Regression and Correlation Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and
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 terperinciSMALL AREA ESTIMATION UNTUK PEMETAAN KEMISKINAN DI KABUPATEN DEMAK
SMALL AREA ESTIMATION UNTUK PEMETAAN KEMISKINAN DI KABUPATEN DEMAK Moh. Yamin Darsyah 1 Setia Iriyanto 2 Iswahyudi Joko S 3 1) Prodi Statistika FMIPA UNIMUS, Semarang 2) Prodi Manajemen FE UNIMUS, Semarang
Lebih terperinciBAB I PENDAHULUAN. menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi linier berganda merupakan analisis yang digunakan untuk menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah respon Y yang
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 terperinciKusman Sadik Departemen Statistika FMIPA Institut Pertanian Bogor ABSTRACT
Forum Statistika dan Komputasi, Vol. 14, No. 2, 2009 ISSN : 0853-8115 METODE PREDIKSI TAK-BIAS LINEAR TERBAIK DAN BAYES BERHIRARKI UNTUK PENDUGAAN AREA KECIL BERDASARKAN MODEL STATE SPACE (Best Linear
Lebih terperinciPEMODELAN DATA PANEL SPASIAL MENGGUNAKAN MODEL SUR-SAR DENGAN PENDEKATAN BAYESIAN HILMAN DWI ANGGANA
PEMODELAN DATA PANEL SPASIAL MENGGUNAKAN MODEL SUR-SAR DENGAN PENDEKATAN BAYESIAN HILMAN DWI ANGGANA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciPelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi. Bertho Tantular 1)
Pelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi S-28 Bertho Tantular 1) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD berthotantular@gmail.com Abstrak Secara umum model
Lebih terperinciANALISIS ESTIMASI PARAMETER REGRESI KUANTIL DENGAN METODE BOOTSTRAP
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 125 130 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS ESTIMASI PARAMETER REGRESI KUANTIL DENGAN METODE BOOTSTRAP MESI OKTAFIA, FERRA YANUAR, MAIYASTRI
Lebih terperinciPENDEKATAN BAYESIAN SPASIAL EKONOMETRIKA PADA PEMODELAN MIGASI PENDUDUK DI JAWA BARAT. Oleh : Priyono
PENDEKATAN BAYESIAN SPASIAL EKONOMETRIKA PADA PEMODELAN MIGASI PENDUDUK DI JAWA BARAT Oleh : Priyono Dosen Pembimbing : Dr. Ir. Setiawan, MS Dr. Sutikno, M.Si PROGRAM MAGISTER JURUSAN STATISTIKA FMIPA
Lebih terperinciPENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 53 61 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA OLIVIA ATINRI,
Lebih terperinciRegresi Spasial untuk Menentuan Faktorfaktor Kemiskinan di Provinsi Jawa Timur
Statistika, Vol. 12 No. 1, 1 8 Mei 2012 Regresi Spasial untuk Menentuan Faktorfaktor Kemiskinan di Provinsi Jawa Timur Anik Djuraidah dan Aji Hamim Wigena Departemen Statistika FMIPA-IPB, Kampus IPB Darmaga,
Lebih terperinciSMALL AREA ESTIMATION UNTUK PEMETAAN ANGKA MELEK HURUF DI KABUPATEN REMBANG. Program Studi Statistika, UNIMUS
SMALL AREA ESTIMATION UNTUK PEMETAAN ANGKA MELEK HURUF DI KABUPATEN REMBANG Moh Yamin Darsyah 1, Iswahyudi Joko Suprayitno 2 1 Program Studi Statistika, UNIMUS Email: mydarsyah@unimus.ac.id 2 Program Studi
Lebih terperinciTaksiran Titik Parameter Populasi pada Small Area dengan Metode Spatial Empirical Bayes Berdasarkan Model Tingkat Area
Taksiran Titik Parameter Populasi pada Small Area dengan Metode Spatial Empirical Bayes Berdasarkan Model Tingkat Area Yudistira 1, Titin Siswantining 2 1. Departemen Matematika, FMIPA, Universitas Indonesia,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pendugaan Area Kecil Secara umum metode pendugaan area kecil dibagi menjadi dua bagian yaitu metode penduga langsung (direct estimation) dan metode penduga tak langsung (indirect
Lebih terperinciBAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur
BAB I PENDAHULUAN 1.1 Latar Belakang Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis dan interpretasi data. Statistika
Lebih terperinciII. TINJAUAN PUSTAKA
II. INJAUAN PUSAKA.1 Penduga Area Kecil Rao (003) mengemukakan bahwa suatu area disebut kecil apabila contoh yang diambil pada area tersebut tidak mencukupi untuk melakukan pendugaan langsung dengan hasil
Lebih terperinciPENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM
BIAStatistics (2015) Vol. 9, 2, hal. 28-32 PENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM Munawar Jurusan Matematika FMIPA Universitas Syiah
Lebih terperinciPenerapan Metode Empirical Best Linear Unbiased Prediction (EBLUP) pada Model Fay-Herriot Small Area Estimation (SAE)
Prosiding I MaNIs (eminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, 1, Juli 017, Hal. 31-319 p-in: 580-4596; e-in: 580-460X Halaman 31 Penerapan Metode Empirical Best Linear Unbiased Prediction
Lebih terperinciBAB I PENDAHULUAN. Otonomi daerah menyebabkan adanya pergeseran ketatanegaraan di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Otonomi daerah menyebabkan adanya pergeseran ketatanegaraan di Indonesia dari sentralisasi ke desentralisasi, dimana pemerintah daerah lebih leluasa dalam mengatur
Lebih 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 terperinciBAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n<<p DAN TERDAPAT KEKOLINEARAN-GANDA
BAB IV KAJIAN SIMULASI: PENDEKATAN BAYES PADA DATA n
Lebih terperinciKONSISTENSI ESTIMATOR
KONSISTENSI ESTIMATOR TUGAS STATISTIKA MATEMATIKA II Oleh 1. Wahyu Nikmatus S. (121810101010) 2. Vivie Aisyafi F. (121810101050) 3. Rere Figurani A. (121810101052) 4. Dwindah Setiari W. (121810101054)
Lebih terperinciHASIL DAN PEMBAHASAN. Model Regresi Logistik Biner untuk data Hasil Pembangkitan
HASIL DAN PEMBAHASAN Model Regresi Logistik Biner untuk data Hasil Pembangkitan Model regresi logistik digunakan untuk menggambarkan hubungan antara peubah respon dan peubah penjelas pada data hasil pembangkitan.
Lebih terperinciMODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK BAYESIAN
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 128 133 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL PARTISIPASI PEMILIH MASYARAKAT KABUPATEN DHAMASRAYA PADA PEMILU 2014 DENGAN MENGGUNAKAN METODE
Lebih terperinciPENERAPAN MODEL SPASIAL DURBIN PADA ANGKA PARTISIPASI MURNI JENJANG SMA SEDERAJAT DI PROVINSI JAWA TENGAH
PENERAPAN MODEL SPASIAL DURBIN PADA ANGKA PARTISIPASI MURNI JENJANG SMA SEDERAJAT DI PROVINSI JAWA TENGAH Erliyana Devitasari, Sri Sulistijowati Handayani, dan Respatiwulan Program Studi Matematika FMIPA
Lebih terperinciPENDEKATAN REGRESI SPASIAL DALAM PEMODELAN TINGKAT PENGANGGURAN TERBUKA MARIANA
PENDEKATAN REGRESI SPASIAL DALAM PEMODELAN TINGKAT PENGANGGURAN TERBUKA MARIANA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan
Lebih terperinciESTIMASI PENGELUARAN PER KAPITA DI KABUPATEN REMBANG DENGAN PENDEKATAN SAE-NONPARAMETRIK. Program Studi Pendidikan Matematika, UNIMUS 2
ESTIMASI PENGELUARAN PER KAPITA DI KABUPATEN REMBANG DENGAN PENDEKATAN SAE-NONPARAMETRIK Iswahyudi Joko Suprayitno 1, Moh Yamin Darsyah 2, Budiharto 3 1 Program Studi Pendidikan Matematika, UNIMUS 2 Program
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN
ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi adalah suatu metode yang digunakan untuk menganalisa hubungan antara variabel respon dan variabel prediktor. Pada umumnya analisis regresi
Lebih terperinciIV HASIL DAN PEMBAHASAN
6 telah dibangkitkan. Kemudian peubah X dan Y diregresikan dengan OLS sehingga diperoleh kuadrat galat. Kuadrat galat diurutkan dari ang terkecil sampai dengan ang terbesar, lalu dilakukan pemangkasan.
Lebih terperinciANALISIS REGRESI LOGISTIK DENGAN METODE PENDUGA BAYES UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN BAYI BERAT BADAN LAHIR RENDAH
Jurnal Matematika UNAND Vol. 4 No. 1 Hal. 53 60 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI LOGISTIK DENGAN METODE PENDUGA BAYES UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI
Lebih terperinciPENDUGAAN AREA KECIL DENGAN TRANSFORMASI PADA PENDUGAAN PROPORSI KELUARGA MISKIN DI KABUPATEN JEMBER IMAM APRIYANTO
PENDUGAAN AREA KECIL DENGAN TRANSFORMASI PADA PENDUGAAN PROPORSI KELUARGA MISKIN DI KABUPATEN JEMBER IMAM APRIYANTO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan dibahas tinjauan pustaka yang akan digunakan untuk tesis ini, yang selanjutnya akan diperlukan pada bab 3. Yang akan dibahas dalam bab ini adalah metode bootstrap
Lebih terperinciHASIL DAN PEMBAHASAN
14 HASIL DAN PEMBAHASAN Data Pengeluaran Per Kapita Berdasarkan data dari Dinas Kependudukan dan Catatan Sipil Kota Bekasi bahwa jumlah rumah tangga sebanyak 428,980 dengan jumlah anggota rumah tangga
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Kemiskinan Berdasarkan pendekatan kebutuhan dasar, ada tiga indikator kemiskinan yang digunakan, Pertama Head Count Index (HCI- P0) yaitu persentase penduduk yang dibawah garis
Lebih 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis statistika pada dasarnya merupakan suatu analisis terhadap sampel yang kemudian hasilnya akan digeneralisasi untuk menggambarkan suatu karakteristik populasi.
Lebih terperinciMANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO
MANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2011 RINGKASAN MAGRI HANDOKO. Manajemen
Lebih terperinciMETODE SCAN STATISTIC MODEL BINOMIAL DENGAN PENDEKATAN STATISTIK AREA KECIL MAULANI
1 METODE SCAN STATISTIC MODEL BINOMIAL DENGAN PENDEKATAN STATISTIK AREA KECIL MAULANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 29 2 RINGKASAN MAULANI.
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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Regresi spasial merupakan metode yang digunakan untuk mengetahui pengaruh variabel prediktor terhadap variabel respon yang memperhatikan pengaruh lokasi pengamatan.
Lebih terperinciPRISMA FISIKA, Vol. III, No. 3 (2015), Hal ISSN :
PRISMA FISIKA, Vol. III, No. (05), Hal. 79-86 ISSN : 7-80 Pemodelan Kebutuhan Daya Listrik Di Pt. PLN (Persero) Area Pontianak dengan Menggunakan Metode Gauss-Newton Mei Sari Soleha ), Joko Sampurno *),
Lebih terperinciBAB VI Pembahasan Perbandingan metode pendugaan langsung dan tak langsung untuk pendugaan area kecil melalui pendekatan Bayes
BAB VI Pembahasan 6.1. Pendahuluan Model pendugaan area kecil untuk respon Binomial dan Multinomial pada dasarnya dikembangkan dari model SAE untuk data biner, dimana peubah yang diamati hanya memiliki
Lebih terperinciMetode Statistika. Statistika Inferensia: Pendugaan Parameter (Selang Kepercayaan)
Metode Statistika Statistika Inferensia: Pendugaan Parameter (Selang Kepercayaan) Pengantar Seringkali kita tertarik dengan karakteristik umum dari suatu populasi parameter Misalnya saja berapa rata-rata
Lebih terperinciBAB 1 PENDAHULUAN. banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Dalam masyarakat modern seperti sekarang ini, metode statistika telah banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan keputusan / kebijakan.
Lebih terperinciMETODE SCAN STATISTIC UNTUK STATISTIK AREA KECIL (Studi kasus: Model Poisson-Gamma) ANDI SETIAWAN
METODE SCAN STATISTIC UNTUK STATISTIK AREA KECIL (Studi kasus: Model Poisson-Gamma) ANDI SETIAWAN DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 29 RINGKASAN
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Pada bab ini dibahas model regresi probit spasial, dan algoritme Gibbs sampling. Selanjutnya algoritme Gibbs sampling tersebut diterapkan untuk estimasi nilai parameter model
Lebih terperinciSTATISTIKA BISNIS PENDUGAAN STATISTIKA. Deden Tarmidi, SE., M.Ak., BKP. Modul ke: Fakultas Ekonomi dan Bisnis. Program Studi Akuntansi
Modul ke: STATISTIKA BISNIS PENDUGAAN STATISTIKA Fakultas Ekonomi dan Bisnis Deden Tarmidi, SE., M.Ak., BKP. Program Studi Akuntansi www.mercubuana.ac.id PENDAHULUAN Data yang sudah didapat dari populasi
Lebih terperinciPENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA
PENERAPAN REGRESI LOGISTIK ORDINAL MULTILEVEL TERHADAP NILAI AKHIR METODE STATISTIKA FMIPA IPB IIN MAENA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciDidin Astriani P, Oki Dwipurwani, Dian Cahyawati (Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sriwijaya)
(M.2) ANALISIS BIPLOT UNTUK MENGETAHUI KARAKTERISTIK PUTUS SEKOLAH PENDIDIKAN DASAR PADA MASYARAKAT MISKIN ANTAR WILAYAH KECAMATAN DI KABUPATEN OGAN ILIR Didin Astriani P, Oki Dwipurwani, Dian Cahyawati
Lebih terperinciPENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1)
PENGARUH MIXED DISTRIBUTION PADA PENDEKATAN QUASI-LIKELIHOOD DALAM MODEL LINEAR 1) Anang Kurnia Departemen Statistika FMIPA IPB Jl. Meranti, Wing 22 Level 4 Kampus IPB Darmaga, Bogor Email: anangk@ipb.ac.id
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Fuzzy Tidak semua himpunan yang dijumpai dalam kehidupan sehari-hari terdefinisi secara jelas, misalnya himpunan orang miskin, himpunan orang pandai, himpunan orang tinggi,
Lebih terperinciPEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL
1 PEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL Uaies Qurnie Hafizh, Vita Ratnasari Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Lebih terperinciANALISIS REGRESI TERPOTONG BEBERAPA NILAI AMATAN NURHAFNI
ANALISIS REGRESI TERPOTONG DENGAN BEBERAPA NILAI AMATAN NOL NURHAFNI SEKOLAH PASCASARJANAA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan
Lebih terperinciPERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA
PERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA Ni Luh Putu Ratna Kumalasari 1, Ni Luh Putu Suciptawati 2,, Made Susilawati
Lebih terperinciMODUL TEORI ESTIMASI ATAU MENAKSIR TEORI ESTIMASI ATAU MENAKSIR
TEORI ESTIMASI ATAU MENAKSIR MODUL 9 TEORI ESTIMASI ATAU MENAKSIR. Pendahuluan Untuk menginginkan mengumpulkan populasi kita lakukan dengan statistik berdasarkan data yang diambil secara sampling yang
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 2, 71-81, Agustus 2001, ISSN :
PENANGANAN MULTIKOLINEARITAS (KEKOLINEARAN GANDA) DENGAN ANALISIS REGRESI KOMPONEN UTAMA Tatik Widiharih Jurusan Matematika FMIPA UNDIP Abstrak Multikolinearitas yang tinggi diantara peubah-peubah bebas,
Lebih terperinciS T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON
S T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2010 PENDUGAAN PARMETER IV. PENDUGAAN PARAMETER Populasi N Sampling Sampel n Rata-rata : μ Simp. Baku : σ Ragam
Lebih terperinciTINJAUAN PUSTAKA. Gambar 1 Diagram kotak garis
TINJAUAN PUSTAKA Diagram Kotak Garis Metode diagram kotak garis atau boxplot merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran dan kemiringan pola
Lebih terperinciPENDUGAAN PEROLEHAN SUARA LEVEL KABUPATEN/KOTA PADA PEMILIHAN GUBERNUR JAWA BARAT TAHUN 2013 LUSI TRIYANI
PENDUGAAN PEROLEHAN SUARA LEVEL KABUPATEN/KOTA PADA PEMILIHAN GUBERNUR JAWA BARAT TAHUN 2013 LUSI TRIYANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciIII. METODE PENELITIAN
39 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder tersebut merupakan data cross section dari data sembilan indikator
Lebih terperinciPENGARUH PENDUGAAN RAGAM PENARIKAN CONTOH PADA SMALL AREA ESTIMATION
PENGARUH PENDUGAAN RAGAM PENARIKAN CONTOH PADA SMALL AREA ESTIMATION Anang Kurnia Khairil A. Notodiputro Departemen Statistika - IPB Center for Statistics and Public Opinions 1. Pendahuluan Otonomi daerah
Lebih terperinciTINJAUAN PUSTAKA. Menurut Usman dan Warsono (2000) bentuk model linear umum adalah :
II. TINJAUAN PUSTAKA. Model Linear Umum Menurut Usman dan Warsono () bentuk model linear umum adalah : Y = Xβ + ε dengan : Y n x adalah vektor peubah acak yang teramati. X n x p adalah matriks nxp dengan
Lebih terperinciKetakbiasan Dalam Model Analisis Faktor Konfirmatori (CFA) Pada Metode Pendugaan Kuadrat Terkecil Terboboti (Weighted Least Square) Untuk Data Ordinal
Prosiding Semirata FMIPA Universitas Lampung 2013 Ketakbiasan Dalam Model Analisis Faktor Konfirmatori (CFA) Pada Metode Pendugaan Kuadrat Terkecil Terboboti (Weighted Least Square) Untuk Data Ordinal
Lebih terperinciSimulasi Radius Jarak Pengaruhnya terhadap Kebaikan Model Regresi Logistik Spasial 1. Abstrak
Simulasi Radius Jarak Pengaruhnya terhadap Kebaikan Model Regresi Logistik Spasial 1 Utami Dyah Syafitri 2, Agus M Sholeh 2, Poppy Suprapti 3 Abstrak Pemodelan regresi logistik dengan basis ruang spasial
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 terperinciIV HASIL DAN PEMBAHASAN
5 IV HASIL DAN PEMBAHASAN 4.1 Pembangkitan Data Hipotetik Data dibangkitkan dengan bantuan software Mathematica yaitu dengan cara mencari solusi numerik dari model dinamik dengan memberikan nilai parameter
Lebih terperinci