MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA. 1. Pendahuluan
|
|
- Agus Yuwono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA Kornelius Ronald Demu, Dewi Retno Sari Saputro, Purnami Widyaningsih Program Studi Matematika FMIPA UNS Abstrak. Standar ukur pembangunan manusia di suatu negara ditetapkan dalam Indeks Pembangunan Manusia (IPM). Beberapa faktor diduga memengaruhi IPM di Indonesia, yaitu angka harapan hidup, PDRB, jumlah penduduk miskin, dan persentase penduduk buta huruf. Pengaruh faktor-faktor tersebut terhadap IPM di Indonesia dapat diketahui melalui model regresi. Apabila data IPM dan faktor-faktor tersebut diplotkan maka menunjukkan pola data yang bersifat tidak mengikuti pola tertentu, sehingga data IPM di Indonesia dapat diterapkan pada model regresi nonparametrik spline truncated. Model regresi nonparametrik spline truncated terbaik dipengaruhi oleh pemilihan orde dan titik knot optimal. Dalam artikel ini diterapkan model regresi nonparametrik spline truncated orde satu dengan 3,4, dan 5 titik knot pada data IPM di Indonesia. Berdasarkan penelitian, diperoleh kombinasi titik knot optimal dengan angka harapan hidup dan persentase penduduk buta huruf yang memengaruhi IPM di Indonesia. Kata Kunci: IPM, model regresi nonparametrik, spline truncated, titik knot optimal. 1. Pendahuluan Indeks Pembangunan Manusia (IPM) merupakan standar ukur pembangunan manusia di suatu negara dengan mempertimbangkan aspek kesehatan, pendidikan, dan kelayakan hidup. Dalam beberapa tahun terakhir, IPM di Indonesia menunjukkan peningkatan. Berdasarkan data BPS [2], pada tahun 2013, IPM di Indonesia 68.1%, kemudian dalam kurun waktu dua tahun berturut-turut meningkat menjadi 68.4% dan 68.6%. Faktor-faktor yang diduga memengaruhi IPM yaitu, angka harapan hidup, produk domestik regional bruto (PDRB), jumlah penduduk miskin, dan persentase penduduk buta huruf (UNDP [9]). Pengaruh faktor-faktor tersebut terhadap IPM dapat diketahui melalui model regresi. Apabila data IPM dan faktor-faktor tersebut diplotkan, maka menunjukkan pola data yang bersifat tidak mengikuti pola tertentu. Pendekatan model regresi yang digunakan pada pola data tersebut adalah model regresi nonparametrik (Eubank [5]). Menurut Hardle [7], metode yang dapat digunakan pada model regresi nonparametrik yaitu spline. Metode spline memiliki fleksibilitas dalam mengatasi pola data yang bersifat tidak mengikuti pola tertentu. Spline merupakan potongan fungsi polinomial yang memiliki sifat tersegmen. Spline truncated merupakan modifikasi fungsi spline. Metode spline truncated dilakukan menggunakan titik knot (Budiantara [3]). Titik knot merupakan titik terjadinya perubahan perilaku pola data pada subinterval tertentu. Model regresi nonparametrik spline truncated terbaik 1
2 diperoleh berdasarkan titik knot optimal (Budiantara [3]). Titik knot optimal diperoleh berdasarkan nilai generalized cross validation (GCV) minimum (Wahba [10]). Menurut Lee [8], estimasi parameter model regresi nonparametrik spline truncated menggunakan metode kuadrat terkecil (MKT). Penelitian ini bertujuan untuk menerapkan model regresi nonparametrik spline truncated pada data IPM di Indonesia dan menentukan faktor yang memengaruhi IPM di Indonesia. 2. Model Regresi Nonparametrik Spline Truncated Model regresi nonparametrik spline truncated merupakan model regresi pendekatan nonparametrik dengan fungsi regresi yang berbentuk polinomial spline truncated (Budiantara [3]). Menurut Hardle [7], polinomial spline truncated berorde m dengan titik knot (K 1, K 2,..., K r ) didefinisikan sebagai dengan f(x i ) = β 0 + Σ s l=1σ m j=1β j x j li + Σr k=1β j+k (x li K kl ) m + { (x li K kl ) m (x li K kl ) m, x li K kl ; + = 0, x li < K kl. β 0 adalah intersep, β j adalah parameter model, j = 1, 2,..., m, β j+k adalah parameter model pada orde ke-j dan titik knot ke-k, k = 1, 2,..., r, r adalah banyaknya titik knot, K kl adalah titik knot ke-k pada variabel prediktor ke-l, l = 1, 2,..., s, dan x li adalah nilai variabel prediktor ke-l pada pengamatan ke-i, i = 1, 2,..., n. 3. Pemilihan Titik Knot Optimal Model regresi nonparametrik spline truncated terbaik diperoleh berdasarkan titik knot optimal. Menurut Wahba [10], titik knot optimal diperoleh berdasarkan nilai GCV minimum. Rumus GCV dituliskan sebagai GCV (K 1, K 2,..., K r ) = MSE(K 1, K 2,..., K r ) (n 1 trace[i A(K 1, K 2,..., K r )]) 2 dengan MSE(K 1, K 2,..., K r ) = n 1 Σ n i=1(y i f(x i )) 2 dan A(K 1, K 2,..., K r ) merupakan matriks yang diperoleh dari rumus X K (X K X K) 1 X K. 4. Metode Penelitian 4.1. Data Penelitian. Penelitian ini merupakan penelitian terapan yaitu menerapkan data IPM untuk 34 provinsi di Indonesia menggunakan model regresi nonparametrik spline truncated. Data yang digunakan adalah data sekunder dari BPS [2] meliputi IPM masing-masing provinsi di Indonesia pada tahun 2015 (Y ), angka
3 harapan hidup menurut provinsi (X 1 ), PDRB menurut pengeluaran tahunan provinsi (X 2 ), jumlah penduduk miskin menurut provinsi (X 3 ), dan persentase penduduk buta huruf menurut provinsi (X 4 ) Langkah Penelitian. Langkah-langkah yang dilakukan pada penelitian ini dimulai dari dibentuknya pola hubungan antara variabel respon dan masing-masing variabel prediktor melalui scatter plot data. Kemudian ditentukan titik knot optimal pada masing-masing variabel prediktor. Selanjutnya ditentukan model regresi nonparametrik spline truncated terbaik berdasarkan titik knot optimal. Setelah itu dilakukan estimasi parameter model dengan MKT. Tahapan terakhir penelitian ini adalah dilakukannya uji signifikansi parameter, uji asumsi sisaan dan ditentukan koefisien determinasi (R 2 ) pada model regresi nonparametrik spline truncated terbaik. 5. Hasil dan Pembahasan 5.1. Pola Hubungan Variabel Respon dan Variabel Prediktor. Pemilihan model regresi pendekatan nonparametrik dalam memodelkan data IPM di Indonesia disebabkan oleh pola hubungan Y dengan masing-masing X 1,X 2,X 3, dan X 4 bersifat tidak mengikuti pola tertentu. Dua pola hubungan Y dengan masing-masing X 1 dan X 2 ditunjukkan pada Gambar 1(a) dan 1(b). Gambar 1. Dua pola hubungan (a) Y dan X 1, (b)y dan X 2 Berdasarkan Gambar 1(a) dan 1(b), nampak bahwa dua pola hubungan Y dengan masing-masing X 1 dan X 2 bersifat tidak mengikuti pola tertentu. Sama halnya dengan pola hubungan Y dengan masing-masing X 3 dan X 4, sehingga pendekatan model regresi yang digunakan adalah model regresi nonparametrik. Spline truncated merupakan metode dalam model regresi nonparametrik yang baik digunakan apabila pola hubungan Y dan X bersifat tidak mengikuti pola tertentu (Eubank [5])
4 5.2. Model Regresi Nonparametrik Spline Truncated. Titik knot optimal sebagai indikator model regresi nonparametrik spline truncated terbaik diperoleh melalui nilai GCV minimum. Nilai GCV minimum dipengaruhi oleh pemilihan orde (m) dan banyaknya titik knot (r). Berdasarkan penelitian, dipilih orde satu. Banyaknya titik knot yang digunakan yaitu 3, 4, dan 5 titik knot. Titik knot yang dipilih pada masing-masing variabel prediktor dimulai dari 3 karena pemilihan banyaknya titik knot < 3 bersifat tidak mewakili keseluruhan data. Sedangkan untuk pemilihan banyaknya titik knot > 5 akan menghasilkan nilai GCV yang tidak minimum. Setelah dipilih orde dan banyaknya titik knot, selanjutnya dilakukan perhitungan nilai GCV. Nilai GCV minimum berdasarkan banyaknya titik knot yang digunakan pada masing-masing variabel prediktor ditunjukkan pada Tabel 1. Tabel 1. Nilai GCV minimum berdasarkan banyaknya titik knot yang digunakan No. r(x 1 )-r(x 2 )-r(x 3 )-r(x 4 ) GCV minimum , , etc Berdasarkan Tabel 1, nilai GCV minimum sebesar diperoleh dari kombinasi titik knot yang merupakan titik knot optimal. Banyaknya titik knot optimal pada variabel X 1, X 2, dan X 3 sebanyak 5 titik knot, sedangkan banyaknya titik knot optimal pada variabel X 4 sebanyak 4 titik knot. Setelah diperoleh titik knot optimal pada masing-masing variabel prediktor, dilakukan estimasi 24 parameter model dengan MKT. Hasil estimasi parameter model regresi nonparametrik spline truncated dengan titik knot optimal ditunjukkan pada Tabel 2. Tabel 2. Hasil estimasi parameter model Parameter Estimasi Parameter Estimasi Parameter Estimasi ˆβ ˆβ β ˆ ˆβ ˆβ β ˆ ˆβ β10 ˆ β ˆ ˆβ β11 ˆ β ˆ ˆβ ˆ β ˆ β ˆβ ˆ β ˆ β ˆβ ˆ β ˆ β ˆβ ˆ β ˆ β
5 Berdasarkan hasil estimasi parameter model pada Tabel 2, diperoleh model regresi nonparametrik spline berikut. ŷ = x (x ) (x ) (x ) (x ) (x ) x (x ) (x ) (x ) (x ) (x ) x (x ) (x ) (x ) (x ) (x ) x (x ) (x ) (x ) (x 4 9.4) +. Model regresi nonparametrik spline yang terbentuk dapat dituliskan kembali dalam bentuk model regresi nonparametrik spline truncated. Penulisan model regresi nonparametrik spline truncated dilakukan berdasarkan interval titik knot optimal pada masing-masing variabel prediktor. Berikut dituliskan model regresi nonparametrik spline truncated berdasarkan interval titik knot optimal pada X 1. Adapun titik knot optimal pada variabel X 1 yaitu 66.7, 67.4, 68.4, 69.5, dan x 1, x 1 < 66.7; ŷ = x 1, 66.7 x 1 < 67.4; x 1, 67.4 x 1 < 68.4; x 1, 68.4 x 1 < 69.5; x 1, 69.5 x 1 < 72.5; x 1, x Model regresi nonparametrik spline truncated berdasarkan interval titik knot optimal pada X 2, X 3, dan X 4 dituliskan dengan cara yang sama. Titik knot optimal pada variabel X 2 yaitu , , , , dan Titik knot optimal pada variabel X 3 yaitu , , , , dan Titik knot optimal pada variabel X 4 yaitu 0.55, 3.55, 7.79, dan Uji Signifikansi Parameter. Setelah didapatkan model regresi nonparametrik spline truncated berdasarkan interval titik knot optimal pada masing-masing X 1, X 2, X 3, dan X 4, selanjutnya dilakukan uji signifikansi parameter. Uji signifikansi parameter bertujuan untuk mengetahui variabel prediktor yang berpengaruh signifikan terhadap variabel respon (Gujarati [6]). Uji signifikansi parameter terdiri atas uji keseluruhan dan uji parsial
6 Uji Keseluruhan. Hipotesis yang digunakan adalah H 0 : β 1 = β 2 = β 3 =... = β 23 = 0 (seluruh parameter model β tidak berpengaruh signifikan terhadap model regresi) dan H 1 : paling tidak terdapat satu β h 0, h = 1, 2, 3,..., 23 (paling tidak terdapat satu parameter model β h yang signifikan terhadap model regresi). Taraf signifikansi α = Kesimpulan H 0 ditolak jika DK = {F hitung F hitung > F (α,h,n h 1) = F 0.05,23,10 = 2.75}. Statistik uji F hitung = Karena DK, H 0 ditolak yang berarti paling tidak terdapat satu parameter model β h yang signifikan terhadap model regresi. Kemudian dilakukan uji parsial untuk mengetahui parameter model yang signifikan terhadap model regresi secara individu Uji Parsial. Hipotesis yang digunakan adalah H 0 : β h = 0, h = 1, 2,..., 23 (parameter model β h tidak signifikan terhadap model regresi) dan H 1 : β h 0, h = 1, 2,..., 23 (parameter model β h signifikan terhadap model regresi). Taraf signifikansi α = Kesimpulan H 0 ditolak jika DK = {t hitung t hitung > t (α/2,n h) = t 0.025,11 = 2.20}. Berdasarkan nilai t hitung, diperoleh parameter model yang signifikan dengan nilai t hitung melebihi 2.20, masing-masing β 1 = 38.76, β 2 = , β 3 = , β 4 = , β 5 = 64.41, β 6 = , β 19 = , β 20 = , β 21 = 3.22, β 22 = dan β 23 = Karena nilai t hitung dari β 1, β 2, β 3, β 4, β 5, β 6, β 19, β 20, β 21, β 22, dan β 23 DK, maka β 1, β 2, β 3, β 4, β 5, β 6, β 19, β 20, β 21, β 22, dan β 23 merupakan parameter model yang signifikan terhadap model regresi. Hal ini mengindikasikan angka harapan hidup (X 1 ) dan persentase penduduk buta huruf (X 4 ) merupakan variabel yang berpengaruh signifikan terhadap IPM di Indonesia. Setelah dilakukan uji signifikansi parameter pada model regresi nonparametrik spline truncated yang terbentuk, selanjutnya dilakukan uji asumsi sisaan untuk menguji kelayakan model regresi Uji Asumsi Sisaan. Uji asumsi sisaan bertujuan untuk menguji kelayakan model regresi (Gujarati [6]). Uji asumsi sisaan meliputi 3 asumsi yang harus dipenuhi, yaitu asumsi kenormalan, independensi, dan heteroskedastisitas. Pengujian asumsi kenormalan dilakukan menggunakan uji Kolmogorov Smirnov (Bintariningrum dan Budiantara [1]). Pengujian asumsi independensi dilakukan menggunakan uji Durbin Watson (Gujarati [6]). Pengujian asumsi heteroskedastisitas dilakukan menggunakan uji Glejser (Bintariningrum dan Budiantara [1])
7 Uji Kolmogorov Smirnov. Hipotesis yang digunakan adalah H 0 : sisaan berdistribusi normal dan H 1 : sisaan tidak berdistribusi normal. Taraf signifikansi yang digunakan pada penelitian yaitu, α = Kesimpulan pada uji Kolmogorov Smirnov yaitu, H 0 ditolak jika DK = {KS KS > q (1 α,n) = q (0.950,34) = 0.152}. Statistik uji Kolmogorov Smirnov (KS) = Karena DK, H 0 tidak ditolak yang berarti sisaan berdistribusi normal. Asumsi kenormalan dipenuhi Uji Durbin Watson. Hipotesis yang digunakan adalah H 0 : tidak terdapat autokorelasi pada sisaan dan H 1 : terdapat autokorelasi pada sisaan. Taraf signifikansi yang digunakan pada penelitian yaitu, α = Kesimpulan pada uji Durbin Watson yaitu, H 0 ditolak jika DK = {d hitung d hitung < d l = 1.21 atau 4 d hitung < d u = 1.73}. Statistik uji d hitung = 1.43 dan 4 d hitung = Karena statistik uji d hitung dan 4 d hitung DK, H 0 tidak ditolak yang berarti tidak terdapat autokorelasi pada sisaan. Asumsi independensi dipenuhi Uji Glejser. Hipotesis yang digunakan adalah H 0 : tidak terdapat heteroskedastisitas pada sisaan dan H 1 : terdapat heteroskedastisitas pada sisaan. Taraf signifikansi yang digunakan pada penelitian yaitu, α = Kesimpulan H 0 ditolak jika DK = {F hitung F hitung > F (α,h 1,n h) = F 0.05,22,11 = 2.60}. Statistik uji F hitung = Karena DK, H 0 tidak ditolak yang berarti tidak terdapat heteroskedastisitas pada sisaan. Asumsi heteroskedastisitas dipenuhi Koefisien Determinasi. Koefisien determinasi (R 2 ) pada model regresi dihitung untuk mengetahui seberapa besar variabel respon dijelaskan oleh variabel prediktor (Drapper and Smith [4]). Berdasarkan perhitungan, nilai R 2 adalah R 2 = Σn i=1(ŷ i ȳ) 2 Σ n i=1 (y i ȳ) 2 = = Berdasarkan model regresi yang terbentuk, diperoleh nilai R 2 sebesar Hal tersebut mengindikasikan IPM di Indonesia dapat dijelaskan sebesar 94.54% oleh angka harapan hidup dan persentase penduduk buta huruf. Sedangkan sisanya, 5.46% merupakan persentase faktor lain yang belum dimasukkan dalam model. 6. Kesimpulan Berdasarkan hasil dan pembahasan dapat diambil 2 kesimpulan berikut
8 (1) Model regresi nonparametrik spline truncated pada data IPM di Indonesia yang sesuai adalah x 1, x 1 < 66.7; x 1, 66.7 x 1 < 67.4; x 1, 67.4 x 1 < 68.4; x 1, 68.4 x 1 < 69.5; x 1, 69.5 x 1 < 72.5; ŷ = x 1, x ; x 4, x 4 < 0.55; x 4, 0.55 x 4 < 3.55; x 4, 3.55 x 4 < 7.79; x 4, 7.79 x 4 < 9.4; x 4, x (2) Faktor yang memengaruhi IPM di Indonesia yaitu angka harapan hidup menurut provinsi (X 1 ) dan persentase penduduk buta huruf menurut provinsi (X 4 ). Daftar Pustaka [1] Bintariningrum, M. F., dan I. N. Budiantara, Pemodelan Regresi Nonparametrik Spline Truncated dan Aplikasinya pada Angka Kelahiran Kasar Di Surabaya, Jurnal Sains dan Seni Pomits Vol.3 (2014), no. 1, [2] BPS, [Badan Pusat Statistik], Indeks Pembangunan Manusia di Negara Indonesia, Jakarta, [3] Budiantara, I. N., Penelitian Bidang Regresi Spline Menuju Terwujudnya Penelitian Statistika yang Mandiri dan Berkarakter, Seminar Nasional Matematika, Jurusan Matematika Universitas Pendidikan Ganesha, Bali, [4] Drapper, N. R., and H. Smith, Applied Regression Analysis, Second edition, John Wiley and Sons, Inc., New York, [5] Eubank, R. L., Spline Smoothing and Nonparametric Regression, Second edition, Marcel Dekker, New York, [6] Gujarati, N. D., Essential Of Econometrics, Mc Graw-Hill. Inc, New York, [7] Hardle, W., Applied Nonparametric Regression, Cambridge University Press, New York, [8] Lee, T. C. M., On Algorithms For Ordinary Least Squares Regression Spline Fitting:A Comparative Study, Statistica, Vol.72 (2002), no.8, [9] UNDP, [United Nations Development Programme], Human Development Report, New York, [10] Wahba, G., Spline Models For Observational Data, SIAM, Pennsylvania, [11] Wand, M. P., A Comparison Of Regression Spline Smoothing Procedures, Computational Statistics Vol.15 (2000),
MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA PRODUK DOMESTIK REGIONAL BRUTO TERHADAP INVESTASI DI KABUPATEN TUBAN
MODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA PRODUK DOMESTIK REGIONAL BRUTO TERHADAP INVESTASI DI KABUPATEN TUBAN Amalia Ma rufa, Sri Subanti, Titin Sri Martini Program Studi Matematika FMIPA UNS
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bagian pertama bab ini diberikan tinjauan pustaka yang berisi penelitian sebelumnya yang mendasari penelitian ini Pada bagian kedua bab ini diberikan teori penunjang yang berisi
Lebih terperinciPERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA
PERBANDINGAN TINGKAT AKURASI REGRESI NONPARAMETRIK SPLINE DAN REGRESI NONPARAMETRIK KERNEL PADA PERTUMBUHAN BALITA DI KOTA SURAKARTA Febriani Astuti, Kartiko, Sri Sulistijowati Handajani Jurusan Matematika
Lebih terperinciPENENTUAN MODEL REGRESI SPLINE TERBAIK. Agustini Tripena 1
PENENTUAN MODEL REGRESI SPLINE TERBAIK Agustini Tripena 1 1) Program Studi Matematika, Fakultas Sains dan Teknik, Univesitas Jenderal Soedirman, Purwokerto tripena1960@yahoo.co.id Abstrak Pada paper ini
Lebih terperinciPemodelan Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Manusia Menggunakan Regresi Nonparametrik Spline di Jawa Tengah
JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print) D-157 Pemodelan Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Manusia Menggunakan Regresi Nonparametrik Spline di Jawa Tengah
Lebih terperinciAnalisis Regresi Spline Kuadratik
Analisis Regresi Spline Kuadratik S 2 Oleh: Agustini Tripena Program Studi Matematika, Fakultas Sains dan Teknik, Univesitas Jenderal Soedirman, Purwokerto tripena1960@yahoo.co.id Abstrak Regresi spline
Lebih terperinciAplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri
Vol. 6, No.1, 0-8, Juli 009 Aplikasi Spline Kuadrat Terkecil dalam Pemodelan Pertumbuhan Anak Berdasarkan Indeks Antropometri Wahidah Sanusi Abstrak Penelitian ini dilakukan untuk mengestimasi model pertumbuhan
Lebih terperinciPEMILIHAN PARAMETER PENGHALUS DALAM REGRESI SPLINE LINIER. Agustini Tripena Br.Sb.
JMP : Volume 3 Nomor 1, Juni 2011 PEMILIHAN PARAMETER PENGHALUS DALAM REGRESI SPLINE LINIER Agustini Tripena Br.Sb. Fakultas Sains dan Teknik, Universitas Jenderal Soedirman Purwokerto, Indonesia ABSTRAK.
Lebih terperinciMODEL REGRESI NONPARAMETRIK DENGAN PENDEKATAN DERET FOURIER PADA KASUS TINGKAT PENGANGGURAN TERBUKA DI JAWA TIMUR
UNIVERSITAS DIPONEGORO 01 ISBN: -0-1-0-1 MODEL REGRESI NONPARAMETRIK DENGAN PENDEKATAN DERET FOURIER PADA KASUS TINGKAT PENGANGGURAN TERBUKA DI JAWA TIMUR Alan Prahutama Dosen Jurusan Statistika Undip
Lebih terperinciBAB IV PEMBAHASAN. 4.1 Deskripsi Data
BAB IV PEMBAHASAN Pada bab ini diberikan deskripsi data, diagram pencar data, titik knot optimal, model regresi nonparametrik spline, pengujian parameter, dan pengujian sisaan. Selanjutnya regresi nonparametrik
Lebih terperinciPREDIKSI INFLASI DI INDONESIA MENGGUNAKAN REGRESI NONPARAMETRIK B-SPLINE
PREDIKSI INFLASI DI INDONESIA MENGGUNAKAN REGRESI NONPARAMETRIK B-SPLINE Annita Nur Kusumastuti, Sri Sulistijowati Handajani, dan Respatiwulan Program Studi Matematika FMIPA UNS ABSTRAK. Inflasi identik
Lebih terperinciPemodelan Angka Putus Sekolah Usia SMA di Jawa Timur dengan Pendekatan Regresi Spline Multivariabel
Seminar Hasil Tugas Akhir Pemodelan Angka Putus Sekolah Usia SMA di Jawa Timur dengan Pendekatan Regresi Spline Multivariabel Mega Pradipta 1309100038 Pembimbing I : Dra. Madu Ratna, M.Si Pembimbing II
Lebih terperinciREGRESI SEMIPARAMETRIK SPLINE TRUNCATED DENGAN SOFTWARE R. Abstract. Keywords: Spline Truncated, GCV, Software R.
REGRESI SEMIPARAMETRIK SPLINE TRUNCATED DENGAN SOFTWARE R Tiani Wahyu Utami 1), Alan Prahutama 2) 1 Program studi Statistika, FMIPA, Universitas Mumammadiyah Semarang email: tianiutami@unimus.ac.id 2 Departemen
Lebih terperinciAPLIKASI REGRESI SPLINE UNTUK MEMPERKIRAKAN TINGKAT FERTILITAS WANITA BERDASARKAN UMUR
APLIKASI REGRESI SPLINE UNTUK MEMPERKIRAKAN TINGKAT FERTILITAS WANITA BERDASARKAN UMUR Oleh : Isnia Dwimayanti (0 09 06) Pembimbing : DR Drs I Nyoman Budiantara, MS ABSTRAK Tingginya tingkat fertilitas
Lebih terperinciPemodelan Regresi Nonparametrik Spline Truncated Dan Aplikasinya pada Angka Kelahiran Kasar di Surabaya
JURNAL SAINS DAN SENI POMITS Vol., No., (04) 7-0 (0-98X Print) D-7 Pemodelan Regresi Nonparametrik Spline Truncated Dan Aplikasinya pada Angka Kelahiran Kasar di Surabaya Merly Fatriana Bintariningrum
Lebih terperinciPEMODELAN KURS RUPIAH TERHADAP MATA UANG EURO DENGAN PENDEKATAN REGRESI SPLINE. Sulton Syafii Katijaya 1, Suparti 2, Sudarno 3.
PEMODELAN KURS RUPIAH TERHADAP MATA UANG EURO DENGAN PENDEKATAN REGRESI SPLINE Sulton Syafii Katijaya 1, Suparti 2, Sudarno 3 1 Mahasiswa Jurusan Statistika FSM UNDIP 2,3 Staff Pengajar Jurusan Statistika
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode analisis data yang telah diterapkan
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan metode analisis data yang telah diterapkan secara luas pada berbagai bidang penelitian, sebagai contoh penelitian-penelitian dalam ilmu pengetahuan
Lebih terperinciBAB V KESIMPULAN DAN SARAN
5 BAB V KESIMPULAN DAN SARAN 5. Kesimpulan Berdasarkan hasil analisis sebelumnya, dapat ditarik kesimpulan bahwa :. Model regresi yang mampu menjelaskan hubungan antara angka kematian bayi di Jawa Timur
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 terperinciPENENTUAN GENERALIZED CROSS VALIDATION (GCV) SEBAGAI KRITERIA DALAM PEMILIHAN MODEL REGRESI B-SPLINE TERBAIK
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 2 (2013), hal 121 126. PENENTUAN GENERALIZED CROSS VALIDATION (GCV) SEBAGAI KRITERIA DALAM PEMILIHAN MODEL REGRESI B-SPLINE TERBAIK Yuyun
Lebih terperinciPEMODELAN KASUS KEMISKINAN DI JAWA TENGAH MENGGUNAKAN REGRESI NONPARAMETRIK METODE B-SPLINE ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 11-20 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN KASUS KEMISKINAN DI JAWA TENGAH MENGGUNAKAN REGRESI
Lebih terperinciMODEL REGRESI NONPARAMETRIK BERDASARKAN ESTIMATOR POLINOMIAL LOKAL KERNEL PADA KASUS PERTUMBUHAN BALITA
MODEL REGRESI NONPARAMETRIK BERDASARKAN ESTIMATOR POLINOMIAL LOKAL KERNEL PADA KASUS PERTUMBUHAN BALITA 1 Mifta Luthfin Alfiani, 2 Indah Manfaati Nur, 3 Tiani Wahyu Utami 1,2,3 Program Studi Statistika,
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 terperinciPEMODELAN REGRESI SPLINE UNTUK RATA- RATA BANYAK ANAK YANG DILAHIRKAN HIDUP DI KOTA SURABAYA, KABUPATEN SITUBONDO DAN KABUPATEN BANGKALAN
SIDANG LAPORAN TUGAS AKHIR PEMODELAN REGRESI SPLINE UNTUK RATA- RATA BANYAK ANAK YANG DILAHIRKAN HIDUP DI KOTA SURABAYA, KABUPATEN SITUBONDO DAN KABUPATEN BANGKALAN Oleh : Servianie Purnamasari (1310 030
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 terperinciBAB I PENDAHULUAN. bisnis, ekonomi, ilmu-ilmu pengetahuan sosial, kesehatan, dan biologi.
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi telah diterapkan pada berbagai bidang, seperti administrasi bisnis, ekonomi, ilmu-ilmu pengetahuan sosial, kesehatan, dan biologi. Keberhasilan dalam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini diuraikan beberapa tinjauan pustaka sebagai landasan teori pendukung penulisan penelitian ini. 2.1 Analisis Regresi Suatu pasangan peubah acak seperti (tinggi, berat)
Lebih terperinciBAB I PENDAHULUAN. dipergunakan untuk menaksir pola hubungan antara variabel prediktor atau
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan salah satu analisis dalam statistika yang dipergunakan untuk menaksir pola hubungan antara variabel prediktor atau variabel bebas X dengan
Lebih terperinciPemodelan Spline Truncated dalam Regresi Nonparametrik Birespon
Konferensi Nasional Sistem & Informatika 7 STMIK STIKOM Bali, Agustus 7 Pemodelan Spline Truncated dalam Regresi Nonparametrik Birespon Luh Putu Safitri Pratiwi Program Studi Sistem Informasi STMIK STIKOM
Lebih terperinciAPLIKASI MODEL REGRESI SEMIPARAMETRIK SPLINE TRUNCATED (Studi Kasus: Pasien Demam Berdarah Dengue (DBD) di Rumah Sakit Puri Raharja)
E-Jurnal Matematika Vol 6 (1), Januari 2017, pp 65-73 ISSN: 2303-1751 APLIKASI MODEL REGRESI SEMIPARAMETRIK SPLINE TRUNCATED (Studi Kasus: Pasien Demam Berdarah Dengue (DBD) di Rumah Sakit Puri Raharja)
Lebih terperinciPEMODELAN REGRESI SPLINE (Studi Kasus: Herpindo Jaya Cabang Ngaliyan)
PEMODELAN REGRESI SPLINE (Studi Kasus: Herpindo Jaya Cabang Ngaliyan) I Made Budiantara Putra 1, I Gusti Ayu Made Srinadi 2, I Wayan Sumarjaya 3 1 Jurusan Matematika, Fakultas MIPA - Universitas Udayana
Lebih terperinciPemodelan PDRB Di Indonesia Menggunakan Pendekatan Regresi Nonparametrik Spline
JURNAL SAINS DAN SENI ITS Vol. 6, No., (17) ISSN: 337-35 (31-98X Print) D-16 Pemodelan PDRB Di Indonesia Menggunakan Pendekatan Regresi Nonparametrik Spline Puspita Khanela, Madu Ratna, dan I Nyoman Budiantara
Lebih terperinciPENDEKATAN REGRESI SEMIPARAMETRIK SPLINE LINIER UNTUK MEMODELKAN ANGKA KEMATIAN BAYI DI JAWA TIMUR
SULVIA MEGASARI 1310 100 037 PENDEKATAN REGRESI SEMIPARAMETRIK SPLINE LINIER UNTUK MEMODELKAN ANGKA KEMATIAN BAYI DI JAWA TIMUR 1 Sulvia Megasari dan I Nyoman Budiantara Jurusan Statistika, Fakultas Matematika
Lebih terperinciFaktor-Faktor yang Mempengaruhi Contraceptive Prevalence Rate (Cpr) di Indonesia dengan Pendekatan Regresi Nonparametrik Spline
JURNAL SAINS DAN SENI ITS Vol.,., (0) 7-0 (0-9X Print) D-97 Faktor-Faktor yang empengaruhi Contraceptive Prevalence Rate (Cpr) di Indonesia dengan Pendekatan Regresi nparametrik Spline Diana Cristie dan
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 2, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 2, Tahun 2014, Halaman 223-231 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMILIHAN MODEL REGRESI POLINOMIAL LOKAL DAN SPLINE UNTUK ANALISIS
Lebih terperinciBAB I PENDAHULUAN. menganalisis hubungan fungsional antara variabel prediktor ( ) dan variabel
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan suatu metode yang digunakan untuk menganalisis hubungan fungsional antara variabel prediktor ( ) dan variabel respon ( ), dimana
Lebih terperinciANALISIS REGRESI NONPARAMETRIK SPLINE MULTIVARIAT UNTUK PEMODELAN INDIKATOR KEMISKINAN DI INDONESIA
E-Jurnal Matematika Vol. 5 (3), Agustus 2016, pp. 111-116 ISSN: 2303-1751 ANALISIS REGRESI NONPARAMETRIK SPLINE MULTIVARIAT UNTUK PEMODELAN INDIKATOR KEMISKINAN DI INDONESIA Desak Ayu Wiri Astiti 1, I
Lebih terperinciPemodelan Faktor-Faktor yang Mempengaruhi Unmet Need KB di Provinsi Jawa Timur dengan Pendekatan Regresi Nonparametrik Spline
JURNAL SAINS DAN SENI ITS Vol. No. (06 7-0 (0-98X Print D-6 Pemodelan Faktor-Faktor yang Mempengaruhi Unmet Need KB di Provinsi Jawa Timur dengan Pendekatan Regresi Nonparametrik Spline Anita Trias Anggraeni
Lebih terperinciPemodelan Angka Putus Sekolah Usia SMP Menggunakan Metode Regresi Nonparametrik Spline di Papua
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Print) D-103 Pemodelan Angka Putus Sekolah Usia SMP Menggunakan Metode Regresi Nonparametrik Spline di Papua Latifatul Mubarokah, I Nyoman
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 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 terperinciAnalisis Regresi Spline Multivariabel untuk Pemodelan Kematian Penderita Demam Berdarah Dengue (DBD) di Jawa Timur
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. 0) ISSN: 0-98X D- Analisis Regresi Spline Multivariabel untuk Pemodelan Kematian Penderita Demam Berdarah Dengue (DBD) di Jawa Timur Reza Mubarak dan I Nyoman
Lebih terperinciPEMODELAN DATA INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN REGRESI PENALIZED SPLINE
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 603-612 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN DATA INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN REGRESI
Lebih terperinciBAB III REGRESI SPLINE = + dimana merupakan fungsi pemulus yang tidak spesifik, dengan adalah
BAB III REGRESI SPLINE 3.1 Fungsi Pemulus Spline yaitu Fungsi regresi nonparametrik yang telah dituliskan pada bab sebelumnya = + dimana merupakan fungsi pemulus yang tidak spesifik, dengan adalah faktor
Lebih terperinciSEMINAR TUGAS AKHIR 16 JANUARI Penyaji : I Dewa Ayu Made Istri Wulandari Pembimbing : Prof.Dr.Drs. I Nyoman Budiantara, M.
16 JANUARI ANALISIS FAKTOR FAKTOR YANG MEMPENGARUHI PENDUDUK MISKIN DAN PENGELUARAN PERKAPITA MAKANAN DI JAWA TIMUR DENGAN METODE REGRESI NONPARAMETRIK BIRESPON SPLINE Penyaji : I Dewa Ayu Made Istri Wulandari
Lebih terperinciESTIMATOR SPLINE KUBIK
Bimafika, 011, 3, 30-34 ESTIMATOR SPLINE KUBIK Johannis Takaria * Staff Pengajar Fakultas Keguruan Dan Ilmu Pendidikan Universitas Pattimura Ambon Diterima 10-1-010; Terbit 31-06-011 ABSTRACT Consider
Lebih terperinciFaktor-faktor yang Mempengaruhi Indeks Pembangunan Manusia (IPM) di Jawa Timur dengan Pendekatan Regresi Semiparametrik Spline
Faktor-faktor yang Mempengaruhi Indeks Pembangunan Manusia (IPM) di Jawa Timur dengan Pendekatan Regresi Semiparametrik Spline Oleh : A. Anggita Tauwakal Retno (303008) Dosen Pembimbing : Prof. Dr. Drs.
Lebih terperinciKata Kunci kematian maternal, regresi, spline, nonparametrik, GCV
JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 2337-3520 (2301-928X Print) D-13 Pendekatan Spline untuk Estimasi Kurva Regresi Nonparametrik (Studi Kasus pada Data Angka Kematian Maternal di Jawa Timur)
Lebih terperinciPEMODELAN HARGA CABAI DI KOTA SEMARANG TERHADAP HARGA INFLASI MENGGUNAKAN REGRESI SEMIPARAMETRIK POLINOMIAL LOKAL
PEMODELAN HARGA CABAI DI KOTA SEMARANG TERHADAP HARGA INFLASI MENGGUNAKAN REGRESI SEMIPARAMETRIK POLINOMIAL LOKAL Alan Prahutama, Suparti, Departemen Statistika, Fakultas Sains dan Matematika,Universitas
Lebih terperinciPEMODELAN KASUS KEMISKINAN DI JAWA TENGAH MENGGUNAKAN REGRESI NONPARAMETRIK METODE B-SPLINE
PEMODELAN KASUS KEMISKINAN DI JAWA TENGAH MENGGUNAKAN REGRESI NONPARAMETRIK METODE B-SPLINE SKRIPSI Disusun Oleh : ANISA SEPTI RAHMAWATI 24010212140046 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciESTIMASI KURVA REGRESI SEMIPARAMETRIK PADA DATA LONGITUDINAL BERDASARKAN ESTIMATOR POLINOMIAL LOKAL
Statistika Vol 1 No 1 Mei 213 ESTIMASI KURVA REGRESI SEMIPARAMETRIK PADA DATA LONGITUDINAL BERDASARKAN ESTIMATOR POLINOMIAL LOKAL Tiani Wahyu Utami 1 Program Studi S1 Statistika Universitas Muhammadiyah
Lebih terperinciABSTRAK. Kata Kunci: regresi nonparametrik spline, knot, GCV, angka kematian bayi.
Judul : Pemodelan Regresi Nonparametrik Spline Pada Angka Kematian Bayi di Provinsi Bali Nama : Gede Abdi Hadi Suryawan Pembimbing : 1. I.Gst. Ayu Made Srinadi, S.Si.,M.Si. 2. I Wayan Sumarjaya, S.Si.,M.Stats.
Lebih terperinciPREDIKSI INFLASI DI PROVINSI JAWA TENGAH DENGAN MENGGUNAKAN REGRESI KERNEL
PREDIKSI INFLASI DI PROVINSI JAWA TENGAH DENGAN MENGGUNAKAN REGRESI KERNEL Firmanti Suryandari, Sri Subanti, Bowo Winarno Program Studi Matematika FMIPA UNS ABSTRAK. Inflasi merupakan proses meningkatnya
Lebih terperinciMODEL REGRESI SPLINE KNOT OPTIMAL UNTUK MENGETAHUI FAKTOR FAKTOR YANG MEMPENGARUHI JUMLAH KEMATIAN BAYI DI JAWA TIMUR
MODEL REGRESI SPLINE KNOT OPTIMAL UNTUK MENGETAHUI FAKTOR FAKTOR YANG MEMPENGARUHI JUMLAH KEMATIAN BAYI DI JAWA TIMUR Elsha Puspitasari, Drs. Hery Tri Sutanto, M.Si 2,,2 Jurusan Matematika, Fakultas Matematika
Lebih terperinciOleh : Edwin Erifiandi (NRP ) Pembimbing : Prof. Dr. Drs. I Nyoman Budiantara, MSi
Oleh : Edwin Erifiandi (NRP. 1309 201 701) Pembimbing : Prof. Dr. Drs. I Nyoman Budiantara, MSi PENDAHULUAN Latar Belakang (1) () Salah satu metode statistika untuk memodelkan hubungan antar variabel adalah
Lebih terperinciMODEL SPLINE TERBOBOT UNTUK MERANCANG KARTU MENUJU SEHAT (KMS) PROPINSI JAWA TIMUR
MODEL SPLINE TERBOBOT UNTUK MERANCANG KARTU MENUJU SEHAT (KMS) PROPINSI JAWA TIMUR Adi Wicaksono 1, Mutiah Salamah, dan Jerry Dwi Trijoyo Purnomo 1 Mahasiswa Statistika ITS Dosen Statistika ITS ABSTRAK
Lebih terperinciPEMODELAN DATA INDEKS HARGA SAHAM GABUNGAN. Disusun Oleh : NOVIA AGUSTINA. Skripsi. Jurusan Statistika Fakultas Sains dan Matematika Undip
PEMODELAN DATA INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN REGRESI PENALIZED SPLINE Disusun Oleh : NOVIA AGUSTINA 24010211130039 Skripsi Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains
Lebih terperinciANALISIS INFLASI KOTA SEMARANG MENGGUNAKAN METODE REGRESI NON PARAMETRIK B-SPLINE
ANALISIS INFLASI KOTA SEMARANG MENGGUNAKAN METODE REGRESI NON PARAMETRIK B-SPLINE SKRIPSI Oleh : ALVITA RACHMA DEVI 24010210120017 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciPEMODELAN KURS RUPIAH TERHADAP DOLLAR AMERIKA SERIKAT MENGGUNAKAN REGRESI PENALIZED SPLINE BERBASIS RADIAL
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 533-541 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN KURS RUPIAH TERHADAP DOLLAR AMERIKA SERIKAT MENGGUNAKAN
Lebih terperinciANALISIS FAKTOR PENANAMAN MODAL DALAM NEGERI, EKSPOR, DAN KONSUMSI PEMERINTAH TERHADAP PDRB KALIMANTAN BARAT DENGAN MODEL DATA PANEL INTISARI
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume xx, No. x (tahun), hal xx xx. ANALISIS FAKTOR PENANAMAN MODAL DALAM NEGERI, EKSPOR, DAN KONSUMSI PEMERINTAH TERHADAP PDRB KALIMANTAN BARAT DENGAN
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan
5 II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan antara variabel respon dengan satu atau beberapa variabel prediktor. Misalkan
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen (respon) dengan satu atau lebih variabel independen (variabel penjelas), dengan
Lebih terperinciPREDIKSI KURS RUPIAH TERHADAP EURO MENGGUNAKAN MODEL REGRESI SPLINE TERSEGMEN
PREDIKSI KURS RUPIAH TERHADAP EURO MENGGUNAKAN MODEL REGRESI SPLINE TERSEGMEN Iswan Rahman 1, Raupong 2, M. Saleh AF. 3 1 Mahasiswa Departemen Matematika FMIPA Universitas Hasanuddin 2,3 Staff Pengajar
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan salah satu teknik analisis statistika yang paling banyak digunakan. Pada kejadian sehari hari terdapat hubungan sebab akibat yang muncul,
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kota Medan merupakan ibukota Provinsi Sumatera Utara dan menjadi kota terbesar nomor 3 (tiga) di Indonesia setelah Jakarta dan Surabaya. Selain sebagai kota
Lebih terperinciANALISIS REGRESI PANEL TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN MANUSIA DI KABUPATEN/KOTA D.I.YOGYAKARTA
ANALISIS REGRESI PANEL TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN MANUSIA DI KABUPATEN/KOTA D.I.YOGYAKARTA Mita Pangestika 1 *Jurusan Statistika FIMIPA Universitas Islam Indonesia *mitapanges@gmail.com
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan fungsional antara variabel respon dengan satu atau beberapa variabel prediktor.
Lebih terperinciPEMODELAN KURS RUPIAH TERHADAP DOLLAR AMERIKA SERIKAT MENGGUNAKAN
PEMODELAN KURS RUPIAH TERHADAP DOLLAR AMERIKA SERIKAT MENGGUNAKAN REGRESI PENALIZED SPLINE BERBASIS RADIAL SKRIPSI Disusun oleh: KARTIKANINGTIYAS H.S 24010211140076 JURUSAN STATISTIKA FAKULTAS SAINS DAN
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 terperinciEFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH
EFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH May Cristanti, Yuliana Susanti, dan Sugiyanto Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciPEMODELAN REGRESI SPLINE TRUNCATED UNTUK DATA LONGITUDINAL
PEMODELAN REGRESI SPLINE TRUNCATED UNTUK DATA LONGITUDINAL ( Studi Kasus : Harga Saham Bulanan pada Kelompok Saham Perbankan Periode Januari 2009 Desember 2015 ) SKRIPSI Disusun oleh: KHOIRUNNISA NUR FADHILAH
Lebih terperinciPemodelan Regresi Spline Truncated Multivariabel pada Faktor-Faktor yang Mempengaruhi Kemiskinan di Kabupaten/Kota Provinsi Jawa Tengah
JURNAL SAINS DAN SENI POMITS Vol., No.1, (013) 337-350 (301-98X Print) D-19 Pemodelan Regresi Spline Truncated Multivariabel pada Faktor-Faktor yang Mempengaruhi Kemiskinan di Kabupaten/Kota Provinsi Jawa
Lebih terperinciAnalisis Faktor-Faktor yang Mempengaruhi Produksi Padi di Provinsi Jawa Timur Menggunakan Regresi Semiparametrik Spline
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (217) ISSN: 2337-352 (231-928X Print) D-11 Analisis Faktor-Faktor yang Mempengaruhi Produksi Padi di Provinsi Jawa Timur Menggunakan Regresi Semiparametrik Spline
Lebih terperinciTUGAS AKHIR - SS MADE AYU DWI OCTAVANNY NRP
TUGAS AKHIR - SS141501 PEMODELAN FAKTOR-FAKTOR YANG MEMENGARUHI INDEKS PEMBANGUNAN KESEHATAN MASYARAKAT PROVINSI JAWA TIMUR MENGGUNAKAN PENDEKATAN REGRESI SEMIPARAMETRIK SPLINE MADE AYU DWI OCTAVANNY NRP
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 6, Nomor 2, Tahun 2017, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 2, Tahun 2017, Halaman 221-230 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN REGRESI SPLINE MENGGUNAKAN METODE PENALIZED SPLINE
Lebih terperinciANALISIS REGRESI KUANTIL
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 103 107 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI KUANTIL SAIDAH, FERRA YANUAR, DODI DEVIANTO Program Studi Magister Matematika, Fakultas
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 447-454 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN REGRESI SPLINE TRUNCATED UNTUK DATA LONGITUDINAL (
Lebih terperinciTINJAUAN PUSTAKA. Menurut Hardle (1994) analisis regresi adalah suatu metode analisis data yang
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Menurut Hardle (1994) analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan antara variabel respon dengan satu atau beberapa variabel
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Model regresi yang baik memerlukan data yang baik pula. Suatu data dikatakan baik apabila data tersebut berada di sekitar garis regresi. Kenyataannya, terkadang terdapat
Lebih terperincioleh FAIFAR NUR CHAYANINGTYAS M SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
MODEL REGRESI B-SPLINE PADA LAJU PERTUMBUHAN PENDUDUK DI INDONESIA oleh FAIFAR NUR CHAYANINGTYAS M0112032 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains
Lebih terperinciInformasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG)
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Informasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG) Aulia Nugrahani
Lebih terperinci2-RP RENCANA PEMBELAJARAN. Semester : VI Hal: 1 dari 5. No.Revisi : 00. tim. Regresi Nonparametrik. Deskripsi. Kemampuan. lokal).
RP S1 SP 14 A. CAPAIAN PEMBELAJARAN : CP 11.1 : Mampu memodelkan data kuantitatif univariat linier nonlinier. CP15.2 : Mampu mengelola berja dalam tim CP15.4 : Bertanggung jawab atas hasil rja mandiri
Lebih terperinciDAFTAR ISI Latar Belakang Masalah Rumusan Masalah Tujuan Penelitian Manfaat Penelitian... 15
DAFTAR ISI LEMBAR PENGESAHAN... ABSTRAK... KATA PENGANTAR... DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR... DAFTAR LAMPIRAN... i ii iv vi viii ix x BAB I. BAB II. PENDAHULUAN 1.1 Latar Belakang Masalah...
Lebih terperinciANALISIS REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAHTANGGA UNTUK MAKANAN BERPROTEIN TINGGI. Abstrak
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 ANALISIS REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAHTANGGA UNTUK MAKANAN BERPROTEIN TINGGI 1
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini bersumber dari data sekunder mulai dari tahun 2005 sampai dengan tahun 2010. Data tersebut didapat dari beberapa
Lebih terperinciMETODE PENELITIAN. A. Variabel Penelitian dan Definisi Operasional. Untuk memperjelas dan memudahkan pemahaman terhadap variabelvariabel
III METODE PENELITIAN A. Variabel Penelitian dan Definisi Operasional Untuk memperjelas dan memudahkan pemahaman terhadap variabelvariabel yang akan dianalisis dalam penelitian ini, maka perlu dirumuskan
Lebih terperinciBAB 1 PENDAHULUAN. dalam pembangunan adalah IPM (Indeks Pembangunan Manusia). Dalam. mengukur pencapaian pembangunan sosio-ekonomi suatu negara yang
BAB 1 PENDAHULUAN A. Latar Belakang Masalah Kesejahteraan masyarakat merupakan hal yang harus dicapai dalam pembangunan. Adapun salah satu indikator untuk mengukur keberhasilan dalam pembangunan 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 terperinciPEMODELAN SPATIAL ERROR MODEL (SEM) UNTUK INDEKS PEMBANGUNAN MANUSIA (IPM) DI PROVINSI JAWA TENGAH
PEMODELAN SPATIAL ERROR MODEL (SEM) UNTUK INDEKS PEMBANGUNAN MANUSIA (IPM) DI PROVINSI JAWA TENGAH 1 Diana Wahyu Safitri, 2 Moh Yamin Darsyah, 3 Tiani Wahyu Utami 1,2,3 Program Studi Statistika FMIPA Universitas
Lebih terperinciPEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI DAN MUTU TEMBAKAU TEMANGGUNG DENGAN KOMBINASI ANTARA GENERALIZED LEAST SQUARE DAN REGRESI RIDGE
Seminar Tugas Akhir PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI DAN MUTU TEMBAKAU TEMANGGUNG DENGAN KOMBINASI ANTARA GENERALIZED LEAST SQUARE DAN REGRESI RIDGE Oleh: Nyimas Yusna Aeni (1308 100
Lebih terperinciPEMODELAN UPAH MINIMUM KABUPATEN/KOTA DI JAWA TENGAH BERDASARKAN FAKTOR-FAKTOR YANG MEMPENGARUHINYA MENGGUNAKAN REGRESI RIDGE
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 123-132 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN UPAH MINIMUM KABUPATEN/KOTA DI JAWA TENGAH BERDASARKAN
Lebih terperinciANALISIS REGRESI TERSEGMEN MENGGUNAKAN METODE GAUSS-NEWTON
Jurnal Matematika UNAND Vol. 2 No. 3 Hal. 42 48 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI TERSEGMEN MENGGUNAKAN METODE GAUSS-NEWTON PUTRI PERMATHASARI Program Studi Matematika,
Lebih terperinciREGRESI LINIER NONPARAMETRIK DENGAN METODE THEIL
Jurnal Matematika UNAND Vol. 2 No. 3 Hal. 167 174 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND REGRESI LINIER NONPARAMETRIK DENGAN METODE THEIL ALDILA SARTI Program Studi Matematika, Fakultas Matematika
Lebih terperinci5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS
5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS Pendahuluan Pada model VARX hubungan peubah penjelas dengan peubah respon bersifat parametrik. Stone (1985) mengemukakan pemodelan yang bersifat fleksibel
Lebih terperinciBAB III METODE PENELITIAN. Utara. Series data yang digunakan dari tahun
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yang berasal dari Badan Pusat Statistik Republik Indonesia dan BPS Provinsi Maluku Utara.
Lebih terperinciJurnal Matematika Vol. 3 No. 1, Juli ISSN :
Jurnal Matematika Vol. 3 No. 1, Juli 2013. ISSN : 1693-1394 Pemodelan Angka Harapan Hidup di Provinsi Jawa Timur Tahun 2007 dan 2011 Berdasarkan Angka Melek Huruf, Rata-rata Lama Sekolah, dan Pengeluaran
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini akan dijelaskan mengenai model regresi robust dengan
BAB III PEMBAHASAN Pada bab ini akan dijelaskan mengenai model regresi robust dengan metode estimasi-s. Kemudian akan ditunjukkan model regresi robust menggunakan metode estimasi-s untuk memprediksi Indeks
Lebih terperinciPEMODELAN TINGKAT PENGANGGURAN TERBUKA DI PROVINSI JAWA TENGAH MENGGUNAKAN REGRESI SPLINE
PEMODELAN TINGKAT PENGANGGURAN TERBUKA DI PROVINSI JAWA TENGAH MENGGUNAKAN REGRESI SPLINE SKRIPSI Disusun oleh SETA SATRIA UTAMA 24010210120004 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinci