Perluasan Geographically Weighted Regression Menggunakan Fungsi Polinomial
|
|
- Shinta Johan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 17, Hal ISSN: ; e-issn: 58-46X Halaman 15 Perluasan Geograhically Weighted Regression Menggunakan Fungsi Polinomial Toha Saifudin 1, Fatmawati, Nur Chamidah 3 1,,3 Program Studi Statistika, Universitas Airlangga Surabaya tohasaifudin@gmail.com Info Artikel Riwayat Artikel: Diterima: 15 Mei 17 Direvisi: 1 Juni 17 Diterbitkan: 31 Juli 17 Kata Kunci: Geograhically weighted regression Weighted least square Fungsi olinomial Tingkat kesesuaian model ABSTRAK Geograhically weighted regression (GWR) meruakan metode regresi ada data sasial koefisien regresi bervariasi antar engamatan. Dalam GWR, variabel-variabel bebas dan variabel tak bebas dihubungkan menggunakan fungsi linier. Sementara itu, dalam kondisi riil ada banyak kemungkinan kasus data sasial yang menunjukkan bahwa hubungan antara variabel tak bebas variabel bebas cenderung tidak linier. Pemaksaan dalam menggunakan hubungan linier terhada kasus tersebut bisa jadi meruakan salah satu faktor enyebab rendahnya kesesuaian model GWR. Oleh karena itu dierlukan erluasan fungsi ada model GWR. Tujuan aer ini adalah membuat model erluasan GWR menggunakan fungsi olinomial. Estimasi arameter model erluasan GWR diuraikan menggunakan rosedur Weighted Least Square (WLS). Hasil-hasil numerik berdasarkan studi kasus menunjukkan bahwa erluasan GWR fungsi olinomial menghasilkan tingkat kesesuaian model yang lebih baik dariada GWR klasik. Coyright 17 SIMANIS. All rights reserved. Koresondensi: Toha Saifudin, Program Studi Statistika, FST Universitas Airlangga Surabaya, Kamus C, Jl. Mulyorejo, Surabaya, Jawa Timur, Indonesia tohasaifudin@gmail.com 1. PENDAHULUAN Metode GWR telah diusulkan oleh Brunsdon dkk tahun 1996 [1]. Metode tersebut kemudian menjadi ouler untuk analisis data sasial dalam sejumlah bidang, seerti: geografi, ekonometri, eidemiologi, dan ilmu lingkungan. Dalam model GWR, keberagaman model sasial diekslorasi cara mengakomodasi koefisien regresi yang beragam secara lokal. Dalam erkembangan teori, GWR telah dielajarai secara luas dalam beberaa enelitian. Beberaa contoh erkembangan teori tersebut adalah: GWR dibandingkan metode exansion [5], usulan untuk uji kesesuaian model GWR [9], usulan untuk inferensi GWR berdasarkan maximum likelihood [11], beberaa erluasan GWR untuk model generalized linear [7], embahasan tentang multikolinieritas diantara estimator GWR [13], dan evaluasi model GWR dibandingkan regresi linier global melalui suatu studi simulasi [8]. Di sisi lain terdaat beberaa enelitian yang mengembangkan eneraan GWR dalam berbagai bidang, misalnya: analisis erilaku sekolah menggunakan GWR [6], dan analisis keuasan elanggan kendaraan bermotor di Amerika menggunakan GWR [1]. Uaya erluasan model GWR telah dilakukan oleh beberaa eneliti. Salah satu contoh, model GWR semiarametrik [], [7]. Perluasan tersebut daat diandang sebagai uaya untuk meningkatkan keteatan atau kesesuaian model, karena salah satu faktor yang daat berengaruh ada keteatan atau kesesuaian model adalah bentuk atau fungsi regresi yang digunakan. Dalam kasus nyata data sasial, ada kemungkinan bahwa hubungan antara variabel tak bebas variabel bebas cenderung tidak linier. Selama ini, semua kasus tersebut dimodelkan endekatan linier yaitu GWR. Pemaksaan dalam menggunaan hubungan linier tersebut meruakan salah satu faktor enyebab rendahnya kesesuaian model. Sebagai contoh, engaruh faktor convenience terhada harga erumahan di Laman Prosiding: htt://conferences.uin-malang.ac.id/index.h/simanis
2 Halaman 16 -ISSN: ; e-issn: 58-46X Taiei, Taiwan menunjukkan engaruh yang cenderung tidak linier [4]. Contoh lain, ada emodelan tingkat kerawanan kejadian demam berdarah dengue di Surabaya berdasarkan model regresi logistik sasial, dieroleh hasil yang kurang memuaskan, yang ditengarai karena endekatan fungsi linier yang digunakan kurang sesuai untuk kasus tersebut [3]. Termotivasi oleh hal-hal di atas, tujuan aer ini adalah membuat model erluasan GWR menggunakan endekatan fungsi olinomial. Selanjutnya, estimasi arameter model erluasan GWR akan diuraikan menggunakan rosedur Weighted Least Square (WLS). Potensi erluasan model GWR menggunakan endekatan fungsi olinomial ini akan dikaji melalui studi kasus berdasar ada hasilhasil numerik ukuran kesesuaian model.. MODEL GWR KLASIK Menurut beberaa referensi, seerti [7] dan [9], model GWR dibentuk membuat koefisien regresi linier bervariasi secara lokal dalam bentuk y i = j=1 β j (u i, v i ) x ij + ε i, i = 1,,, n, (1) (y i, x i1, x i,, x i ) adalah nilai observasi variabel tak bebas y dan variabel-variabel bebas x 1, x,, dan x di lokasi (u i, v i ) dalam area geografis yang diamati, β j (u i, v i ), j = 1,,, adalah arameter atau koefisien regresi di (u i, v i ), dan ε i, i = 1,,, n, adalah galat model yang diasumsikan berdistribusi Normal rata-rata dan variansi σ yang biasanya dinyatakan ε i ~N(, σ ). Untuk membedakan model erluasannya, dalam aer ini enulis menyebut model (1) sebagai model GWR klasik. Model tersebut daat mengakomodasi koefisien interse memilih x i1 = 1, untuk i = 1,,, n. Untuk suatu lokasi (u, v ) yang diberikan dalam area geografis yang diamati, misalkan d i meruakan jarak antara lokasi (u, v ) lokasi (u i, v i ). Parameter regresi dalam model (1) di lokasi (u, v ) daat diestimasi secara lokal metode weighted least square (WLS), yaitu meminimumkan jumlah kuadrat galat terboboti dalam bentuk n (y i j=1 β j (u, v ) x ij ) i=1 K h (d i ) () terhada β j (u i, v i ), K h ( ) = K( ) untuk K( ) adalah fungsi kernel yang diberikan, dan h adalah h bandwidth. Penyelesaian masalah WLS menghasilkan estimator β j (u, v ) untuk j = 1,,, di lokasi (u, v ). Dalam bentuk matriks, estimator arameter regresi daat dinyatakan dalam bentuk β (u, v ) = [β (u 1, v ), β (u, v ),, β (u, v )] T = [X T W(u, v ) X] 1 X T W(u, v ) y, (3) x 11 x 1 x 1 x X = [ 1 x x ], y = (y 1, y,, y n ) T, x n1 x n1 x n1 (4) dan W(u, v ) = diag[k h (d 1 ), K h (d ),, K h (d n ) ] (5) adalah matrik embobot. Dengan menerakan estimasi tersebut ada setia lokasi (u i, v i ), i = 1,,, n, daat dieroleh vektor nilai estimasi untuk variabel tak bebas y di n lokasi (u i, v i ), i = 1,,, n sebagai berikut: y = (y 1, y,, y n) T = L y, (6) L = T x 1 [X T W(u 1, v 1 ) X] 1 X T W(u 1, v 1 ) T x [X T W(u, v ) X] 1 X T W(u, v ) (7) T [ x n [X T W(u n, v n ) X] 1 X T W(u n, v n )] dinamakan hat matrix, dan x T i = (x i1, x i,, x i ) adalah baris ke-i dari matriks X dalam ersamaan (4). Berdasarkan hat matrix L, vektor residual daat dinyatakan sebagai ε = y y = (I L)y, (8) dan jumlah kuadrat galat (JKG) adalah JKG = ε Tε = y T (I L) T (I L)y, (9) I adalah matriks identitas orde n. Untuk menentukan nilai bandwidth otimal umumnya digunakan rosedur cross validation (CV). Dalam rosedur CV, skor CV(h) = (y i y (i) (h)) n i=1 (1) digunakan sebagai fungsi obyektif, y (i) (h) adalah nilai estimasi dari y i untuk suatu bandwidth h observasi ada lokasi (u i, v i ) tidak ikut digunakan dalam roses estimasi tersebut. Pilih h sebagai nilai bandwidth otimal, sedemikian hingga Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 17: 15-
3 Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Halaman 17 CV(h ) = min CV(h), h >. (11) 3. MODEL GWR DIPERLUAS MENGGUNAKAN FUNGSI POLINOMIAL Regresi olinomial meruakan sebuah erluasan dari regresi linier menggunakan fungsi olinomial [1]. Dalam regresi olinomial, fungsi regresi dikembangkan sebagai fungsi olinomial orde d dari variabel bebas yang daat dinyatakan sebagai y = β + β 1 x + β x + + β x d + ε. (1) Dalam aer ini, GWR klasik dierluas menggunakan fungsi olinomial cara mengganti hubungan linier ada ersamaan (1) fungsi olinomial, sehingga model menjadi y i = β (u i, v i ) + k=1 f ik (x ik ) + ε i, i = 1,,, n, (13) ε i ~N(, σ ) dan f ik (x ik ) adalah fungsi olinomial dari variabel bebas ke-k. Jika fungsi olinomial d dinyatakan sebagai f ik (x ik )= k j β k,j (u i, v i ) x ik, maka ersamaan (13) aat dinyatakan sebagai j=1 d k j y i = β (u i, v i ) + k=1 j=1 β k,j (u i, v i ) x ik + ε i, i = 1,,, n. (14) Model (14) dinamakan erluasan GWR menggunakan fungsi olinomial. Untuk tujuan kesederhanaan enulisan, selanjutnya enamaan model tersebut disingkat menjadi GWRPol. Dalam format matriks, model (14) daat dinyatakan sebagai T y i = x i β ol (u i, v i ) + ε i, i = 1,,, n, (15) dan x i T = (1 x i1 x i1 x i1 d 1 xi x i x i d ), (16) β T ol (u i, v i ) = ( β (u i, v i ) β 1,1 (u i, v i ) β 1, (u i, v i ) β 1,d1 (u i, v i ) β,1 (u i, v i ) β, (u i, v i ) β,d (u i, v i ) ). (17) Untuk suatu lokasi (u, v ), β T ol (u, v ) daat diestimasi meminimumkan fungsi jumlah kuadrat galat n T (y i x i β ol (u, v )) i=1 K h (d i ), (18) terhada masing-masing elemen vektor β ol (u, v ), K h (d i ) adalah sama seerti yang tertulis di ersamaan (). Misalkan matriks observasi ditulis sebagai X ol = 1 x 11 x 11 x 11 d 1 1 x 1 x 1 x 1 1 d 1 x1 x 1 x 1 x x x, (19) xn x n x ] n [ 1 x n1 x n1 x n1 dan vektor arameter di suatu lokasi (u, v ) ditulis sebagai β T ol (u, v ) = ( β (u, v ) β 1,1 (u, v ) β 1, (u, v ) β 1,d1 (u, v ) Misalkan β,1 (u, v ) β, (u, v ) β,d (u, v ) ). () β Tol (u, v ) = ( β (u, v ) β 1,1 (u, v ) β 1, (u, v ) β 1,d1 (u, v ) β,1 (u, v ) β, (u, v ) β,d (u, v ) ), (1) menotasikan estimator untuk arameter ada ersamaan (), maka enyelesaian masalah kuadrat terkecil ada ersamaan (18) di lokasi (u, v ) daat dinyatakan sebagai β Tol (u, v ) = [X ol T W(u, v )X ol ] 1 X ol T W(u, v )y, () y dan W(u, v ) masing-masing seerti ada ersamaan (4) dan (5). Dengan menerakan rosedur estimasi tersebut ada setia lokasi (u i, v i ), i = 1,,, n, daat dieroleh vektor nilai estimasi model GWRPol untuk variabel tak bebas y di n lokasi sebagai y ol = (y 1, y,, y n ) T = C y, (3) Perluasan Geograhically Weighted Regression
4 Halaman 18 -ISSN: ; e-issn: 58-46X C = T T x 1 [X ol W(u 1, v 1 ) X ol ] 1 T X ol W(u 1, v 1 ) T T x [X ol W(u, v ) X ol ] 1 T X ol W(u, v ) T T [ x n [X ol W(u n, v n ) X ol ] 1 T X ol W(u n, v n )] T dinamakan hat matrix dari model GWRPol, dan x i adalah vektor yang tertulis di ersamaan (16) atau baris ke-i dari matriks X ol dalam ersamaan (19). Berdasarkan matriks C, vektor residual daat ditulis sebagai ε ol = y y ol = (I C)y, (5) dan JKG model GWRPol adalah JKG Pol = ε ol T ε ol = y T (I C) T (I C)y, (6) I adalah matriks identitas orde n. (4) 4. STUDI KASUS Sebagai contoh kasus, dalam aer ini digunakan data tingkat artisiasi angkatan kerja wanita 38 kabuaten/kota di Jawa Timur, Indonesia ada tahun 14. Data dieroleh dari BPS roinsi Jawa Timur. Variabel-variabel yang terlibat dalam model antara lain: Tingkat Partisiasi Angkatan Kerja (TPAK) wanita dalam % (Y), enduduk wanita yang berusia tahun dalam % (X 1), enduduk wanita berdasarkan tingkat endidikan terakhir tamat SMA dalam % (X ), dan Uah Minimum Kabuaten/ Kota (UMK) dalam Ruiah (X 3). Diagram encar dan kemungkinan ola garis regresi yang mendekati untuk ketiga variabel bebas X terhada variabel tak bebas Y daat dilihat ada Gambar 1. Secara visual terlihat bahwa variabel X an X 3 cenderung menunjukkan ola hubungan yang tidak linier terhada Y, sedangkan variabel X 1 daat mengambil ola linier mauun tidak linier. Pola tersebut sebagai indikator awal untuk eneraan model GWRPol. Selanjutnya, dalam aer ini dilakukan uji Ramsey RESET untuk menentukan aakah fungsi linier cocok digunakan untuk memodelkan samel. Hiotesis nol menyatakan bahwa data cocok dimodelkan menggunakan fungsi linier, sedangkan hiotesis alternatif menyatakan sebaliknya. Dengan software R, dieroleh nilai statistik uji F-RESET = 4,8518, derajat bebas embilang an derajat bebas enyebut 3, dan -value sebesar,1444. Dengan mengambil tingkat signifikansi α =,5 maka hiotesis nol ditolak dan disimulkan bahwa data tidak cocok dimodelkan menggunakan fungsi linier. Gambar 1. Diagram encar endekatan garis regresi antara x 1 (kiri), x (tengah), dan x 3 (kanan) terhada y Estimasi arameter regresi sasial dalam aer ini menggunakan fungsi embobot kernel Gaussian. Berdasarkan embobot tersebut, dieroleh bandwidth otimal untuk emodelan GWR klasik sebesar,37 nilai CV sebesar 484,158. Selanjutnya untuk emodelan GWRPol, ekserimen dilakukan orde olinomial bagi tia-tia variabel bebas dibatasi maksimum. Ekserimen menghasilkan orde otimal sebesar 1 untuk variabel bebas X 1, dan sebesar untuk masing-masing variabel bebas X an X 3. Pada kondisi demikian, dieroleh bandwidth otimal sebesar,36 dan nilai CV sebesar 1335,769. Evaluasi terhada hasil estimasi model RLG, GWR Klasik, dan GWRPol dilakukan mengamati beberaa ukuran kesesuaian model. Ukuran tersebut diantaranya adalah simangan baku residual, jumlah kuadrat galat, dan koefisien determinasi model. Simangan baku residual menjadi salah satu kriteria kesesuaian model dalam aer ini. Semakin kecil nilai simangan baku residual berarti semakin sesuai model yang digunakan. Residual model atas 38 kabuaten/kota di Jawa Timur yang dihasilkan oleh RLG, GWR Klasik, dan GWRPol daat dilihat ada Gambar. Dari gambar tersebut terlihat bahwa sebaran residual GWRPol cenderung lebih semit dariada residual model yang lain. Hasil erhitungan simangan baku residual untuk Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 17: 15-
5 Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Halaman 19 RLG, GWR Klasik, dan GWRPol masing-masing adalah 5,51; 3,85; dan 3,. Hasil tersebut menunjukkan bahwa simangan baku residual model GWRPol adalah yang aling rendah. Hal ini mengindikasikan bahwa estimasi tingkat artisiasi angkatan kerja wanita kabuaten/kota di Jawa Timur menggunakan GWRPol cenderung lebih baik dariada menggunakan GWR Klasik atauun RLG Variabel residual GWRPol residual GWR residual RLG Nomor Pengamatan Gambar. Residual model RLG, GWR Klasik, dan GWRPol untuk data samel Jumlah Kuadrat Galat (JKG) meruakan kriteria yang umumnya diakai untuk kesesuaian model. Semakin rendah nilai JKG berarti semakin sesuai model yang digunakan. JKG ketiga model atas data tingkat artisiasi angkatan kerja wanita 38 kabuaten/kota di Jawa Timur disajikan dalam Gambar 3. Hasil tersebut menunjukkan bahwa JKG model GWRPol adalah yang aling rendah. Hal ini mengindikasikan bahwa model GWRPol cenderung lebih sesuai dariada GWR Klasik mauun RLG dalam memodelkan hubungan regresi tingkat artisiasi angkatan kerja wanita kabuaten/kota di Jawa Timur. JKG RLG GWR Klasik GWRPol Gambar 3. JKG model RLG, GWR Klasik, dan GWRPol berdasarkan data samel Selain ukuran di atas, kesesuaian model biasanya diukur menggunakan koefisien determinasi yang dinotasikan R. Koefisien determinasi menyatakan ersentase besarnya keragaman reson yang daat dijelaskan oleh model. Semakin besar nilai R berarti semakin baik model yang digunakan dalam menjelaskan keragaman reson. Berdasarkan data samel, nilai R model RLG, GWR Klasik, dan GWRPol masing-masing adalah 18,4%; 56,4%; dan 73,9%. Hal tersebut mengindikasikan bahwa model GWRPol lebih daat menjelaskan variansi tingkat artisiasi angkatan kerja wanita kabuaten/kota di Jawa Timur dariada model GWR Klasik atauun RLG. Secara visual, sloe kenaikan nilai R ari RLG ke GWR Klasik dan dari GWR Klasik ke GWRPol daat dilihat aga Gambar 4. R RLG GWR Klasik GWRPol Gambar 4. Nilai R model RLG, GWR Klasik, dan GWRPol berdasarkan data samel Perluasan Geograhically Weighted Regression
6 Halaman -ISSN: ; e-issn: 58-46X Berdasarkan fakta-fakta tersebut, emodelan GWRPol memiliki otensi untuk menjadi model yang aling layak digunakan diantara tiga model yang ada dalam memodelkan data tingkat artisiasi angkatan kerja wanita kabuaten/kota di Jawa Timur. Meskiun demikian, dari sudut andang statistika masih terdaat ertanyaan besar yaitu aakah daat disimulkan secara statistika bahwa GWRPol signifikan lebih baik dari GWR Klasik mauun RLG dalam memodelkan data tersebut?. Terdaat kelebihan dan kekurangan ada masing-masing model. Biasanya model orde lebih tinggi atau jumlah arameter lebih banyak, daat menggambarkan data lebih baik dariada model orde rendah. Namun model tersebut biasanya memiliki kelemahan ada rumitnya alikasi dan interretasi. Di sisi lain, kelebihan model orde lebih rendah atau jumlah arameter lebih sedikit adalah biasanya mudah dialikasikan dan diinterretasikan. Dalam emilihan model biasanya digunakan rinsi arsimoni, yaitu memilih model sederhana untuk kesederhanaan interretasi. Jika model GWRPol tidak menunjukkan erforma yang signifikan lebih baik dari GWR Klasik, maka GWR Klasik lebih baik diilih karena alasan rinsi arsimoni. Di sisi lain, jika GWRPol menunjukkan erforma yang secara statistika signifikan lebih baik dariada GWR, maka GWRPol lebih baik diilih dan digunakan dalam emodelan. Dengan demikian, masih dierlukan enelitian lanjutan untuk mengkaji uji signifikansi kesesuaian model GWRPol. 5. KESIMPULAN Berdasarkan data tingkat artisiasi angkatan kerja wanita 38 kabuaten/kota di Jawa Timur tahun 14, identifikasi awal menunjukkan ada hubungan tidak linier diantara beberaa variabel bebas terhada variabel tak bebas. Berdasarkan kriteria simangan baku residual, JKG, dan R aat disimulkan secara emiris bahwa GWRPol lebih sesuai digunakan dariada GWR Klasik atauun RLG untuk kasus tersebut. Hal ini menunjukkan bahwa GWRPol memiliki otensi sebagai model yang lebih baik dariada GWR klasik jika terdaat indikasi hubungan tidak linier dalam data samel. Namun untuk daat menyimulkan secara statistika bahwa GWRPol signifikan lebih baik, dierlukan enelitian lanjutan untuk mengkaji uji kesesuaian model GWRPol. REFERENSI [1] Brunsdon, C., Fotheringham A.S., & Charlton, M. Geograhically Weighted Regression: A Method For Exloring Satial Nonstationarity. Geograhical Analysis. 1996; 8(4): [] Brunsdon, C., Fotheringham A.S., & Charlton, M. Some Notes on Parametric Significance Tests for Geograhically Weighted Regression. Journal of Regional Science. 1999; 38(3): [3] Chamidah, N., Saifuddin, T., dan Rifada, M. The Vulnerability Modeling of Dengue Hemorrhagic Fever Disease in Surabaya Based on Satial Logistic Regression Aroach, Alied Mathematical Sciences. 14; 8(8): [4] Chiang, Y-H, Peng, T-C, & Chang, C-O. The nonlinear effect of convenience stores on residential roerty rices: A case study of Taiei, Taiwan. Habitat International. 15; 46: 8 9. [5] Fotheringham, A.S., Charlton, M.E., & Brunsdon, C. Geograhically Weighted Regression: A natural evolution of the exansion method for satial data analysis. Environment and Planning A. 1998; 3: [6] Fotheringham, A.S., Charlton, M.E., & Brunsdon, C. Satial Variation in School Performance: a Local Analysis Using Geograhically Weighted Regression. Geograhical & Environmental Modelling. 1; 5(1): [7] Fotheringham A.S., Brunsdon C., & Chartlon M. Geograhically Weighted Regression: The Analysis Of Satially Varying Relationshis. John Wiley and Sons, USA.. [8] Harris, P., Fotheringham, A.S., Creso, R., & Charlton, M. The Use of Geograhically Weighted Regression for Satial Prediction: An Evaluation of Models Using Simulated Data Sets. Math GeoSci. 1; 4: [9] Leung, Y., Mei, CL., & Zhang, WX. Statistical Tests for Satial Nonstationarity based on The Geograhically Weighted Regression Model. Environment and Planning A. ; 3: 9 3. [1] Mittal, V., Kamakura, W.A., & Govind, R. Geograhic Pattern in Customer Service and Satisfaction: An Emirical Investigation. Journal of Marketing. 4; 68: [11] Paez, A., Uchida, T., & Miyamoto, K. A general Framework for Estimation and Inference of Geograhically Weighted Regression Models:. Satial Association and Model Secification Tests. Environment and Planning A. ; 34: [1] Rawlings, J.O., Pantula, S.G., & Dickey, D.A. Alied Regression Analysis: A Research Tool, nd Edition. Sringer-Verlag New York, Inc., USA [13] Wheeler, D., & Tiefelsdorf, M. Multicollinearity and Correlation Among Local Regression Coefficients in Geograhically Weighted Regression. Journal of Geograhical Systems. 5; 7: Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 17: 15-
ANALISIS 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 terperinciAlgoritme Least Angle Regression untuk Model Geographically Weighted Least Absolute Shrinkage and Selection Operator
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Algoritme Least Angle Regression untuk Model Geographically Weighted Least Absolute Shrinkage and Selection Operator S-20 Yuliana 1, Dewi Retno Sari
Lebih terperinciDiterima 30 Januari 2014, direvisi 26 April 2014 ABSTRAK
296 NATURAL B, Vol. 2, No. 3, Aril 2014 Pemodelan Geograhically Weighted Regression dengan Pembobot Fixed Gaussian Kernel ada Data Sasial (Studi Kasus Ketahanan Pangan di Kabuaten Tanah Laut Kalimantan
Lebih terperinciBAB III GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
BAB III GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) 3.1 Data Spasial Data spasial memuat informasi tentang atribut dan informasi lokasi. Sedangkan data bukan spasial (aspatial data) hanya memuat informasi
Lebih terperinciDhiva Ryan Hardine 1), Aisyah Abdullah 2), Muhammad Ikbal 3), Nur Chamidah 4)
PEMODELAN KADAR GULA DARAH DAN EKANAN DARAH PADA REMAJA PENDERIA DIABEES MELIUS IPE II DENGAN PENDEKAAN REGRESI NONPARAMERIK BIRESPON BERDASARKAN ESIMAOR SPLINE Dhiva Ryan Hardine 1), Aisyah Abdullah 2),
Lebih terperinciBAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
BAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION 3.1 Mixed Geographically Weighted Regression Model Mixed Geographically Weighted Regression merupakan model kombinasi atau gabungan antara regresi global
Lebih terperinciPERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 535-544 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam
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 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 terperinciMODEL REGRESI TERBOBOTI GEOGRAFIS DENGAN FUNGSI PEMBOBOT KERNEL GAUSSIAN, BISQUARE, DAN TRICUBE PADA PERSENTASE KEMISKINAN DI PROVINSI JAWA TENGAH
MODEL REGRESI TERBOBOTI GEOGRAFIS DENGAN FUNGSI PEMBOBOT KERNEL GAUSSIAN, BISQUARE, DAN TRICUBE PADA PERSENTASE KEMISKINAN DI PROVINSI JAWA TENGAH Nungki Fauzi T A N, Isnandar Slamet, Muslich Program Studi
Lebih terperinciMASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG)
MASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) Shaifudin Zuhdi, Dewi Retno Sari Saputro Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciAPLIKASI REGRESI PARTIAL LEAST SQUARE UNTUK ANALISIS HUBUNGAN FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN MANUSIA DI KOTA YOGYAKARTA
-ISSN 979 3693 e-issn 2477 0647 MEDIA STATISTIKA 9(2) 206: 75-84 htt://eournal.undi.ac.id/index.h/media_statistika APLIKASI REGRESI PARTIAL LEAST SQUARE UNTUK ANALISIS HUBUNGAN FAKTOR-FAKTOR YANG MEMPENGARUHI
Lebih terperinciBAB I PENDAHULUAN. Dalam bab ini akan dibahas mengenai hal-hal yang melatarbelakangi
BAB I PENDAHULUAN Dalam bab ini akan dibahas mengenai hal-hal yang melatarbelakangi penulisan tesis, rumusan masalah, tujuan dan manfaatnya, tinjauan-tinjauan pustaka dari hasil penelitian terkait serta
Lebih terperinciSKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN
SKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN Oleh : Rengganis L. N. R 302 00 046 PENDAHULUAN Latar Belakang Penduduk
Lebih terperinciANALISIS BAYES UNTUK REGRESI SPLINE TERPENALTI STUDI KASUS: ANALISIS HUBUNGAN JUMLAH UANG BEREDAR DENGAN INFLASI DI INDONESIA
IndoMS Journal on Statistics Vol. 2, No. 2 (2014), Page 63-69 ANALISIS BAYES UNTUK REGRESI SPLINE TERPENALTI STUDI KASUS: ANALISIS HUBUNGAN JUMLAH UANG BEREDAR DENGAN INFLASI DI INDONESIA Rika Fitriani,
Lebih terperinciPEMODELAN DATA KEMISKINAN PROVINSI KALIMANTAN TIMUR DENGAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN FUNGSI PEMBOBOT KERNEL BISQUARE
Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 17 3 September 17, Samarinda, Indonesia ISBN: 978-6-531--3 PEMODELAN DATA KEMISKINAN PROVINSI KALIMANTAN TIMUR DENGAN METODE GEOGRAPHICALLY
Lebih terperinciBAB III MODEL GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION SEMIPARAMETRIC (GWLRS)
28 BAB III MODEL GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION SEMIPARAMETRIC (GWLRS) 3.1 Geographically Weighted Logistic Regression (GWLR) Geographically Weighted Logistic Regression adalah metode untuk
Lebih terperinci(R.5) Pemodelan Regresi Poisson Terboboti Geografis Pada Kasus Gizi. buruk di Jawa Timur.
(R.5) Pemodelan Regresi Poisson Terboboti Geografis Pada Kasus Gizi Buruk di Jawa Timur Ida Mariati Hutabarat 1, Asep Saefuddin 2 1Jurusan Matematika Uncen. 2 Departemen Statistika IPB 1Jl.Kamp Wolker
Lebih terperinciPENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON
E-Jurnal Matematika Vol., No., Mei 013, 49-53 ISSN: 303-1751 PENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON I PUTU YUDANTA EKA PUTRA 1, I PUTU EKA
Lebih terperinciKata Kunci : MGWMLM, GWMLM, DAS.
ANALISIS PENGARU CURA UJAN DAN MORFOMETRI PADA PENINGKATAN DEBIT DAN SEDIMEN DI DAS KONTO ULU DENGAN PENDEKATAN MIXED GEOGRAPICALLY WEIGTED MULTUVARIATE LINIER MODEL 1 Memi Nor ayati, 2 Purhadi 1 Jurusan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3. Prosedur Pengumulan Data 3.. Sumber Data Data yang digunakan dalam enelitian ini meruakan data sekunder yang diambil dari Deartemen Keuangan, BAPEPAM, dan IAPI. Data-data
Lebih terperinciPEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 383-393 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA
Lebih terperinciGEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH
GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH SKRIPSI Disusun Oleh : NURMALITA SARI 240102120008 DEPARTEMEN STATISTIKA FAKULTAS
Lebih terperinciS - 17 MODEL GEOGRAPHICALLY WEIGHTED REGRESSION PENDERITA DIARE DI PROVINSI JAWA TENGAH DENGAN FUNGSI PEMBOBOT KERNEL BISQUARE
S - 17 MODEL GEOGRAPHICALLY WEIGHTED REGRESSION PENDERITA DIARE DI PROVINSI JAWA TENGAH DENGAN FUNGSI PEMBOBOT KERNEL BISQUARE Indriya Rukmana Sari 1, Dewi Retno Sari Saputro 2, Purnami Widyaningsih 3
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 terperinciPEMODELAN JUMLAH ANAK PUTUS SEKOLAH DI PROVINSI BALI DENGAN PENDEKATAN SEMI-PARAMETRIC GEOGRAPHICALLY WEIGHTED POISSON REGRESSION
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 29-34 ISSN: 2303-1751 PEMODELAN JUMLAH ANAK PUTUS SEKOLAH DI PROVINSI BALI DENGAN PENDEKATAN SEMI-PARAMETRIC GEOGRAPHICALLY WEIGHTED POISSON REGRESSION GUSTI
Lebih terperinciPEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY AND TEMPORALLY WEIGHTED REGRESSION ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 691-700 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Model Regresi Linier Metode regresi linier merupakan suatu metode yang memodelkan hubungan antara variabel respon dengan variabel prediktor. Tujuannya adalah untuk mengukur
Lebih terperinciSIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS
SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.
Lebih terperinciPertemuan 10 STATISTIKA INDUSTRI 2. Multiple Linear Regression. Multiple Linear Regression. Multiple Linear Regression 19/04/2016
19/04/016 Pertemuan 10 STATISTIKA INDUSTRI TIN 4004 Outline: and Correlation Non Linear Regression Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and Probability for Engineers, 5 th Ed. John
Lebih terperinciPEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION
PEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION SKRIPSI Disusun Oleh : DEPY VERONICA 24010212140035 DEPARTEMEN STATISTIKA
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Pemilahan Data
BAB 3 PEMBAHASAN 3.1 Pemilahan Data Pemilahan data dilakukan untuk menentukan data mana saja yang akan diolah. Dalam enelitian ini, data yang diikutsertakan dalam engolahan ditentukan berdasarkan teori
Lebih terperinciPEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENTS ANALYSIS (GWRPCA)
PEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENTS ANALYSIS (GWRPCA) SKRIPSI Disusun Oleh : NOVIKA PRATNYANINGRUM 24010211140095
Lebih terperinciPenerapan Generalized Additive Model (GAM) pada Rata-rata Lama Sekolah Provinsi Jawa Tengah
Peneraan Generalized Additive Model (GAM) ada Rata-rata Lama Sekolah Provinsi Jawa Tengah Rosalinda Nainggolan 1, Yudhie Andriyana 2, Achmad Bachrudin 3 Deartemen Statistika, Universitas Padjajaran, Bandung
Lebih terperinci: Persentase Penduduk Dengan Sumber Air Minum Terlindungi PDAM : Pengeluaran Perkapita Penduduk Untuk Makan Sebulan
22 BAB III MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR) 3.1 Variabel Penelitian Variabel penelitian yang digunakan dalam penelitian ini adalah data derajat kesehatan tahun 2013 pada 27 kabupaten
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 terperinciESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) DENGAN METODE FISHER SCORING
ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS RLOTG DENGAN METODE FISHER SCORING Aulia Nugrahani Putri, Purnami Widyaningsih, dan Dewi Retno Sari Saputro Program Studi Matematika
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 terperinciPemodelan Biaya Tak Langsung Proyek Konstruksi di PT Wijaya Karya (Studi Kasus: Proyek Konstruksi Di Provinsi Kalimantan Timur)
Pemodelan Biaya Tak Langsung Proyek Konstruksi di PT Wijaya Karya (Studi Kasus: Proyek Konstruksi Di Provinsi Kalimantan Timur) Odik Fajrin Jayadewa, Dr. Irhamah, S.Si, M.Si, dan 3 Dwi Endah Kusrini, S.Si,
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 terperinciOLS, LASSO dan PLS Pada data Mengandung Multikolinearitas. OLS, LASSO dan PLS Pada data Mengandung Multikolinearitas
Jurnal ILMU DASAR Vol. 11 No. 1, Januari 010 : 83 91 83, dan Pada data Mengandung Multikolinearitas, dan Pada data Mengandung Multikolinearitas Yuliani Setia Dewi Jurusan Matematika FMIPA Universitas Jember
Lebih terperinciPeramalan Nilai Tukar (Kurs) Rupiah Terhadap Dolar Tahun 2017 dengan Menggunakan Metode Arima Box-Jenkins
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017, Hal. 253-261 -ISSN: 2580-4596; e-issn: 2580-460X Halaman 253 Peramalan Nilai Tukar (Kurs) Ruiah Terhada
Lebih terperinciBAB I PENDAHULUAN. Tahun 1997 negara-negara di Kawasan Asia mengalami krisis ekonomi,
BAB I PENDAHULUAN A. Latar Belakang Tahun 997 negara-negara di Kawasan Asia mengalami krisis ekonomi, seerti Korea Selatan, Thailand, Filiina, Malaysia, Singaura, Indonesia. Penyebaran krisis di kawasan
Lebih terperinciPerturbasi Nilai Eigen dalam Mengatasi Multikolinearitas
Vol. 10, No. 1, 6-13, Juli 2013 Perturbasi Nilai Eigen dalam Mengatasi Multikolinearitas Andi Yuni Deviyanti 1, Andi Kresna Jaya 1, Anisa 1 Abstrak Multikolinieritas adalah salah satu pelanggaran asumsi
Lebih terperinciPEMODELAN BANYAKNYA PENDERITA DEMAM BERDARAH DENGUE (DBD) DI KOTA SURAKARTA DENGAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
PEMODELAN BANYAKNYA PENDERITA DEMAM BERDARAH DENGUE (DBD) DI KOTA SURAKARTA DENGAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR) Hardanti Nur Astuti, Yuliana Susanti dan Dewi Retno Sari Saputro Program
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 terperinciKAJIAN TELBS PADA REGRESI LINIER DENGAN KASUS PENCILAN
KAJIAN TELBS PADA REGRESI LINIER DENGAN KASUS PENCILAN Nurul Gusriani 1), Firdaniza 2), Novi Octavianti 3) 1,2,3) Departemen Matematika FMIPA Universitas Padjadjaran, Jalan Raya Bandung- Sumedang Km. 21
Lebih terperinciPEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY AND TEMPORALLY WEIGHTED REGRESSION
PEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY AND TEMPORALLY WEIGHTED REGRESSION SKRIPSI Disusun Oleh : Khusnul Yeni Widiyanti 24010210130070
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 terperinciBab I Pendahuluan. I.1 Latar Belakang Masalah
Bab I Pendahuluan I. Latar Belakang Masalah Dalam beberaa tahun terakhir ini, roses emonitoran kestabilan barisan matriks korelasi mendaatkan erhatian yang amat serius dalam literatur, terutama dalam literatur
Lebih terperinci(R.10) ESTIMASI TOTAL POPULASI DENGAN MENGGUNAKAN PENAKSIR GENERALIZED REGRESSION (GREG)
(R.10) ESTIMASI TOTAL POPULASI DENGAN MENGGUNAKAN PENAKSIR GENERALIZED REGRESSION (GREG) 1Agus Muslim, 2 Sutawanir Darwis, 3 Achmad Zanbar Soleh 1Mahasiswa Magister Statistika Terapan, Universitas Padjadjaran,
Lebih terperinciBAB II TINJAUAN PUSTAKA. untuk berkunjung ke suatu negara. Permintaan pariwisata biasanya diukur dari segi
BAB II TINJAUAN PUSTAKA 2.1 Permintaan Pariwisata Pariwisata mamu mencitakan ermintaan yang dilakukan oleh wisatawan untuk berkunjung ke suatu negara. Permintaan ariwisata biasanya diukur dari segi jumlah
Lebih terperincioleh seperangkat variabel X, maka persamaan di atas dinamakan persamaan struktural, dan modelnya disebut model struktural.
ANALISIS JALUR A. PENGERTIAN ANALISIS JALUR Telaah statistika menyatakan bahwa untuk tujuan eramalan/ endugaan nilai Y atas dasar nilai-nilai X 1, X,., X i, ola hubungan yang sesuai adalah ola hubungan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah Atiya Maulani, 2013
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam kehidupan sehari-hari, tidak jarang dihadapkan pada berbagai masalah yang berkaitan dengan dua atau lebih variabel dalam suatu bentuk hubungan tertentu
Lebih terperinciGEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 717-726 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS
Lebih 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 terperinciAPLIKASI DISCOUNTED CASH FLOW PADA KONTROL INVENTORY DENGAN BEBERAPA MACAM KREDIT PEMBAYARAN SUPPLIER
Program Studi MMT-ITS, Surabaya Agustus 9 APLIKASI ISOUNTE ASH FLOW PAA KONTROL INVENTORY ENGAN BEBERAPA MAAM KREIT PEMBAYARAN SUPPLIER Hansi Aditya, Rully Soelaiman Manajemen Teknologi Informasi MMT -
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Identifikasi Variabel Prediktor pada Model MGWR Setiap variabel prediktor pada model MGWR akan diidentifikasi terlebih dahulu untuk mengetahui variabel prediktor yang berpengaruh
Lebih terperinciBAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR)
BAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) 3.1 Regresi Poisson Regresi Poisson merupakan suatu bentuk analisis regresi yang digunakan untuk memodelkan data
Lebih terperinciPenaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar
Vol.14, No. 2, 159-165, Januari 2018 Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Sutrianah Burhan 1, Andi Kresna Jaya 1
Lebih terperinciPENERAPAN METODE REGRESI GULUD DAN REGRESI KOMPONEN UTAMA DALAM MENGATASI PENYIMPANGAN MULTIKOLINEARITAS PADA ANALISIS REGRESI LINEAR BERGANDA
PENERAPAN METODE REGRESI GULUD DAN REGRESI KOMPONEN UTAMA DALAM MENGATASI PENYIMPANGAN MULTIKOLINEARITAS PADA ANALISIS REGRESI LINEAR BERGANDA Sri Siska Wirdaniyati 1), Edy Widodo ) 1) Mahasiswa Prodi
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 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 terperinciPENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK PEMODELAN PERTUMBUHAN EKONOMI MENURUT KABUPATEN/KOTA DI JAWA TENGAH HALAMANAN JUDUL SKRIPSI
PENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK PEMODELAN PERTUMBUHAN EKONOMI MENURUT KABUPATEN/KOTA DI JAWA TENGAH HALAMANAN JUDUL SKRIPSI Disusun Oleh: PRATAMA GANANG WIDAYAKA 24010212120018
Lebih terperinciProsiding Seminar Nasional Matematika, Statistika, dan Aplikasinya September 2017, Samarinda, Indonesia ISBN:
Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 017 3 September 017, Samarinda, Indonesia ISBN: 978-60-5031-0-3 Analisis Data Spasial Menggunakan Metode Geographically Weighted Regression
Lebih terperinciPemodelan Angka Harapan Hidup di Papua dengan pendekatan Geographically Weighted Regression
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (017) ISSN: 337-350 (301-98X Print) D-8 Pemodelan Angka Harapan Hidup di Papua dengan pendekatan Geographically Weighted Regression Ardianto Tanadjaja, Ismaini
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 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 terperinciISSN: Vol. 1 No. 1 Agustus 2012
ISSN: 2303-1751 Vol. 1 No. 1 Agustus 2012 e-jurnal Matematika, Vol. 1, No. 1, Agustus 2012, 94-98 ISSN: 2303-1751 PEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION
Lebih terperinciPERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH
PERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH SKRIPSI Disusun Oleh: RIFKI ADI PAMUNGKAS 24010212140066 DEPARTEMEN STATISTIKA FAKULTAS SAINS
Lebih terperinciBAB II LANDASAN TEORI. Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan
BAB II LANDASAN TEORI 2.1 Data Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan datum yang berisi fakta-fakta serta gambaran suatu fenomena yang dikumpulkan, dirangkum, dianalisis, dan
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 terperinciKata Kunci: Model Regresi Logistik Biner, metode Maximum Likelihood, Demam Berdarah Dengue
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 9 16 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN DBD (DEMAM BERDARAH DENGUE) MENGGUNAKAN REGRESI LOGISTIK
Lebih terperinciREGRESI LINIER BERGANDA
REGRESI LINIER BERGANDA 1. PENDAHULUAN Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal
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 terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 461-469 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN MODEL PERTUMBUHAN EKONOMI DI JAWA TENGAH DENGAN
Lebih terperinciBAB I PENDAHULUAN. terus dihadapi di sejumlah daerah di Indonesia, tidak terkecuali Provinsi Sumatera
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan kemiskinan merupakan salah satu persoalan mendasar yang terus dihadapi di sejumlah daerah di Indonesia, tidak terkecuali Provinsi Sumatera Barat. Berdasarkan
Lebih terperinciTeknik Ensemble dengan Additive Noise pada Estimasi Parameter Model Autoregressive Spasial
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Teknik Ensemble dengan Additive Noise pada Estimasi Parameter Model Autoregressive Spasial Sulistiyaningsih 1, Dewi Retno Sari Saputro 2, Purnami Widyaningsih
Lebih terperinciJurnal MIPA 40 (2) (2017): Jurnal MIPA.
Jurnal MIPA 40 (2) (2017): 134-140 Jurnal MIPA htt://journal.unnes.ac.id/nju/index.h/jm Pemodelan Kemiskinan di Provinsi Bengkulu Menggunakan Small Area Estimation dengan Pendekatan Semiarametrik Penalized
Lebih terperinciMODEL REGRESI NONPARAMETRIK SPLINE TRUNCATED PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM) DI INDONESIA. 1. Pendahuluan
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
Lebih terperinciMODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 33 41 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND MODEL REGRESI COX PROPORTIONAL HAZARD PADA LAJU TAMAT MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS ANDALAS
Lebih terperinciBAB II LANDASAN TEORI. metode kuadrat terkecil (MKT), outlier, regresi robust, koefisien determinasi,
BAB II LANDASAN TEORI Beberapa teori yang diperlukan untuk mendukung pembahasan diantaranya adalah regresi linear berganda, pengujian asumsi analisis regresi, metode kuadrat terkecil (MKT), outlier, regresi
Lebih terperinciRegresi Rasio Prevalensi dengan Model Log-Binomial: Isu Ketakkonvergenan. Netti Herawati 1) Alfian Futuhul Hadi 2)
BIAStatistika (2) Vol. 4, No., hal. 35 45 Regresi Rasio Prevalensi dengan Model Log-Binomial: Isu Ketakkonvergenan Netti Herawati ) Alfian Futuhul Hadi 2) ) Jurusan Matematika FMIPA Universitas Lamung
Lebih terperinciJURNAL GAUSSIAN, Volume 2, Nomor 2, April 2013, Halaman Online di:
JURNAL GAUSSIAN, Volume 2, Nomor 2, April 2013, Halaman 129-135 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian RANCANGAN D-OPTIMAL UNTUK REGRESI POLINOMIAL DERAJAT 3 DENGAN HETEROSKEDASTISITAS
Lebih terperinciMODEL 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 terperinciPENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
Lebih terperinciPEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DI PROVINSI BALI
PEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DI PROVINSI BALI M ARRIE KUNILASARI ELYNA 1, I GUSTI AYU MADE SRINADI 2, MADE SUSILAWATI 3 1,2,3, Jurusan Matematika,
Lebih terperinciSTUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG PENCILAN
Jurnal Matematika UNAND Vol. 2 No. 4 Hal. 18 26 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND STUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG
Lebih terperincioleh AULIA NUGRAHANI PUTRI M
ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) DENGAN METODE FISHER SCORING oleh AULIA NUGRAHANI PUTRI M0112014 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
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 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 terperinciPERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENAKSIR M DALAM MENGATASI PERMASALAHAN DATA PENCILAN
Saintia Matematika Vol. 1, No. 1 (2013), pp. 73 85. PERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENAKSIR M DALAM MENGATASI PERMASALAHAN DATA PENCILAN Sri Wulandari, Sutarman, Open Darnius Abstrak. Analisis
Lebih terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Analisis regresi merupakan salah satu metode analisis dalam statistika yang sangat familiar bagi kalangan akademis dan pekerja. Analisis regresi dapat
Lebih terperinciBAB III MODEL EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC IN MEAN (EGARCH-M)
30 BAB III MODEL EXPOETIAL GEERALIZED AUTOREGRESSIVE CODITIOAL HETEROSCEDASTIC I MEA (EGARCH-M) 3.1 Proses EGARCH Exonential GARCH (EGARCH) diajukan elson ada tahun 1991 untuk menutui kelemahan model ARCH/GARCH
Lebih terperinciJURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 39-46 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian RANCANGAN D-OPTIMAL LOKAL UNTUK REGRESI POLINOMIAL ORDE 3 DENGAN HETEROSKEDASTISITAS
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 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 terperinciAnalisis Regresi Nonlinear (I)
9 Oktober 2013 Topik Inferensi dalam Regresi Nonlinear Contoh Kasus Regresi linear berganda secara umum sesuai untuk kebanyakan kasus. Namun, banyak kasus peubah respons dan bebas berhubungan melalui fungsi
Lebih terperinciPEMODELAN RISIKO PENYAKIT PNEUMONIA PADA BALITA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
E-Jurnal Matematika Vol. 4 (2), Mei 2015, pp. 31-36 ISSN: 2303-1751 PEMODELAN RISIKO PENYAKIT PNEUMONIA PADA BALITA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
Lebih terperinci