Oleh : Anindya Frisanty Ikaprillia Dosen Pembimbing : Dr. Purhadi, M.Sc
|
|
- Sri Pranata
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Oleh : Anindya Frisanty Ikaprillia Dosen Pembimbing : Dr. Purhadi, M.Sc
2 Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
3 Rumusan Masalah Tujuan Latar Belakang Pendahuluan Manfaat
4 kasus kanker serviks di Jawa Timur Regresi Poisson Overdispersi Regresi Binomial Negatif GWPR AIC
5 1 Bagaimana model terbaik Regresi Binomial Negatif dan GWPR pada studi kasus jumlah kanker serviks di Jawa Timur tahun 2011? Mendapatkan model terbaik dari Regresi Binomial Negatif dan GWPR pada studi kasus jumlah kanker serviks di Jawa Timur tahun Bagaimana variabel-variabel yang signifikan dan berpengaruh terhadap jumlah kasus kanker serviks di Jawa Timur tahun 2011? Mengetahui variabel-variabel mana saja yang signifikan berpengaruh terhadap jumlah kasus kanker serviks di Jawa Timur tahun
6 1 Bagi peneliti : Memberikan pemahaman tentang bagaimana menangani kasus berpengaruhnya variabel persentase sarana kesehatan signifikan disemua wilayah 2 Bagi Pemerintah : Memberikan informasi yang berpengaruh terhadap adanya sejumlah kasus kanker serviks 3 Bagi Masyarakat : Sebagai sarana untuk memperoleh informasi mengenai faktor-faktor yang berhubungan dengan kanker serviks
7 Regresi Poisson TINJAUAN PUSTAKA Regresi Binomial Negatif GWPR
8 Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi antara masing-masing variabel independen dalam model regresi. Pendeteksian adanya kasus multikolinieritas dapat dilihat melalui VIF > 10 dinyatakan sebagai berikut. 1 VIF = 1 2 R j
9 Regresi Poisson berdasarkan pada penggunaan Distribusi Poisson. Fungsi peluang dari Distribusi Poisson itu sendiri menurut (Myers,1990) dapat dinyatakan sebagai berikut. py ( ; µ ) = e µ y µ y! Model Regresi T [ ] [ β β β β ] x = x x x i i i ki β = i = 1, 2,, n k T T µ exp( ) i = X i β
10 Penaksiran Parameter Model Regresi Poisson Penaksiran parameter dari model Regresi Poisson menggunakan metode Maximum Likelihood Estimation (MLE) : ln L ( β) n y exp( µ ) i i µ i = ln i= 1 yi! n n n xβ T i T ixβ i i= 1 i= 1 i= 1 ( ) = e + y ln y! i ln L ( β) n n = x exp β ( x T ) x+ T β i i i i i= 1 i= 1 y
11 Pengujian Parameter Model Regresi Poisson Pengujian Parameter model Regresi Poisson dilakukan dengan menggunakan metode Maximum Likelihood Ratio Test (MLRT) dengan hipotesis sebagai berikut. Uji Serentak Hipotesis : H : β = 0 pengaruh variabel ke-i tidak signifikan H 0 1 Keputusan : Tolak Ho jika ( ) ( ) : β 0 pengaruh variabel ke-i signifikan i i Statistik Uji : z = zhit se > ˆ β i ( ˆ βi ) z α 2 Hipotesis : : = = = = 0 H0 β1 β2 β k H β 1 : paling sedikit ada satu i 0 ; i=1,2,,k Statistik Uji : L( ˆ ω) ( β) Keputusan : Tolak Ho jika ( ( )) ( ω) ( ) D ˆ = 2ln = 2 ln L Ωˆ ln L ˆ L( Ωˆ ) Uji Parsial D ˆ) 2 ( β > χ ( α ; n k 1)
12 Overdispersi Pada Regresi Poisson Overdispersi dapat diindikasikan dengan nilai dispersi Person Chi-square dan deviance yang dibagi dengan derajat bebasnya. Jika kedua nilai ini lebih besar dari 1 maka dikatakan terjadi overdispersi pada data. (Hardin dan Hilbe, 2007) Var Y > E Y ( ) ( )
13 Regresi Binomial Negatif merupakan salah satu model regresi terapan dari Generalisasi Model Linier (GML). Regresi Binomial negatif merupakan suatu model yang sesuai untuk data count dimana terjadi pelanggaran asumsi equidispersi pada Regresi Poisson. Model Regresi µ ( T ) Binomial Negatif i = exp X i β Penaksir Parameter Model Regresi Binomial Negatif Metode Maximum Likelihood Estimation (MLE)
14 Pengujian Parameter Model Regresi Binomial Negatif Hipotesis : H0 : β1 = β2 = = βk = 0 H : paling sedikit ada satu β 0, j = 1,2,, k 1 Statistik Uji : ( ) ( ˆ L ˆ ω D β) = 2ln Λ= 2ln = 2 ln L Ωˆ ln L ˆ L( Ωˆ ) Keputusan : Tolak Ho jika D ( ˆ β) > χ 2; α k Uji Parsial j ( ( ) ( ω) ) Hipotesis : H : β = 0 H 0 1 : β 0 Statistik Uji : Keputusan : Tolak Ho jika j j Uji Serentak W j β SE j = Wj χ ( β j ) 2 α ;1 2
15 Model GWPR merupakan bentuk lokal dari Regresi Poisson yang menghasilkan penaksir parameter model yang bersifat lokal untuk setiap titik atau lokasi dimana data tersebut dikumpulkan dengan mengasumsikan data berdistribusi Poisson. y i ~poisson (µ i ) dengan µ i = exp Model GWPR
16 Penaksir Parameter Model GWPR Fungsi Likelihood Metode Newton-Raphson Iteratively Reweighted Least Square (IRLS)
17 Pengujian Parameter Model GWPR Penguji Pertama Hipotesis : Ho : ( β ( u, v )) = β i = 1,2, n j = 0,1,2, k H 1 : Statistik Uji : Keputusan : Tolak Ho jika F j ( β ( u j i i i, v F i hit j )) β = hit j Devians Model A df Devians Model B df > F ( α, df A, df B ) A B Hipotesis : Ho : β ( u1, v1 ) β 2 ( u 2, v2 ) = β 3 ( u3, v3 ) = = β ( u, v 1 = k i i = ) 0 H 1 : paling tidak ada salah satu β j ( ui, vi ) 0 ; j=1,2,,k Uji Serentak Keputusan : Tolak Ho jika D ( ˆ β ) > χ 2 ( α, k )
18 Hipotesis : Ho : Uji Parsial H 1 : Statistik Uji : Keputusan : Tolak Ho jika
19 Penentuan Bandwidth dan Pembobot Optimum Metode Generalized Cross Validation (GCV) untuk menentukan bandwith optimum, yang dirumuskan sebagai berikut : GCV ( b) = n n i= 1 ( y y ( b) ) i ( n v ) 2 1 i 2 Pemilihan Model Terbaik AIC = 2ln L + 2k ( θ ) Terdapat beberapa metode dalam menentukan model terbaik, salah satunya adalah Akaike Information Criterion (AIC). (Bozdogan, 2000) Dipilih AIC yang terkecil
20 Kanker Serviks (Cervical Cancer) atau kanker leher rahim adalah kanker yang terjadi pada serviks uterus, yaitu bagian organ reproduksi wanita yang merupakan pintu masuk ke dalam rahim yang letaknya antara rahim (uterus) dengan liang senggama (vagina). Usia yang sering terkenanya kanker serviks rata-rata berumur dibawah 50 tahun dan distribusi pencapaian puncak 2 kali pada usia tahun. Sedangkan faktor resiko yang mempengaruhi kanker serviks antara lain. 1. Ras 2. Faktor seksual dan reproduksi 3. Merokok 4. Kontrasepsi 5. Kondisi imunosupresi (penurunan kekebalan tubuh) 6. Infeksi HPV (Human Papilloma Virus).
21 Sumber Data Diagram Alir Metodologi Penelitian Variabel Penelitian Langkah Analisis
22 Variabel Respon Dinas Kesehatan Provinsi Jawa Timur tahun 2011 Variabel Prediktor Hasil Survey Sosial Ekonomi Nasional (SUSENAS) BPS Jawa Timur tahun 2011
23 Variabel Keterangan Skala Pengukuran Y Jumlah kasus kanker serviks. Rasio X 1 Persentase sarana kesehatan. Rasio X 2 Persentase tenaga medis. Rasio X 3 Persentase penduduk perempuan yang umur kawin pertama 16 tahun. Rasio X 4 Persentase penduduk dan Rumah Tangga (RT) perempuan. Rasio X 5 Persentase penduduk yang tinggal di daerah berstatus desa. Rasio X 6 Persentase penduduk perempuan yang tamat SMA. Rasio X 7 Persentase penduduk miskin. Rasio X 8 Persentase penduduk perempuan yang menggunakan kondom. Rasio X 9 Persentase perempuan dengan jumlah anak yang dilahirkan lebih dari 4. Rasio X 10 Persentase penduduk perempuan yang berstatus kawin. Rasio X 11 Persentase penduduk perempuan usia 35 Rasio X 12 Persentase rata-rata pengeluaran untuk konsumsi makanan per bulan Rasio X 13 Persentase penduduk yang merokok. Rasio
24 1. Menganalisis Statistika deskriptif untuk variabel respon (Y) dan variabel prediktor (X) 2. Mengidentifikasi dan menyelesaikan adanya kasus multikolinieritas antara variabel prediktor 3. Mendapatkan model terbaik dari Regresi Poisson pada pemodelan jumlah kasus kanker serviks yang terjadi di Kab/Kota Jawa Timur 4. Mendapatkan model terbaik dari GWPR pada pemodelan jumlah kasus kanker serviks yang terjadi di Kab/Kota Jawa Timur
25 5. Mendapatkan model terbaik dari Regresi Binomial Negatif pada pemodelan jumlah kasus kanker serviks yang terjadi di Kab/Kota Jawa Timur 6. Mendapatkan perbandingan antara model dari GWPR dan Regresi Binomial Negatif pada pemodelan kasus kanker serviks yang terjadi di Kab/Kota Jawa Timur dengan nilai AIC terkecil
26 Data Menganalisis statistika deskriptif Mendeteksi adanya kasus multikolinieritas Mendapatkan model terbaik untuk Regresi Poisson Mendeteksi overdispersi Ya Tidak Regresi Poisson Mendapatkan model terbaik untuk GWPR Mendapatkan model terbaik untuk Regresi Binomial Negatif Menentukan model terbaik dengan cara membandingkan nilai AIC dari GWPR dan Regresi Binomial Negatif yang dihasilkan Model Terbaik
27 Analisis dan Pembahasan
28 Variabel Mean Varians Minimum Maximum Y 48, ,40 0,00 747,00 X1 0,14 0,04 0,00 0,78 X2 1,45 1,31 0,00 7,64 X3 27,00 169,11 10,07 59,09 X4 50,79 1,22 48,10 53,66 X5 59, ,91 0,00 93,55 X6 11,68 36,79 1,74 24,21 X7 14,71 43,25 0,00 32,47 X8 0,82 1,58 0,00 5,32 X9 21,90 23,92 11,85 39,47 X10 61,63 15,71 52,13 67,12 X11 43,31 6,74 36,14 47,99 X12 52,05 35,88 40,49 62,89 X13 24,26 21,25 15,53 33,66
29 Variabel VIF X1 6,436 X2 6,819 X3 5,650 X4 3,476 X5 16,022 X6 15,104 X7 6,009 X8 4,711 X9 3,585 X10 6,927 X11 2,829 X12 11,706 X13 4,444 Terdapat 3 variabel prediktor yang mempunyai nilai VIF > 10. Sehingga pada tahap selanjutnya akan menghilangkan variabel prediktor tersebut.
30 Uji Serentak Hipotesis : H 1 : paling sedikit ada satu Statistik Uji : D(βˆ) = 2324,3 = 18,307 Nilai D(βˆ) > sehingga keputusannya tolak H 0 yang mempunyai arti bahwa terdapat satu parameter yang berpengaruh secara signifikan terhadap model.
31 ; Uji Parsial H 0 : β j = 0 H 1 : Parameter Estimasi Standart Error Z P-Value β 0 6,1301 2,6946 2,27 0,0286 β 1-6,9495 0, ,96 <0,0001 β 2 0,9554 0, ,48 <0,0001 β 3 0,0778 0, ,93 <0,0001 β 4 0,3307 0,0468 7,06 <0,0001 β 7-0,1578 0, ,25 <0,0001 β 8 0,2866 0,0372 7,70 <0,0001 β 9 0,0500 0,0100 4,97 <0,0001 β 10-0,0739 0,0152-4,85 <0,0001 β 11-0,2669 0, ,78 <0,0001 β 13-0,2088 0, ,31 <0,0001 µˆi = exp (6,1301 6,9495X 1 + 0,9554X 2 + 0,07789X 3 + 0,3307X 4 0,1578X 7 + 0,2866X 8 + 0,0500X 9 0,07396X 10 0,2669X 11 0,2088 X 13 )
32 Kriteria Nilai db Nilai/db Devians 2189, ,085 Pearson Chi-Square 2725, ,944 Diketahui bahwa nilai devians/db dan pearson chi-square/db lebih besar 1 sehingga disimpulkan bahwa model regresi poisson jumlah kanker serviks di Jawa Timur terdapat adanya overdispersi. Dengan terjadinya overdispersi ini maka akan menyebabkan model yang terbentuk menjadi estimasi parameter yang bias.
33 Kemungkinan Model (Y dengan Xi) AIC Parameter yang Signifikan X ,64 β 0 X 3 X ,85 β 0 β 10 X 3 X 10 X ,65 β 0 β 3 β 10 X 3 X 8 X 10 X ,65 β 0 β 3 β 10 X 1 X 2 X 8 X 11 X ,55 β 0 β 1 β 2 β 8 β 11 β 13 X 2 X 3 X 8 X 9 X 10 X ,59 β 2 β 3 X 1 X 2 X 3 X 4 X 8 X 10 X ,81 β 1 β 2 β 3 β 8 β 10 β 13 X 1 X 2 X 3 X 4 X 8 X 10 X 11 X ,87 β 1 β 2 β 3 β 8 β 13 X 1 X 2 X 3 X 4 X 8 X 9 X 10 X 11 X ,55 β 1 β 2 β 3 β 8 β 13 X 1 X 2 X 3 X 4 X 7 X 8 X 9 X 10 X 11 X ,39 β 1 β 2 β 3 β 8 β 13 Dari semua variabel prediktor hanya kombinasi ke lima yang memiliki parameter signifikan lebih banyak dengan nilai AIC terkecil dibandingkan dengan kombinasi ke tujuh yaitu sebesar 321,55. Sehingga pada kombinasi ke lima yang akan dibuat model regresi binomial negatif.
34 Uji Serentak Hipotesis : H 0 : β 1 = β 2 = β 8 = β 11 = β 13 = 0 H 1 : paling sedikit ada satu β j 0, j = 1,2,8,11,13 Statistik Uji : ˆ) D(β = 307,55 = 11,070 ˆ) D(β Nilai > sehingga keputusannya tolak H 0 yang mempunyai arti bahwa terdapat satu parameter yang berpengaruh secara signifikan terhadap model.
35 Uji Parsial H 0 : β j = 0 (pengaruh variabel ke-j tidak signifikan) H 1 : β j 0 (pengaruh variabel ke-j signifikan) Parameter Estimasi Standart Error Z hitung P value β 0 18, , ,537 0,01117 β 1-12, , ,053 0,00227 β 2 1, , ,450 0,00056 β 8 0, , ,464 0,01373 β 11-0, , ,012 0,04420 β 13-0, , ,164 0,03048 µˆ = exp(18, ,47533X1 + 1,97018X 2 + 0,66262X 8 0,27642X 11 0,17814X 13 )
36 Uji Kesesuaian Hipotesis : H 0 : β j (u i, v i ) = β j j = 0,1,2,3,4,7,8,9,10,11,13 : β u v ) β H 1 j( i, Statistik Uji : F (0,05;27;15) = 2,25 i j Model Devians df Devians/df F hitung Global 3348, ,005 1,2497 GWPR 1547,11 15,59 99,223 Bahwa gagal tolak Ho karena nilai F hitung < F (0,05;27;15), maka dapat dikatakan dengan taraf signifikansi 5% tidak terjadi adanya perbedaan antara model poisson dengan model GWPR.
37 Uji Serentak Hipotesis : H 0 : β 1 (u 1,v 1 ) = β 2 (u 2,v 2 ) = β 3 (u 3,v 3 )= = β 13 (u 13,v 13 ) = 0 H : paling tidak ada salah satu β ( u, v ) 0 1 Statistik Uji : D(βˆ) = 1547,11 = 18,307 j j j Berarti tolak H 0 karena nilai D(βˆ) > Kesimpulannya minimal ada satu parameter yang mempengaruhi terhadap model secara signifikan.
38 H 0 : H 1 : Uji Parsial Parameter Estimasi Standart Error Z hitung β 0-10,9852 4, ,45946 β 1-5, , ,04466 β 2 0, , ,2714 β 3 0, , ,5653 β 4 0, , ,45563 β 7-0, , ,8711 β 8 0, , ,5793 β 9 0, , ,7647 β 10 0, , ,1375 β 11-0, , ,6007 β 13-0, , ,5096 ln ( i ) = -10,9852 5,08458 X 1 + 0,81464 X 2 + 0,06249 X 3 + 0,55709 X 4 0,16365 X 7 + 0,38312 X 8 + 0,04533 X 9 + 0,09941 X 10 0,35675 X 11 0,23218 X 13
39 Variabel yang Signifikan No. Kabupaten/Kota Variabel yang Signifikan 1. Pacitan, Banyuwangi, Bondowoso, Kab.Probolinggo, Ngawi, Gresik, Pamekasan, Kota Blitar, Kota Pasuruan, Kota Batu 2. Ponorogo dan Kab. Pasuruan 3. Trenggalek, Jember, Situbondo, Sidoarjo, Mojokerto, Nganjuk, Sumenep, Kota Kediri, Kota Malang, Kota Probolinggo, Kota Mojokerto, Kota Surabaya 4. Tulungagung, Jombang dan Lamongan 5. Blitar, Bojonegoro dan Sampang 6. Kediri 7. Malang, Tuban dan Kota Madiun 8. Lumajang dan Madiun 9. Magetan 10. Bangkalan X 1, X 2, X 3, X 4, X 7, X 8, X 9, X 10, X 11, X 13 X 2, X 3, X 4, X 7, X 8, X 9, X 10, X 11, X 13 X 1, X 2, X 3, X 7, X 9, X 10, X 11, X 13 X 1, X 2, X 3, X 4, X 7, X 8, X 10, X 11, X 13 X 1, X 2, X 3, X 4, X 7, X 8, X 9, X 11, X 13 X 1, X 2, X 3, X 4, X 8, X 10, X 11, X 13 X 1, X 2, X 3, X 7, X 9, X 10, X 11, X 13 X 1, X 2, X 3, X 7, X 10, X 11, X 13 X 1, X 2, X 3, X 4, X 7, X 9, X 10, X 11, X 13 X 2, X 3, X 4, X 7, X 8, X 9, X 11, X 13
40
41 Model Variabel Signifikan Nilai AIC Regresi Binomial Negatif X 1 X 2 X 8 X 11 X ,55 GWPR X 1 X 2 X 3 X 4 X 7 X 8 X 9 X 10 X 11 X ,35 Model Terbaik
42 KESIMPULAN DAN SARAN
43 1. Angka kasus kanker serviks di Jawa Timur pada tahun 2011 menunjukkan peningkatan dan dari 38 Kabupaten/Kota ada 26 kasus di setiap Kabupaten/Kota. Di kota Malang sebesar 747 merupakan kota yang mempunyai kasus kanker seriks paling banyak di Jawa Timur, sedangkan ada Kabupaten/Kota yang tidak ditemukan terjadinya kasus kanker serviks yaitu, Kabupaten Lumajang, Jember, Situbondo, Pasuruan, Mojokerto, Jombang, Bangkalan, Pamekasan dan Kota Kediri, Kota Probolinggo, Kota Surabaya, Kota Batu. 2. Model Regresi Poisson yaitu persentase sarana kesehatan (X1), persentase tenaga medis (X2), persentase penduduk perempuan yang umur kawin pertama 16 tahun (X3), persentase penduduk dan Rumah Tangga (RT) perempuan (X4), persentase penduduk miskin (X7), persentase penduduk perempuan yang menggunakan kondom (X8), persentase perempuan dengan jumlah anak yang dilahirkan lebih dari 4 (X9), persentase penduduk perempuan yang berstatus kawin (X10), persentase penduduk perempuan usia 35 tahun (X11), dan persentase penduduk yang merokok (X13). 3. Pemodelan dengan Regresi Binomial Negatif variabel prediktor yang mempengaruhi terhadap jumlah kasus kanker serviks di Jawa Timur yaitu, persentase sarana kesehatan (X 1 ), persentase tenaga medis (X 2 ), persentase penduduk perempuan yang menggunakan kondom (X 8 ), persentase penduduk perempuan usia 35 tahun (X 11 ), dan persentase penduduk yang merokok (X 13 ).
44 4. Pemodelan GWPR dengan fungsi kernel fixed Gaussian menunjukkan bahwa variabel yang signifikan hampir di setiap Kabupaten yaitu variabel X 1 (Persentase sarana kesehatan), X 2 (Persentase tenaga medis), X 3 (Persentase penduduk perempuan yang umur kawin pertama 16 tahun), X 7 (Persentase penduduk miskin), X 9 (Persentase perempuan dengan jumlah anak yang dilahirkan lebih dari 4), X 10 (Persentase penduduk perempuan yang berstatus kawin), X 11 (Persentase penduduk perempuan usia 35), X 13 (Persentase penduduk yang merokok). 5. Model terbaik yang digunakan dalam analisis jumlah kasus kanker serviks di Jawa timur yaitu dengan menggunakan model Regresi Binomial Negatif, karena diketahui bahwa nilai AIC paling kecil dari model GWPR. Pada proses analisis, masih terdapat permasalahan yang perlu diulas lebih dalam lagi. Oleh karena itu terdapat beberapa saran yang direkomendasikan untuk penelitian selanjutnya, yaitu dalam analisis, masih diperlukan variabel penduga yang digunakan lebih berhubungan dengan kanker serviks, sehingga nantinya didapatkan hasil yang lebih tepat.
45 A. Mansjoer, K. T. (2008). Kapita Selekta Kedokteran. Edisi ketiga. Media Aesculapis, Fakultas Kedokteran Universitas Indonesia. Anneahira. (2012). Jenis Penyakit. Anonim. (2013). Tanda-tanda dan penyebab Kanker Serviks. Aulele, S. (2010). Model Geographically Weighted Poisso Regression (Studi Kasus Jumlah Kematian Bayi di Provinsi Jawa Timur dan Jawa Tengah 2007). Surabaya: Program Sarjana, Institut Teknologi Sepuluh Nopember. Baharuddin. (2005). Ukuran R2 dalam Model Regresi Poisson. Integral, vol. 10, no. 3. Bozdogan, H. (2000). Akaike's Information Criterion and Recent Developments in Information Complexity. Dalam Mathematical Psychology (hal. 44, 62-91). Cameron, A. d. (1998). Regression Analysis of Count Data. Cambridge: Cambridge University Press. Cameron, F. W. (1995). "R2 Measures for Count Data Regression Models with Applications to Healthcare Utilization", Journal Business Economic Statistic. 14, pp
46 Erdkhadifa, R. (2012). Perbandingan Geographically Weighted Poisson Regression, Geographically Weighted Poisson Regression Semiparametric (Studi Kasus: Kematian Demam Berdarah Dengue di Jawa Timur). Surabaya: Program Sarjana, Institut Teknologi Sepuluh Nopember. Hardin, J. d. (2007). Generalized Linier Models and Extensions. Texas: A Strata Perss Publication. Irawati, B. (2012). Pemodelan GPR dan Regresi Binomial Negatif Untuk Mengatasi Overdispersi Pada Jumlah Kasus Kanker Serviks di Jawa Timur. Surabaya: Program Sarjana, Institut Teknologi Sepuluh Nopember. Jong, D. (2013). Vaksin Kanker Serviks. Khasbiyah. (2004). Beberapa Faktor Risiko Kanker Serviks Uteri (Studi Pada Penderita Kanker Serviks Uteri Di Rumah Sakit Dokter Kariadi Semarang Pada Bulan Agustus- September 2004). Program sarjana, Universitas Diponegoro. McCullagh, P. (1983). Generalized Linier Models. London: Chapmann and Hall. Myers, R. (1990). Classicaland Modern Regression with Applications, second edition. Boston: PWS-KENT Publishing Company.
47 Nadia, N. (2009). Korelasi antara Usia Penderita dengan Stadium Kanker Serviks. Jakarta: Program Kedokteran, Universitas Indonesia. Nakaya, T.,. (2005). Geographically Weighted Poisson Regression for disease association mapping statistics in medicine. 24: Prawirohardjo, S. (2008). Ilmu Kandungan. Edisi Kedua. Jakarta: PT. Bina Pustaka. Yasin, M. (2012). Penyakit Kanker Leher Rahim (Ca Cervix) di Indonesia.
48
GENERALIZED POISSON REGRESSION (GPR)
PEMODELAN JUMLAH KASUS KANKER SERVIKS DI JAWA TIMUR MENGGUNAKAN ANALISIS GENERALIZED POISSON REGRESSION (GPR) 12/06/2012 Oleh: RIZA INAYAH / 1309.030.042 Dosen Pembimbing: DR. Purhadi, M.Sc Jurusan Statistika
Lebih terperinciPemodelan Jumlah Kematian Bayi di Propinsi Jawa Timur dengan Pendekatan Geographically Weighted Poisson Regression Semi Parametric (GWPRS)
Seminar Tugas Akhir Pemodelan Jumlah Kematian Bayi di Propinsi Jawa Timur dengan Pendekatan Geographically Weighted Poisson Regression Semi Parametric (GWPRS) Oleh : Dessy Puspa Rani 1306. 100. 034 Dosen
Lebih terperinciPemodelan Jumlah Kematian Bayi Di Kabupaten Bojonegoro Dengan Menggunakan Metode Analisis Regresi Binomial Negatif
1 Pemodelan Jumlah Kematian Bayi Di Kabupaten Bojonegoro Dengan Menggunakan Metode Analisis Regresi Binomial Negatif Nike Dwi Wilujeng Mahardika dan Sri Pingit Wulandari Statistika, FMIPA, Institut Teknologi
Lebih terperinciJurnal Matematika Vol. 2 No. 2, Desember ISSN :
Jurnal Matematika Vol. 2 No. 2, Desember 2012. ISSN : 1693-1394 Perbandingan Analisis Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif Untuk Mengatasi Overdispersi Studi Kasus: Pemodelan
Lebih terperinciABSTRAK. Kata kunci : regresi Poisson, GWPR, Angka Kematian Bayi (AKB)
PEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) DI PROVINSI JAWA TIMUR Septika Tri Ardiyanti 1, Purhadi 2 1 Mahasiswa Jurusan Statistika ITS. 2 Dosen Jurusan
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 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 terperinciPEMODELAN JUMLAH KEMATIAN BAYI DI JAWA TIMUR DENGAN GEOGRAPHICALLY WEIGHTED POISSON REGESSION (GWPR)
PEMODELAN JUMLAH KEMATIAN BAYI DI JAWA TIMUR DENGAN GEOGRAPHICALLY WEIGHTED POISSON REGESSION (GWPR) Sisvia Cahya Kurniawati, Kuntoro Departemen Biostatistika dan Kependudukan FKM UNAIR Fakultas Kesehatan
Lebih terperinciPemodelan Jumlah Kematian Ibu di Jawa Timur dengan Geographically Weighted Negative Binomial Regression (GWNBR)
JURNAL SAINS DAN SENI POMITS Vol. 3, No., (014) ISSN: 337-3539 (301-971 Print) D-18 Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Geographically Weighted Negative Binomial Regression (GWNBR) Eriska
Lebih terperinciKematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan
VIF Distribusi Poisson Regresi Poisson Kematian Bayi Kematian Ibu Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan 1 Pendaharan terberat pada masa nifas
Lebih terperinci8/7/2014. Sumber Data
8/7/2014 1 8/7/2014 2 Sumber Data 8/7/2014 3 Variabel Penelitian 8/7/2014 4 Diagram Alir Mendeskripsikan data Analisis Statistika Deskriptif Pemeriksaan Multiko antar Variabel Prediktor Ya Tidak Buang
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 terperinciPemodelan Angka Putus Sekolah Tingkat SLTP dan sederajat di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal
Pemodelan Angka Putus Sekolah Tingkat SLTP dan sederajat di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal Oleh: DELTA ARLINTHA PURBASARI 1311030086 Dosen Pembimbing: Dr. Vita
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 terperinciJURUSAN STATISTIKA - FMIPA INSTITUT TEKNOLOGI SEPULUH NOPEMBER. Ayunanda Melliana Dosen Pembimbing : Dr. Dra. Ismaini Zain, M.
JURUSAN STATISTIKA - FMIPA INSTITUT TEKNOLOGI SEPULUH NOPEMBER Seminar hasil TUGAS AKHIR Ayunanda Melliana 1309100104 Dosen Pembimbing : Dr. Dra. Ismaini Zain, M.Si PENDAHULUAN Latar Belakang Rumusan Masalah
Lebih terperinciBAB 3 METODE PENELITIAN. disajikan pada Gambar 3.1 dan koordinat kabupaten/kota Provinsi Jawa Timur disajikan
BAB 3 METODE PENELITIAN 3.1 Gambaran Umum Objek Wilayah Provinsi Jawa Timur meliputi 29 kabupaten dan 9 kota. Peta wilayah disajikan pada Gambar 3.1 dan koordinat kabupaten/kota Provinsi Jawa Timur disajikan
Lebih terperinciBAB 4 ANALISA DAN PEMBAHASAN. faktor faktor yang mempengaruhi, model regresi global, model Geographically
BAB 4 ANALISA DAN PEMBAHASAN Pada bab ini dibahas tentang pola penyebaran angka buta huruf (ABH) dan faktor faktor yang mempengaruhi, model regresi global, model Geographically Weighted Regression (GWR),
Lebih terperinciEVALUASI/FEEDBACK KOMDAT PRIORITAS, PROFIL KESEHATAN, & SPM BIDANG KESEHATAN
EVALUASI/FEEDBACK PRIORITAS, PROFIL KESEHATAN, & SPM BIDANG KESEHATAN MALANG, 1 JUNI 2016 APLIKASI KOMUNIKASI DATA PRIORITAS FEEDBACK KETERISIAN DATA PADA APLIKASI PRIORITAS 3 OVERVIEW KOMUNIKASI DATA
Lebih terperinciLampiran 1 LAPORAN REALISASI DAU, PAD TAHUN 2010 DAN REALISASI BELANJA DAERAH TAHUN 2010 KABUPATEN/KOTA DI JAWA TIMUR (dalam Rp 000)
Lampiran 1 LAPORAN REALISASI DAU, PAD TAHUN 2010 DAN REALISASI BELANJA DAERAH TAHUN 2010 KABUPATEN/KOTA DI JAWA TIMUR (dalam Rp 000) Kabupaten/Kota DAU 2010 PAD 2010 Belanja Daerah 2010 Kab Bangkalan 497.594.900
Lebih terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 72 TAHUN 2012 TENTANG UPAH MINIMUM KABUPATEN / KOTA DI JAWA TIMUR TAHUN 2013
GUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 72 TAHUN 2012 TENTANG UPAH MINIMUM KABUPATEN / KOTA DI JAWA TIMUR TAHUN 2013 GUBERNUR JAWA TIMUR, Menimbang : a. bahwa dalam upaya meningkatkan kesejahteraan
Lebih terperinciJumlah Penduduk Jawa Timur dalam 7 (Tujuh) Tahun Terakhir Berdasarkan Data dari Dinas Kependudukan dan Pencatatan Sipil Kab./Kota
Jumlah Penduduk Jawa Timur dalam 7 (Tujuh) Tahun Terakhir Berdasarkan Data dari Dinas Kependudukan dan Pencatatan Sipil Kab./Kota TAHUN LAKI-LAKI KOMPOSISI PENDUDUK PEREMPUAN JML TOTAL JIWA % 1 2005 17,639,401
Lebih terperinciPENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 58 65 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA
Lebih terperinciRegresi Bivariat Poisson Dalam Pemodelan Jumlah Kematian Bayi dan Jumlah Kematian Ibu di Propinsi Jawa Timur
1 Regresi Bivariat Poisson Dalam Pemodelan Jumlah Kematian Bayi dan Jumlah Kematian Ibu di Propinsi Jawa Timur Elvira Pritasari dan Purhadi Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPemodelan Faktor-Faktor yang Mempengaruhi Kemiskinan Kabupaten/Kota di Jawa Timur Menggunakan Regresi Data Panel
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) 337-350 (301-98X Print) D-45 Pemodelan Faktor-Faktor yang Mempengaruhi Kemiskinan Kabupaten/Kota di Jawa Timur Menggunakan Regresi Data Panel Nur Fajriyah
Lebih terperinciS - 13 PEMODELAN SPASIAL KEMISKINAN DENGAN MIXED GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DAN FLEXIBLY SHAPED SPATIAL SCAN STATISTIC
S - 13 PEMODELAN SPASIAL KEMISKINAN DENGAN MIXED GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DAN FLEXIBLY SHAPED SPATIAL SCAN STATISTIC (Studi Kasus: Jumlah Rumah Tangga Sangat Miskin di Kabupaten Kulonprogo)
Lebih terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 78 TAHUN 2013 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2014
GUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 78 TAHUN 2013 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2014 GUBERNUR JAWA TIMUR, Menimbang : a. bahwa dalam upaya meningkatkan kesejahteraan
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN Pada bab analisis dan pembahasan ini akan jelaskan tentang pola persebaran jumlah penderita kusta dan faktor-faktor yang mempengaruhinya, kemudian dilanjutkan dengan pemodelan
Lebih terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 68 TAHUN 2015 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2016
GUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 68 TAHUN 2015 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2016 GUBERNUR JAWA TIMUR. Menimbang : a. bahwa dalam upaya meningkatkan kesejahteraan
Lebih terperinciANALISIS ANGKA BUTA HURUF DI JAWA TIMUR MENGGUNAKAN GEOGRAPHICALLY WEIGHTED REGRESSION BERBASIS KOMPUTER
ANALISIS ANGKA BUTA HURUF DI JAWA TIMUR MENGGUNAKAN GEOGRAPHICALLY WEIGHTED REGRESSION BERBASIS KOMPUTER Andiyono Universitas Bina Nusantara Jl. K.H Syahdan No.9, Palmerah, Jakarta Barat, Indonesia, 11480,
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print)
Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Tetanus Neonatorum (TN) di Jawa Timur dengan Metode Regresi Zero- Inflated Generalized Poisson (ZIGP) D-116 Siska Puji Lestari dan Sri Pingit Wulandari
Lebih terperinciper km 2 LAMPIRAN 1 LUAS JUMLAH WILAYAH JUMLAH KABUPATEN/KOTA (km 2 )
LAMPIRAN 1 LUAS WILAYAH,, DESA/KELURAHAN, PENDUDUK, RUMAH TANGGA, DAN KEPADATAN PENDUDUK MENURUT LUAS RATA-RATA KEPADATAN WILAYAH RUMAH JIWA / RUMAH PENDUDUK DESA KELURAHAN DESA+KEL. PENDUDUK (km 2 ) TANGGA
Lebih terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 72 TAHUN 2014 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2015
GUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 72 TAHUN 2014 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2015 GUBERNUR JAWA TIMUR. Menimbang : a. bahwa dalam upaya meningkatkan kesejahteraan
Lebih terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 121 TAHUN 2016 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2017
\ PERATURAN NOMOR 121 TAHUN 2016 TENTANG UPAH MINIMUM KABUPATEN/KOTA DI JAWA TIMUR TAHUN 2017 DENGAN RAHMAT TUHAN YANG MAHA ESA. Menimbang : a. bahwa dalam upaya meningkatkan kesejahteraan masyarakat khususnya
Lebih terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 69 TAHUN 2009 TENTANG UPAH MINIMUM KABUPATEN / KOTA DI JAWA TIMUR TAHUN 2010
GUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 69 TAHUN 2009 TENTANG UPAH MINIMUM KABUPATEN / KOTA DI JAWA TIMUR TAHUN 2010 GUBERNUR JAWA TIMUR, Menimbang Mengingat : a. bahwa dalam upaya meningkatkan
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-285
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) 2337-3520 (2301-928X Print) D-285 Analisis Faktor-Faktor Risiko yang Mempengaruhi Jumlah Kasus Malaria di Jawa Timur Tahun 2013 dengan Geographically Weighted
Lebih terperinciBAB III METODE PENELITAN. Lokasi pada penelitian ini adalah Kabupaten/Kota Provinsi Jawa Timur.
BAB III METODE PENELITAN A. Lokasi Penelitian Lokasi pada penelitian ini adalah Kabupaten/Kota Provinsi Jawa Timur. Pemilihan lokasi ini salah satunya karena Provinsi Jawa Timur menepati urutan pertama
Lebih terperinciPEMODELAN INFANT MORTALITY RATE (IMR) DENGAN PENDEKATAN ZERO INFLATED POISSON REGRESSION BERBASIS ALGORITMA EM
E-ISSN 2527-9378 Jurnal Statistika Industri dan Komputasi Volume 3, No. 1, Januari 2018, pp. 71-78 PEMODELAN INFANT MORTALITY RATE (IMR) DENGAN PENDEKATAN ZERO INFLATED POISSON REGRESSION BERBASIS ALGORITMA
Lebih terperinciKata Kunci Overdispersi, regresi Zero-Inflated Generalized Poisson (ZIGP), Tetanus Neonatorum.
1 Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Tetanus Neonatorum (TN) di Jawa Timur dengan Metode Regresi Zero- Inflated Generalized Poisson (ZIGP) 1 Siska Puji Lestari, 2 Ir. Sri Pingit Wulandari,
Lebih terperinciINSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA Seminar Hasil Tugas Akhir
INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2014 Seminar Hasil Tugas Akhir 1 PEMODELAN DAN PEMETAAN RATA-RATA USIA KAWIN PERTAMA WANITA DENGAN PENDEKATAN REGRESI LOGISTIK ORDINAL DI PROVINSI JAWA TIMUR
Lebih terperinciPEMODELAN DAN PEMETAAN ANGKA BUTA HURUF PROVINSI JAWA TIMUR DENGAN PENDEKATAN REGRESI SPASIAL. Bertoto Eka Firmansyah 1 dan Sutikno 2
PEMODELAN DAN PEMETAAN ANGKA BUTA HURUF PROVINSI JAWA TIMUR DENGAN PENDEKATAN REGRESI SPASIAL Bertoto Eka Firmansyah dan Sutikno Mahasiswa Jurusan Statistika, ITS, Surabaya Dosen Pembimbing, Jurusan Statistika,
Lebih terperinciPerbandingan Analisis Generalized Poisson Regression
1 Perbandingan Analisis Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif (Studi Kasus: Pemodelan Jumlah Penderita Kusta di Jawa Timur Tahun 2012 Sari Putri (1) dan Wiwiek Setya Winahju
Lebih terperinciSEMINAR HASIL TUGAS AKHIR. Presented by Rizky Amalia Yulianti Dosen Pembimbing : Dr. Vita Ratnasari, S.Si, M.Si
SEMINAR HASIL TUGAS AKHIR Presented by Rizky Amalia Yulianti 1309 100 076 Dosen Pembimbing : Dr. Vita Ratnasari, S.Si, M.Si Agenda 1. 2. 3. 4. 5. Pendahuluan Tinjauan Metodelogi Hasil dan Kesimpulan 1.
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 terperinciAnalisis Biplot pada Kabupaten/Kota di Provinsi Jawa Timur Berdasarkan Variabel-variabel Komponen Penyusun Indeks Pembangunan Manusia (IPM)
Sidang Tugas Akhir Surabaya, 15 Juni 2012 Analisis Biplot pada Kabupaten/Kota di Provinsi Jawa Timur Berdasarkan Variabel-variabel Komponen Penyusun Indeks Pembangunan Manusia (IPM) Wenthy Oktavin Mayasari
Lebih terperinciPEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 74 82 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF
Lebih terperinciSTATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
Oleh Veni Freista H. (1308100054) Dosen Pembimbing Dr.rer.pol. Heri Kuswanto JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2011 Pendahuluan
Lebih terperinciE-Jurnal Matematika Vol. 2, No.3, Agustus 2013, ISSN:
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 23-28 ISSN: 2303-1751 PENERAPAN REGRESI ZERO INFLATED POISSON UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON (Studi Kasus: Ketidaklulusan Siswa SMA/MA
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Lokasi Penelitian Lokasi penelitian di Pulau Jawa Provinsi Jawa Timur yang terdiri dari 29 kabupaten dan 9 kota di antaranya dari Kab Pacitan, Kab Ponorogo, Kab Trenggalek,
Lebih terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 72 TAHUN 2012 TENTANG UPAH MINIMUM KABUPATEN / KOTA DI JAWA TIMUR TAHUN 2013
GUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 72 TAHUN 2012 TENTANG UPAH MINIMUM KABUPATEN / KOTA DI JAWA TIMUR TAHUN 2013 Menimbang: a. Bahwa dalam upaya meningkatkan kersejahteraan rakyat khususnya
Lebih terperinciPemodelan Jumlah Kasus Hiv dan Aids di Kota Surabaya Menggunakan Bivariate Generalized Poisson Regression
JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 337-3 (3-98X Print) D-98 Pemodelan Jumlah Kasus Hiv dan Aids di Kota Surabaya Menggunakan Bivariate Generalized Poisson Regression Suprianto Simanuntak,
Lebih terperinciBAB V HASIL DAN PEMBAHASAN. Gambar 5.1 Trend Ketimpangan Ekonomi Kabupaten/Kota di Provinsi
BAB V HASIL DAN PEMBAHASAN 5.1 Analisis Ketimpangan Ekonomi Antar Kabupaten/Kota di Provinsi Jawa Timur Ketimpangan ekonomi antar kabupaten/kota di Provinsi Jawa Timur dihitung menggunakan data PDRB Provinsi
Lebih terperinciPEMBANGUNAN PERPUSTAKAAN DESA/KELURAHAN DI JAWA TIMUR 22 MEI 2012
PEMBANGUNAN PERPUSTAKAAN DESA/KELURAHAN DI JAWA TIMUR 22 MEI 2012 OLEH : Drs. MUDJIB AFAN, MARS KEPALA BADAN PERPUSTAKAAN DAN KEARSIPAN PROVINSI JAWA TIMUR DEFINISI : Dalam sistem pemerintahan di Indonesia
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 terperinciRegresi Poisson dan Penerapannya Untuk Memodelkan Hubungan Usia dan Perilaku Merokok Terhadap Jumlah Kematian Penderita Penyakit Kanker Paru-Paru
Regresi Poisson dan Penerapannya Untuk Memodelkan Hubungan Usia dan Perilaku Merokok Terhadap Jumlah Kematian Penderita Penyakit Kanker Paru-Paru IIN SUNDARI Program Studi Matematika, Fakultas Matematika
Lebih terperinciBAB II GAMBARAN UMUM INSTANSI. 2.1 Sejarah Singkat PT PLN (Persero) Distribusi Jawa Timur
BAB II GAMBARAN UMUM INSTANSI 2.1 Sejarah Singkat PT PLN (Persero) Distribusi Jawa Timur PT PLN (Persero) Distribusi Jawa Timur merupakan salah satu unit pelaksana induk dibawah PT PLN (Persero) yang merupakan
Lebih terperinciBAB I PENDAHULUAN. A. Latar Belakang. Indonesia merupakan salah satu negara berkembang yang memiliki
BAB I PENDAHULUAN A. Latar Belakang Indonesia merupakan salah satu negara berkembang yang memiliki pertumbuhan ekonomi yang terus meningkat dari tahun ketahun. Pertumbuhan ekonomi dapat didefinisikan sebagai
Lebih terperinciPEMODELAN JUMLAH KEJADIAN LUAR BIASA DIFTERI DI JAWA TIMUR MENGGUNAKAN GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION (GWNBR)
1 PEMODELAN JUMLAH KEJADIAN LUAR BIASA DIFTERI DI JAWA TIMUR MENGGUNAKAN GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION (GWNBR) Bunga Nevrieda Nandasari dan Ir. Sri Pingit Wulandari, M.Si Jurusan
Lebih terperinciAnalisis Indikator Tingkat Kemiskinan di Jawa Timur Menggunakan Regresi Panel
JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Print) D-65 Analisis Indikator Tingkat Kemiskinan di Jawa Timur Menggunakan Regresi Panel Almira Qattrunnada Qurratu ain dan Vita Ratnasari Jurusan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Jenis dan Pendekatan Penelitian Penelitian ini menggunakan pendekatan kuantitatif. Menurut Efferin, Darmadji dan Tan (2008:47) pendekatan kuantitatif disebut juga pendekatan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Lokasi penelitian Adapun lokasi penelitian ini adalah di provinsi Jawa Timur yang terdiri dari 38 kota dan kabupaten yaitu 29 kabupaten dan 9 kota dengan mengambil 25 (Dua
Lebih terperinciPEMODELAN ANGKA PUTUS SEKOLAH BAGI ANAK USIA WAJIB BELAJAR DI JAWA TIMUR DENGAN PENDEKATAN GENERALIZED POISSON REGRESSION
PEMODELAN ANGKA PUTUS SEKOLAH BAGI ANAK USIA WAJIB BELAJAR DI JAWA TIMUR DENGAN PENDEKATAN GENERALIZED POISSON REGRESSION 1 Tanty Citrasari Wijayanti (1307100024) 2 Setiawan (19601030 198701 1 001) 1 Mahasiswa
Lebih terperinciP E N U T U P P E N U T U P
P E N U T U P 160 Masterplan Pengembangan Kawasan Tanaman Pangan dan Hortikultura P E N U T U P 4.1. Kesimpulan Dasar pengembangan kawasan di Jawa Timur adalah besarnya potensi sumberdaya alam dan potensi
Lebih terperinciPendekatan Flexibly Shaped Spatial Scan Statistic untuk Deteksi Wilayah Kantong Penyakit DBD Melalui Pemodelan Regresi.
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) 337-350 (301-98X Print) D-0 Pendekatan Flexibly Shaped Spatial Scan Statistic untuk Deteksi Wilayah Kantong Penyakit DBD Melalui Pemodelan Regresi Binomial
Lebih terperinci2. JUMLAH USAHA PERTANIAN
BPS PROVINSI JAWA TIMUR No. 61/09/35/Tahun XI, 2 September 2013 HASIL SENSUS PERTANIAN 2013 PROVINSI JAWA TIMUR (ANGKA SEMENTARA) JUMLAH RUMAH TANGGA USAHA PERTANIAN DI PROVINSI JAWA TIMUR TAHUN 2013 SEBANYAK
Lebih terperinciPENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 11-16 ISSN: 2303-1751 PENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA NI MADE SEKARMINI 1, I KOMANG GDE SUKARSA
Lebih terperinciBAB V PENUTUP. maka diperoleh kesimpulan yang dapat diuraikan sebagai berikut : tingkat kemiskinan di Provinsi Jawa Timur.
BAB V PENUTUP 5.1. Kesimpulan Berdasarkan hasil penelitian dan analisis tentang faktor-faktor yang mempengaruhi tingkat kemiskinan di Provinsi Jawa Timur tahun 2008-2012, maka diperoleh kesimpulan yang
Lebih terperinciPEMODELAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION PADA REGRESI POISSON
PEMODELAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION PADA REGRESI POISSON Rena Muntafiah 1, Rochdi Wasono 2, Moh. Yamin Darsyah 3 1,2,3 Program Studi Statistika, Fakultas Matematika dan Ilmu
Lebih terperinciHASIL DAN PEMBAHASAN
19 HASIL DAN PEMBAHASAN Deskripsi Data Secara umum, wilayah Jawa Timur dapat dibagi menjadi 2 bagian besar, yaitu Jawa Timur daratan dan Kepulauan Madura. Luas wilayah Jawa Timur daratan hampir mencakup
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 terperinciKEPUTUSAN GUBERNUR JAWA TIMUR NOMOR 188/ 557 /KPTS/013/2016 TENTANG PENETAPAN KABUPATEN / KOTA SEHAT PROVINSI JAWA TIMUR TAHUN 2016
KEPUTUSAN GUBERNUR JAWA TIMUR NOMOR 188/ 557 /KPTS/013/2016 TENTANG PENETAPAN KABUPATEN / KOTA SEHAT PROVINSI JAWA TIMUR TAHUN 2016 GUBERNUR JAWA TIMUR, Menimbang : a. bahwa dalam rangka tercapainya kondisi
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 terperinciBAB III METODE PENELITIAN. Provinsi yang memiliki jumlah tenaga kerja yang tinggi.
BAB III METODE PENELITIAN A. Lokasi dan Ruang Lingkup Penelitian Lokasi penelitian yang digunakan dalam penelitian ini adalah Provinsi Jawa Timur. Secara administratif, Provinsi Jawa Timur terdiri dari
Lebih terperinciDosen Pembimbing : Dr. Purhadi, M.Sc
Citra Fatimah Nur / 1306 100 065 Dosen Pembimbing : Dr. Purhadi, M.Sc Outline 1 PENDAHULUAN TINJAUAN PUSTAKA 3 METODOLOGI PENELITIAN 4 ANALISIS DAN PEMBAHASAN 5 KESIMPULAN Latar Belakang 1960-1970 1970-1980
Lebih terperinciABSTRAK. Kata kunci: Gizi Buruk, GWNBR, Flexibly Shaped Spatial Scan Statistic, Kantong Gizi Buruk ABSTRACT
Pemodelan Spasial Balita Gizi Buruk dengan Geographically Weighted Negative Binomial Regression dan Flexibly Shaped Spatial Scan Statistic (Studi Kasus Jumlah Balita Gizi Buruk di Jawa Timur Tahun 2013)
Lebih terperinci(R.1) KAJIAN MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION UNTUK MASALAH DATA SPASIAL DISKRIT
REGRESI 2 (R.1) KAJIAN MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION UNTUK MASALAH DATA SPASIAL DISKRIT Dani Robini, Budi Nurani R., Nurul Gusriani Jurusan Matematika FMIPA Universitas Padjadjaran Jl.
Lebih terperinciPeramalan Jumlah Kepemilikan Sepeda Motor dan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Regresi Data Panel
JURNAL SAINS DAN SENI POMITS Vol. 3, No., (14) 337-35 (31-98X Print) D-33 Peramalan Jumlah epemilikan Sepeda Motor dan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Regresi Data Panel Hilda Rosdiana
Lebih terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 125 TAHUN 2008
GUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 125 TAHUN 2008 TENTANG ORGANISASI DAN TATA KERJA UNIT PELAKSANA TEKNIS DINAS PEKERJAAN UMUM BINA MARGA PROVINSI JAWA TIMUR GUBERNUR JAWA TIMUR MENIMBANG
Lebih terperinciEVALUASI TEPRA KABUPATEN/KOTA PROVINSI JAWA TIMUR OKTOBER 2016
EVALUASI TEPRA KABUPATEN/KOTA PROVINSI JAWA TIMUR OKTOBER 2016 Realisasi belanja APBD Provinsi dan Kabupaten/Kota se-provinsi Jawa Timur Oktober 2016 PROVINSI KABUPATEN/KOTA Provinsi Gorontalo Provinsi
Lebih terperinciGrafik Skor Daya Saing Kabupaten/Kota di Jawa Timur
Grafik Skor Daya Saing Kabupaten/Kota di Jawa Timur TOTAL SKOR INPUT 14.802 8.3268.059 7.0847.0216.8916.755 6.5516.258 5.9535.7085.572 5.4675.3035.2425.2185.1375.080 4.7284.4974.3274.318 4.228 3.7823.6313.5613.5553.4883.4733.3813.3733.367
Lebih terperinciLaporan Eksekutif Pendidikan Provinsi Jawa Timur 2013 Berdasarkan Data Susenas 2013 BADAN PUSAT STATISTIK PROVINSI JAWA TIMUR Laporan Eksekutif Pendidikan Provinsi Jawa Timur 2013 Nomor Publikasi : 35522.1402
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 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 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 terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 2 TAHUN 2014 TENTANG
GUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 2 TAHUN 2014 TENTANG PERKIRAAN ALOKASI DANA BAGI HASIL CUKAI HASIL TEMBAKAU KEPADA PROVINSI JAWA TIMUR DAN KABUPATEN/KOTA DI JAWA TIMUR TAHUN ANGGARAN
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TENGAH MENGGUNAKAN REGRESI GENERALIZED POISSON DAN BINOMIAL NEGATIF
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TENGAH MENGGUNAKAN REGRESI GENERALIZED POISSON DAN BINOMIAL NEGATIF 1 Alan Prahutama, 2 Sudarno, 3 Suparti, 4 Moch. Abdul Mukid 1,2,3,4
Lebih terperinciSeminar Hasil Tugas Akhir
LOGO Seminar Hasil Tugas Akhir Oleh : Efta Dhartikasari Priyana 1312 105 012 Dosen Pebimbing: Dr. Purhadi, M.Sc 8/7/2014 1 8/7/2014 2 Latar Belakang Latar Belakang Perumusan Masalah Ginjal Kronik Stroke
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.1, (2015) ( X Print) D-55
JURNAL SAINS DAN SENI ITS Vol. 4, No., 205 2337-3520 230-928X Print D-55 Analisis Faktor-Faktor Mempengaruhi Jumlah Kasus Kusta di Jawa Timur pada Tahun 203 Menggunakan Geographically Weighted Negative
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 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 terperinciPemodelan Faktor Penyebab Kecelakaan Lalu Lintas Berdasarkan Metode Geographically Weighted Regression di Jawa Timur
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Print) D-58 Pemodelan Faktor Penyebab Kecelakaan Lalu Lintas Berdasarkan Metode Geographically Weighted Regression di Jawa Timur Putu
Lebih terperinciPEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2 INDONESIA (SUMATERA)
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 116 124 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2
Lebih terperinciPEMETAAN DAN MODEL REMAJA PUTUS SEKOLAH USIA SMA DI PROVINSI JAWA TIMUR PADA TAHUN 2009 DENGAN METODE GWR (GEOGRAPHICALLY WEIGHTED REGRESSION)
PEMETAAN DAN MODEL REMAJA PUTUS SEKOLAH USIA SMA DI PROVINSI JAWA TIMUR PADA TAHUN 2009 DENGAN METODE GWR (GEOGRAPHICALLY WEIGHTED REGRESSION) Pembimbing : Ir. Sri Pingit Wulandari, MSi Liska Septiana
Lebih terperinciPENDEKATAN REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAH TANGGA UNTUK PENDIDIKAN DI JAWA TIMUR
PENDEKATAN REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAH TANGGA UNTUK PENDIDIKAN DI JAWA TIMUR Neser Ike Cahyaningrum 1307100012 Dosen Pembimbing Dr. Dra. Ismaini Zain, M.Si AGENDA
Lebih terperinciEVALUASI PROGRAM KKBPK DATA MARET 2017 PERWAKILAN BADAN KEPENDUDUKAN DAN KELUARGA BERENCANA NASIONAL PROPINSI JAWA TIMUR,
EVALUASI PROGRAM KKBPK DATA MARET 2017 PERWAKILAN BADAN KEPENDUDUKAN DAN KELUARGA BERENCANA NASIONAL PROPINSI JAWA TIMUR, 2017 1 INDIKATOR KKP 2 INDIKATOR PROGRAM TAHUN 2017 NO INDIKATOR PROGRAM 2017 SASARAN
Lebih terperinciGUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 5 TAHUN 2005 TENTANG
GUBERNUR JAWA TIMUR PERATURAN GUBERNUR JAWA TIMUR NOMOR 5 TAHUN 2005 TENTANG PENETAPAN SEMENTARA BAGIAN PENERIMAAN PAJAK PENGHASILAN ORANG PRIBADI DALAM NEGERI PASAL 25/29 DAN PAJAK PENGHASILAN PASAL 21
Lebih terperinciDANA PERIMBANGAN. Lampiran 1. Data Dana Perimbangan
Lampiran. Data Dana Perimbangan DANA PERIMBANGAN (Dalam Ribuan) No Daerah 2009 200 20 202 203 Kab. Bangkalan 628,028 64,037 738,324 870,077,004,255 2 Kab. Banyuwangi 897,07 908,07 954,894,70,038,299,958
Lebih terperinciPemodelan dan Pemetaan Pendidikan di Provinsi Jawa Timur Menggunakan Geographically Weighted Regression
Pemodelan dan Pemetaan Pendidikan di Provinsi Jawa Timur Menggunakan Geographically Weighted Regression Danniar Ardhanacitri dan Dr Vita Ratnasari, SSi, MSi Jurusan Statistika, Fakultas MIPA, Institut
Lebih terperinciPEMODELAN PERSENTASE PENDUDUK MISKIN DI PROVINSI JAWA TIMUR TAHUN DENGAN REGRESI PANEL
PEMODELAN PERSENTASE PENDUDUK MISKIN DI PROVINSI JAWA TIMUR TAHUN 2004-2008 DENGAN REGRESI PANEL Desi Yuniarti 1, Susanti Linuwih 2, Setiawan 3 1 Mahasiswa S2 Jurusan Statistika FMIPA ITS, Surabaya, 60111
Lebih terperinciBERITA RESMI STATISTIK
BERITA RESMI STATISTIK BPS KABUPATEN LAMONGAN PROFIL KEMISKINAN DI LAMONGAN MARET 2016 No. 02/06/3524/Th. II, 14 Juni 2017 RINGKASAN Jumlah penduduk miskin (penduduk dengan pengeluaran per kapita per bulan
Lebih terperinci