Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif

Ukuran: px
Mulai penontonan dengan halaman:

Download "Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif"

Transkripsi

1 Pemodela Jumlah Kemata Ibu d Jawa mur dega Pedekata Geeralzed Posso Regresso (GPR) da Regres Bomal Negatf Retdasyah Rsky Agga Permaa, Mutah Salamah Jurusa Statstka, Fakultas MIPA, Isttut ekolog Sepuluh Nopember (IS) Jala Aref Rahma Hak, Surabaya 60 Idoesa E-mal : Abstrak--- Data jumlah kemata bu dalam peelta merupaka data dskrt (cout) yag mempuya varas lebh besar dbadgka rata-rataya (overdspers). Utuk meaga masalah overdspers, dapat dlakuka pemodela dega Geeralzed Posso Regresso (GPR) da Regres Bomal Negatf. Model terbak GPR meghaslka 4 varabel predktor yag sgfka mempegaruh jumlah kasus kemata bu tap kabupate/kota d Jawa mur atara la persetase bu haml yag melaksaaka program K da persetase bu haml yag melaksaaka program K4, persetase bu haml yag medapatka Fe da persetase bu haml yag medapatka Fe3. Sedagka model terbak megguaka regres bomal egatf meghaslka 4 varabel predktor yag sgfka yatu terdr atas p ersetase bu haml yag melaksaaka program K4, persetase bu fas yag medapatka vtam A, persetase persala dtolog oleh teaga kesehata, da persetase bu haml yag medapatka Fe3. Model GPR meghaslka la AIC sebesar 93, da model regres bomal egatf meghaslka la AIC sebesar 89,8. Berdasarka krtera la AIC terkecl maka regres bomal egatf adalah model terbak Kata kuc---aic, Geeralzed Posso Regresso (GPR), Kemata Ibu, Regres Bomal Negatf I. PENDAHULUAN umlah kasus Agka Kemata Ibu dalam peelta J merupaka data cout yag megkut dstrbus Posso sehgga utuk megetahu faktor-faktor yag berpotes dalam jumlah kasus AKI, dlakuka pemodela jumlah kasus AKI dega megguaka aalss regres posso. Regres Posso merupaka aalss regres olear dar dstrbus Posso, dmaa aalss sagat cocok dguaka dalam megaalss data dskrt (cout) jka mea proses sama dega varasya (equsdsperso). Dalam aalss regres posso asums mea sama dega varas (equsdsperso) basaya jarag terpeuh, karea yag serg kal mucul adaya feomea over/uder dsperso dalam data yag dmodelka dmaa varas lebh besar/lebh kecl darpada mea. Adaya feomea tersebut megakbatka dugaa model regres Posso mejad kurag akurat. Oleh karea tu, utuk meaga masalah overdsperso, dapat dlakuka pemodela dega Geeralzed Posso Regreso (GPR) da regres bomal egatf. Model dapat megatas masalah overdsperso karea tdak megharuska la mea yag sama dega la varas sepert pada model regres Posso. Peelta utuk medapatka perbadga model terbak GPR da regres bomal egatf serta megetahu faktor-faktor terhadap jumlah kasus kemata bu d Jawa mur. [] perah melakuka peerapa GPR da regres bomal egatf pada pemodela jumlah kasus kaker sevks d jawa tmur. Hasl yag dperoleh adalah regres bomal egatf merupaka model terbak dalam megatas kasus overdspers. [] melakuka peerapa GPR pada faktorfaktor yag mempegaruhu agka kemata bay d Jawa mur. Hasl yag dperoleh meujukka bahwa meujukka bahwa GPR dapat daplkaska utuk pemodela karea varabel respo megalam overdspers. Selajutya, [3] melakuka peerapa regres bomal egatf pada jumlah kemata materal. Hasl peelta meujukka bahwa regres bomal egatf dapat daplkaska karea varabel respo megalam overdspers. Agka Kemata bu adalah jumlah wata yag meggal dua terkat dega gaggua kehamla atau peagaaya (tdak termasuk kecelakaa atau kasus sdetl) selama kehamla, melahrka da dalam masa fas (4 har setelah melahrka) tapa memperhtugka lama kehamla per kelahra hdup. Peelta tetag kemata bu yatu [4] meelt agka kemata materal d Jawa mur. Faktor yag berpegaruh sgfka adalah persetase bu haml yag medapatka tablet Fe, persetase bu haml melaksaaka K, persetase bu haml bersko tgg/komplkas yag dtaga, persetase rumah tagga yag berperlaku hdup bersh sehat, persetase peduduk perempua yag perah kaw d bawah umur, persetase peduduk perempua dega peddka palg tgg SD da persetase balta dega bda sebaga peolog pertama kelahra. Peelta dlakuka utuk medapatka model terbak dega membadgka model yag dperoleh dar hasl aalss GPR da regres bomal egatf. II. INJAUAN PUSAKA A. Statstka Deskrptf Statstka deskrptf adalah baga statstka yag membahas tetag metode-metode utuk meyajka data sehgga meark da formatf. Secara umum statstka deskrptf dapat dartka sebaga metode-metode yag berkata dega pegumpula da peyaja suatu gugus data sehgga memberka formas yag bergua [5]. Statstka deskrptf yag dguaka adalah la maksmum, la mmum da ukura peyebara data yatu la varas.

2 B. Regres Posso Regres posso merupaka aalss regres oler dar dstrbus posso, dmaa aalss sagat cocok dguaka dalam megaalss data dskrt (cout). Model regres posso merupaka Geeralzed Ler Model (GLM) yag data respo dasumska berdstrbus posso [6], [7]. Model regres posso dberka sebaga berkut. Y ~ posso (μ ) μ ( x = exp β) maka, k l( µ ) = β + β x =,,, () 0 j j, j= Estmas parameter model regres posso megguaka metode Maxmum Lkelhood Estmato (MLE). Fugs loglkelhood posso sebaga berkut. l ( β) = ( exp( x β) ) + y x β l ( y ) L () =! = = Utuk memperoleh la taksra β maka persamaa () dturuka terhadap β da terjad close form maka dguaka metode teras ewto raphso. Salah satu metode yag dguaka utuk meetuka statstk uj dalam peguja parameter model regres posso adalah dega megguaka metode Maxmum Lkelhood Rato est (MLR) dega hpotess. H 0 : β` = β = = β k = 0 H : palg sedkt ada satu β j 0, j =,,, k Statstk uj utuk kelayaka model regres posso adalah sebaga berkut. L ( ) ( ˆ ω) D β ˆ = l Λ = l = ( l L( Ωˆ ) l L( ˆ ω) ) (3) L( Ωˆ ) Keputusa yag aka dambl adalah tolak H 0 jka D( βˆ ) > χ ( k;α) dega k adalah bayakya parameter model dbawah populas dkurag dega bayakya parameter dbawah H 0. Parameter model regres posso yag telah dhaslka dar estmas parameter belum tetu mempuya pegaruh yag sgfka terhadap model. Utuk tu perlu dlakuka peguja terhadap parameter model regres posso secara dvdu. Dega megguaka hpotess sebaga berkut. H : 0 0 β j = (pegaruh varabel ke-j tdak sgfka) H : 0 0 β j (pegaruh varabel ke-j sgfka) Statstk uj yag dguaka adalah: ˆ β j z = (4) se ˆ β ( j ) se( ˆ β j ) adalah la stadar error atau tgkat kesalaha dar parameter β j. Keputusa yag aka dambl adalah tolak H 0 jka zht > dmaa α adalah tgkat sgfkas. z α Regres posso dkataka megadug overdspers apabla la varasya lebh besar dar la meaya. Overdspers memlk dampak yag sama dega pelaggara asums jka pada data dskrt terjad overdspers amu tetap dguaka regres posso, aak dugaa dar parameter koefse regresya tetap kosste amu tdak efse. Hal berdampak pada la stadar error yag mejad uder estmate, sehgga kesmpulaya mejad tdak vald. Feo- Var Y > E Y. mea overdspers [3] dapat dtulska ( ) ( ) C. Geeralzed Posso Regresso (GPR) Pada model GPR sela terdapat parameter µ juga terdapat θ sebaga parameter dspers. Model GPR mrp dega regres posso yatu pada persamaa () aka tetap model GPR megasumska bahwa kompoe radomya berdstrbus geeral posso. Dalam aalss GPR, jka θ sama dega 0 maka model GPR aka mejad model posso. Jka θ lebh dar 0 maka model GPR merepresetaska data cout yag megadug kasus overdspers da jka θ kurag dar 0 merepresetaska data cout yag megadug uderdspers. Peaksra parameter model GPR megguaka metode MLE. Fugs log-lkelhood utuk model GPR adalah. { } ( βθ) ( xβ ) ( θ ( xβ )) ( ) ( θ ) l L, = y y l + exp + y l + y + = ( y ) ( xβ )( θy) ( θ xβ ( )) dmaa = l! exp + + exp Utuk medapatka taksra parameter β da θ maka persamaa (5) dturuka terhadap β da θ megguaka metode umerk, teras Newto-Raphso. Peguja parameter model GPR dlakuka sama sepert regres posso dega megguaka metode MLR (3) da uj parsal megguaka statstk uj z (4). D. Regres Bomal Negatf Sela GPR, peagaa overdspers juga dapat dlakuka dega pedekata model bomal egatf. Dalam regres bomal egatf, jka θ meuju ol maka var (Y ) meuju µ sehgga bomal egatf aka koverge meuju posso [8], [9]. Model regres bomal egatf memlk betuk yag sama dega model regres posso yatu persamaa (). Peaksra parameter regres bomal egatf dlakuka megguaka metode MLE. Persamaa log-lkelhood utuk bomal egatf adalah y ( ) { l L θ, β = l ( j + θ ) l y! ( y + θ ) } = j= 0 (6) dmaa = l ( θ exp ( xβ )) y l Estmas parameter ( ˆ, ˆ) + + θ + yx β (5) θ β dperoleh dega meuruka persamaa (6) terhadap β da θ. Peguja parameter yag dlakuka sama dega peguja pada regres posso. Uj seretak megguaka statstk uj D ( βˆ ) z (4). (3) da statstk uj parsal megguaka uj

3 3 E. AIC (Akake Iformato Crtero) AIC adalah salah satu krtera dalam meetuka model terbak [] sebaga berkut. AIC = l L( ˆ) θ + k (7) dmaa L(θˆ ) adalah la lkelhood, da k adalah jumlah parameter. Model terbak adalah model yag mempuya la AIC terkecl. F. Agka Kemata Ibu Meurut [0] Agka Kemata Ibu adalah jumlah wata yag meggal dua dar suatu peyebab kemata terkat dega gaggua kehamla atau peagaaya (tdak termasuk kecelakaa atau kasus sdetl) selama kehamla, melahrka da dalam masa fas (4 har setelah melahrka) tapa memperhtugka lama kehamla per kelahra hdup.kemata bu dapat dbag mejad dua, yatu: Kemata lagsug da Kemata tak lagsug. Kemata lagsug adalah Kemata yag tmbul sebaga akbat pedaraha, eklampsa, partus lama, komplkas abors da feks. Kemata tak lagsug adalah Keterlambata keluarga dalam megetahu tada-tada bahaya bu haml, keterlambata keluarga dalam megambl keputusa utuk merujuk, keterlambata mecapa saraa pelayaa, keterlambata memperoleh pelayaa kesehata. Sela tu terlalu muda ( usa d bawah 6 tahu), terlalu tua ( usa datas 35 tahu) bu utuk memutuska haml, terlalu serg melahrka da terlalu dekat jarak kehamla/persala. III. MEODOLOGI PENELIIAN Data yag dguaka dalam peelta adalah data sekuder yag dperoleh dar Das Kesehata Provs Jawa mur tahu 03. Ut aalss ada d Provs Jawa mur terdr atas 9 kabupate da 9 kota. abel. Varabel Peelta Varabel Keteraga pe Y Jumlah kemata bu Dskrt X Persetase bu yag melaksaaka K X Persetase bu yag melaksaaka K4 X 3 Persetase bu yag medapatka vtam A X 4 Persetase persala dtolog oleh teaga kesehata X 5 Persetase dbatu oleh duku X 6 Persetase bu haml yag medapatka Fe X 7 Persetase bu haml yag medapatka Fe3 X 8 Persetase bu haml beresko tgg X 9 Persetase bu haml komplkas oleh teaga kesehata Lagkah-lagkah aalss dalam peelta adalah sebaga berkut.. Megaalss karakterstk utuk varabel respo da varabel predktor.. Medeteks adaya kasus multkolertas. 3. Medapatka model terbak utuk regres posso. 4. Medeteks adaya kasus overdspers pada data dega melhat la pearso ch-square da devace yag dbag derajat bebasya. 5. Medapatka model terbak utuk GPR dega meaksr parameter GPR, meguj sgfkas parameter secara seretak da parsal serta meghtug la AIC dar model GPR. 6. Medapatka model terbak utuk regres bomal egatf dega meaksr parameter, meguj sgfkas parameter secara seretak da parsal serta meghtug la AIC. 7. Membadgka model terbak hasl GPR da regres bomal egatf megguaka la AIC. IV. ANALISIS DAN PEMBAHASAN A. Karakterstk Jumlah Kemata Ibu d Jawa mur Jumlah kemata bu tap kabupate/kota d Jawa mur pada tahu 03 memlk jumlah kasus mmum sebayak kasus kemata bu da jumlah kasus maksmum sebayak 49 kasus kemata bu. Kota Surabaya merupaka kota dega jumlah kemata bu terbayak pada tahu 03 yatu sebesar 49 kasus kemata bu. Dar uraa tersebut terlhat rage jumlah kasus kemata bu d Jawa mur sagat besar yag megakbatka varas juga mejad besar yatu sebesar 6,0 artya jumlah kemata bu tap kabupate/kota d Jawa mur pada tahu 03 sagat bervaras. Pada varabel X 9 (persetase bu haml komplkas yag dtaga oleh taaga kesehata) memlk la varas tetgg yatu sebesar 8,730 dega la maksmum 00 terdapat pada kabupate Lumajag, Bodowoso, Probolggo, da Bojoegoro sedagka la mmum 60,8 terdapat pada kabupate Bagkala. Artya bahwa setap kabupate/kota d Jawa mur memlk bu haml yag terkea peyakt komplkas yag berbeda-beda. Semak besar rage data, maka semak besar la varas. B. Pemodela Jumlah Kemata bu tap Kabupate/Kota d Jawa mur Megguaka Regres Posso. Salah satu syarat dalam regres yag melbatka beberapa varabel predktor adalah atara varabel predktorya salg bebas. Jka terdapat adaya hubuga atara varabel predktor maka terjad adaya kasus multkolertas. Pedeteksa adaya kasus multkolertas dalam peelta dguaka krtera yatu la korelas da VIF. Nla korelas yag besar terdr atas varabel X (Persetase bu yag melaksaaka K) da X (Persetase bu yag melaksaaka K4) yatu 0,73, korelas atara X (Persetase bu yag melaksaaka K) da X 4 (Persetase persala dtolog oleh teaga kesehata) yatu 0,776, korelas atara X 6 (Persetase bu haml yag medapatka Fe) da X 7 (Persetase bu haml yag medapatka Fe3) yatu 0,73 da tdak terdapat varabel predktor yag memlk la VIF > 0. Jad 9 varabel predktor dkutsertaka dalam aalss selajutya yatu pemodela dega regres posso, GPR, da regres bomal egatf.

4 4 Data jumlah kemata bu adalah data dskrt yag megkut dstrbus posso. Pemodela megguaka aalss regres posso dlakuka utuk megetahu faktorfaktor yag mempegaruh jumlah kemata bu. Dega megguaka metode MLE () dperoleh hasl estmas parameter model regres posso telah sgfka yag dapat dlhat dalam abel da la AIC yag dhaslka sebesar 404,8. abel Estmas Parameter Model Regres Posso Parameter Estmas Stadard Error Z P-Value β β <0,000 β <0,000 β β β <0,000 Nla estmas yag dperoleh kemuda duj sgfkas parameter secara seretak da parsal. Uj seretak parameter regres posso dega hpotess sebaga berkut. H 0 : β = β 3 = β 4 = β 5 =β 7 = 0 H : palg sedkt ada satu βj 0 dega j=,3,4,5,7 Nla devas D ( βˆ ) (3) yatu sebesar 390,8. Kemuda la devas dbadgka dega la Ch-Square dega taraf sgfkas (α) sebesar 5%. Nla χ (5;0,5) = 8,5 maka D ( β ˆ ) > χ yag artya bahwa mmal terdapat satu ( 5;0,5 ) parameter yag berpegaruh sgfka terhadap model. Utuk megetahu varabel predktor maa saja yag memberka pegaruh secara sgfka, dlakuka peguja parameter secara parsal dega hpotess sebaga berkut. H 0 : βj = 0 (pegaruh varabel ke-j tdak sgfka) H : βj 0 (pegaruh varabel ke-j sgfka) Berdasarka abel dega taraf sgfkas 5% dapat dketahu bahwa p-value dar semua parameter lebh kecl 0,5. Sela tu, jka la dar > maka parameter berpegaruh sgfka terhadap model. Nla dar semua parameter lebh besar dar = -,44 artya sgfka berpegaruh terhadap model. Jad model regres posso yag dhaslka adalah. ˆ µ = exp( 0,06687X 0,03090X 3 + 0,0559X 4 + ) dmaa = 0,00659X 5 0,00693X 6 + 0,0557 X 7 Berkut model regres posso dega α sebesar 5% dega memuat parameter β 0. ˆ µ = exp( 0,38 0,06X 0,03X 3 + 0,07X 4 + 0,08X 5 + 0,05X 7 ) Faktor-faktor yag mempegaruh jumlah kemata bu yag terjad d kabupate/kota d Jawa mur melput persetase bu haml yag melaksaaka program K4 (X ), perseztase bu fas yag medapatka vtam A (X 3 ), persetase persala dbatu teaga kesehata (X 4 ), persetase persala dbatu oleh duku (X 5 ), persetase haml yag medapatka Fe3 (X 7 ). Setap pegkata % bu haml yag melaksaaka program K4 aka meuruka sebesar exp(0,06) jumlah kemata bu d kabupate/kota Jawa mur. Setap pegkata % bu fas yag medapatka vtam A maka aka meuruka sebesar exp(0,03) jumlah kemata bu d Jawa mur. Setap pegkata % persala dbatu oleh teaga kesehata maka aka megkatka exp(0,07) jumlah kemata bu d kabupate/kota Jawa mur. Setap pegkata % persala dbatu oleh duku maka aka megkatka exp(0,08) jumlah kemata bu d kabupate/kota Jawa mur. Setap pegkata % bu haml yag medapatka Fe3 aka megkatka sebesar exp(0,05) jumlah kemata bu d kabupate/kota Jawa mur. Selajutya dlakuka pemerksaa kasus overdspers pada model regres posso yag dsajka pada abel 3. abel 3 Nla Devace da Pearso dar Model Regres Posso Krtera Nla db Nla/db Devace 3, ,9789 Pearso Ch-Square 0, ,78 Berdasarka abel 3 dapat dketahu bahwa la devace /db da pearso ch-square/db lebh besar dar sehgga dapat dsmpulka pada model regres posso jumlah kemata bu d Jawa mur terjad overdspers. Adaya overdspers tersebut meyebabka model yag terbetuk aka meghaslka estmas parameter yag bas. Overdspers juga aka membawa kosekues pada la peduga bag kesalaha baku yag lebh kecl (uderestmate) yag selajutya dapat megakbatka kesalaha pada feresa bag parameterya. Utuk megatas hal tersebut, maka dlakuka pemodela megguaka Geeralzed Posso Regreso (GPR) da regres bomal egatf, dmaa kedua metode tersebut meaga masalah overdspers C. Pemodela Jumlah Kasus Kemata Ibu tap Kabupate/Kota d Jawa mur Megguaka GPR. Utuk meaga kasus overdspers pada model regres posso maka megguaka model GPR (5). Sembla varabel yag sgfka pada regres posso meghaslka 5 kombas kemugka model GPR yag dsajka pada abel 4 merupaka hasl estmas parameter GPR yag telah sgfka dega la AIC terkecl yag dhaslka adalah 9,6. abel 4 Estmas Parameter Model GPR Parameter Estmas Stadard Error Z P-Value β β β β β θ <0,000

5 5 Nla estmas yag dperoleh lalu duj sgfkas parameter secara seretak da parsal. Uj seretak parameter model GPR dega hpotess sebaga berkut. H 0 : β = β = β 6 = β 7 = 0 H : palg sedkt ada satu βj 0 dega j=,,6,7 Nla devas D ( βˆ ) (3) yatu sebesar 78,6. Kemuda la devas dbadgka dega la Ch-Square dega taraf sgfkas (α) sebesar 5%. Nla χ (4;0,5) = 6,745 maka D ( βˆ ) > χ( 4;0,5) yag artya bahwa mmal terdapat satu parameter yag berpegaruh sgfka terhadap model. Selajutya utuk megetahu varabel predktor maa saja yag memberka pegaruh secara sgfka, dlakuka peguja parameter secara parsal dega hpotess sebaga berkut. H 0 : βj = 0 (pegaruh varabel ke-j tdak sgfka) H : βj 0 (pegaruh varabel ke-j sgfka) Berdasarka abel 4 dega taraf sgfkas 5% dapat dketahu bahwa p-value yag lebh kecl 0,5 adalah parameter β 0. Sela tu, jka la dar > maka parameter berpegaruh sgfka terhadap model. Nla dar semua parameter lebh besar dar = -,44 artya sgfka berpegaruh terhadap model. Parameter θ sebesar 0,073 atau lebh besar 0 meujukka terjadya kasus overdspers sesua dega hasl peguja yag dlakuka sebelumya. Jad model GPR yag dhaslka adalah sebaga berkut. ˆ µ = exp,7 ( + 0,4X 0,X 0,0X + 0,0X ) 6 7 Varabel predktor yag berpegaruh terhadap jumlah kemata bu d Jawa mur berdasarka model GPR yag dhaslka yatu persetase bu haml yag melaksaaka program K (X ), persetase bu haml yag melaksaaka program K4 (X ), persetase bu haml yag medapatka Fe (X 6 ) da persetase persala bu haml yag medapatka Fe3 (X 7 ). Setap pegkata % bu haml yag melaksaaka program K aka meambahka sebesar exp(0,4) jumlah kemata bu d Jawa mur. Setap pegkata % bu haml yag melaksaaka program K4 aka meuruka sebesar exp(0,) jumlah kemata bu d Jawa mur. Setap pegkata % bu haml persetase bu haml yag medapatka Fe aka meuruka sebesar exp(0,0) jumlah kemata bu d Jawa mur. Setap pegkata % persala bu haml yag medapatka Fe3 aka meambahka sebesar exp(0,0) jumlah kemata bu d Jawa mur. D. Pemodela Jumlah Kemata Ibu tap Kabupate/Kota d Jawa mur Megguaka Regres Bomal Negatf. Sela megguaka GPR (5) dalam meaga overdspers juga bsa megguaka model regres bomal egatf (6). Sembla varabel yag sgfka pada regres posso meghaslka 5 kombas kemugka model regres bomal egatf yag dsajka pada abel 5. abel 5 Kemugka Model Regres Bomal Negatf dar Kombas Varabel Kemugka Model (Y dega X) AIC Parameter yag Sgfka X 8 89,8 β 8 X 5 X β 0, β 8 X X 3 X 7 89,70 β, β 7 X X 3 X 4 X 7 89,8 β, β 3, β 4, β 7 X X 3 X 4 X 5 X 7 90,46 β, β 3, β 4, β 7 X X 3 X 4 X 5 X 7 X β, β 3, β 4, β 7 X X X 3 X 4 X 5 X 6 X 7 93,76 β, β 3, β 7 X X X 3 X 4 X 5 X 6 X 7 X 8 93,76 β, β 3, β 7 X X X 3 X 4 X 5 X 6 X 7 X 8 X 9 97,76 β,, β 7 Berdasarka abel 5 dapat dketahu bahwa kombas empat varabel meghaslka parameter sgfka palg bayak dega la AIC terkecl yatu sebesar 89,8 darpada dbadgka dega kombas laya. Maka kombas empat varabel predktor aka daalss lebh lajut utuk medapatka model regres bomal egatf. abel 6 Estmas Parameter Model Regres Bomal Negatf. Parameter Estmas Stadard Error Z P-Value β 0 0,440,9444 0,9 0,84758 β -0,0778 0, ,339 0,0935 β 3-0,095 0,065 -,794 0,0786 β 4 0,0746 0,04700,580 0,409 β 7 0,0570 0,005,779 0,00546 θ,75 0,759 3,577 0,0004 Peguja secara seretak dalam model regres bomal egatf dega hpotess sebaga berkut. H 0 : β = β 3 = β 4 = β 7 = 0 H : palg sedkt ada satu βj 0, j =,3,4,7 Nla devas D ( βˆ ) (3) yatu sebesar 89,8. Kemuda la devas dbadgka dega la Ch-Square dega taraf sgfkas (α) sebesar 5%. Nla χ (4;0,5) = 6,745 maka D ( βˆ ) > χ yag artya bahwa mmal terdapat ( 4;0,5) satu parameter yag berpegaruh sgfka terhadap model. Selajutya utuk megetahu varabel predktor maa saja yag memberka pegaruh secara sgfka, dlakuka peguja parameter secara parsal dega hpotess sebaga berkut. H 0 : βj = 0 (pegaruh varabel ke-j tdak sgfka) H : βj 0 (pegaruh varabel ke-j sgfka) Berdasarka abel 6 dega taraf sgfkas 5% dapat dketahu bahwa p-value dar semua parameter lebh kecl 0,5. Sela tu, jka la dar > maka parameter berpegaruh sgfka terhadap model. Nla semua parameter lebh besar dar dar = -,44 artya sgfka berpegaruh terhadap model. Parameter θ sebesar,75 atau lebh besar 0 meujukka terjadya kasus overdspers sesua dega hasl peguja yag dlakuka sebelumya. Jad model regres bomal egatf yag dhaslka adalah sebaga berkut.

6 6 µˆ = exp(0,44 0,07X 0,03X 3 + 0,07X 4 + 0,06X 7 ) Varabel predktor yag berpegaruh terhadap jumlah kemata bu d Jawa mur berdasarka model regres bomal egatf yag dhaslka yatu persetase bu haml yag melaksaaka program K4 (X ), persetase bu fas yag medapatka vtam A (X 3 ), persetase persala dtolog oleh teaga kesehata (X 4 ), da persetase bu haml yag medapatka Fe3 (X 7 ). Setap pegkata % bu haml yag melaksaaka program K4 aka meuruka sebesar exp(0,07) jumlah kemata bu d Jawa mur. Setap pegkata % bu fas yag medapatka vtam A aka meuruka sebesar exp(0,03) jumlah kemata bu d Jawa mur. Setap pegkata % persala dtolog oleh teaga kesehata aka megkatka sebesar exp(0,07) jumlah kemata bu d Jawa mur da setap pegkata % bu haml yag medapatka Fe3 aka meambahka sebesar exp(0,06) jumlah kemata bu d Jawa mur. Pada kombas satu juga ddapatka la AIC terkecl yatu sebesar 89,8 dega meghaslka parameter yag sgfka yatu β 8. Hal mecermka dega parameter yag sgfka yatu β, β 3, β 4, β 7 karea megadug la AIC sama-sama terkecl juga yatu sebesar 89,8. E. Pemlha Model erbak Krtera pemlha model terbak yag dguaka adalah AIC (7) yag dsajka pada abel 7 berkut. abel 7 Pemlha Model erbak Model Varabel Predktor AIC yag Sgfka erkecl GPR X, X, X 6, X 7 93,0 Regres Bomal Negatf X, X 3, X 4, X 7 89,8 Berdasarka abel 7 dapat dketahu bahwa model terbak utuk meaga kasus overdspers pada regres posso model jumlah kasus kemata bu d Jawa mur adalah regres bomal egatf karea meghaslka la AIC terkecl yatu sebesar 89,8. V. KESIMPULAN Berdasarka hasl aalss da pembahasa maka dapat dperoleh kesmpula sebaga berkut.. Agka kasus kemata bu tap kabupate/kota d Jawa mur pada tahu 03 memlk jumlah kasus mmum sebayak kasus kemata bu da jumlah kasus maksmum sebayak 49 kasus kemata bu. Kota Surabaya merupaka kota dega jumlah kemata bu terbayak pada tahu 03 yatu sebesar 49 kasus kemata bu. Rage jumlah kasus kemata bu d Jawa mur sagat besar yag megakbatka varas juga mejad besar yatu sebesar 6,0 artya jumlah kemata bu tap kabupate/kota d Jawa mur pada tahu 03 sagat bervaras.. Kemata bu tap kabupate/kota d Jawa mur megguaka regres posso teryata memberka hasl adaya pegaruh overdspers. Dalam meaga kasus tersebut dlakuka pemodela megguaka Geeralzed Posso Regresso (GPR) da regres bomal egatf. Model terbak megguaka GPR meghaslka 4 varabel predktor yag sgfka mempegaruh jumlah kasus kemata bu tap kabupate/kota d Jawa mur atara la persetase bu haml yag melaksaaka program K, persetase bu haml yag melaksaaka program K4, persetase bu haml yag medapatka Fe da persetase persala bu haml yag medapatka Fe3. Sedagka model terbak megguaka regres bomal egatf meghaslka 4 varabel predktor yag sgfka yatu persetase bu haml yag melaksaaka program K4, persetase bu fas yag medapatka vtam A, persetase persala dtolog oleh teaga kesehata, da persetase bu haml yag medapatka Fe3. 3. Model regres bomal egatf merupaka model terbak dalam peagaa kasus overdspers pada regres posso karea meghaslka la AIC terkecl yatu sebesar 89,8. DAFAR PUSAKA [] Irawat, B. (03). Geeralzed Posso Regresso (GPR) da Regres Bomal Negatf utuk Megatas Overdspers pada Jumlah Kasus Kaker Servks d Jawa mur. Surabaya: Isttut ekolog Sepuluh Nopember. [] Lsta, Y. (00). Pemodela Geeralzed Regres Posso pada Faktor-Faktor yag Mempegaruhu Agka Kemata Bay d Jawa mur ahu 007. Surabaya: Isttut ekolog Sepuluh Nopember. [3] Chamdah, N. (008). Pemodela Regres Bomal Negatf utuk Megatas Overdspers pada Regres Posso pada Kasus Kemata Ibu Melahrka d Jawa mur. Surabaya: Isttut ekolog Sepuluh Nopember. [4] Arfa, N. (04). Pedekata Sple utuk Estmas Kurva Regres Noparametrk (Stud Kasus pada Data Agka Kemata Materal D Jawa mur). Surabaya: Isttut ekolog Sepupuh Nopember. [5] Walpole, E.R. (995). Pegatar Statstk Eds Ketga. Jakarta : P. Grameda Pustaka Utama. [6] Hard JW da Hlbe JM. (007). Geeralzed Ler Models ad Extesos. exas: A Strata Perss Publcato. [7] McCullagh P da Nelder J.A Geeralzed Ler Models. Lodo: Chapma ad Hall. [8] Greee, W., Fuctoal Forms For he Negatve Bomal Model For Cout Data. Foudatos ad reds Ecoometrcs. Workg Paper, Departmet of Ecoomcs, Ster School of Busess, New York Uversty, 008: [9] Camero, A.C. da rved, P.K. (998). Regresso Aalyss of Cout Data. Cambrdge: Cambrdge Uversty Press. [0] [KemeKesRI].Kemetra Kesehata Republk Idoesa. (03, Jul). Profl Data Kesehata Republk Idoesa 0. Retreved Februar, 04, from /dowloads/profl%0kesehata_0%0(4%0sept%003).pdf [] Bozdoga, H. (000). Akake's Iformato Crtero ad Recet Developmets Iformato Complexty, Mathematcal Psychology, 44, 6-9.

JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) ( X Print) D-277

JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) ( X Print) D-277 JURNAL SAINS DAN SENI ITS Vol. 5 No. (06 337-350 (30-98X Prt D-77 Pemodela da Pemetaa Kasus Demam Berdarah Degue d Provs Jawa Tmur Tahu 04 dega Geeralzed Posso Regresso, Regres Bomal Negatf da Flexbly

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus HIV & AIDS di Provinsi Jawa Timur Tahun 2013 Menggunakan Bivariate Poisson.

Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus HIV & AIDS di Provinsi Jawa Timur Tahun 2013 Menggunakan Bivariate Poisson. JURNAL SAINS DAN SENI IS Vol. 4, No., (5) 337-35 (3-98X Prt) D45 Pemodela Faktor-Faktor yag Mempegaruh Jumlah Kasus IV & AIDS d Provs Jawa mur ahu 3 Megguaka Bvarate Posso Regresso Lucy Da Pusptasar da

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI JAWA TIMUR TAHUN 2011 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI JAWA TIMUR TAHUN 2011 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI JAWA TIMUR TAHUN 0 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF Selfy Atka Sary, I Nyoma Latra Jurusa Statstka, Fakultas MIPA, Isttut Tekolog Sepuluh Nopember (ITS)

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

Pemodelan Jumlah Kematian Bayi di Provinsi Jawa Timur Tahun 2011 dengan Pendekatan Regresi Binomial Negatif

Pemodelan Jumlah Kematian Bayi di Provinsi Jawa Timur Tahun 2011 dengan Pendekatan Regresi Binomial Negatif JURNAL SAINS DAN SENI POMITS Vol., No., (013) 337-350 (301-98X Prt) D-8 Pemodela Jumlah Kemata Bay d Provs Jawa Tmur Tahu 011 dega Pedekata Regres Bomal Negatf Selfy Atka Sary da I Nyoma Latra Jurusa Statstka,

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

Pemodelan dan Pemetaan Kasus Pneumonia di Kota Padang Tahun 2014 dengan Geograpghically Weighted Negative Binomial Regression

Pemodelan dan Pemetaan Kasus Pneumonia di Kota Padang Tahun 2014 dengan Geograpghically Weighted Negative Binomial Regression JURNAL SAINS DAN SENI ITS Vol. 5 No. (06) 337-350 (30-98 Prt) D-355 Pemodela da Pemetaa Kasus Peumoa d Kota Padag Tahu 04 dega Geograpghcally Weghted Negatve Bomal Regresso Reo War Dva Rahmtr da Wwek Setya

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

I. PENDAHULUAN. Kata Kunci kematian ibu hamil, Jawa Timur, regresi poisson, binomial negatif, dan GWPR

I. PENDAHULUAN. Kata Kunci kematian ibu hamil, Jawa Timur, regresi poisson, binomial negatif, dan GWPR Faktor yag Mempegaruh Jumlah Kemata Ibu Haml d Jawa mur Dega Megguaka Regres Bomal Negatf da Geographcally Weghted Posso Regresso(GWPR Rfk Arsta (, da Mutah Salamah ( Jurusa Statstka, Fakultas Matematka

Lebih terperinci

Pemodelan Regresi Poisson Inverse Gaussian Studi Kasus: Jumlah Kasus Baru HIV di Provinsi Jawa Tengah Tahun 2015

Pemodelan Regresi Poisson Inverse Gaussian Studi Kasus: Jumlah Kasus Baru HIV di Provinsi Jawa Tengah Tahun 2015 JURNAL SAINS DAN SENI IS Vol 6, No, (7) ISSN: 337-35 (3-98X Prt) D-44 Pemodela Regres Posso Iverse Gaussa Stud Kasus: Jumlah Kasus Baru HIV d Provs Jawa egah ahu 5 Adraa Y Herdrawat, I Nyoma Latra, da

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga

Lebih terperinci

X a, TINJAUAN PUSTAKA

X a, TINJAUAN PUSTAKA PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

Analisis Survival Pada Pasien Demam Berdarah Dengue (DBD) di RSU Haji Surabaya Menggunakan Model Regresi Weibull

Analisis Survival Pada Pasien Demam Berdarah Dengue (DBD) di RSU Haji Surabaya Menggunakan Model Regresi Weibull JURNAL SAINS DAN SENI ITS Vol. 5 No. (16) 337-35 (31-98X Pr D-31 Aalss Survval Pada Pase Demam Berdarah Degue (DBD) d RSU Haj Surabaya Megguaka Model Regres Webull Alfa Slf Mufdah da Purhad Jurusa Statstka,

Lebih terperinci

Mengatasi Overdispersi pada Model Regresi Poisson dengan Generalized Poisson Regression I

Mengatasi Overdispersi pada Model Regresi Poisson dengan Generalized Poisson Regression I Jural Ekspoesal Volume 2, Nomor 2, Nopember 2011 ISSN 2085-7829 Megatas Overdspers pada Model Regres Posso dega Geeralzed Posso Regresso I Hadlg Overdsperso o Posso Regresso Models wth Geeralzed Posso

Lebih terperinci

PEMODELAN JUMLAH KASUS KANKER SERVIKS DI JAWA TIMUR TAHUN 2011 DENGAN REGRESI BINOMIAL NEGATIF DAN GWPR (GEOGRAPHICALLY WEIGHTED POISSON REGRESSION)

PEMODELAN JUMLAH KASUS KANKER SERVIKS DI JAWA TIMUR TAHUN 2011 DENGAN REGRESI BINOMIAL NEGATIF DAN GWPR (GEOGRAPHICALLY WEIGHTED POISSON REGRESSION) PEMODELAN JUMLAH KASUS KANKER SERVIKS DI JAWA TIMUR TAHUN 0 DENGAN REGRESI BINOMIAL NEGATIF DAN GWPR (GEOGRAPHICALLY WEIGHTED POISSON REGRESSION Adya Frsaty Ikaprllada Dr. Purhad, M.Sc Jurusa Statstka,

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

PEMODELAN REGRESI POISSON UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TENGAH

PEMODELAN REGRESI POISSON UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TENGAH Semar Nasoal Statstka IX Isttut Tekolog Sepuluh Nopember, 7 November 009 PEMODELAN REGRESI POISSON UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TENGAH Yayuk Lsta 1, Purhad

Lebih terperinci

Pemodelan Kasus Pneumonia Balita di Kota Surabaya dengan Geographically Weighted Poisson Regression dan Flexibly Shaped

Pemodelan Kasus Pneumonia Balita di Kota Surabaya dengan Geographically Weighted Poisson Regression dan Flexibly Shaped JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) 337-350 (30-98X Prt) Pemodela Kasus Peumoa Balta d Kota Surabaya dega Geographcally Weghted Posso Regresso da Flexbly Shaped Ftra Spatal Nur Maghfroh, Sca I

Lebih terperinci

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel BAB LANDASAN TEORI.1 Pegerta Regres Regres dalam statstka adalah salah satu metode utuk meetuka tgkat pegaruh suatu varabel terhadap varabel yag la. Varabel yag pertama dsebut dega bermacam-macam stlah:

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

ANALISIS SURVIVAL DENGAN MODEL REGRESI COX WEIBULL PADA PENDERITA DEMAM BERDARAH DENGUE (DBD) DI RUMAH SAKIT HAJI SUKOLILO SURABAYA

ANALISIS SURVIVAL DENGAN MODEL REGRESI COX WEIBULL PADA PENDERITA DEMAM BERDARAH DENGUE (DBD) DI RUMAH SAKIT HAJI SUKOLILO SURABAYA ANALISIS SURVIVAL DENGAN MODEL REGRESI COX WEIBULL PADA PENDERITA DEMAM BERDARAH DENGUE (DBD) DI RUMAH SAKIT HAJI SUKOLILO SURABAYA Edhy Bastya, da I Nyoma Latra Jurusa Statstka, Fakultas Matematka da

Lebih terperinci

Pemodelan Jumlah Balita Gizi Buruk di Jawa Timur dengan Geographically Weighted Poisson Regression

Pemodelan Jumlah Balita Gizi Buruk di Jawa Timur dengan Geographically Weighted Poisson Regression JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 1) ISSN: 31-98X D-9 Pemodela Jumlah Balta Gz Buruk d Jawa Tmur dega Geographcally Weghted Posso Regresso Rahm Amela da Purhad Jurusa Statstka, Fakultas Matematka

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

Analisis Regresi Double Hurdle terhadap Faktor-Faktor yang Mempengaruhi Partisipasi Perempuan Kawin dalam Kegiatan Ekonomi di Jawa Timur

Analisis Regresi Double Hurdle terhadap Faktor-Faktor yang Mempengaruhi Partisipasi Perempuan Kawin dalam Kegiatan Ekonomi di Jawa Timur JURNAL SAINS DAN SENI POMITS Vol., No., (03) 337-350 (30-98X Prt) D-9 Aalss Regres Double Hurdle terhadap Faktor-Faktor yag Mempegaruh Partspas Perempua Kaw dalam Kegata Ekoom d Jawa Tmur Devma Chrst Mukt

Lebih terperinci

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

ANALISIS REGRESI DOUBLE HURDLE TERHADAP FAKTOR- FAKTOR YANG MEMPENGARUHI PARTISIPASI PEREMPUAN KAWIN DALAM KEGIATAN EKONOMI DI JAWA TIMUR

ANALISIS REGRESI DOUBLE HURDLE TERHADAP FAKTOR- FAKTOR YANG MEMPENGARUHI PARTISIPASI PEREMPUAN KAWIN DALAM KEGIATAN EKONOMI DI JAWA TIMUR ANALISIS REGRESI DOUBLE HURDLE TERHADAP FAKTOR- FAKTOR YANG MEMPENGARUHI PARTISIPASI PEREMPUAN KAWIN DALAM KEGIATAN EKONOMI DI JAWA TIMUR Devma Chrst Mukt Ratau (), Dr. Dra. Isma Za, M. S. () Jurusa Statstka,

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci

Spatial Durbin Model untuk Mengidentifikasi Faktor-Faktor yang Mempengaruhi Kematian Ibu di Jawa Timur

Spatial Durbin Model untuk Mengidentifikasi Faktor-Faktor yang Mempengaruhi Kematian Ibu di Jawa Timur JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 1) ISSN: 31-98 D-16 Spatal Durb Model utuk Megdetfkas Faktor-Faktor yag Mempegaruh Kemata Ibu d Jawa Tmur La Dw Pertw, Mutah Salamah, da Sutko Jurusa Statstka,

Lebih terperinci

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan III BAHAN/OBJEK DAN METODE PENELITIAN 3.1. Baha da Alat Peelta 3.1.1. Baha Peelta Objek yag dguaka dalam peelta adalah 50 ekor sap Pasuda jata da beta dewasa dega umur -3 tahu da tdak butg utuk meghdar

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

BAB III UKURAN PEMUSATAN DATA BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah

Lebih terperinci

Statistika ITS Surabaya

Statistika ITS Surabaya UJIAN TUGAS AKHIR ANALISIS REGRESI LOGISTIK ORDINAL UNTUK MENGETAHUI FAKTOR-FAKTOR YANG MEMPENGARUHI STATUS GIZI BALITA MASYARAKAT NELAYAN KECAMATAN BULAK SURABAYA Oleh : Ctra Elok M 305 00 03 Dose Pembmbg

Lebih terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal) LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau

Lebih terperinci

ABSTRAK. Ika Dewi Ariyanti 1 dan Sutikno 2

ABSTRAK. Ika Dewi Ariyanti 1 dan Sutikno 2 Pemodela Aomal Luas Pae Pad da Curah Huja Terbobot (Weghted Rafall Idex) dega Pedekata Robust Bootstrap LTS (Stud Kasus: Pemodela Luas Pae d Kabupate Subag) Ika Dew Aryat da Sutko Mahasswa S Statstka ITS,

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug

Lebih terperinci

REGRESI NONPARAMETRIK SPLINE UNTUK DATA BERAT BADAN BALITA MENURUT UMUR DI KABUPATEN BOJONEGORO TAHUN 2010

REGRESI NONPARAMETRIK SPLINE UNTUK DATA BERAT BADAN BALITA MENURUT UMUR DI KABUPATEN BOJONEGORO TAHUN 2010 REGRESI NONPARAMETRIK SPLINE UNTUK DATA BERAT BADAN BALITA MENURUT UMUR DI KABUPATEN BOJONEGORO TAUN Mahasswa Yulda Federka 9 5 6 Dose Pembmbg Ir. Mutah Salamah,M.Kes da Jerry Dw T.P.,S.S,M.S ABSTRAK Pertumbuha

Lebih terperinci

PENAKSIRAN PARAMETER DAN PENGUJIAN HIPOTESIS MIXED GEOGRAPHICALLY WEIGHTED BIVARIATE GENERALIZED POISSON REGRESSION

PENAKSIRAN PARAMETER DAN PENGUJIAN HIPOTESIS MIXED GEOGRAPHICALLY WEIGHTED BIVARIATE GENERALIZED POISSON REGRESSION ESIS SS450 PENAKSIRAN PARAMEER DAN PENGUJIAN HIPOESIS MIXED GEOGRAPHICALLY WEIGHED BIVARIAE GENERALIZED POISSON REGRESSION (Stud Kasus: Jumlah Kemata Ibu da Bay d Provs Jaa mur ahu 05) ANNISA AYU UAMI

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka

Lebih terperinci

Analisis Regresi Robust Menggunakan Kuadrat Terkecil Terpangkas untuk Pendugaan Parameter

Analisis Regresi Robust Menggunakan Kuadrat Terkecil Terpangkas untuk Pendugaan Parameter Vol. 6, No., 9-6, Jauar Aalss Regres Robust Megguaka Kuadrat Terkecl Terpagkas utuk Pedugaa Parameter Asa, Raupog, Sarmat Zaudd Abstrak Prosedur regres robust dtujuka utuk megakomodas adaya keaeha data,

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari: 5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

Uji Modifikasi Peringkat Bertanda Wilcoxon Untuk Masalah Dua Sampel Berpasangan 1 Wili Solidayah 2 Siti Sunendiari 3 Lisnur Wachidah

Uji Modifikasi Peringkat Bertanda Wilcoxon Untuk Masalah Dua Sampel Berpasangan 1 Wili Solidayah 2 Siti Sunendiari 3 Lisnur Wachidah Prosdg Statstka ISSN 40-45 Uj Modfkas Pergkat Bertada Wlcoxo Utuk Masalah Dua Sampel Berpasaga 1 Wl Soldayah St Suedar 3 Lsur Wachdah 1, Statstka, Fakultas MIPA, Uverstas Islam Badug, Jl. Tamasar No. 1

Lebih terperinci

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE) Jural Matematka Mur da Terapa Vol. 4 No. esember : 4 - ANALISIS REGRESI LINEAR BERGANA ENGAN SATU VARIABEL BONEKA (UMMY VARIABLE Tat Krsawardha Nur Salam da ew Aggra Program Stud Matematka Uverstas Lambug

Lebih terperinci

Puasa Pasien Diabetes Mellitus Tipe 2 di Poli Diabetes RSUD Dr. Soetomo Surabaya Menggunakan Regresi Probit Biner

Puasa Pasien Diabetes Mellitus Tipe 2 di Poli Diabetes RSUD Dr. Soetomo Surabaya Menggunakan Regresi Probit Biner D-56 JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prt) Faktor yag Memegaruh Kadar Gula Darah Puasa Pase Dabetes Melltus Tpe d Pol Dabetes RSUD Dr. Soetomo Surabaya Megguaka Regres Probt

Lebih terperinci

REGRESI LINIER SEDERHANA

REGRESI LINIER SEDERHANA MODUL REGRESI LINIER SEDERHANA Dsusu oleh : I MADE YULIARA Jurusa Fska Fakultas Matematka Da Ilmu Pegetahua Alam Uverstas Udayaa Tahu 016 Kata Pegatar Puj syukur saya ucapka ke hadapa Tuha Yag Maha Kuasa

Lebih terperinci

Analisis Pola Hubungan PDRB dengan Faktor Pencemaran Lingkungan di Indonesia Menggunakan Pendekatan Geographically Weighted Regression (GWR)

Analisis Pola Hubungan PDRB dengan Faktor Pencemaran Lingkungan di Indonesia Menggunakan Pendekatan Geographically Weighted Regression (GWR) JURNAL SAINS DAN SENI IS Vol. 5, No., (6) 337-35 (3-98X Prt) D-7 Aalss Pola ubuga PDRB dega Faktor Pecemara Lgkuga d Idoesa Megguaka Pedekata Geographcally Weghted Regresso (GWR) Rza Damayat da Mutah Salamah

Lebih terperinci

UKURAN GEJALA PUSAT (UGP)

UKURAN GEJALA PUSAT (UGP) UKURAN GEJALA PUSAT (UGP) Pegerta: Rata-rata (average) alah suatu la yag mewakl suatu kelompok data. Nla dsebut juga ukura gejala pusat karea pada umumya mempuya kecederuga terletak d tegah-tegah da memusat

Lebih terperinci

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA, Fakultas MIPA, Uverstas Neger Yogyakarta, 4 Me ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Ksmat Jurusa Peddka

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakag Masalah Regres merupaka suatu metode statstka yag dguaka utuk meyeldk pola hubuga atara dua atau lebh varabel.betuk atau pola hubuga varabelvarabel tersebut dapat ddetfkas

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI BANYAKNYA KLAIM ASURANSI KENDARAAAN BERMOTOR MENGGUNAKAN MODEL REGRESI ZERO-INFLATED

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI BANYAKNYA KLAIM ASURANSI KENDARAAAN BERMOTOR MENGGUNAKAN MODEL REGRESI ZERO-INFLATED Aalss Faktor-Faktor (Muhammad aufa) ANALISIS FAKOR-FAKOR YANG MEMPENGARUHI BANYAKNYA KLAIM ASURANSI KENDARAAAN BERMOOR MENGGUNAKAN MODEL REGRESI ZERO-INFLAED POISSON (Stud Kasus d P. Asuras Sar Mas Cabag

Lebih terperinci

2.2.3 Ukuran Dispersi

2.2.3 Ukuran Dispersi 3 Ukura Dspers Yag aka dbahas ds adalah smpaga baku da varas karea dua ukura dspers yag palg serg dguaka Hubuga atara smpaga baku dega varas adalah Varas = Kuadrat dar Smpaga baku otas yag umum dguaka

Lebih terperinci

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa

Lebih terperinci

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

Lebih terperinci

Penerapan Model Regresi Ensemble Non-Hybrid pada Data Kemiskinan di Provinsi Jawa Tengah

Penerapan Model Regresi Ensemble Non-Hybrid pada Data Kemiskinan di Provinsi Jawa Tengah The 6 th Uversty Research Colloquum 7 Peerapa Model Regres Esemble No-Hybrd pada Data Kemska d Provs Jawa Tegah Corela Ardaa Savta, Sr Sulstjowat Hadaja, Bowo Waro 3,3 Program Stud Matematka FMIPA, Uverstas

Lebih terperinci

*Corresponding Author:

*Corresponding Author: Prosdg Semar Sas da Tekolog FMIPA Umul Vol. No. Jul 0, Samarda, Idoesa ISSN : - 0 STRUCTURAL EQUATION MODELLING DENGAN PENDEKATAN PARTIAL LEAST SQUARE (Stud Kasus: Pegaruh Locus of Cotrol, Self Effcacy,

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah

Lebih terperinci

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode BAB II ANDASAN TEORI. Regres Noparametrk Metode statstka oparametrk merupaka metode statstka ag dapat dguaka dega megabaka asums-asums ag meladas pegguaa metode statstk parametrk. Terutama ag berkata dega

Lebih terperinci

Analisis Korelasi dan Regresi

Analisis Korelasi dan Regresi Aalss Korelas da Regres Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uad LOGO www.themegaller.com LOGO Data varat Data dega dua varael Terhadap satu pegamata dlakuka pegukurapegamata terhadap varael

Lebih terperinci

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi. Mea utuk Data Tuggal Des. Jka suatu sampel berukura dega aggota x1, x, x3,, x, maka mea sampel ddesska : 1... N 1 Mea utuk Data Kelompok Des Mea dar data yag dkelompoka adalah : x x 1 1 1 dega : x = ttk

Lebih terperinci

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk

Lebih terperinci

BAB II LANDASAN TEORI. teori dan definisi mengenai variabel random, regresi linier, metode kuadrat

BAB II LANDASAN TEORI. teori dan definisi mengenai variabel random, regresi linier, metode kuadrat BAB II LANDASAN TEORI Sebaga pedukug dalam pembahasa selajutya, dperluka beberapa teor da defs megea varabel radom, regres ler, metode kuadrat terkecl, peguja asums aalss regres, outler, da regres robust.

Lebih terperinci

BOBOT OPTIMAL PADA REGRESI SEMIPARAMETRIK SPLINE

BOBOT OPTIMAL PADA REGRESI SEMIPARAMETRIK SPLINE BOBOT OPTIMAL PADA REGRESI SEMIPARAMETRIK SPLINE Jerry Dw Trjoyo Puromo Jurusa Statstka Isttut Tekolog Sepuluh Nopember Surabaya Emal: jerrypuromo@yahoo.com ABSTRAK Regres semparametrk sple adalah metode

Lebih terperinci

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar

Lebih terperinci

Tabel Distribusi Frekuensi

Tabel Distribusi Frekuensi Tabel Dstrbus Frekues Tabel dstrbus frekues adalah susua data meurut kelas-kelas terval tertetu atau meurut kategor tertetu dalam sebuah daftar. Dar dstrbus frekues, dapat dperoleh keteraga atau gambara

Lebih terperinci

REGRESI SEDERHANA Regresi

REGRESI SEDERHANA Regresi P a g e REGRESI SEDERHANA.. Regres Istlah regres dkemukaka utuk pertama kal oleh seorag atropolog da ahl meteorology Fracs Galto dalam artkelya Famly Lkeess Stature pada tahu 886. Ada juga sumber la yag

Lebih terperinci

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi 3 II. TINJAUAN PUSTAKA. Aalss Regres Aalss regres merupaka salah satu metode statstka ag dguaka utuk mempelajar da megukur huuga statstk ag terjad atara dua atau leh varael. Dalam regres sederhaa dkaj

Lebih terperinci

PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE VALIDASI-SILANG (STUDI KASUS DI KOTA SEMARANG)

PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE VALIDASI-SILANG (STUDI KASUS DI KOTA SEMARANG) Prosdg SPMIPA pp 185-191 006 ISBN : 979704470 PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE VALIDASI-SILANG (STUDI KASUS DI KOTA SEMARANG) Taro Program Stud Statstka FMIPA UNDIP Semarag

Lebih terperinci

GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) UNTUK PEMODELAN JUMLAH PENDERITA KUSTA DI JAWA TENGAH

GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) UNTUK PEMODELAN JUMLAH PENDERITA KUSTA DI JAWA TENGAH Statstka, Vol., No., November 04 GEOGRAPHICALLY WEIGHED POISSON REGRESSION (GWPR) UNUK PEMODELAN JUMLAH PENDERIA KUSA DI JAWA ENGAH Devy Nova, Rochd Wasoo, Idah Mafaat Nur,, Program Stud Statstka FMIPA

Lebih terperinci

BAB 1 STATISTIKA RINGKASAN MATERI

BAB 1 STATISTIKA RINGKASAN MATERI BAB STATISTIKA A RINGKASAN MATERI. Pegerta Data adalah kumpula keteraga-keteraga atau catata-catata megea suatu kejada, dapat berupa blaga, smbol, sat atau kategor. Masg-masg keteraga dar data dsebut datum.

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..

Lebih terperinci

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data //203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura

Lebih terperinci