BAB II TINJAUAN PUSTAKA
|
|
- Hengki Darmadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB II TINJAUAN PUSTAKA 2.1 Model Regresi Linier Metode regresi linier merupakan suatu metode yang memodelkan hubungan antara variabel respon dengan variabel prediktor. Tujuannya adalah untuk mengukur intensitas hubungan antara dua variabel atau lebih dan membuat prediksi nilai Y atas X. Model regresi linier secara umum: =...(2.1) dimana adalah koefisien atau parameter model dan merupakan error yang diasumsikan identik, independen, dan berdistribusi normal dengan mean nol dan varians konstan atau ( Pada model ini, setiap faktor geografis dianggap konstan, sehingga tidak mempengaruhi hubungan antara variabel prediktor dan variabel respon. 2.2 Uji Keragaman Spasial Pengaruh spasial yang berkaitan dengan perbedaan karakteristik lingkungan dan geografis antar wilayah pengamatan dapat menyebabkan keragaman spasial atau heteroskedastisitas spasial. Untuk mengetahui heteroskedastisitas pada suatu data dapat di identifikasi dengan uji Breusch- Pagan. Hipotesis uji Breusch-Pagan : H 0 : =... = (Homoskedastisitas) H 1 : minimal ada satu ( ) untuk k i j, dengan i,j = 1,2...,n (Heteroskedastisitas) Kriteria uji : Tolak H 0 jika P value <
2 2.3 Model Geographically Weighted Regression (GWR) Model regresi terboboti geografis (RTG) atau Geographically Weighted Regression (GWR) pertama kali diperkenalkan oleh Fotheringham pada tahun Geographically Weighted Regression (GWR) termasuk dalam pemodelan spasial yang berdasarkan tipe data spasial titik. Data spasial titik artinya menunjukkan lokasi yang berupa titik misalnya berupa longitude dan latitude atau x dan y. Metode Geographically Weighted Regression (GWR) adalah pengembangan dari model regresi. Persamaan regresi diasumsikan berlaku secara umum di setiap lokasi pengamatan. GWR adalah model regresi linier lokal yang menghasilkan penduga parameter model yang bersifat lokal untuk setiap lokasi pengamatan. Model GWR merupakan pengembangan dari model regresi global dimana ide dasarnya diambil dari regresi non parametrik. Variabel prediktor pada GWR masing-masing koefisien regresinya bergantung pada lokasi dimana data tersebut diamati. Model GWR dapat ditulis sebagai berikut: = (u i, v i ) + k (u i, v i ) + i...(2.2) dengan : : Nilai observasi variabel respon untuk lokasi ke-i (u i, v i ) : Menyatakan titik koordinat (longtitude, latitude) lokasi i k (u i, v i ) : Koefisien regresi variabel prediktor ke k untuk lokasi ke i i : error pada titik lokasi ke-i yang diasumsikan independen, identik, dan berdistribusi normal. 2.4 Estimasi parameter pada model GWR Parameter model GWR diestimasi menggunakan metode weighted least square (WLS), yaitu dengan memberikan bobot yang berbeda untuk setiap lokasi pengamatan. Pembobot tersebut berupa matriks diagonal dimana elemen-elemen diagonalnya merupakan sebuah fungsi pembobot dari titik lokasi pengamatan. Misalkan pembobot untuk setiap titik lokasi pengamatan adalah dengan j = 1,2,...n, maka estimasi parameter model dilakukan dengan meminimumkan jumlah kuadrat error-nya pada persamaan (2.2) yang telah diberi pembobot, sehingga diperoleh:
3 [ ] 2...(2.3) Persamaan tersebut dinyatakan dalam bentuk matriks sebagai berikut:...(2.4) Selanjutnya, untuk mendapatkan nilai optimum dari penduga, persamaan (2.4) diturunkan terhadap dan disamadengankan nol, menjadi: = (2.5) Untuk memperoleh kedua ruas pada persamaan (2.5) dikalikan dengan invers dari, sehingga diperoleh: [ ] -1 [ ] -1 Karena [ ] -1 maka 1 [ ] -1 Dengan demikian estimasi parameter model GWR untuk setiap lokasinya adalah...(2.6) dengan W( adalah matriks pembobot diagonal berukuran yang pada setiap elemen diagonalnya merupakan pembobot untuk masing-masing lokasi ke-j dari lokasi pengamatan ke-i atau dinyatakan dengan yang dimaksud adalah W( [ ] W( [...(2.7)
4 2.5 Pembobot Model GWR Peran pembobot dalam GWR merupakan aspek penting. Pada jenis data titik, pembobot untuk setiap lokasi ke-i pada koordinat ( dinyatakan dengan W(. Peran pembobot pada model GWR sangat penting karena nilai pembobot ini mewakili letak data observasi satu dengan lainnya. Pengamatan terdekat ke titik lokasi pengamatan ke-i umumnya diasumsikan memiliki pengaruh paling besar terhadap penaksiran parameter di titik lokasi pengamatan ke-i. Oleh karena itu, matriks pembobot akan semakin besar seperti jarak yang semakin dekat. Gambar 2.1 Kernel Spasial dengan: X : titik lokasi pengamatan ke-i (regression point) : titik lokasi pengamatan lainnya (data point) : pembobot dari titik lokasi pengamatan ke-j terhadap titik lokasi pengamatan ke-i : jarak antara titik lokasi pengamatan ke-i terhadap titik lokasi pengamatan ke-j. Matriks pembobot dapat ditentukan dengan menggunakan fungsi kernel. Fungsi kernel memberikan pembobot sesuai bandwidth optimum yang nilainya bergantung pada kondisi data. Fungsi kernel digunakan untuk mengestimasi parameter dalam model GWR jika fungsi jarak adalah fungsi yang kontinu dan monoton turun. Salah satu fungsi pembobot yang digunakan adalah fungsi kernel bisquare,yaitu:
5 1 ( d w j(ui,vi ) 0, ij / h i( q) ) 2 2, jika jika d ij d h ij h...(2.8) dengan d ij = adalah jarak euclidien antara lokasi ) ke lokasi ( adalah bandwidth adaptif yang menetapkan q sebagai jarak tetangga terdekat dari titik lokasi pengamatan ke-i. bandwidth adaptif adalah bandwidth yang nilainya berbeda untuk setiap titik pengamatan yang disesuaikan dengan kondisi titik-titik pengamatan. Pada fungsi pembobot kernel bisquare, jika jarak antara lokasi ke-i dengan lokasi ke-j lebih besar atau sama dengan nilai bandwidth, maka lokasi tersebut akan diberi bobot nol. Sedangkan jarak antar lokasi yang kurang dari nilai bandwidth akan diberi bobot mendekati satu seiring semakin dekatnya jarak antara lokasi ke-i dengan lokasi ke-j. Ilustrasi mengenai pembobot spasial menggunakan fungsi kernel bisquare dapat dilihat pada gambar 2.2. Gambar 2.2 Ilustrasi pembobot spasial fungsi kernel bisquare 2.6 Bandwidth pada GWR Dalam fungsi pembobot kernel, terdapat parameter bandwidth yang nilainya tidak diketahui. Sehingga, perlu dilakukan penaksiran terhadap parameter bandwidth tersebut. Bandwidth dapat dianalogikan sebagai radius suatu lingkaran, sehingga sebuah titik lokasi pengamatan yang berada dalam radius lingkaran masih dianggap berpengaruh dalam membentuk parameter di titik lokasi pengamatan ke-i. Pemilihan bandwidth optimum dalam GWR merupakan hal yang penting karena mempengaruhi ketepatan model terhadap data.
6 Nilai bandwidth yang sangat kecil akan mengakibatkan penaksiran parameter di lokasi pengamatan ke-i semakin bergantung pada titik lokasi pengamatan ke-i, sehingga varians yang dihasilkan akan semakin besar. Sebaliknya, jika nilai bandwidth sangat besar maka akan mengakibatkan bias yang semakin besar, sehingga model yang diperoleh terlalu halus (Maulani,2013). Cross Validation (CV) adalah metode untuk mengevaluasi model-model regresi dengan suatu ukuran kemampuan prediksi dan memilih satu model yang terbaik. Metode yang digunakan untuk menentukan bandwidth optimum adalah metode validasi silang atau Cross Validation (CV) yang secara sistematis didefinisikan sebagai berikut: CV (h) =...(2.9) dengan adalah nilai penaksir dimana pengamatan lokasi ) dihilangkan dari proses estimasi. Untuk mendapatkan nilai yang optimal maka diperoleh dari yang menghasilkan nilai CV yang minimum (Santoso dkk,2012). 2.7 Pengujian Hipotesis Model GWR Pengujian hipotesis pada model GWR terdiri dari pengujian kesesuaian model GWR dan pengujian parameter model. a. Hipotesis uji kesesuaian model GWR: untuk setiap k = 0,1,2,...,p, dan i = 1,2,...,n (tidak ada pengaruh faktor geografis pada model) paling sedikit ada satu = 0,1,2,...,p (ada pengaruh faktor geografis pada model) Statistik uji kesesuaian model: F hitung = Kriteria uji : Tolak H 0 jika F hitung > F tabel
7 b. Pengujian signifikansi parameter model pada setiap lokasi dilakukan dengan menguji parameter secara parsial. Hipotesisnya: = 0 dengan k = 1,2,...,p Statistik uji : T hitung = [ ] Dimana [ ] merupakan standar error yang diperoleh dari akar positif varians. Kriteria uji : Tolak jika T hitung > T tabel 2.8 Koefisien Determinasi (R 2 ) Dalam model regresi global yaitu model regresi linier klasik, koefisien determinasi yang digunakan untuk mengukur proporsi dari variasi dalam data pengamatan yang dapat dijelaskan oleh model. Sedangkan dalam GWR, koefisien determinasi ( ) dapat ditentukan dengan menggunakan persamaan sebagai berikut: dengan: : Jumlah kuadrat total model GWR yang dinyatakan sebagai berikut: = : Jumlah kuadrat residual model GWR yang dinyatakan sebagai berikut: = : Pembobot pada titik lokasi pengamatan ke-j dari titik lokasi pengamatan kei, dengan i,j = 1,2,...n (Maulani,2013).
8 2.9 Definisi Kemiskinan Badan Pusat Statistik (BPS) menggunakan konsep kemampuan pemenuhan kebutuhan dasar (basic need approach) untuk mengukur kemiskinan. Dengan pendekatan ini, kemiskinan dipandang sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan dasar makanan dan bukan makanan yang diukur dari sisi pengeluaran. Dengan kata lain, kemiskinan dipandang sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan makanan maupun non makanan yang bersifat mendasar. Penduduk miskin adalah penduduk yang memiliki rata-rata pengeluaran per kapita per bulan di bawah garis kemiskinan. Garis kemiskinan merupakan penjumlahan dari GKM (Garis Kemiskinan Makanan) dan GKBM (Garis Kemiskinan Bukan Makanan). GKM merupakan nilai pengeluaran kebutuhan minimum makanan yang disetarakan dengan kilo kalori per kapita per hari. Sedangkan GKBM adalah kebutuhan minimum untuk perumahan, sandang, pendidikan, dan kesehatan (BPS,2012). Berdasarkan pendekatan kebutuhan dasar, ada 3 indikator kemiskinan yang digunakan, yaitu: 1. Head Count Indekx (HCL-P 0 ) yaitu persentase penduduk miskin yang berada Garis Kemiskinan. 2. Indeks Kedalaman Kemiskinan (Poverty Gap Index-P 1 ) yaitu merupakan ukuran rata-rata kesenjangan pengeluaran masing-masing penduduk miskin terhadap garis kemiskinan. Semakin tinggi nilai indeks kedalaman kemiskinan, semakin jauh rata-rata pemgeluaran penduduk dari garis kemiskinan. 3. Indeks Keparahan Kemiskinan (Poverty Gap Index-P 2 ) yaitu memberikan gambaran mengenai penyebaran pengeluaran diantara penduduk miskin. Semakin tinggi nilai Indeks Keparahan Kemiskinan maka semakin tinggi ketimpangan pengeluaran di antara penduduk miskin.
9 Menurut Badan Pusat Statistik, enam indikator yang bisa digunakan untuk menentukan kemiskinan adalah tingkat pendidikan, ketenagakerjaan, kesehatan, pengeluaran per kapita untuk makanan, fasilitas perumahan yang meliputi air bersih dan jamban, dan masalah kependudukan. a. Tingkat Pendidikan Tingkat pendidikan yang rendah menyebabkan seseorang kurang mempunyai keterampilan tertentu yang diperlukan dalam kehidupannya. Keterbatasan pendidikan atau keterampilan yang dimiliki seseorang menyebabkan keterbatasan kemampuan seseorang untuk masuk dalam dunia kerja (Mardianto, 2009). b. Ketenagakerjaan Kesejahteraan suatu daerah dapat dilihat dari sisi ketenagakerjaan, yaitu dari tingkat pengangguran yang ada di setiap daerah. Efek buruk dari pengangguran adalah mengurangi pendapatan masyarakat yang pada akhirnya mengurangi tingkat kemakmuran yang telah dicapai seseorang. Semakin turunnya kesejahteraan masyarakat karena menganggur tentunya akan meningkatkan peluang mereka terjebak dalam kemiskinan karena tidak memiliki pendapatan. Apabila pengangguran di suatu negara sangat buruk, kekacauan politik dan sosial selalu berlaku dan menimbulkan efek yang buruk bagi kepada kesejahteraan masyarakat dan prospek pembangunan ekonomi dalam jangka panjang (Luthfi,2012). c. Kesehatan Sebagai kebutuhan dasar, pada saat ini masalah kesehatan banyak dijadikan keluhan oleh masyarakat. Keluhan yang sering terjadi salah satunya adalah masalah minimnya pelayanan kesehatan. Keluhan yang terjadi di masyarakat ini merupakan dampak dari belum maksimalnya program pelayanan kesehatan terhadap kelompok masyarakat golongan ekonomi rendah dibandingkan dengan kelompok ekonomi menengah ke atas (BPS,2012).
10 d. Pengeluaran Per Kapita untuk Makanan Kebutuhan paling mendasar setiap orang untuk bertahan hidup adalah makanan. Hampir dapat dipastikan, setiap penduduk membutuhkan makan setiap hari, baik itu penduduk dengan golongan ekonomi rendah maupun penduduk dengan golongan ekonomi menengah ke atas. Penduduk dengan golongan ekonomi tinggi tentunya berbeda mengenai pola dan kualitas makanan yang dikonsumsi (BPS,2012). e. Fasilitas Perumahan Kebutuhan akan air tidak bisa dilepaskan dalam kehidupan sehari-hari masyarakat kita, dengan demikian kualitas air akan sangat berpengaruh terhadap kualitas hidup masyarakat. Kelompok masyarakat dengan konsumsi air yang berkualitas tinggi, biasanya mempunyai kualitas hidup yang baik. Keberadaan kelompok masyarakat yang masih memanfaatkan sungai untuk jamban ini biasanya dikarenakan posisi rumah yang dekat dengan sungai tersebut atau ketidakmampuan rumah tangga tersebut untuk membuat jamban sendiri (BPS,2012). f. Kependudukan Masalah kependudukan yang dapat mempengaruhi pelaksanaan dan pencapaian tujuan pembangunan antara lain adalah pola penyebaran penduduk dan mobilitas tenaga kerja yang kurang seimbang (BPS,2012). Keenam indikator yang digunakan BPS untuk menentukan kemiskinan tidak semuanya bisa digunakan dalam penelitian ini, karena jika digunakan semua indikator di atas maka akan menghasilkan eror pada semua nilai estimasi. Fasilitas perumahan dan kependudukan adalah indikator yang akan digunakan dalam variabel di penelitian ini, karena hanya dua indikator ini yang bisa menghasilkan nilai estimasi pada tiap-tiap kecamatan. Indikator fasilitas perumahan dan kependudukan masih dirasa kurang sebagai faktor-faktor yang mempengaruhi tingkat kemiskinan, sehingga digunakan satu indikator lagi agar diharapkan bisa lebih menghasilkan
11 signifikansi yang lebih baik untuk hasil yang akan diperoleh. Indikator yang digunakan yaitu dalam sektor pertanian. Menurut Todaro (2004) Secara tradisional, peranan pertanian dalam pembangunan ekonomi dipandang pasif dan hanya sebagai unsur penunjang. Berdasarkan pengalaman historis negara-negara barat, definisi pembangunan ekonomi identik dengan transformasi struktural yang cepat terhadap perekonomian, dari yang bertumpu pada kegiatan pertanian menjadi industri modern dan pelayanan masyarakat yang lebih kompleks. Pakar ekonomi pembangunan mulai lebih menyadari bahwa daerah pedesaan pada umumnya dan pertanian pada khususnya ternyata tidak bersifat pasif. Peranan sektor pertanian dalam pembangunan ekonomi sangat penting karena sebagian besar anggota masyarakat di negara-negara miskin menggantungkan hidupnya pada sektor tersebut. Tanpa pembangunan daerah pedesaan dan pertanian yang integratif, pertumbuhan industri tidak akan berjalan dengan lancar karena, pertumbuhan industri tersebut akan menciptakan berbagai ketimpangan internal dalam perekonomian. Selanjutnya, hal ini akan memperparah masalah kemiskinan, ketimpangan pendapatan dan pengganguran.
BAB 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 GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
BAB III GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) 3.1 Data Spasial Data spasial memuat informasi tentang atribut dan informasi lokasi. Sedangkan data bukan spasial (aspatial data) hanya memuat informasi
Lebih terperinci: Persentase Penduduk Dengan Sumber Air Minum Terlindungi PDAM : Pengeluaran Perkapita Penduduk Untuk Makan Sebulan
22 BAB III MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR) 3.1 Variabel Penelitian Variabel penelitian yang digunakan dalam penelitian ini adalah data derajat kesehatan tahun 2013 pada 27 kabupaten
Lebih terperinciMODEL REGRESI TERBOBOTI GEOGRAFIS DENGAN FUNGSI PEMBOBOT KERNEL GAUSSIAN, BISQUARE, DAN TRICUBE PADA PERSENTASE KEMISKINAN DI PROVINSI JAWA TENGAH
MODEL REGRESI TERBOBOTI GEOGRAFIS DENGAN FUNGSI PEMBOBOT KERNEL GAUSSIAN, BISQUARE, DAN TRICUBE PADA PERSENTASE KEMISKINAN DI PROVINSI JAWA TENGAH Nungki Fauzi T A N, Isnandar Slamet, Muslich Program Studi
Lebih 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam
Lebih terperinciBAB I PENDAHULUAN. Dalam bab ini akan dibahas mengenai hal-hal yang melatarbelakangi
BAB I PENDAHULUAN Dalam bab ini akan dibahas mengenai hal-hal yang melatarbelakangi penulisan tesis, rumusan masalah, tujuan dan manfaatnya, tinjauan-tinjauan pustaka dari hasil penelitian terkait serta
Lebih terperinciS - 17 MODEL GEOGRAPHICALLY WEIGHTED REGRESSION PENDERITA DIARE DI PROVINSI JAWA TENGAH DENGAN FUNGSI PEMBOBOT KERNEL BISQUARE
S - 17 MODEL GEOGRAPHICALLY WEIGHTED REGRESSION PENDERITA DIARE DI PROVINSI JAWA TENGAH DENGAN FUNGSI PEMBOBOT KERNEL BISQUARE Indriya Rukmana Sari 1, Dewi Retno Sari Saputro 2, Purnami Widyaningsih 3
Lebih 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah Atiya Maulani, 2013
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam kehidupan sehari-hari, tidak jarang dihadapkan pada berbagai masalah yang berkaitan dengan dua atau lebih variabel dalam suatu bentuk hubungan tertentu
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
BAB IV ANALISIS DAN PEMBAHASAN Analisa pemodelan fungsi hubungan pada variabel repon dengan variabel prediktor akan dijelaskan pada bab ini. Analisis yang digunakan pada penelitian ini adalah menggunakan
Lebih terperinciPEMODELAN GEOGRAPHICALLY WEIGHTED REGRESSION DENGAN FUNGSI KERNEL BISQUARE
PEMODELAN GEOGRAPHICALLY WEIGHTED REGRESSION DENGAN FUNGSI KERNEL BISQUARE TERHADA FAKTOR- FAKTOR YANG MEMPENGARUHI TINGKAT KEMISKINAN DI KABUPATEN DEMAK 1 Marlita Vebiriyana, 2 M. Yamin Darsyah, 3 Indah
Lebih terperinciPERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 535-544 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK
Lebih terperinciAlgoritme Least Angle Regression untuk Model Geographically Weighted Least Absolute Shrinkage and Selection Operator
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Algoritme Least Angle Regression untuk Model Geographically Weighted Least Absolute Shrinkage and Selection Operator S-20 Yuliana 1, Dewi Retno Sari
Lebih terperinciANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN PEMBOBOT KERNEL GAUSSIAN UNTUK DATA KEMISKINAN. Rita Rahmawati 1, Anik Djuraidah 2.
ANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN PEMBOBOT KERNEL GAUSSIAN UNTUK DATA KEMISKINAN Rita Rahmawati 1, Anik Djuraidah 2 1) Program Studi Statistika, FMIPA Universitas Diponegoro 2) Jurusan
Lebih terperinciPENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK PEMODELAN PERTUMBUHAN EKONOMI MENURUT KABUPATEN/KOTA DI JAWA TENGAH HALAMANAN JUDUL SKRIPSI
PENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION UNTUK PEMODELAN PERTUMBUHAN EKONOMI MENURUT KABUPATEN/KOTA DI JAWA TENGAH HALAMANAN JUDUL SKRIPSI Disusun Oleh: PRATAMA GANANG WIDAYAKA 24010212120018
Lebih terperinciBAB III METODE PENULISAN
BAB III METODE PENULISAN Metode penulisan yang berkaitan tujuan penulisan ini adalah sebagai berikut: 3.1 Mengidentifikasi variabel prediktor pada model MGWR langkahlangkah a. Mengasumsikan data, untuk
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Identifikasi Variabel Prediktor pada Model MGWR Setiap variabel prediktor pada model MGWR akan diidentifikasi terlebih dahulu untuk mengetahui variabel prediktor yang berpengaruh
Lebih terperinciBAB I PENDAHULUAN. terus dihadapi di sejumlah daerah di Indonesia, tidak terkecuali Provinsi Sumatera
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan kemiskinan merupakan salah satu persoalan mendasar yang terus dihadapi di sejumlah daerah di Indonesia, tidak terkecuali Provinsi Sumatera Barat. Berdasarkan
Lebih terperinciPEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY AND TEMPORALLY WEIGHTED REGRESSION
PEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY AND TEMPORALLY WEIGHTED REGRESSION SKRIPSI Disusun Oleh : Khusnul Yeni Widiyanti 24010210130070
Lebih terperinciBAB II TINJAUAN PUSTAKA. variabel prediktor terhadap variabel respons. Hubungan fungsional
BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Dalam ilmu statistika, metode yang dapat digunakan untuk menganalisis pola hubungan antara satu variabel atau lebih dengan satu variabel atau lebih lainnya
Lebih terperinciPEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY AND TEMPORALLY WEIGHTED REGRESSION ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 691-700 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI PROVINSI
Lebih terperinciGEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH
GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH SKRIPSI Disusun Oleh : NURMALITA SARI 240102120008 DEPARTEMEN STATISTIKA FAKULTAS
Lebih terperinciGEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 717-726 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS
Lebih 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 terperinciKata kunci: Data Spatial, Heterogenitas Spatial, Geographically Weigthed Regression, Bandwidth, Fungsi Pembobot
GEOGRAPHICALLY WEIGTHED REGRESSION DALAM MENAKSIR MODEL OUTPUT SEKTOR INDUSTRI MENENGAH BESAR TAHUN 2012 Lani Amaliah 1, Nusar Hajarisman 2, Anna Chadijah 3 1 Program Magister Statistika Terapan UNPAD,
Lebih terperinciPemodelan Angka Harapan Hidup di Papua dengan pendekatan Geographically Weighted Regression
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (017) ISSN: 337-350 (301-98X Print) D-8 Pemodelan Angka Harapan Hidup di Papua dengan pendekatan Geographically Weighted Regression Ardianto Tanadjaja, Ismaini
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 461-469 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN MODEL PERTUMBUHAN EKONOMI DI JAWA TENGAH DENGAN
Lebih terperinciProsiding Seminar Nasional Matematika, Statistika, dan Aplikasinya September 2017, Samarinda, Indonesia ISBN:
Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 017 3 September 017, Samarinda, Indonesia ISBN: 978-60-5031-0-3 Analisis Data Spasial Menggunakan Metode Geographically Weighted Regression
Lebih terperinciPENENTUAN MODEL KEMISKINAN DI JAWA TENGAH DENGAN MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
PENENTUAN MODEL KEMISKINAN DI JAWA TENGAH DENGAN MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR) SKRIPSI Disusun Oleh : SINDY SAPUTRI 24010210141007 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciPEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION
PEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION SKRIPSI Disusun Oleh : DEPY VERONICA 24010212140035 DEPARTEMEN STATISTIKA
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Kemiskinan Berdasarkan pendekatan kebutuhan dasar, ada tiga indikator kemiskinan yang digunakan, Pertama Head Count Index (HCI- P0) yaitu persentase penduduk yang dibawah garis
Lebih terperinciKata Kunci : MGWMLM, GWMLM, DAS.
ANALISIS PENGARU CURA UJAN DAN MORFOMETRI PADA PENINGKATAN DEBIT DAN SEDIMEN DI DAS KONTO ULU DENGAN PENDEKATAN MIXED GEOGRAPICALLY WEIGTED MULTUVARIATE LINIER MODEL 1 Memi Nor ayati, 2 Purhadi 1 Jurusan
Lebih terperinciPROFIL KEMISKINAN DI SULAWESI TENGGARA SEPTEMBER 2016 RINGKASAN
05/01/Th.XII, 03 JANUARI 2017 PROFIL KEMISKINAN DI SULAWESI TENGGARA SEPTEMBER 2016 RINGKASAN Jumlah penduduk miskin (penduduk yang berada dibawah Garis Kemiskinan) di Sulawesi Tenggara pada bulan September
Lebih terperinciPROFIL KEMISKINAN DI SULAWESI TENGGARA MARET 2017 RINGKASAN
38/07/Th. XX, 17 JULI 2017 PROFIL KEMISKINAN DI SULAWESI TENGGARA MARET 2017 RINGKASAN Jumlah penduduk miskin (penduduk yang berada dibawah Garis Kemiskinan) di Sulawesi Tenggara pada bulan Maret 2017
Lebih terperinciBAB II DASAR TEORI. Gambar 2.1 : Perbedaan Antara Proses Stationer dan Proses Non-Stationer
BAB II DASAR TEORI Model adalah penyederhanaan dunia nyata (real world) ke dalam suatu bentuk terukur (Deliar, 27). Bentuk terukur tersebut adalah asumsi yang dianggap dapat merepresentasikan dunia nyata
Lebih terperinciTINGKAT KEMISKINAN DI DAERAH ISTIMEWA YOGYAKARTA SEPTEMBER 2013 SEBESAR 15,03 PERSEN
BPS PROVINSI DAERAH ISTIMEWA YOGYAKARTA No. 05/01/34/Th.XVI, 02 Januari 2014 TINGKAT KEMISKINAN DI DAERAH ISTIMEWA YOGYAKARTA SEPTEMBER 2013 SEBESAR 15,03 PERSEN RINGKASAN Garis kemiskinan di Daerah Istimewa
Lebih terperinciPROFIL KEMISKINAN DI SULAWESI TENGGARA SEPTEMBER 2015 RINGKASAN
BPS PROVINSI SULAWESI TENGGARA 07/01/Th. X, 4 Januari 2016 PROFIL KEMISKINAN DI SULAWESI TENGGARA SEPTEMBER 2015 RINGKASAN Jumlah penduduk miskin (penduduk yang berada dibawah Garis Kemiskinan) di Sulawesi
Lebih terperinciPROFIL KEMISKINAN DI SULAWESI TENGGARA MARET 2016 RINGKASAN
07/07/Th. XI, 18 JULI 2016 PROFIL KEMISKINAN DI SULAWESI TENGGARA MARET 2016 RINGKASAN Jumlah penduduk miskin (penduduk yang berada dibawah Garis Kemiskinan) di Sulawesi Tenggara pada bulan Maret 2016
Lebih terperinciTINGKAT KEMISKINAN DAERAH ISTIMEWA YOGYAKARTA MARET 2014 SEBESAR 15,00 PERSEN RINGKASAN
BPS PROVINSI DAERAH ISTIMEWA YOGYAKARTA No. 38/07/34/Th.XVI,1 Juli 2014 TINGKAT KEMISKINAN DAERAH ISTIMEWA YOGYAKARTA MARET 2014 SEBESAR 15,00 PERSEN RINGKASAN Garis kemiskinan di Daerah Istimewa Yogyakarta
Lebih terperinciPEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENTS ANALYSIS (GWRPCA)
PEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENTS ANALYSIS (GWRPCA) SKRIPSI Disusun Oleh : NOVIKA PRATNYANINGRUM 24010211140095
Lebih terperinciBAB IV METODE PENELITIAN. dilakukan secara sengaja (purposive) melihat bahwa propinsi Jawa Barat
4.1. Waktu dan Tempat Penelitian BAB IV METODE PENELITIAN Penelitian dilakukan dalam lingkup wilayah Jawa Barat. Pemilihan lokasi dilakukan secara sengaja (purposive) melihat bahwa propinsi Jawa Barat
Lebih terperinciIII. METODE PENELITIAN. Data yang digunakan dalam penelitian ini merupakan data kuantitatif dengan
40 III. METODE PENELITIAN A. Jenis dan Sumber Data Data yang digunakan dalam penelitian ini merupakan data kuantitatif dengan rentang waktu dari tahun 2001 2012. Tipe data yang digunakan adalah data runtut
Lebih terperinciPROFIL KEMISKINAN DI PROVINSI JAWA TENGAH TAHUN 2010
BPS PROVINSI JAWA TENGAH No. 34/07/33/Th. IV, 1 Juli 2010 PROFIL KEMISKINAN DI PROVINSI JAWA TENGAH TAHUN 2010 RINGKASAN Jumlah penduduk miskin (penduduk yang berada di bawah Garis Kemiskinan) di Provinsi
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Pesta demokrasi Indonesia tahun 2014 ini adalah salah satu harapan baru yang diinginkan seluruh masyarakat Indonesia agar bisa membawa dampak yang baik bagi negara
Lebih terperinciTINGKAT KEMISKINAN DAERAH ISTIMEWA YOGYAKARTA MARET 2013 SEBESAR 15,43 PERSEN RINGKASAN
BPS PROVINSI DAERAH ISTIMEWA YOGYAKARTA No. 37/07/34/Th.XV, 1 Juli 2013 TINGKAT KEMISKINAN DAERAH ISTIMEWA YOGYAKARTA MARET 2013 SEBESAR 15,43 PERSEN RINGKASAN Garis kemiskinan di Daerah Istimewa Yogyakarta
Lebih terperinciPEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 383-393 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA
Lebih terperinciDAFTAR ISI. HALAMAN JUDUL... i. HALAMAN PERSETUJUAN PEMBIMBING... ii. HALAMAN PENGESAHAN TUGAS AKHIR... iii. HALAMAN MOTTO... iv. KATA PENGANTAR...
DAFTAR ISI Halaman HALAMAN JUDUL... i HALAMAN PERSETUJUAN PEMBIMBING... ii HALAMAN PENGESAHAN TUGAS AKHIR... iii HALAMAN MOTTO... iv KATA PENGANTAR... v DAFTAR ISI... vii DAFTAR TABEL... x DAFTAR GAMBAR...
Lebih terperinciBAB III METODE PENELITIAN. kabupaten induknya yaitu Kabupaten Bandung Barat dan Kota Cimahi ke
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder periode tahun 2001-2008 yang mencakup wilayah kabupaten dan kota di Provinsi Jawa Barat.
Lebih terperinciBAB III DATA DAN METODOLOGI
BAB III DATA DAN METODOLOGI 3.1. Pengumpulan Data Data yang sesuai dengan kebutuhan penelitian ini adalah data Survei Sosial Ekonomi Nasional (Susenas) KOR Kabupaten Bogor tahun 2005 dan data hasil survey
Lebih terperinciTingkat Kemiskinan Jawa Barat Maret 2015
BPS PROVINSI JAWA BARAT No. 55/09/32/Th. XVII, 15 September 2015 Tingkat Kemiskinan Jawa Barat Maret 2015 Jumlah penduduk miskin (penduduk yang berada dibawah Garis Kemiskinan) di Jawa Barat pada bulan
Lebih terperinciJumlah dan Persentase Penduduk Miskin Riau pada Maret 2016 adalah 515,40 ribu atau 7,98 persen dari total penduduk.
No. 35/07/14 Th. XVII, 18 Juli 2016 TINGKAT KEMISKINAN RIAU MARET 2016 Jumlah dan Persentase Penduduk Miskin Riau pada Maret 2016 adalah 515,40 ribu atau 7,98 persen dari total penduduk. Jumlah penduduk
Lebih terperinciBAB III METODE PENELITIAN. Dalam penelitian ini, penulis akan melaksanakan langkah-langkah sebagai
BAB III METODE PENELITIAN A. Langkah Penelitian Dalam penelitian ini, penulis akan melaksanakan langkah-langkah sebagai berikut: 1. Merumuskan spesifikasi model Langkah ini meliputi: a. Penentuan variabel,
Lebih terperinciPROFIL KEMISKINAN PROVINSI SUMATERA BARAT SEPTEMBER 2015
No. 04 / 01 /13/Th. XIX / 4 Januari 2016 PROFIL KEMISKINAN PROVINSI SUMATERA BARAT SEPTEMBER 2015 Jumlah penduduk miskin di Provinsi Sumatera Barat pada adalah 349.529 jiwa. Dibanding (379.609 jiwa) turun
Lebih terperinciPERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH
PERBANDINGAN MODEL GWR DENGAN FIXED DAN ADAPTIVE BANDWIDTH UNTUK PERSENTASE PENDUDUK MISKIN DI JAWA TENGAH SKRIPSI Disusun Oleh: RIFKI ADI PAMUNGKAS 24010212140066 DEPARTEMEN STATISTIKA FAKULTAS SAINS
Lebih terperinci2.11. Penduduk Yang Bekerja di Sektor Pertanian Pengangguran... 40
2.11. Penduduk Yang Bekerja di Sektor Pertanian... 38 2.12. Pengangguran... 40 BAB III DASAR TEORI... 42 3.1. Analisis Regresi Linier Berganda... 42 3.2. Penaksiran Koefisien Regresi Menggunakan Matriks...
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 terperinciPEMODELAN DATA KEMISKINAN PROVINSI KALIMANTAN TIMUR DENGAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DENGAN FUNGSI PEMBOBOT KERNEL BISQUARE
Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya 17 3 September 17, Samarinda, Indonesia ISBN: 978-6-531--3 PEMODELAN DATA KEMISKINAN PROVINSI KALIMANTAN TIMUR DENGAN METODE GEOGRAPHICALLY
Lebih terperinciTINJAUAN PUSTAKA. Menurut Hardle (1994) analisis regresi adalah suatu metode analisis data yang
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Menurut Hardle (1994) analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan antara variabel respon dengan satu atau beberapa variabel
Lebih terperinciPROFIL KEMISKINAN PROVINSI SUMATERA BARAT MARET 2016
No. 42/7/13/Th. XIX/18 Juli 2016 PROFIL KEMISKINAN PROVINSI SUMATERA BARAT MARET 2016 Jumlah penduduk miskin di Provinsi Sumatera Barat pada 2016 adalah 371.555 jiwa. Dibanding (349.529 jiwa) naik sebanyak
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar belakang Masalah Annisa Nurul Aini, 2013
BAB I PENDAHULUAN 1.1 Latar belakang Masalah Statistika merupakan salah satu cabang ilmu matematik yang mempelajari bagaimana merencanakan, mengumpulkan, mempresentasikan, menganalisis, dan menginterpretasi
Lebih terperinciPENENTUAN MODEL KEMISKINAN DI JAWA TENGAH DENGAN MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 161-170 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL KEMISKINAN DI JAWA TENGAH DENGAN MULTIVARIATE
Lebih terperincisebanyak 158,86 ribu orang atau sebesar 12,67 persen. Pada tahun 2016, jumlah penduduk miskin mengalami penurunan dibanding tahun sebelumnya, yaitu se
BADAN PUSAT STATISTIK KABUPATEN MAGELANG No.02/06/33.08/Th.II, 15 Juni 2017 PROFIL KEMISKINAN DI KABUPATEN MAGELANG 2016 PERSENTASE PENDUDUK MISKIN TAHUN 2016 SEBESAR 12,67 PERSEN Jumlah penduduk miskin
Lebih terperinciPEMODELAN KEMISKINAN MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION DENGAN FUNGSI PEMBOBOT FIXED KERNEL
PEMODELAN KEMISKINAN MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION DENGAN FUNGSI PEMBOBOT FIXED KERNEL Hasriana 1, Raupong 2, Nirwan Ilyas 3 1 Program Studi Statistika FMIPA Universitas Hasanuddin
Lebih terperinciPROFIL KEMISKINAN DI SULAWESI TENGGARA SEPTEMBER 2014 RINGKASAN
07/01/Th. IX, 2 Januari 2015 PROFIL KEMISKINAN DI SULAWESI TENGGARA SEPTEMBER 2014 RINGKASAN Jumlah penduduk miskin (penduduk yang berada dibawah Garis Kemiskinan) di Sulawesi Tenggara pada bulan September
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 terperinciBAB 3 METODE PENELITIAN. Wilayah dan pengumpulan data yang diambil adalah di Kabupaten Bekasi
BAB 3 METODE PENELITIAN 3.1 Wilayah dan Pengumpulan Data Wilayah dan pengumpulan data yang diambil adalah di Kabupaten Bekasi yang terdiri dari 23 Kecamatan. Lokasi masing-masing kecamatan dapat dilihat
Lebih terperinciKEMISKINAN SUMATERA UTARA MARET 2017
BPS PROVINSI SUMATERA UTARA No. 40/07/12/Th. XX, 17 Juli 2017 KEMISKINAN SUMATERA UTARA MARET 2017 PENDUDUK MISKIN SUMATERA UTARA MARET 2017 SEBANYAK 1.453.870 ORANG (10,22%) Jumlah penduduk miskin di
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 TERBOBOTI GEOGRAFIS DENGAN FUNGSI PEMBOBOT KERNEL GAUSSIAN
REGRESI TERBOBOTI GEOGRAFIS DENGANN FUNGSI PEMBOBOT KERNEL GAUSSIAN DAN KERNEL BISQUARE PADA ANGKA HARAPAN HIDUP (Studi Kasus : Angka Harapan Hidup Kabupaten/Kota di Provinsi Jawa Timur) LUKMAN MAULANA
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 terperinciBAB III METODE PENELITIAN. Ruang lingkup penelitian ini adalah menganalisis pengaruh antara upah
40 BAB III METODE PENELITIAN A. Ruang Lingkup Penelitian Ruang lingkup penelitian ini adalah menganalisis pengaruh antara upah minimum, Indeks Pembangunan Manusia (IPM), dan pengangguran terhadap tingkat
Lebih terperinciBAB I PENDAHULUAN. lebih variabel independen. Dalam analisis regresi dibedakan dua jenis variabel
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linier merupakan teknik dalam statistika yang digunakan untuk membentuk model hubungan antara variabel dependen dengan satu atau lebih variabel independen.
Lebih terperinciMETODE PENELITIAN. Berdasarkan sifat penelitiannya, penelitian ini merupakan sebuah penelitian
III. METODE PENELITIAN A. Ruang Lingkup Penelitian Berdasarkan sifat penelitiannya, penelitian ini merupakan sebuah penelitian deskriptif. Definisi dari penelitian deskriptif adalah penelitian yang menggambarkan
Lebih terperinciBAB III METODE PENELITIAN. Bangli, Kabupaten Karangasem, dan Kabupaten Buleleng.
BAB III METODE PENELITIAN A. Lokasi Penelitian Dalam penelitian ini, penulis menggunakan lokasi penelitian wilayah Provinsi Bali yang merupakan salah satu provinsi yang ada di Indonesia. Luas Provinsi
Lebih terperinciBAB II KAJIAN TEORI. Sebuah Matriks adalah susunan segi empat siku-siku dari bilangan-bilangan.
BAB II KAJIAN TEORI A. Matriks 1. Definisi Matriks Sebuah Matriks adalah susunan segi empat siku-siku dari bilangan-bilangan. Bilangan-bilangan dalam susunan tersebut dinamakan entri dalam matriks (Howard
Lebih terperinciBAB III METODOLOGI PENELITIAN A. Lokasi/Objek Penelitian Penelitian ini dilaksanakan di Provinsi Jawa Timur. Pemilihan Provinsi
BAB III METODOLOGI PENELITIAN A. Lokasi/Objek Penelitian Penelitian ini dilaksanakan di Provinsi Jawa Timur. Pemilihan Provinsi Jawa Timur ini didasarkan pada pertimbangan bahwa Jawa Timur merupakan provinsi
Lebih terperincisebanyak 160,5 ribu orang atau sebesar 12,98 persen. Pada tahun 2015, jumlah penduduk miskin mengalami sedikit kenaikan dibanding tahun sebelumnya, ya
BADAN PUSAT STATISTIK KABUPATEN MAGELANG No.02/11/33.08/Th.I, 08 November 2016 PROFIL KEMISKINAN DI KABUPATEN MAGELANG 2015 PERSENTASE PENDUDUK MISKIN 2015 MENCAPAI 13,07 PERSEN Jumlah penduduk miskin
Lebih terperinci2016 APLIKASI MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR) MENGGUNAKAN SOFTWARE MATLAB
1 BAB I PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari-hari sering dihadapkan dengan hubungan yang melibatkan dua atau lebih peubah atau variabel. Persamaan matematik yang menggambarkan persamaan
Lebih terperinciJumlah dan Persentase Penduduk Miskin Riau pada Maret 2017 adalah 514,62 ribu jiwa atau 7,78 persen dari total penduduk.
No. 32/07/14/Th. XVIII, 17 Juli 2017 TINGKAT KEMISKINAN RIAU MARET 2017 Jumlah dan Persentase Penduduk Miskin Riau pada Maret 2017 adalah 514,62 ribu jiwa atau 7,78 persen dari total penduduk. Jumlah penduduk
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Menurut Kamus Besar Bahasa Indonesia, Kesejahteraan adalah hal atau keadaan sejahtera, keamanan, keselamatan, ketentraman. Dalam istilah umum, sejahtera menunjuk ke
Lebih terperinciBAB III METODE PENELITIAN. Utara. Series data yang digunakan dari tahun
BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yang berasal dari Badan Pusat Statistik Republik Indonesia dan BPS Provinsi Maluku Utara.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bagian pertama bab ini diberikan tinjauan pustaka yang berisi penelitian sebelumnya yang mendasari penelitian ini Pada bagian kedua bab ini diberikan teori penunjang yang berisi
Lebih terperinciForum Statistika dan Komputasi, Oktober 2010 p : ISSN :
, Oktober 2010 p : 32-37 ISSN : 0853-8115 Vol 15 No.2 REGRESI TERBOBOTI GEOGRAFIS DENGAN PEMBOBOT KERNEL KUADRAT GANDA UNTUK DATA KEMISKINAN DI KABUPATEN JEMBER (Geographically Weighted Regression with
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini menggunakan data time series tahunan Data
40 III. METODE PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunakan data time series tahunan 2002-2012. Data sekunder tersebut bersumber dari Badan Pusat Statistik (BPS) Lampung. Adapun data
Lebih terperinciBAB II LANDASAN TEORI. metode kuadrat terkecil (MKT), outlier, regresi robust, koefisien determinasi,
BAB II LANDASAN TEORI Beberapa teori yang diperlukan untuk mendukung pembahasan diantaranya adalah regresi linear berganda, pengujian asumsi analisis regresi, metode kuadrat terkecil (MKT), outlier, regresi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinciPROFIL KEMISKINAN PROVINSI SUMATERA BARAT MARET 2015
No.55 /9 /13/Th. XVIII / 15 September 2015 september2015 PROFIL KEMISKINAN PROVINSI SUMATERA BARAT MARET 2015 Garis Kemiskinan (GK) 2015 mengalami peningkatan 5,04 persen, menjadi Rp 384.277,00 perkapita
Lebih terperinciBAB V HASIL ESTIMASI DAN ANALISIS MODEL. Tabel 5.1. Output regresi model persentase penduduk miskin absolut (P 0 )
97 BAB V HASIL ESTIMASI DAN ANALISIS MODEL 5.1. Hasil Estimasi Model Persentase Penduduk Miskin Absolut (P 0 ) Head count index (P 0 ) merupakan jumlah persentase penduduk yang berada dibawah garis kemiskinan.
Lebih terperinciKEMISKINAN SUMATERA UTARA SEPTEMBER 2016
BPS PROVINSI SUMATERA UTARA No. 05/01/12/Th. XX, 03 Januari 2017 KEMISKINAN SUMATERA UTARA SEPTEMBER PENDUDUK MISKIN SUMATERA UTARA SEPTEMBER SEBANYAK 1.452.550 ORANG (10,27%) Jumlah penduduk miskin di
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi
Lebih terperinciBPS PROVINSI KEPULAUAN RIAU
BPS PROVINSI KEPULAUAN RIAU No. 06/01/21/Th.VII, 2 Januari 2012 PROFIL KEMISKINAN DI PROVINSI KEPULAUAN RIAU, SEPTEMBER 2011 Jumlah penduduk miskin (penduduk yang berada di bawah Garis Kemiskinan) di Provinsi
Lebih terperinciPEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENTS ANALYSIS (GWRPCA)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 171-180 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN PERSENTASE BALITA GIZI BURUK DI JAWA TENGAH DENGAN
Lebih terperinciPROFIL KEMISKINAN SUMATERA UTARA SEPTEMBER 2014
BPS PROVINSI SUMATERA UTARA No. 06/01/12/Th. XVIII, 2 Januari 2015 PROFIL KEMISKINAN SUMATERA UTARA SEPTEMBER 2014 RINGKASAN Jumlah penduduk miskin di Sumatera Utara pada September 2014 sebanyak 1.360.600
Lebih terperinciBAB 1 PENDAHULUAN. banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Dalam masyarakat modern seperti sekarang ini, metode statistika telah banyak diterapkan pada berbagai bidang sebagai dasar bagi pengambilan keputusan / kebijakan.
Lebih terperinciIII. METODE PENELITIAN. Jenis data yang digunakan dalam penelitian ini adalah data sekunder deret waktu
III. METODE PENELITIAN A. Jenis dan Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder deret waktu (time-series data) bulanan dari periode 2004:01 2011:12 yang diperoleh dari PT.
Lebih terperinciPROFIL KEMISKINAN DI PROVINSI ACEH SEPTEMBER 2016
B P S P R O V I N S I A C E H No.04/01/Th.XX, 3 Januari 2017 PROFIL KEMISKINAN DI PROVINSI ACEH SEPTEMBER 2016 Jumlah Penduduk Miskin Mencapai 841 Ribu Orang RINGKASAN Pada September 2016, jumlah penduduk
Lebih terperinciKEMISKINAN SUMATERA UTARA SEPTEMBER 2015
BPS PROVINSI SUMATERA UTARA No. 05/01/12/Th. XIX, 04 Januari 2016 KEMISKINAN SUMATERA UTARA SEPTEMBER RINGKASAN Jumlah penduduk miskin di Sumatera Utara pada September sebanyak 1.508.140 orang (10,79%),
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode analisis data yang telah diterapkan
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan metode analisis data yang telah diterapkan secara luas pada berbagai bidang penelitian, sebagai contoh penelitian-penelitian dalam ilmu pengetahuan
Lebih terperinciBAB I PENDAHULUAN. Pembangunan merupakan alat yang digunakan untuk mencapai. tujuan bangsa dan pertumbuhan ekonomi merupakan salah satu indikator
BAB I PENDAHULUAN A. Latar Belakang Pembangunan merupakan alat yang digunakan untuk mencapai tujuan bangsa dan pertumbuhan ekonomi merupakan salah satu indikator untuk menilai keberhasilan pembangunanan
Lebih terperinci