BAB II TINJAUAN PUSTAKA. analisis regresi logistik, dan analisis regresi logistik rare event.

dokumen-dokumen yang mirip
Regresi Logistik pada Data Rare Event

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

BAB II TINJAUAN PUSTAKA

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan

BAB II LANDASAN TEORI

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

Ir. Tito Adi Dewanto

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)

8.4 GENERATING FUNCTIONS

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

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1

Jurnal Sains & Matematika Vol.15 No.4, 2007 ISSN

BAB II TINJAUAN PUSTAKA

BAB 2 LANDASAN TEORI

Regresi & Korelasi Linier Sederhana

Interpretasi Kombinatorial Bilangan Euler. Rektor Sianturi 1. Abstrak

BAB 2 LANDASAN TEORI

Created by Simpo PDF Creator Pro (unregistered version)

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

BAB 2. Tinjauan Teoritis

REGRESI & KORELASI LINIER SEDERHANA

REGRESI & KORELASI LINIER SEDERHANA

BAB 5. ANALISIS REGRESI DAN KORELASI

PENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA

BAB II LANDASAN TEORI

Regresi Linier Sederhana Definisi Pengaruh

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

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

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

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

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

Gambar 3.1Single Channel Multiple Phase

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

PERBANDINGAN ESTIMATOR REGRESI NONPARAMETRIK MENGGUNAKAN METODE FOURIER DAN METODE WAVELET

BAB 3 Interpolasi. 1. Beda Hingga

BAB II LANDASAN TEORI. gamma, fungsi likelihood, dan uji rasio likelihood. Misalkan dilakukan percobaan acak dengan ruang sampel C.

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin

Koefisien Korelasi Spearman

BAB I PANDAHULUAN. 1.1 Latar Belakang

Pemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

titik tengah kelas ke i k = banyaknya kelas

BAB 2 LANDASAN TEORI. menentukan hubungan antara variabel independen (x) dengan variabel dependen (y).

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi

X a, TINJAUAN PUSTAKA

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNYA

BAB II KAJIAN TEORI. tertentu (Martono, 1999). Sistem bilangan real dinotasikan dengan R. Untuk

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM

H dinotasikan dengan B H

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

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

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

π(x) 1 e JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-277

BAB II KAJIAN PUSTAKA

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model

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

III. METODOLOGI PENELITIAN

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion

Pemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA

Regresi Logistik Ordinal untuk Menganalisis Faktor-Faktor yang Mempengaruhi Perilaku Sexual Remaja

Implementasi Algoritma Particle Swarm untuk Menyelesaikan Sistem Persamaan Nonlinear

Karakteristik Siswa Putus Sekolah Tingkat SD dan SMP di Kawasan Surabaya Utara

OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK

BAB 2 LANDASAN TEORI. Istilah regresi diperkenalkan oleh seorang yang bernama Francis Gulton dalam

Analisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014)

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

BAB III MODEL LINEAR TERGENERALISASI. Perkembangan pemodelan stokastik, terutama model linier, dapat dikatakan

STUDI PEMODELAN PERAMBATAN GELOMBANG SURJA PETIR PADA SALURAN TRANSMISI 150 KV MENGGUNAKAN METODE MULTI- CONDUCTOR TRANSMISSION LINE

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

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

BAB III UKURAN PEMUSATAN DATA

BAB 2 DASAR TEORI ALIRAN DAYA. Sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat

MODUL BARISAN DAN DERET

BAB II LANDASAN TEORI. persamaan yang mengandung diferensial. Persamaan diferensial

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

E ax by c ae X be Y c. 6.1 Pengertian Umum

Aplikasi Model Regresi Logit dan Probit pada Data Kategorik

Transkripsi:

BAB II TINJAUAN PUSTAKA. Peahulua Sebelum melaua pembahasa megea permasalaha ar srps, paa Bab II aa uraa beberapa teor peujag ag perraa apat membatu alam pembahasa bab-bab selajuta. Pembahasa paa Bab II aa jelasa mater-mater atu teor ret, aalss regres logst, a aalss regres logst rare evet.. Teor Kret.. Pegerta Kret Kata ret berasal ar bahasa Romaw atu Creere ag arta percaa. Apabla hal tersebut hubuga ega tugas ba, maa meml pegerta bahwa ba selau retur percaa utu memjama sejumlah uag epaa asabah (ebtur) area ebtur apat percaa emampuaa utu membaar luas pjamaa setelah jaga watu ag tetua. Pegerta megea ret perbaa Ioesa terapat alam etetua Pasal aga UU Perbaa Ioesa 99/998. Uag-uag tersebut meetapa: Kret aalah peeaa uag atau tagha ag apat samaa ega betu ret berasara persetujua atau esepaata pjam-memjam atara ba ega pha la ag mewajba pha pemjam utu meluas utaga setelah jaga watu tertetu ega pembera buga. Meurut Bahsa (), suatu pjam-memjam uag aa ataa sebaga ret perbaa selama memeuh usur-usur sebaga berut:. Aaa peeaa uag atau tagha ag apat persamaa ega peeaa uag. 5 repostor.usba.ac.

6. Aaa persetujua atau esepaata pjam-memjam atara ba ega pha la. 3. Aaa ewajba meluas utag. 4. Aaa jaga watu tertetu. 5. Aaa pembera buga ret... Kret Macet Para asabah ag telah memperoleh fasltas ret ar ba ta seluruha apat megembala utaga ega lacar sesua ega watu ag telah perjaja. Paa eataaa alam prat selalu aa sebaga asabah ag ta apat megembala ret epaa ba ag telah memjama. Abat asabah ta apat membaar luas utaga, maa aa tergambar perjalaa ret meja macet atau terhet. Keaaa ag ema apabla tjau ar seg huuma perata sebut waprestas atau gar jaj. Sebagamaa ag telah etahu bahwa pembera ret merupaa perjaja pjam memjam uag a pgembala ret atau membaar agsura ret sebut sebaga prestas. Apabla ebtur ta apat membaar luas utaga setelah jaga watu pembela tersebut terlewat, maa perbuataa sebut perbuata waprestas. Dar seg macam-macama terapat lma macam ag eal selama aalah:. Debtur ta melasaaa sama seal apa ag telah perjaja.. Debtur melasaaa sebaga apa ag telah perjaja. 3. Debtur terlambat melasaaa sebaga apa ag telah perjaja. 4. Debtur meeraha sesuatu ag ta perjaja, atau 5. Debtur melaua perbuata ag larag alam perjaja. repostor.usba.ac.

7 Meurut Supramoo (9), apabla macam-macam waprestas hubuga ega ret macet, maa aa tga macam perbuata ag tergolog waprestas, atu:. Nasabah sama seal ta apat membaar agsura ret (beserta bugaa).. Nasabah membaar sebaga agsura ret (beserta bugaa). 3. Nasabah membaar luas ret (beserta bugaa) setelah jaga watu ag perjaja berahr. Dar uraa pembahasa atas ret macet apat ber pegerta, aalah ret atau utag ag ta apat luas oleh ebtur area sesuatu alasa sehgga ba selau retur harus meelesaa masalaha epaa pha etga atau melaua eseus barag jama..3 Regres Logst Regres logst pertama al guaa paa peelta bomes, tetap tahu terahr suah baa ag megguaa regres logst alam peelta lmu sosal a pemasara. Baru-baru, regres logst telah meja alat populer alam aplas bss (Agrest, ). Regres logst merupaa salah satu metoe statsta ag guaa utu megaalss hubuga beberapa fator ega sebuah varabel respo ag bersfat otomus (ber). Msala ta meml varabel bebas ଵ, ଶ,, a satu varabel respo Y ag bersfat otom. Nla varabel Y = meataa ejaa suses a Y = meataa ejaa gagal. Meurut Hosmer a Lemeshow (989) moel regres logst ag pegaruh oleh varabel bebas apat ataa sebaga la harapa ar Y ega bera la repostor.usba.ac.

8 (.) ep ep Y E ega Y E a Y mempua la atau. Nla Y E merupaa peluag suses, ega oefse regres varabel bebas. Dar moel (.) aa apat: ep ep ep ep ep ep ep ep ep ep ep (.) ep Trasformas logt terapa paa moel regres logst, logt g l (.3) Trasformas logt bertujua utu memperoleh fugs ag lear supaa apat lhat hubuga atara varabel respo (Y) ega varabel bebas (X). Fugs g() lear terhaap parameter a meml rage (, ) tergatug ar rage varabel bebas X. Pembuta persamaa (.3) aalah sebaga berut: Dar persamaa (.) a (.) aalah: repostor.usba.ac.

9 ep ep ep ep ep l l (.4) l.3. Peasra Parameter Moel Metoe peasra parameter ag basa guaa alam regres logst aalah metoe MLE (Mamum Lelhoo Estmato). Setap observas utu moel regres logst aalah varabel raom ar strbus Beroull. Varabel respo Y meml sebara Beroull ega parameter ߨ a fugs sebara peluaga aalah: P ag la utu atau utu,, Meurut Hosmer a Lemeshow (989), fugs lelhoo strbus Beroull utu sampel bebas aalah l (.5) Utu memuaha mecar la,.,, ag memasmuma fugs lelhoo guaa betu logartma atural ar fugs lelhoo, ag sebut sebaga fugs log-lelhoo. Logartma atural fugs peluag bersamaa apat tuls sebaga berut: repostor.usba.ac.

l L l l l l l l l l l l l l (.6) Selajuta htug turua pertama ar ܮ(ߚ) masg-masg terhaap p,.,, emua sarata sama ega ol. L l l Dar moel (.4) aa apat: l l l a l l repostor.usba.ac.

Turua ar l terhaap l l l Sehgga apata hasl sebaga berut: Ja, ) (.7 l L repostor.usba.ac.

) (.8 l L... ) (.9 l p L Dar persamaa (.7), (.8), a (.9) mash teraug ݕ, ar turua pertama atas sult utu htug secara maual oleh sebab tu guaa batua software. Selajuta aa htug turua eua, turua eua aa lhat apaah aa solus ag u atau ta. Betu turua parsal eua ar fugs log-lelhoo aalah: L L L L L Betu umum ar turua parsal eua fugs log-lelhoo aalah: repostor.usba.ac.

3 L r L. r maa, j =,,,, p. Da peasr matrs varasa aalah maa ' V (.) aalah peluag suses, - aalah peluag gagal a bebas ega =,,.,. aalah varabel.4 Regres Logst paa Data Rare Evet Msala varabel respo Y, Y, Y, Y merupaa sampel aca ag berstrbus Beroull ega ߨ = ( = ) a ߨ = ( = ) utu =,,,. Dalam moel regres logst peluag ߨ aalah fugs strbus umulatf logst paapersamaa.. Trasformas logt sebagamaa jelasa paa baga regres logst atu persamaa.3. Metoe masmum lelhoo guaa utu measr parameter. Kelemaha paa regres logst atu apabla haapa paa ata rare evet. Data rare evet meujua bahwa paa varabel respo ber terapat puluha hgga rbua ata ag meml la ol lebh baa baga la satu. Paa ata rare evet aa meebaba Pr(Y = ) uerestmates seaga utu Pr(Y = ) overestmates. Masalah sampel terbatas (fte sample) aa meebaba peasra ag bas. Msala, asus seerhaa moel regres logst ega haa satu varabel bebas sebagamaa gambara alam Gambar 3.. repostor.usba.ac.

4 Y = Y = X Gambar. Ilustras Bas paa Data Rare Evet Apabla la, maa aa megabata sebaga besar Y = aa beraa sebelah r a Y = aa e aa tetap aa beberapa baga ag salg tumpag th. Dalam asus, perlu car la tt potog masmum utu membeaa atara la Y = a Y =. Peetua tt potog berata ega estmas masmum lelhoo ar. Namu, berhubug la Y = lebh baa baga ega la Y = maa la estmas ma(x Y = ) aa bagus, tetap la estmas utu m(x Y = ) aa urag bagus areaa jumlah pegamata Y = sagat set. Hal tu sebaba oleh la mmum sampel ag selalu lebh besar atau sama ega la mmum alam populas. Sehgga la tt potog aa meja bas e arah aa a abata Pr(Y = ) aa ecl (uerestmate)..4. Kores Bas terhaap Koefse maa Utu megores bas apat tasr oleh weghte least-square: X ' WX X ' W bas ( ) (.).5Q w w (.) ' Q eleme agoal utama X X WX X (.3) ' repostor.usba.ac.

5 W ag w (.4) Dega vetor pembobot w sebaga berut, w w Y w ( Y ) (.5) maa w sebaga pembobot utu la satu a w sebaga pembobot la ol. Seaga aalah propors ejaa suses ala populas a aalah propors ejaa suses ala sampel. Metoe WLS paa regres logst rare evet muah utu terapa area ompoea sama ega metoe WLS paa regres logst. Dega sebaga varabel respo, X sebaga varabel bebas a W sebaga pembobot. Seaga utu peasr ores basa atu, ~ bas( ) (.6).4. Kores terhaap P(Y = ) Kores peasr bas, ~, aa set bas a meml varas ecl sehgga mea square error lebh ecl arpaa peasr. Utu meapata pres peluag maa bsa laua ega memasua ores peasr bas ( ~ ) e alam persamaa logt sebaga berut: ~ Pr ~ ~ ep ~ ep (.7) Namu, hal ta optmal area megabaa etapasta paa ~. Oleh area tu perlu laua ores ulag terhaap ~. Betu ores peluaga sebaga berut: Pr ~ C (.8) repostor.usba.ac.

6 ega fator oresa aalah C ~ '.5 ~ ) ~ ( ~ ) V (.9) ( maa a matrs varas moel regres logst. V V ~ V (.) sebagamaa jelasa paa baga peasra parameter repostor.usba.ac.