Garuda - Garba Rujukan Digital

APLIKASI MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION MENGGUNAKAN SOFTWARE MATLAB Andini, Puty; Herrhyanto, Nar; Suherman, Maman
Jurnal EurekaMatika Vol 5, No 1 (2017): Jurnal EurekaMatika
Publisher : Mathematics Program Study, Universitas Pendidikan Indonesia (UPI)

ABSTRAK: Persamaan regresi dapat diterapkan pada kasus derajat kesehatan masyarakat. Indikator derajat kesehatan yang dalam penulisan ini adalah angka harapan hidup dan persentase gizi buruk balita. Jika persamaan mengandung unsur spasial maka tidak bisa di selesaikan menggunakan regresi global karena akan menyebabkan kesimpulan yang diambil kurang tepat. Keragaman spasial akibat faktor geografis dapat diselasaikan dengan pendekatan titik. Pendekatan titik yang digunakan dalam penulisan ini adalah Multivariate Geographically Weighted Regression (MGWR). Menggunakan dua variabel respon, yaitu angka harapan hidup (Y1) dan persentase gizi buruk balita (Y2) dan enam variabel prediktor, yaitu angka melek huruf (X1), rata-rata lama sekolah (X2) Indeks kesejahteraan rakyat (X3), persentase Penduduk dengan sumber air minum PDAM/pipa (X4), persentase penduduk dengan jarak sumber air minum ke tempat penampungan kotoran 10 meter (X5), dan pengeluaran perkapita penduduk untuk makan (X6). Dalam model MGWR penaksiran parameter diperoleh dengan menggunakan Weighted Least Square (WLS). Fungsi pembobotan yang digunakan fixed kernel Gaussian. Penelitian ini membuat modelÂ derajat kesehatan dengan metode MGWR menggunakan software Matlab dan membuat peta sebaran kabupaten dan kota di Jawa Barat berdasarkan variabel-variabel yang signifikan terhadap derajat kesehatan. Variabel yang di duga mempengaruhi angka harapan hidup (Y1) adalah rata-rata lama sekolah (X2) dan variabel yang di duga mempengaruhi persentase gizi buruk balita (Y2) adalah Angka Melek Huruf (X1).Â Kata Kunci: Derajat Kesehatan, Multivariate Geographically Weighted Regression (MGWR)Â Â ABSTRACT: The regression equation can be applied in cases of public health degree. Indicators of health, which in this paper are the life expectancy and the percentage of malnourished children under five years old. If the equation contains spatial element it can not be resolved using the global regression because it would lead to inaccurate conclusions drawn. Spatial heterogeneity due to geographical factors can be solved approach point. Point approach used in this paper is Multivariate Geographically Weighted Regression (MGWR) with two response variables, namely life expectancy (Y1) and the percentage of malnourished children under five (Y2) and six predictor variables, ie the literacy rate (X1), the mean the duration of schooling (X2) Index welfare of the people (X3), the percentage of residents with drinking water taps / plumbing (X4), the percentage of people with a distance of drinking water source to the septic tank of 10 meters (X5), and spending per capita for the population to eat (X6). In the model parameter estimation MGWR obtained by using Weighted Least Square (WLS). Weighting function used fixed kernel Gaussian. This study makes a model using methods MGWR health status with Matlab Software and create distribution maps districts / cities in West Java based on the variables that significantly influence health status. Variables are assumed to affect life expectancy (Y1) is the average length of the school (X2) and the variables that presumably affect the percentage of malnourished children under five (Y2) is ie the literacy rate (X1).Â Keywords: Health Status, Multivariate Geographically Weighted Regression (MGWR)

APLIKASI MODEL GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI KASUS GIZI BURUK ANAK BALITA DI JAWA BARAT Maulani, Atiya; Herrhyanto, Nar; Suherman, Maman
Jurnal EurekaMatika Vol 4, No 1 (2016): Jurnal EurekaMatika
Publisher : Mathematics Program Study, Universitas Pendidikan Indonesia (UPI)

ABSTRAK. Model regresi linear klasik atau Ordinary Linear Regression (OLR) merupakan bentuk regresi yang umum digunakan untuk menyatakan bentuk hubungan antara variabel respon dengan varabel prediktornya. Regresi linear klasik mengasumsikan bahwa nilai taksiran parameter regresi akan bernilai sama untuk setiap lokasi pen gamatan atau berlaku secara global. Model Geographically Weighted Regression (GWR) adalah bentuk lokal dari regresi linear klasik yang memperhatikan aspek spasial atau lokasi geografis yang berupa koordinat titik Â Dalam GWR, nilai taksiran parameter regresi yang diperoleh untuk setiap lokasi pengamatan akan berbeda-beda. Penelitian ini bertujuan untuk mengatahui faktor-faktor yang mempengaruhi kasus gizi buruk anak balita di Jawa Barat dengan menggunakan GWR. Hasil pengujian terhadap model regresi linear berganda menunjukkan bahwa asumsi homogenitas varians tidak terpenuhi atau terjadi heterogenitas spasial, dan model regresi linear berganda yang diperoleh tidak berarti secara signifikan. Sehingga, analisis dilanjutkan dengan menggunakan GWR dengan pembobot fixed Kernel Gaussian dan GWR dengan pembobot adaptive Kernel Gaussian. Berdasarkan nilai Â dan jumlah kuadrat residual Â model GWR dengan pembobot adaptive Kernel Gaussian lebih cocok digunakan untuk memodelkan kasus gizi buruk anak balita di Jawa Barat. Model GWR dengan pembobot adaptive Kernel Gaussian, menghasilkan Â paling besar dibandingkan model regresi linear berganda dan model GWR dengan pembobot fixed Kernel Gaussian, yaitu Â atau , dan Â yang paling kecil, yaitu . Faktor geografis juga berpengaruh terhadap kasus gizi buruk anak balita di Jawa Barat sehingga akan diperoleh model GWR berbeda-beda untuk setiap kota/kabupaten di Jawa Barat. Adapun faktor-faktor lokal yang mempengaruhi kasus gizi buruk anak balita di Jawa Barat adalah kasus bayi dengan berat badan lahir rendah (BBLR), anak balita mendapat vitamin A, sarana kesehatan, bayi yang diberi ASI eksklusif, penduduk miskin, dan usia perkawinan pertama â‰¤ 15 tahun.Kata Kunci : Geographically Weighted Regression, Pembobot, Gizi BurukABSTRACT. Ordinary Linear Regression (OLR) model is a form of regression that used to indicate the relationship between the response variable with the predictor variable. Classical linear regression assumes that the value of the regression parameter estimates will have the same value for each observation or apply globally. Geographically Weighted Regression (GWR) model is the local form of the classical linear regression model that takes into account aspects of the spatial or geographic coordinates of a point Â In GWR, the estimated value of the regression parameters will vary for each location. This study aims to know the factors that affect malnutrition of toodler in West Java by using GWR. The test results of the multiple linear regression model showed that the assumption of varians homogeneity is not significant or there is spatial heterogeneity, and multiple linear regression models were not significant. Thus, the analysis continued using a GWR with weighted fixed Kenel Gaussian and GWR with adaptive weighted Kernel Gaussian. Based on the value of coefficient determination Â and sum of squared residuals, GWR models with adaptive weighted Kernel Gaussian is suitable for modeling the malnutrition of toodler in West Java. GWR models with adaptive weighted kernel Gaussian has an Â value that greater than the multiple linear regression model and GWR models with fixed weighting kernel Gaussian, 0.8994658 or 89.95%, and JK (S) is the smallest, 0.2555239. Geographical factors also affect the cases of malnutrition of toodler in West Java that would be obtained GWR models vary according to each city/district in West Java. The local factors affecting malnutrition of toodler in West Java is the case of infants with low birth weight (LBW), infants received vitamin A, health facilities, exclusively breast-fed babies, poverty, and the age of first marriage â‰¤ 15 years.Key words: Geographically Weighted Regression, Weighting, Malnutrition

PENERAPAN DATA COUNT DENGAN MENGGUNAKAN REGRESI HURDLE POISSON Julianda H., Redicha; Herrhyanto, Nar; Avip P. M., Bambang
Jurnal EurekaMatika Vol 7, No 1 (2019): Jurnal EurekaMatika
Publisher : Mathematics Program Study, Universitas Pendidikan Indonesia (UPI)

Regresi Poisson merupakan suatu model regresi yang dapat memodelkan bentuk hubungan antara variabel respon yang berbentuk data count dengan variabel prediktor. Pada regresi Poisson harus memenuhi asumsi bahwa nilai varians sama dengan nilai mean (equidispersi). Namun, dalam beberapa kasus, terdapat data yang memiliki banyak nilai nol (excess zero) pada variabel respon yang mengakibatkan nilai varians tidak sama dengan nilai mean. Nilai varians lebih besar dari nilai mean disebut overdispersi. Sehingga Model regresi Poisson menjadi tidak cocok untuk memodelkan data tersebut. Alternatif yang dapat digunakan apabila terjadi overdispersi akibat banyaknya data bernilai nol (excess zero) pada variabel respon adalah model regresi Hurdle Poisson. Model Hurdle Poisson terdapat dua bagian. Bagian pertama, model untuk data biner yang bernilai nol atau nilai positif yang ditaksir dengan menggunakan model Logit. Bagian kedua, model untuk data yang bernilai positif saja yang ditaksir dengan menggunakan model Truncated Poisson. Regrsi Hurdle Poisson kemudian diterapkan dalam memodelkan faktor-faktor yang mempengaruhi banyaknya kasus kematian ibu, dengan faktor-faktor tersebut ialah: persentase persalinan oleh tenaga medis, persentase K4, persentase wanita kawin dengan umur perkawinan pertama dibawah 18 tahun, persentase ibu hamil yang mendapatkan Fe1, persentase ibu hamil yang mendapatkan Fe3, persentase ibu nifas mendapatkan vitamin A, persentase komplikasi kebidanan yang ditangani. Dilihat dari hasil pengujian, faktor-faktor yang mempengaruhi banyaknya kasus kematian ibu secara signifikan pada model regresi Hurdle Poisson bagian model Logit adalah persentase ibu hamil mendapatkan Fe1. Sedangkan pada bagian model Truncated Poisson adalah persentase wanita kawin dengan umur perkawinan pertama dibawah 18 tahun dan variabel persentase ibu hamil mendapatkan Fe3.

REGRESI NONPARAMETRIK BIRESPON SPLINE Nurdiani, Nunung; Herrhyanto, Nar; Dasari, Dadan
Jurnal EurekaMatika Vol 5, No 1 (2017): Jurnal EurekaMatika
Publisher : Mathematics Program Study, Universitas Pendidikan Indonesia (UPI)

ABSTRAK: Salah satu ciri majunya suatu negara adalah dengan majunya pembangunan manusia. Pembangunan manusia berperan penting dalam suatu negara. Faktor-faktor yang berpengaruh terhadap pembangunan manusia, diantaranya pendidikan dan ekonomi. Salah satu komponen yang berpengaruh terhadap Indeks Pembangunan Manusia adalah tingkat pendidikan yang diukur dengan Angka Melek Huruf dan Rata-Rata Lama Sekolah. Dalam penelitian ini metode yang digunakan untuk memodelkan Angka Melek Huruf dan Rata-Rata Lama Sekolah adalah regresi nonparametrik birespon spline. Metode ini digunakan karena Spline memiliki kelebihan yakni model akan cenderung mencari estimasinya kemanapun data tersebut akan bergerak. Pemilihan model terbaik berdasarkan nilai Generalized Cross Validation (GCV) yang minimum. Model terbaik yang dihasilkan dari penelitian ini adalah model linear dengan satu titik knot.Â Kata kunci : Pembangunan Manusia, Rata-Rata Melek Huruf, Rata-Rata Lama Sekolah, Regresi Nonparametrik Birespon Spline, GCV.Â ABSTRACT: One feature of progress of a country is the advancement of Human Development. Human Development plays an important role in a country. Factors that influence Human Development, including education and the economy. One of components that affect the Human Development index is measured by the level of education Literacy Rate and Mean Year School. In this research method is used to model Literacy Rate and Mean Year School is nonparametric biresponse spline regression. This method is used because the spline has the advantage that the model will tend to look for the estimate wherever the data is moved. Selecting the best model is based on the minimum Generalized Cross Validation (GCV). Best model resulting from tis researc is a linear model with one knot.Â Keywords: Human Development, Literacy Rate, Mean Year School, nonparametric biresponse spline regression, GCV.

PENERAPAN METODE WEIGTHED LEAST SQUARE UNTUK MENGATASI HETEROSKEDASTISITAS PADA ANALISIS REGRESI LINEAR Hanifah, Nurul; Herrhyanto, Nar; Agustina, Fitriani
Jurnal EurekaMatika Vol 3, No 1 (2015): Jurnal EurekaMatika
Publisher : Mathematics Program Study, Universitas Pendidikan Indonesia (UPI)

ABSTRAKÂ Analisis regresi merupakan analisis statistik yang mempalajari bagaimana memodelkan regresi linear. Jika model regresi linear memenuhi uji asumsi klasik dengan metode OLS maka mempunyai sifat BLUE (Beast Linear Unbiased Estimator). Uji heteroskedastisitas,yaitu varian error pada setiap nilai variabel bebas bernilai tidak konstan. Akibat dari heteroskedastisitas yaitu nilai parameter yang diperoleh tetap tidak bias tetapi varian penaksir yang diperoleh menjadi tidak efisien, artinya uji hipotesis yang dilakukan tidak akan memberikan hasil yang baik (tidak valid) atau prediksi koefisien-koefisien populasinya akan keliru. Oleh karena itu untuk mengetahui apakah terdapat heteroskedastisitas dilakukan uji White. Karena terdapat heteroskedastisitas pada skripsi ini, maka harus dilakukan transformasi dengan metode kuadrat terkecil tertimbang (Weighted Least Square).Kata Kunci: Uji Asumsi Klasik, Weighted least Square, Uji White.Â ABSTRACTÂ Regression analysis is a statistical analysis that learn how to model linear regression. If a linear regression model meets the Classic Assumption Test by OLS method, it has the nature of BLUE (Best Linear Unbiased Estimator). Error variance at each independent variable value is not constant. It means that heteroskedasticity test is unfulfilled andÂ Â the classical assumption is not met.The result of heteroskedastisitas is thatÂ the parameter value remains biased but variance estimator becomes inefficient.Â It means thata hypothesis test wouldnâ€™t give good results (not valid) or predictions coefficients of the population would be mislead. Therefore,Â to knowÂ whether there are heteroskedasticity, White testÂ is conducted. Because heteroskedasticity exists in this thesis, transformation with weighted least squares method (Weighted Least Square) must be carried out.Keyword: Classic Assumption Test, Weighted least Square, White Test.

Deteksi Pencilan dengan Pendekatan Bayesian pada Regresi Linear (Studi Kasus Hubungan Pengeluaran Rumah Tangga dengan PDRB di Jawa Barat Tahun 2013) Prihastiwi, Dwiningrum; Juandi, Dadang; Herrhyanto, Nar
Jurnal EurekaMatika Vol 3, No 1 (2015): Jurnal EurekaMatika
Publisher : Mathematics Program Study, Universitas Pendidikan Indonesia (UPI)

Abstrak. Pokok pembahasan dalam skripsi ini adalah langkah-langkah mendeteksi pencilan dengan pendekatan Bayesian pada model regresi linear. Metode Bayesian memberikan hasil penaksiran yang lebih baik daripada penaksiran dengan metode klasik. Pendekatan Bayesian yang dilakukan adalah dengan mempertimbangkan distribusi awal (prior) dengan melihat fungsi likelihood data dan juga melibatkan distribusi posterior. Data pencilan merupakan salah satu masalah yang sering terjadi pada model regresi. Keberadaan data pencilan dapat mengganggu proses pengujian dan pengambilan keputusan dalam penelitian. Untuk itu, ingin dikaji lebih lanjut mengenai pencarian data pencilan dengan pendekatan Bayesian. Data pencilan ini dapat diketahui dengan membandingkan peluang prior dan peluang posterior dari data regresi yang diperoleh, jika nilai peluang posterior lebih besar dari peluang prior maka data tersebut dikatakan data pencilan.Kata kunci: Pencilan, Bayesian.Abstract. The main issue in this study is the steps to detect outlier by Bayesian approach in the linear regression model. Bayesian method gives better results than the assessment of assessments by classical methods. Bayesian approach is done by considering prior distribution, which is obtained by looking likelihood function, and posterior distribution. Data outliers is one of the problem that often occur in the regression model. The existence of data outliers can disturb trial processes and decision-making in research. Furthermore, would be examined on detecting outlier by Bayesian approach. The outlier can be determined by comparing prior and posterior probability which is obtained of data regression, if posterior probability value is greater than prior probability then it called by outlier.

PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA SERIKAT TAHUN 1961-1990 Purwanto, Edi; Herrhyanto, Nar; Suherman, Maman
Jurnal EurekaMatika Vol 2, No 1 (2014): Jurnal EurekaMatika
Publisher : Mathematics Program Study, Universitas Pendidikan Indonesia (UPI)

ABSTRAK:Variabel tak bebas tidak hanya cukup dipengaruhi oleh satu variabel bebas dalam analisis regresi. Semakin banyak variabel bebas yang dilibatkan pada analisis regresi semakin baik pula untuk menaksir variabel tak bebasnya. Akan tetapi, hal ini juga menyebabkan peluang terjadinya multikolinearitas akan semakin besar. Regresi akar laten merupakan salah satu analisis regresi di mana terjadi hubungan di antara variabel-variabel bebasnya. Regresi akar laten akan menggunakan akar latenÂ (nilai eigen) dan vektor laten (vektor eigen) yang diperoleh dari matriks yang entri-entrinya merupakan variabel bebas dan variabel tak bebas untuk membentuk persamaan regresi.Â Kata kunci : multikolinearitas, nilai eigen, vektor eigen, regresi akar laten.Â ABSTRACT: Dependent variableis notonlysufficientlyinfluencedbyanindependent variablein the regression analysis. The moreindependent variableswere includedin theregressionanalysisto estimatethe greater theindependentvariable. However, this is alsocausingthe possibility ofmulticollinearitywill be greater. latentrootregressionis one of theregressionanalysiswhere there isa relationshipbetweenthe independent variables. Latentrootregressionwilluse thelatentroots(eigenvalues) andlatentvectors(eigenvectors) areobtainedfrom thematrixwhose entriesareindependent variablesand thedependent variabletoestablish the regression equation.

PERAMALAN JUMLAH PERMINTAAN SPARE PART LCV BUSHING STRUTHBAR DENGAN MENGGUNAKAN METODE CROSTON DAN METODE SYNTETOS BOYLAN APPROXIMATION Simamora, Yesi Kurnia; Puspita, Entit; Herrhyanto, Nar
Jurnal EurekaMatika Vol 7, No 1 (2019): Jurnal EurekaMatika
Publisher : Mathematics Program Study, Universitas Pendidikan Indonesia (UPI)

Meningkatnya permintaan kendaraan bermotor akan mempengaruhi jumlah permintaan akan spare parts. Permasalahan persediaan kerap kali dihadapi oleh para pengambil keputusan khususnya dalam hal manajemen persediaan. Pada data permintaan spare part LCV BUSHING STRUTHBAR diketahui bahwa tidak selalu terjadi permintaan setiap bulannya sehingga membentuk pola data intermittent. Intermittent demand adalah permintaan yang memiliki nilai zero dan non-zero. Metode peramalan yang cocok untuk pola data intermittent adalah metode Croston dan Syntetos Boylan Approximation (SBA). Berdasarkan analisis yang telah dilakukan ternyata metode SBA adalah metode yang memiliki varians lebih kecil daripada metode Croston, dengan nilai varians sebesar 0,906.

Analisis Data Kemampuan Menghafal Alquran Dengan Menggunakan Model Regresi Untuk Data Berdistribusi Normal Terpotong Atas Bawah Rachmi Dwiyati; Nar Herrhyanto; Bambang Avip Priatna
Jurnal EurekaMatika Vol 8, No 2 (2020): Jurnal Eurekamatika
Publisher : Universitas Pendidikan Indonesia (UPI)

Tujuan dari penelitian ini adalah untuk menganalisis data kemampuan menghafal Alquran yang datanya diperoleh dari hasil ujian tahfizh menggunakan sebuah instrumen tes, dan digunakan model regresi terpotong. Dilihat dari pembatasan nilai pada variabel dependennya dan variabel independennya hanya akan diobservasi jika variabel dependennya diobservasi, analisis yang digunakan adalah distribusi normal terpotong atas bawah. Model regresi untuk data ini, nilai-nilai variabel dependennya berupa q Yi r dimana data yang diobservasi berada diantara titik q yang merupakan batas bawah yaitu nilai 44 dan titik r merupakan batas atas yaitu nilai 96 dari data dependen yang diobservasi. Metode yang digunakan untuk menaksir parameter dalam model adalah metode kemungkinan maksimum dengan menggunakan bantuan iteratif Newton Raphson. Analisis data dilakukan dengan menentukan model regresi linear dan model regresi untuk data terpotong atas bawah, kemudian uji asumsi normalitas serta uji koefisien secara parsial model regresi untuk data berdistribusi normal terpotong atas bawah. Hasil yang diperoleh dari penelitian ini yaitu model regresi yang menggambarkan hubungan antara nilai ujian tahfizh, nilai tahsin, dan nilai akhir.

ANALISIS REGRESI LINEAR PIECEWISE DUA SEGMEN DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL Titia Ningsih; Nar Herrhyanto; Dewi Rachmatin
Jurnal EurekaMatika Vol 7, No 2 (2019): Jurnal EurekaMatika
Publisher : Mathematics Program Study, Universitas Pendidikan Indonesia (UPI)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.17509/jem.v7i2.22136

ABSTRAK. Analisis regresi linear adalah teknik statistika untuk membentuk model dalam menentukan hubungan sebab akibat antara dua variabel atau lebih, yaitu variabel bebas dan variabel terikat. Analisis ini dapat dilakukan pada semua data atau membagi nilai variabel bebas menjadi beberapa bagian, kemudian menerapkan analisis regresi pada setiap bagian (segmen) sehingga akan dipelajari lebih dari satu model dalam satu studi kasus. Pembagian nilai variabel x menjadi beberapa segmen ini kemudian disebut analisis regresi linear piecewise dan nilai x yang menjadi titik pembagian segmen disebut breakpoint. Metode yang digunakan untuk memperkirakan nilai regresi linear dan parameter breakpoint adalah metode kuadrat terkecil. Kasus yang akan diteliti dalam penerapan regresi linear piecewise ini adalah hubungan inflasi dengan jumlah uang beredar di Indonesia pada 2014-2017.Kata kunci: piecewise, metode kuadrat terkecil, inflasi, jumlah uang beredar. LINEAR REGRESSION ANALYSIS OF PIECEWISE TWO SEGMENTS USING ORDINARY LEAST SQUARE METHOD ABSTRACT. Linear regression analysis is a statistical technique to form a model in determining the causal relationship between two or more variables, namely the independent variable and dependent variable. This analysis can be done on all data or divide the value of free variable into several parts then apply regression analysis on each part (segment) therefore more than one model in one case study is studied. The division of the value of the variable x into some of these segments is then called the linear piecewise regression analysis and the value of x which becomes the point of division of the segment is called breakpoint. The method used to estimate linear regression and breakpoint parameter values is the least squares method. The case to be investigated for the application of linear piecewise regression is the inflationary relationship with the money supply in Indonesia at 2014-2017.Keyword : piecewise, ordinary least squares method, inflation, money supply

Title

Found 17 Documents
Search
Journal : Jurnal%20Eurekamatika

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 17 Documents Search Journal : Jurnal%20Eurekamatika

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 17 Documents
Search
Journal : Jurnal%20Eurekamatika