Articles
186 Documents
<![CDATA[PEMODELAN FIXED EFFECT PADA REGRESI DATA LONGITUDINAL DENGAN ESTIMASI GENERALIZED METHOD OF MOMENTS (STUDI KASUS DATA PENDUDUDUK MISKIN DI INDONESIA) ]]>
<![CDATA[Muhammad Ghazali]]>;
<![CDATA[Bambang Widjanarko Otok]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 4, No 1 (2016): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (456.015 KB)
|
DOI: 10.26714/jsunimus.4.1.2016.%p
<![CDATA[Indeks kedalaman kemiskinan merupakan ukuran rata-rata kesenjangan penyebaran pengeluaran masing-masing penduduk terhadap garis kemiskinan. Banyak faktor yang mempengaruhi indeks kedalaman kemiskinan, baik dari indikator kesehatan, SDM maupun ekonomi. Oleh karena itu diperlukan sebuah pemodelan statistika untuk menganalisa faktor-faktor yang mempengaruhi indeks kedalaman kemiskinan di Indonesia. Data kemiskinan yang digunakan pada penelitian ini bersumber dari data SUSENAS yang berupa data longitudinal dengan individu pengamatan adalah seluruh kabupaten/kota di Indonesia dari tahun 2008 sampai 2012. Analisis data longitudinal tidak cukup menggunakan OLS karena beberapa asumsi OLS seperti homokedastisitas dan tidak ada autokorelasi sulit terpenuhi pada analisa data longitudinal karena cendurung adanya pengaruh antar individu dan antar waktu pengamatan dalam model. Untuk mengatasi hal tersebut digunakan metode Generalized Method of Moment (GMM) yang digunakan untuk menaksir parameter model data longitudinal. GMM adalah metode penaksiran parameter yang fokus utamanya adalah meminimalkan fungsi kuadratik ( ) ( ) ( ) untuk mencari parameter ?. Analisis GMM untuk data longitudinal pada penelitian ini dengan Fixed Effect. Kesimpulan yang diperoleh adalah semakin tinggi Rata-rata lama sekolah (X1) dan Angka harapan hidup (X6) maka indeks kedalaman kemiskinan akan semakin kecil. Sedangkan jika semakin tinggi Persentase pengeluaran non makanan (X2) dan persentase rumah tangga yang pernah membeli beras raskin (X4) maka indeks kedalaman kemiskinan juga semakin tinggi. Kata kunci : Regresi data longitudinal, GMM, Indeks kedalaman miskinan.]]>
<![CDATA[RELIABILITAS SISTEM TIGA KOMPONEN TERSUSUN SERI TERHADAP PARALEL ]]>
<![CDATA[Sudarno Sudarno]]>;
<![CDATA[Alan Prahutama]]>;
<![CDATA[Fathimatuzzahra Syahrozad Nuroqi]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 6, No 1 (2018): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (262.728 KB)
|
DOI: 10.26714/jsunimus.6.1.2018.%p
<![CDATA[Reliabilitas merupakan peluang suatu unit atau komponen akan beroperasi dengan baik dalam jangka waktu tertentu di bawah kondisi pemakaian yang sesuai prosedur tanpa kegagalan. Reliabilitas komponen merupakan peluang komponen mampu hidup atau baru mati setelah waktu tertentu. Reliabilitas komponen dapat dipergunakan untukmenghitung reliabilitas sistem. Perhitunan reliabilitas sistem bergantung pada susunan komponen yang membentuk sistem tersebut. Susunan sistem dalam penelitian ini menggunakan seri terhadap paralel. Komponen elektronika berupa satu resistor dan dua LED yang membentuk lampu PCB. Data yang diambil merupakan waktu kegagalan komponen dan berupa data bangkitan. Untuk masalah ini diambil sebanyak 50 data dari masing-masing komponen. Uji kecocokan distribusi menggunakan metode AndersonDarling, sedangkan taksiran parameter distribusi menggunakan metode median rank regression estimation (MRRE) dan maximum likelihood estimation (MLE). Hasil yang didapat bahwa waktu kegagalan resistor berdistribusi Weibull, waktu kegalan LED1 berdistribusi normal dan waktu kegagalan LED2 berdistribusi lognormal. Estimasiparameter distribusi Weibull menggunakan MRRE didapat gˆ = 15,57 dan qˆ = 42999,12, estimasi parameter distribusi normal menggunakan MLE didapat mˆ = 40068,62 dan sˆ = 451,17 dan estimasi parameter distribusi lognormal menggunakan MLE didapat mˆl = 10,60 dan sˆl = 0,01. Secara umum dapat dikatakan bahwa baik untuk reliabilitas komponen maupun reliabilitas sistem dengan bertambahnya waktu kegagalan berimplikasi menurunnya nilai reliabilitas.Kata kunci : Reliabilitas, Sistem seri terhadap paralel, Anderson-Darling.]]>
<![CDATA[ANALISIS KLASIFIKASI CREDIT SCORING MENGGUNAKAN WEIGHTED PROBABILISTIC NEURAL NETWORK (WPNN) ]]>
<![CDATA[Arief Rachman Hakim]]>;
<![CDATA[Moch. Abdul Mukid]]>;
<![CDATA[Hasbi Yasin]]>;
<![CDATA[Sugito Sugito]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 7, No 1 (2019): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (441.67 KB)
|
DOI: 10.26714/jsunimus.7.1.2019.%p
<![CDATA[Credit Scoring merupakan salah satu metode yang digunakan untuk menilai kelayakan dan memprediksi lebih awal adanya potensi kredit macet dari calon nasabah kredit. Dalam analisis kasifikasi Credit Scoring dapat menggunakan Weighted Probabilistic Neural Network (WPNN). Neural Network (NN) dikembangkan sebagai model matematika dengan prinsip kerja yang menyerupai pola pikir atau jaringan syaraf pada mahluk hidup. WPNN merupakan pengembangan daripada metode PNN dengan menambahkan faktor pembobot antara pattern layer dan summation layer. Metode ini memiliki kelebihan dalam mengatasi permasalahan yang terdapat pada Back-Propagation (BP) yaitu dapat mengatasi waktu pelatihan (training) yang lama, terjebak pada global minimum, serta sulitnya perancangan arsitektur jaringan. Pemilihan Klasifikasi dilakukan dengan melihat nilai Apparent Error Rate (APER) yang terkecil, yang dibagi kedalam nilai APER untuk Training dan Testing. Nilai APER training sebesar 0.0003 dan testing sebesar 0.0395 yang merupakan nilai APER terkecil, maka bobot yang terpilih dengan nilai bobot atau spread sebesar 0.8.]]>
<![CDATA[PEMODELAN SPATIAL ERROR MODEL (SEM) UNTUK INDEKS PEMBANGUNAN MANUSIA (IPM) DI PROVINSI JAWA TENGAH ]]>
<![CDATA[Diana Wahyu Safitri]]>;
<![CDATA[Moh Yamin Darsyah]]>;
<![CDATA[Tiani Wahyu Utami]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 2 (2014): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (863.2 KB)
|
DOI: 10.26714/jsunimus.2.2.2014.%p
<![CDATA[Indek Pembangunan Manusia (IPM) merupakan salah satu alat ukur kinerja pembangunan khususnya pembangunan manusia yang dilakukan di suatu wilayah pada waktu tertentu atau secara spesifik. Penelitian ini mengkaji IPM dan komponen-komponen penyusun IPM, data yang digunakan adalah data nilai komponen-komponen IPM untuk 35 kabupaten/kota di Provinsi Jawa Tengah. Variabel yang digunakan dalam penelitian ini adalah nilai IPM (Y) sebagai variabel dependen, AHH (X1), AMH (X2) dan PPP (X3) sebagai variabel independen. Penelitian mengkaji efek dependensi spasial dengan mengunakan pendekatan area. Selanjutnya diberikan aplikasi SEM untuk mengidentifikasi seberapa besar pengaruh komponen-komponen penyusun IPM dapat mempengaruhi tingkat IPM di Jawa Tengah. Hasil penelitian menunjukkan bahwa persebaran IPM di Provinsi Jawa Tengah terdapat pola pengelompokan wilayah. Hasil pemodelan menggunakan SEM menunjukkan lambda dan semua variabel yang signifikan. Model SEM menghasilkan AIC sebesar 43,8540 yang lebih baik dibandingkan regresi metode OLS dengan AIC sebesar 45,6231.]]>
<![CDATA[SMALL AREA ESTIMATION PENGELUARAN PER KAPITA DI KABUPATEN BANGKALAN DENGAN METODE HIERARCHICAL BAYES ]]>
<![CDATA[Andi Muhammad Ade Satriya]]>;
<![CDATA[Nur Iriawan]]>;
<![CDATA[Brodjol Sutijo S. U]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 3, No 2 (2015): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (177.917 KB)
|
DOI: 10.26714/jsunimus.3.2.2015.%p
<![CDATA[Penelitian ini mengkaji tentang Hierarchical Bayes (HB) yang diaplikasikan pada Small Area Estimation (SAE) dengan tujuan mengestimasi pengeluaran per kapita di Kabupaten Bangkalan. Digunakan SAE karena penambahan ukuran sampel dari pendugaan secara langsung merupakan salah satu cara untuk mendapatkan data pendugaan sampai level kecamatan. Akan tetapi penambahan ukuran sampel akan menambah biaya yang diperlukan menjadi lebih besar dan waktu yang diperlukan pun dalam survei menjadi lama. Oleh karena itu untuk mengatasi masalah tersebut yaitu dengan mengoptimalkan data yang tersedia dengan metode SAE. Kemudian menggunakan metode HB untuk mencari penduganya. Proses pendugaan dilakukan menggunakan Markov Chain Monte Carlo (MCMC) dengan menerapkan algoritma Gibbs sampling. Pemodelan secara tidak langsung menggunakan HB SAE dilakukan dibawah model Fay-Herriot untuk level area dengan bantuan variabel penyerta persentase penduduk bekerja di sektor pertanian (X1), rata-rata anggota keluarga (X2), persentase keluarga miskin (X3), jumlah penduduk yang sedang sekolah (X4), jumlah penduduk pelanggan listrik PLN (X5), dan kepadatan penduduk (X6). Hasil pendugaan tersebut dibandingkan dengan pendugaan langsung dengan mengeluarkan output DIC sebagai tolak ukurnya. dari hasil yang telah diperoleh menunjukkan bahwa pendugaan dengan menggunakan HB menghasilkan nilai DIC yang lebih kecil yaitu sebesar 46.656 daripada pendugaan langsung sebesar 72.043. Maka dapat disimpulkan model pendugaan tak langsung menggunakan HB lebih baik dari pendugaan langsung.Kata Kunci : Deviance Information Criterion, Hierarchical Bayes, Pengeluaran per Kapita, Small Area Estimation.]]>
<![CDATA[ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TENGAH MENGGUNAKAN REGRESI GENERALIZED POISSON DAN BINOMIAL NEGATIF ]]>
<![CDATA[Alan Prahutama]]>;
<![CDATA[Sudarno Sudarno]]>;
<![CDATA[Suparti Suparti]]>;
<![CDATA[Moch. Abdul Mukid]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 5, No 2 (2017): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (184.884 KB)
|
DOI: 10.26714/jsunimus.5.2.2017.%p
<![CDATA[Angka Kematian Bayi (AKB) adalah banyaknya kematian bayi berusia dibawah satutahun, per 1000 kelahiran hidup pada satu tahun tertentu. Banyak faktor-faktor yangmempengaruhi angka kematian bayi antara lain karakteristik orang tua dam faktorlingkungan. Pada penelitian ini mengkaji faktor-faktor lingkungan yang mempengaruhiangka kematian bayi. Metode yang digunakan adalah pemodelan regresi poisson,generalized poisson dan binomial negatif. Regresi generalized poisson dan binomialnegatif digunakan untuk mengatasi overdispesi dalam regresi Poisson. Pada pemodelan AKB dengan regresi poisson terjadi overdispersi sebesar 15.919. Variabel yang signifikan untuk pemodelan AKB menggunakan ketiga metode antara lain jumlah sarana kesehatan (RS dan Puskesmas) (X1); prosentase berperilaku hidup bersih dan sehat (X6); rata-rata lama pemberian ASI (X9). Model terbaik adalah binomial negatif dengan nilai AIC sebesar 375.7. Kata kunci: Angka Kematian Bayi, Regresi Poisson, Generalized Poisson, BinomialNegatif]]>
<![CDATA[PEMODELAN PRODUKSI PADI MENGGUNAKAN REGRESI SEMIPARAMETRIK KERNEL ]]>
<![CDATA[Tiani Wahyu Utami]]>;
<![CDATA[Indah Manfaati Nur]]>;
<![CDATA[Endah Suryaningsih]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 6, No 2 (2018): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (441.697 KB)
|
DOI: 10.26714/jsunimus.6.2.2018.%p
<![CDATA[Negara Indonesia merupakan negara agraris dengan salah satu bahan makanan pokok di Indonesia adalah padi. Produksi padi di provinsi Jawa Timur merupakan tertinggi di Indonesia. Tujuan penelitian ini adalah melakukan estimasi parameter parametrik dan nonparametrik serta memodelkan produksi padi di 38 kabupaten/kota provinsi Jawa Timur menggunakan regresi semiparametrik kernel. Regresi semiparametrik merupakan gabungan dari regresi parametrik dan nonparametrik. Regresi parametrik memiliki kurva yang berpola, misal linier, dll. Regresi nonparametrik memiliki kurva yang smooth yang tidak diketahui polanya, sehingga dalam hal ini diperlukan teknik smoothing yang digunakan untuk menghaluskan kurva yaitu salah satunya adalah kernel dengan estimator parameter Nadaraya-Watson dan metode estimasi parametermenggunakan Weighted Least Square (WLS), serta pemilihan bandwidth (h) optimal dengan metode Generalized Cross Validation (GCV). Variabel yang digunakan dalam penelitian yaitu produksi padi sebagai variabel respon, sedangkan variabel prediktornya yaitu luas panen, produktivitas, dan luas kerusakan. Data yang digunakan merupakan data sekunder dari website resmi Badan Pusat Statistika (BPS) provinsi Jawa Timur.Berdasarkan hasil estimasi menunjukkan bahwa regresi semiparametrik kernel mendapatkan nilai bandwidth (h) optimalnya 0,006 dengan GCV=15058865548. Koefisien determinasi (R2) sebesar 92,46% dan MSE sebesar 5797077303. Kata kunci : Produksi Padi, Regresi Semiparametrik, GCV, Nadaraya-Watson, WLS]]>
<![CDATA[ANALISIS KEMENANGAN PEMILIHAN GUBERNUR (PILGUB) JAWA TENGAH 2013 DENGAN AUTOKORELASI SPASIAL ]]>
<![CDATA[Alan Prahutama]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 2, No 1 (2014): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (64.675 KB)
|
DOI: 10.26714/jsunimus.2.1.2014.%p
<![CDATA[Indonesia merupakan negara yang menganut sistem demokrasi, dimana sistem pemilihan kepala daerah dilakukan secara demokrasi. Oleh karena itu setiap calon gubernur dan wakil gubernur berlomba-lomba untuk menarik simpati masyarakat dalam pemilihan gubernur (Pilgub). Pilgub Jawa Tengah 2013 diikuti oleh 3 calon gubernur dan wakil gubernur yaitu Hadi-Don, Bibit-Sudijono, dan Ganjar-Heru. Terkadang aspek suatu wilayah pelu diperhitungkan untuk melihat karaketristik pemilih berdasarkan wilayah. Autokorelasi spasial mengkaji tentang hubungan antara lokasi yang dipengaruhi oleh lokasi disekitarnya. Metode pengujian autokorelasi spasial menggunakan metode Moran’s I, Moran’s scatterplot, dan LISA. Pada Pilgub Jawa Tengah 2013 hasil analisis indeks Moran’s dan LISA menunjukan bahwa setiap pasangan calon mempunyai autokorelasi spasial. Daerah yang mempunyai autokorelasi spasial untuk ketiga pasangan calon tersebut antara lain wilayah Wonogiri, Sukoharjo, Kota Surakarta, Klaten, Karanganyar.]]>
<![CDATA[PEMODELAN DERET WAKTU POINT LIGA ITALIA SERIE A DENGAN PENDEKATAN REGRESI BERDASARKAN RMSE (ROOT MEAN SQUARE SCORE) TERKECIL DAN SKOR MAKSIMAL TIAP PEKAN ]]>
<![CDATA[Nanda Noor Fadjrin]]>;
<![CDATA[Agung Wibawa]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 8, No 1 (2020): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (774.587 KB)
|
DOI: 10.26714/jsunimus.8.1.2020.%p
<![CDATA[Covid 19 membuat penundaan jadwal Liga Italia Serie A selama hampir 2 bulan. Deret waktu digunakan untuk mempediksi suatu kasus musiman yang dapat juga diterapkan pada hasil pertandingan sepak bola. Hasil pertandingan sepakbola dalam hal ini untuk memprediksi poin akhir, jumlah memasukan dan kemasukan goal tiap tim Serie A. Deret waktu yang digunakan jenis trend menggunakan tiga model yaitu regresi linier, eksponensial dan berpangkat. Dari ketiga model dipilih model terbaik berdasarkan RMSE (Root Mean Square Score) dan tinjauan poin maksimal, rata-rata memasukan kemasukan goal tim-tim Serie A. Penelitian memprediksi Lazio menjadi juara, Atalanta memiliki jumlah memsukan goal terbanyak dan Genoa tim dengan jumlah kebobolan terbanyak.]]>
<![CDATA[ANALISIS PENGARUH CURAH HUJAN DAN MORFOMETRI PADA PENINGKATAN DEBIT DAN SEDIMEN DI DAS KONTO HULU DENGAN PENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED MULTUVARIATE LINIER MODEL ]]>
<![CDATA[Memi Nor Hayati]]>;
<![CDATA[- Purhadi]]>
<![CDATA[ Jurnal Statistika Universitas Muhammadiyah Semarang Vol 3, No 1 (2015): Jurnal Statistika Universitas Muhammadiyah Semarang ]]>
Publisher : <![CDATA[Department Statistics, Faculty Mathematics and Natural Science, UNIMUS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (172.756 KB)
|
DOI: 10.26714/jsunimus.3.1.2015.%p
<![CDATA[Metode Mixed Geographically Weighted Multivariate Linier Model (MGWMLM) yangmerupakan gabungan dari model linier multivariat dan GWMLM). Pemilihanbandwidth optimum digunakan metode Cross Validation (CV). Pengujian kesesuaianmodel regresi multivariat dan MGWMLM didekati dengan distribusi F begitu juga padapengujian parameter MGWMLM secara serentak, sedangkan pengujian parameterMGWMLM secara parsial baik untuk parameter global dan parameter lokalmenggunakan distribusi t. Aplikasi dari MGWMLM ini untuk mengetahui pengaruhcurah hujan dan morfometri DAS terhadap penentuan besarnya debit dan sedimentasiDAS Konto Hulu. Berdasarkan MGWMLM dengan pembobot fungsi kernel Gaussian,faktor-faktor yang mempengaruhi debit dan sedimen di DAS Konto Hulu secara lokaladalah luas sub DAS dan rata-rata kemiringan lahan. Sedangkan variabel curah hujanharian berpengaruh signifikan secara global pada seluruh lokasi pengamatan.Kata Kunci : MGWMLM, GWMLM, DAS.]]>
