PENAKSIRAN DAN PENGUJIAN HIPOTESIS MODEL GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL BIVARIATE REGRESSION (GWNBBR) Studi Kasus : Jumlah Kematian Bayi dan Kematian Ibu di Propinsi Jawa Timur Tahun 2013

NAWAWI, M. ICHSAN (2016) PENAKSIRAN DAN PENGUJIAN HIPOTESIS MODEL GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL BIVARIATE REGRESSION (GWNBBR) Studi Kasus : Jumlah Kematian Bayi dan Kematian Ibu di Propinsi Jawa Timur Tahun 2013. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
1314201008-Abstract.pdf - Published Version

Download (197kB) | Preview
[img]
Preview
Text
1314201008-Master Thesis.pdf - Published Version

Download (4MB) | Preview
[img]
Preview
Text
1314201008-conclusion.pdf - Published Version

Download (261kB) | Preview

Abstract

Regresi Binomial Negatif merupakan solusi untuk mengatasi overdispersi pada regresi Poisson. Regresi Binomial Negatif akan menghasilkan model yang bersifat global, yang berlaku untuk semua wilayah di mana data diambil. Pada kenyataannya, kondisi geografis, sosial budaya dan ekonomi tentunya akan berbeda antar wilayah. Hal ini menggambarkan adanya efek heterogenitas spasial antar wilayah. Pengembangan model regresi yang memperhatikan faktor heterogenitas spasial yaitu regresi dengan pembobotan geografi (Geographically Weighted Regression). Dengan memberikan pembobotan berdasarkan posisi atau jarak satu wilayah pengamatan dengan wilayah pengamatan lainnya maka model GWR akan menghasilkan model lokal yang berbeda-beda di tiap wilayah. Selanjutnya, jika variabel respon yang diteliti mengikuti distribusi Binomial Negatif Bivariat maka pengembangannya menjadi Geographically Weighted Negative Binomial Bivariate Regression (GWNBBR). Pada penelitian ini model regresi dengan menggunakan metode GWNBBR akan diterapkan pada pemodelan angka kematian Ibu dan Kematian Bayi untuk mengetahui faktor-faktor yang mempengaruhinya. Penaksiran parameter dilakukan dengan menggunakan metode Maximum Likelihood Estimation (MLE) melalui iterasi Newton-Raphson. Metode pengujian parameter yang digunakan adalah Maximum Likelihood Ratio Test.Dari hasil analisis menunjukkan bahwa pemodelan GWNBBR menghasilkan parameter yang bersifat lokal, hal ini dapat dilihat dari perbedaan variabel prediktor yang signifikan untuk setiap kab/kota di Jawa Timur ===================================================================================================== Regression binomial negative is a solution to overcome overdispersi in regression poisson. Regression negative binomial will yield model is global, that apply to all areas where the taken.In fact, geography, cultural social and economy will certainly similar across all areas. What this demonstrates the effect heterogenitas spatial between regions. Development model regression who see factors heterogeneity spatial namely Geographically Weighted Regression. By giving weighting based on position or a distance of one areas observation to the region observation other so model gwr will produce model local different in every area.Next, if variable response subjects follow the binomial distribution negative bivariat so its development be Geographically Weighted Negative Binomial Bivariate Regression (GWNBBR). In this study model regression uses the GWNBBR to be applied to modeling maternal mortality and infant mortality factors influence it. Estimation parameter done use Maximum Likelihood Estimation (MLE) method with Newton-Raphson iteration. Testing hypotheses use Maximum Likelihood Ratio Test. the analysis shows that the modeling GWNBBR produce parameters localized, this can be seen from the different predictor variables are significant for each disttrict/cities in East Java.

Item Type: Thesis (Masters)
Additional Information: RTSt 519.536 Naw p
Uncontrolled Keywords: Kematian Bayi, Kematian Ibu, Maximum Likelihood Estimation. Newton-Raphson, Maximum Likelihood Ratio Test, Geographically Weighted Negative Binomial Bivariate Regression
Subjects: Q Science > QA Mathematics
Q Science > QA Mathematics > QA278.2 Regression Analysis
Divisions: Faculty of Mathematics and Science > Statistics > (S2) Master Theses
Depositing User: Mr. Tondo Indra Nyata
Date Deposited: 09 Jan 2017 04:53
Last Modified: 27 Dec 2018 03:05
URI: http://repository.its.ac.id/id/eprint/1402

Actions (login required)

View Item View Item