Thola, Muhamad Ikbal (2015) Penaksiran Parameter Dan Pengujian Hipotesis Model Geographically Weighted Bivariate Poisson Regression. Studi Kasus : Jumlah Penderita Penyakit Kusta PB dan Kusta MB di Provinsi Jawa Timur Tahun 2012. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
1313201028-Presentation.pdf - Published Version Download (1MB) | Preview |
Preview |
Text
1313201028-Master_Theses.pdf - Published Version Download (6MB) | Preview |
Abstract
Regresi bivariat poisson merupakan metode yang digunakan untuk
memodelkan sepasang data
count
berdistribusi poisson yang memiliki korelasi.
Penaksiran parameter model regresi bivariat poisson menggunakan
Maximum
Likelihood
Estimation
(MLE) serta pengujian hipotesis mengunakan
Maximum
Likelihood
Rasio Test
(MLRT). Pemodelan ini menghasilkan taksiran parameter
yang bersifat global untuk seluruh lokasi (daerah). Adanya pengaruh lokasi yang
merupakan faktor penting terhadap pemodelan apabila dilakukan di setiap daerah
yang berbeda-beda. Hal ini dikarenakan setiap daerah/wilayah pasti memiliki
kondisi geografis yang berbeda sehingga menyebabkan hasil pemodelan regresi
bivariat poisson kurang representative. Untuk itu diperlukan analisis yang dapat
mencakup pengaruh lokasi tersebut yaitu dengan pemodelan GWBPR
(
Geographically
Weihgted
Bivariate
Poisson
Regression
). GWBPR adalah regresi
bivariat poisson yang mempertimbangkan efek spasial dimana data tersebut
diambil. Kusta merupakan salah satu penyakit menular yang bisa menyebabkan
kelumpuhan pada penderita. Penyakit ini terbagi menjadi dua tipe yaitu tipe Pausi
Basiler (PB) dan tipe Multi Basiler (MB). Analisis yang digunakan untuk
memodelkan jumlah kasus kusta PB dan MB serta faktor-faktor yang
mem
pengaruhinya ditiap kab/kota di Jawa Timur adalah GWBPR. Penaksiran
parameter model GWBPR menggunakan MLE dengan iterasi Newton-Raphson
serta pengujian hipotesis mengunakan MLRT. Dari hasil analisis ini diketahui
bahwa terdapat 4 kelompok pembagian wilayah terhadap kusta PB maupun MB
berdasarkan kesamaan variabel prediktor yang signifikan. Hal ini menunjukkan
bahwa pemodelan GWBPR menghasilkan parameter yang bersifat lokal yang bisa
dilihat dari perbedaan variabel prediktor yang signifikan untuk setiap kab/kota di
Jawa Timur. =========== Bivariate poisson regression is a method that used to modeling a pair of
correlated poisson
count
data. The parameter estimation of bivariate poisson
regression model use
Maximum Likelihood Estimation
(MLE) and hypothesis
testing use
Maximum Likelihood Ratio Test
(MLRT). This modeling resulted a
global parameter estimation for all location (area). Location’s influence is a
important factor in this modeling, if it is done in different area, because every
location/area surely have a different geographic condition and cause the bivariate
poisson regression is not representative. To solve this problem, GWBPR
(
Geographically Weighted Bivariate Poisson Regression
) is considered to
embrace location’s influence. GWBPR is bivariate poisson regression that
considering the spatial effect where the data was taken. Leprocy is a spread
disease which can cause paralysis to its sufferer. This disease divide into two
types, Pausi Basiler (PB) and (Multi Basiler). GWBPR used to modeling the
number of PB and MB leprocy and to identify the influence factors. GWBPR
parameter estimation using MLE with Newton-Raphson iteration and hypothesis
testing using MLRT. According to the result, there are 4 divided area groups to
PB and MB leprosy based a same significant predictors. GWBPR resulted a local
parameter, can see from the different of significant predictors for each district/city
in East Java.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | GWBPR; Kusta; MLE; MLRT; Newton-Raphson; Regresi Bivariat Poisson; ivariate Poisson Regression; Leprosy; Newton -Rhapson |
| Subjects: | Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression Q Science > QA Mathematics > QA278 Cluster Analysis. Multivariate analysis. Correspondence analysis (Statistics) |
| Divisions: | Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | - Davi Wah |
| Date Deposited: | 30 May 2018 07:10 |
| Last Modified: | 30 May 2018 07:10 |
| URI: | http://repository.its.ac.id/id/eprint/51960 |
Actions (login required)
 |
View Item |