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

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.

[img]
Preview
Text
1313201028-Presentation.pdf - Published Version

Download (1MB) | Preview
[img]
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
Q Science > QA Mathematics > QA278 Cluster Analysis. Multivariate analysis
Divisions: Faculty of Mathematics and Science > Statistics > (S2) Master Theses
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 View Item