Hasil Pencarian  ::  Simpan CSV :: Kembali

"Analisis regresi merupakan suatu metode yang digunakan untuk menganalisis hubungan antar variabel yang diekspresikan dalam bentuk persamaan antara variabel dependen dengan variabel bebas. Dalam analisis regresi terdapat beberapa asumsi yang harus dipenuhi. Spasial dependen pada suatu kumpulan data sampel berarti observasi pada suatu lokasi berkorelasi dengan observasi pada lokasi lain. Sehingga asumsi error antar observasi yang saling bebas tidak terpenuhi. Oleh karena itu, dibutuhkan suatu model yang memperhitungkan adanya korelasi spasial yaitu model spasial dependen. Model spasial dependen terbagi dua yaitu spasial lag dan spasial error. Model spasial lag merupakan model regresi linier dimana pada variabel dependennya terdapat korelasi spasial sedangkan model spasial error merupakan model regresi linier dimana pada errornya terdapat korelasi spasial. Penaksiran parameter menggunakan metode maksimum likelihood. "

"Model regresi data panel spasial error dinamis adalah model regresi data panel yang melibatkan lag dari variabel dependen dan komponen dependensi spasial error. Karena terdapat korelasi antara lag dari variabel dependen dan komponen error, estimasi dengan Ordinary Least Squares menjadi bias dan tidak konsisten. Oleh karena itu, dibutuhkan metode lain untuk menaksir parameter dalam model. Metode yang dapat digunakan adalah perluasan metode Arellano dan Bond yang mencakup metode instrumental variabel menggunakan variabel instrumen yang disarankan oleh Mutl (2006) dan prinsip Generalized Method of Moments (GMM). Kemudian ditambah dengan metode pendekatan Kapoor, Kelejian, dan Prucha (KKP) sehingga dihasilkan taksiran yang konsisten.

---

The dynamic spatial error panel data regression model is panel data regression model which involves lag of the dependent variable and error spatial dependence. Because there is correlation between the lag of the dependent variable and error components, the ordinary least squares estimator becomes biased and inconsistent. Therefore, we need another method to estimate parameters in the model. The method which can be used is the extended method of Arellano and Bond covering instrumental variable method using instrument variables suggested by Mutl (2006) and the principle of the Generalized Method of Moments (GMM). Then the method is coupled with the method of Kapoor, Kelejian, and Prucha (KKP) approach so that it produces consistent estimators."

"Model regresi data panel balanced dinamis dengan fixed effect merupakan model regresi data panel yang melibatkan lag dari variabel respon sebagai variabel penjelas. Asumsi model regresi data panel dinamis yang dibahas adalah balanced panel, yaitu tiap individu diamati untuk panjang waktu yang sama. Dengan asumsi fixed effect, heterogenitas dapat terlihat pada intersep model. Metode penaksiran yang digunakan dikenal sebagai LSDV (least square dummy variable) namun taksiran yang dihasilkan bias. Taksiran ini juga tidak konsisten ketika periode waktu berhingga. Oleh karena itu, dibutuhkan metode lain untuk menaksir parameter dalam model. Metode yang dapat digunakan adalah metode bias terkoreksi. Estimasi bias terkoreksi diperoleh dari koreksi bias asimtotik taksiran LSDV dengan bias asimtotik didapat melalui bentuk ketidakkonsistenan penaksir. Secara intuitif, koreksi bias ini menghilangkan bentuk tidak konsistennya taksiran LSDV sehingga menjadi taksiran yang konsisten. Prosedur iteratif digunakan untuk mendapatkan taksiran bias terkoreksi. Teknik bias terkoreksi ini diaplikasikan dalam analisis empiris dari model dinamis tingkat pengangguran di negara bagian Amerika Serikat pada periode 1991-2000.

---

Regression model of balanced dynamic panel data with fixed effect is a regression model of panel data involving lag of response variable as explanatory variable. Assumption regression model of dynamic panel data discussed is balanced panel, that is each individual observed for the same length of time period. Assuming a fixed effect, heterogeneity can be seen on the intercept model. The assessment method used is known as LSDV (least square dummy variable) however the resulting estimates generated bias. These estimators will also inconsistent for finite number of time period. Therefore, other methods are needed to estimate parameters in model. A method that can be used is bias corrected method. Bias corrected estimation is derived from the asymptotic bias correction LSDV estimator which the asymptotic bias obtained through the form of inconsistent of estimator. Intuitively, this bias correction eliminates the form of inconsistent of LSDV estimator so as to be consistent. Iterative procedure are used to obtain this bias corrected estimator. The proposed technique is applied in an empirical analysis of unemployment rate model dynamics at the U.S. state level for the 1991-2000 period."

"Analisis regresi adalah suatu teknik statistik yang digunakan untuk menyelidiki dan menunjukkan hubungan antara variabel-variabel yang dianggap berpengaruh. Hasil analisis, yang disebut model regresi, akan baik jika data pengamatan yang dipakai sudah memenuhi asumsi-asumsi yang ada dan mempunyai pengaruh yang sama pada saat pencocokan regresi, dalam hal ini pada taksiran β. Artinya, tidak ada sebagian atau satu pengamatan yang lebih berpengaruh dibandingkan dengan data pengamatan yang lain. Untuk mengetahui apakah ada data pengamatan yang lebih berpengaruh tersebut, dilakukan pendeteksian terhadap data yang ada dengan menggunakan pendekatan penghapusan. Pendekatan ini menguji bagaimana suatu pengamatan dapat mengubah kuantitas yang terlibat dalam analisis regresi. Ada 2 metode pendeteksian pengamatan yang berpengaruh pada β , yaitu : 1. Berdasarkan jarak titik pada ruang X - Y 1.1 Elemen diagonal matrik V 1.2 Jarak Mahalanobis 1.3 WSSD 1.4 Elemen diagonal matrik VZ 2. Berdasarkan Kurva Pengaruh ( pusat elipsoida keperoayaan) 2.1 Cook distance 2.2 Welsch distance 2.3 Welsch-Kuh distance 2.4 Modifikasi Cook distance."

"Perkembangan era globalisasi dapat menyebabkan terjadinya persaingan didalamnya yang akan mendorong beberapa individu atau kelompok untuk terlibat dalam tindak kejahatan dengan metode ilegal dalam upaya untuk mencapai keunggulan atau mengalahkan pesaing. Tidak dapat dipungkiri jika tindak kejahatan di Indonesia semakin marak diberitakan melalui media elektronik ataupun media lainnya. Peristiwa ini didukung dengan peningkatan jumlah tindak pidana di Indonesia dalam tiga tahun terakhir. Demi mengurangi dampak negatif persaingan yang dapat memicu tindak kejahatan dan mencapai tujuan ke-16 SDGs untuk menciptakan lingkungan yang lebih aman bagi masyarakat, khususnya di era globalisasi, maka penting untuk memahami faktor-faktor yang dapat menjelaskan tingkat kriminalitas. Tujuan dari penelitian ini adalah menganalisis faktor-faktor yang menjelaskan tingkat kriminalitas di Sumatera Utara menggunakan metode Geographically and Temporally Weighted Regression (GTWR) dengan fungsi pembobot adaptive kernel Bisquare. Metode GTWR merupakan pengembangan dari metode Geographically Weighted Regression (GWR) yang tidak hanya mempertimbangkan heterogenitas spasial, tetapi juga heterogenitas temporal. Penelitian ini menggunakan variabel penjelas Kepadatan Penduduk (KPn), Jumlah Penduduk Miskin (JPM), Garis Kemiskinan (GKm), Rata-rata Lama Sekolah (RLS), Tingkat Pengangguran Terbuka (TPT), dan Pengeluaran Perkapita Disesuaikan (PKD). Hasil dari penelitian ini diperoleh 10 kelompok area berdasarkan perbedaan signifikansi variabel penjelas setiap tahunnya. Terdiri dari 3 kelompok area pada tahun 2019, 4 kelompok area pada tahun 2020, dan 3 kelompok area pada tahun 2021.

---

The development of era of globalization can lead to competition that may drive individuals or groups to engage in criminal activities using illegal methods to achieve an advantage or surpass competitors. Crime in Indonesia is inevitably increasing, whether reported by electronic media or other media. This phenomenon has auxiliary data on the increasing number of criminal in Indonesia over the past three years. In order to mitigate the adverse effects of competition that may lead to criminal behavior and accomplish Goal 16 of the Sustainable Development Goals (SDGs), which aims to create a safer environment for society, especially in the era of globalization, it is necessary to understand the factors that can explain the crime rates. The objective of this study is to analyze the factors that explain the crime rates in North Sumatra using the Geographically and Temporally Weighted Regression (GTWR) method with weighting functions adaptive Bisquare kernel. The GTWR method is an extension of the Geographically Weighted Regression (GWR) method, which considers spatial and temporal heterogeneity. This study uses explanatory variables such as Population Density (KPn), Number of Poor People (JPM), Poverty Line (GKm), Average Length of Schooling (RLS), Open Unemployment Rate (TPT), and Adjusted Per Capita Expenditure (PKD). The results of this study obtained 10 areas groups based on the significance of different explanatory variables for each year consisting of 3 broad groups in 2019, 4 broad groups in 2020, and 3 broad groups in 2021."

"ABSTRAKAnalisis regresi linier memodelkan hubungan linier antara variabel respon dengan variabel regresor. Analisis regresi linier menghasilkan suatu model yang disebut model regresi linier. Metode yang sering digunakan untuk menaksir parameter pada model regresi linier adalah metode ordinary least square OLS . Metode OLS akan menghasilkan taksiran terbaik ketika semua asumsinya terpenuhi. Namun pada kenyataannya, asumsi-asumsi tersebut seringkali tidak terpenuhi. Asumsi yang seringkali tidak terpenuhi adalah adanya multikolinieritas dan outlier. Multikolinieritas akan menyebabkan variansi dari taksiran parameter regresi membesar, sedangkan outlier akan membuat taksiran parameter menjadi bias. Jika terdapat multikolinieritas dan outlier pada data, digunakan jackknife ridge M-estimator. Jackknife ridge M-estimator adalah taksiran koefisien regresi yang memiliki sifat robust sehingga tidak terpengaruh oleh outlier dan menggunakan metode ridge untuk mengatasi masalah multikolinieritas serta menggunakan metode jackknife untuk mereduksi bias yang dihasilkan metode ridge. Pada regresi linier berganda, model regresi dapat terdiri dari banyak kandidat variabel regresor. Metode subset selection digunakan untuk memilih sebagian kecil saja dari kandidat variabel regresor pada model regresi linier berganda yang paling baik dalam memprediksi nilai dari variabel respon. Kriteria seleksi yang dapat digunakan pada metode subset selection apabila terdapat outlier dan multikolinieritas pada data yaitu kriteria GSp yang merupakan generalized version dari kriteria Sp. Hal tersebut dikarenakan, kriteria GSp didasarkan oleh jackknife ridge M-estimator yang dapat mengatasi masalah outlier dan multikolinieritas. Selanjutnya, kriteria GSp diimplementasikan untuk mendapatkan model terbaik pada data IQ yang memiliki masalah outlier dan multikolinieritas. Berdasarkan analisis data, diperoleh bahwa untuk mengetahui IQ seseorang orang tersebut tidak harus melakukan 5 tes kepribadian berbeda, karena dengan hanya melakukan 3 tes kepribadian saja yaitu tes 1, tes 3 dan tes 5, sudah dapat diketahui besar IQ dari orang tersebut, dimana hal tersebut dapat mengurangi waktu, biaya dan tenaga yang diperlukan.

---

ABSTRACTLinear regression analysis model the linear relation between response variable with regressor variables. Linear regression analysis produce a linear regression model. Ordinary least squares OLS method is often utilized to estimate parameters of linear regression model. OLS method will produce the best estimates when all the assumptions are met. However, in real data, those assumptions are often not violated. Such as the multicollinearity and outliers. Multicollinearity will produce a large variance of the regression parameters, while outliers will cause a biased estimates. Jackknife ridge M estimator is recommended to be implemented in the model when these problems are present. Jackknife ridge M estimator is the regression with robust property, which makes it able not to be influenced by the presence of outlier, and ridge method is utilized to overcome multicollinearity, where the jackknife method is utilized to reduce the bias from the result of the ridge method. In multiple linear regression, regression model could possibly contain many regressor variable candidates. Subset selection method is utilized to select some of those regressor variable candidates on the multiple linear regression model that best predicts the value of the response variable. The selection criterion that can be utilized on the subset selection method when outlier and multicollinearity are present is the GSp criterion which is the generalized version of the Sp criterion. The reason for this is because the GSp criterion is based on jackknife ridge M estimator, which is able to solve the problem of outlier and multicollinearity. Furthermore, GSp criterion is implemented to obtain the best model on IQ data that has outlier and multicollinearity issues. Based on the data analysis, it was found that to know the IQ of a person the person does not need to do 5 different personality tests, because by only doing 3 personality test which is test 1, test 3 and test 5, it can be known the IQ of that person, where it can reduce the time, cost and energy required."

"Analisis regresi adalah sebuah metode statistika yang digunakan untuk menganalisis hubungan antara sebuah variabel dependen dengan satu atau lebih variabel independen. Pada umumnya variabel dependen dalam analisis regresi adalah variabel random kontinu dan distribusi dari variabel dependen diberikan nilai variabel independen adalah Normal. Dalam skripsi ini akan dijelaskan mengenai analisis regresi yang variabel dependen diberikan nilai variabel independennya diasumsikan berdistribusi Poisson. Analisis regresi tersebut dinamakan analisis regresi Poisson. Analisis regresi Poisson digunakan untuk menganalisis hubungan antara sebuah variabel dependen yang menyatakan data terhitung atau data count berdistribusi Poisson dengan satu atau lebih variabel independen. Data count yang dimaksud misalnya adalah banyaknya kejadian dalam interval waktu, ruang, atau volume tertentu. Dalam analisis regresi Poisson, variabel independen yang digunakan dapat berjenis kontinu atau kategorik. Hubungan antara variabel dependen dan variabel independen tersebut dijelaskan oleh model regresi Poisson. Penaksiran parameter model dilakukan menggunakan metode maksimum likelihood dengan pendekatan Newton-Raphson. Pengujian signifikansi parameter model menggunakan uji Rasio Likelihood dan uji Wald. "

"Skripsi ini akan membahas tentang analisis regresi logistik untuk matched data. Dalam matched data, observasi - observasi dikelompokkan ke dalam suatu kelompok yang sama, yang disebut dengan matched set, berdasarkan suatu variabel yang disebut dengan variabel matching. Keberadaan variabel matching diperhitungkan dalam analisis ini. Penaksiran parameter dalam model regresi logistik untuk matched data dilakukan dengan menggunakan metode maksimum likelihood bersyarat dengan pendekatan Newton - Raphson. Uji kecocokan model menggunakan uji Rasio Likelihood dan uji signifikansi masing - masing parameter dalam model menggunakan uji Wald. Dalam penerapan metode analisis regresi logistik untuk matched data untuk melihat pengaruh "adanya kelahiran bayi dengan operasi caesar" dan "adanya kelahiran bayi premature" terhadap "kelahiran bayi dengan berat rendah (< 2500 gr)" dengan "umur ibu" sebagai variabel matching, didapat bahwa "adanya kelahiran bayi premature" mempengaruhi "kelahiran bayi dengan berat rendah (< 2500 gr)", dan "adanya kelahiran bayi dengan operasi caesar" tidak mempengaruhi ?kelahiran bayi dengan berat rendah (< 2500 gr)."

"Salah satu indikator penting untuk mengetahui miskin atau tidaknya suatu rumah tangga adalah jumlah pengeluaran rumah tangga tersebut per bulan. Tugas akhir mi membandingkan kontribusi pengeluaran pangan dan non pangan pada pengeluaran per bulan dengan memperhatikan karakteristik-karakteristik demografis dan sosial rumah tangga. Metode analisis yang digunakan adalah model regresi linier berganda, berdasarkan data rumah tangga hasil Survei Sosial Ekonomi Nasional 1990 (BPS 1990) untuk wilayah propinsi Jawa Barat. Beberapa model regresi di buat untuk rumah tangga miskin dan tidak miskin baik di kota maupun di desa. Hasil yang didapat adalah adanya perbedaan kontribusi pengeluaran pangan maupun non pangan pada pengeluaran rumah tangga per bulan antara rumah tangga miskin dan tidak miskin baik di kota maupun di desa. Kontribusi pengeluaran pangan pada rumah tangga miskin lebih besar dibandingkan rumah tangga tidak miskin, di kota maupun di desa. Sedangkan kontribusi pengeluaran non pangan pada rumah tangga tidak miskin lebih besar dibandingkan rumah tangga miskin, di kota maupun di desa. Karakteristik-karakteristjk yang diperhatikan dalam model adalah jenis kelamin kepala keluarga, sumber penghasilan utama, status pekerjaan, tingkat pendidikan kepala keluarga, jumlah pekerja dan jumlah anggota rumah tangga."