Hasil Pencarian  ::  Simpan CSV :: Kembali

"Analisis regresi merupakan salah satu metode yang paling sering digunakan dalam menganalisis data. Pada aplikasinya, seringkali proses analisis dihadapkan dengan masalah keterurutan. Pada tahun 1972 Richard E. Barlow memperkenalkan metode Regresi Isotonik sebagai salah satu metode analisis data yang mempertimbangkan keterurutan. Metode regresi ini digunakan ketika penelitian berhadapan dengan asumsi bahwa ketika nilai variabel independen bertambah, maka nilai variabel dependen juga bertambah. Dengan adanya asumsi ini, maka digunakan fungsi isotonik, yaitu fungsi yang mempertahankan keterurutan naik, untuk menemukan model yang sesuai. Tujuan dari metode Regresi Isotonik adalah menemukan fungsi g* yang merupakan anggota kelas fungsi isotonik dan memiliki jarak kuadrat minimum terhadap fungsi yang diperoleh dari data pengamatan. Dengan menggunakan prinsip dasar Cumulative Sum Diagram dan Greatest Convex Minorant, g* bisa diperoleh, dimana g* adalah fungsi tangga. Seiring berkembangnya teori pendekatan, interpolasi polinomial juga semakin berkembang dan bisa digunakan untuk smoothing fungsi tangga yang diperoleh dari metode Regresi Isotonik. Fungsi hasil smoothing ini dinamakan Smooth Isotonic Regression. Dalam skripsi ini akan dibahas bagaimana cara memodelkan hubungan antara dua variabel menggunakan metode Regresi Isotonik dan Smooth Isotonic Regression.

---

Regression analysis is a method in statistics that often used to analyze data. On the application in real world problem, the analysis process is often confronted an order restriction. In 1972, Richard E. Barlow introduced a method named Isotonic Regression as a method that concerns on the order restriction. This method is used when the analysis confront an assumption that the dependent variable value will increase as the independent variable value increase. With this assumption, the regression model is constructed from isotonic function that preserves the order of the variable.

The objective of this method is to find a function g* that has minimum distance to the observation data function and g* is element of class of isotonic function . Using the Cumulative Sum Diagram and Greatest Convex Minorant, appropriate g* can be found and g* is a step function. Polynomial interpolation as the development of approximation theory can be used as a smoothing function to the step function from isotonic regression. This smooth function named Smooth Isotonic Regression. In this paper, these two methods will be explained."

"Untuk memodelkan data cacah atau count data, model regresi yang biasa digunakan adalah model regresi Poisson. Model regresi Poisson mengasumsikan mean pada variabel respon sama dengan variansinya atau dikenal dengan istilah equidispersion. Apabila regresi Poisson digunakan untuk kondisi selain equidispersion, yaitu overdispersion dan underdispersion, maka nilai standard error dari estimasi parameter model menjadi tidak konsisten. Salah satu alternatif model regresi untuk mengatasi overdispersion maupun underdispersion adalah model regresi double Poisson. Model regresi double Poisson mengasumsikan variabel respon berdistribusi double Poisson. Distribusi double Poisson diperoleh menggunakan definisi dari keluarga distribusi double eksponensial. Parameter pada model regresi double Poisson diestimasi menggunakan metode maksimum likelihood dan solusi dari persamaan log-likelihoodnya diselesaikan menggunakan metode numerik Newton-Raphson. Penerapan model regresi double Poisson pada data kepiting tapal kuda menunjukan bahwa hanya variabel weight yang berpengaruh signifikan terhadap banyak kepiting satelit yang berkerumun ke sarang kepiting tapal kuda betina. Selain itu, interpretasi dari model regresi double Poisson juga serupa dengan model regresi Poisson sebab keduanya menggunakan fungsi penghubung log.

---

To model count data, the most commonly used regression model is the Poisson regression model. The Poisson regression model assumes that the mean of the response variable is equal to the variance, also known as equidispersion. If Poisson regression is used for conditions other than equidispersion, namely overdispersion and underdispersion, then the standard error value of the estimated model parameters becomes inconsistent. One of the alternative regression models to overcome overdispersion and underdispersion is the double Poisson regression model. The double Poisson regression model assumes that the response variable has a double Poisson distribution. The double Poisson distribution is obtained using the definition of the double exponential distribution family. The parameters in the double Poisson regression model were estimated using the maximum likelihood method and the solutions of the log-likelihood equation were solved using the Newton-Raphson numerical method. The application of the double Poisson regression model to the horseshoe crab data shows that only the variable weight has a significant effect on the number of satellite crabs swarming to the nests of female horseshoe crabs. In addition, the interpretation of the double Poisson regression model is also similar to the Poisson regression model because both use a log link function."

"Regresi Poisson merupakan generalized linear models (GLM) yang umum digunakan untuk memodelkan hubungan antara variabel respon berbentuk count data dengan satu atau lebih kovariat. Hanya saja, kerap dijumpai count data yang tidak memenuhi asumsi equidispersion sehingga tidak dapat dimodelkan dengan regresi Poisson. Salah satu penyebabnya adalah fenomena overdispersion yang teridentifikasi dengan banyaknya observasi yang bernilai nol (excess zeros) pada count data. Model regresi Zero-Inflated Poisson (ZIP) dapat digunakan untuk memodelkan count data yang mengalami overdispersion akibat excess zeros. Namun, pada beberapa kasus, count data dapat mengandung excess zeros dan excess ones dalam suatu periode waktu tertentu. Oleh karena itu, diperkenalkan solusi atas permasalahan tersebut menggunakan sebuah distribusi baru, yaitu distribusi Zero-and-One-Inflated Poisson (ZOIP), yang dibangun berdasarkan distribusi Bernoulli dan Poisson. Pada skripsi ini, dikonstruksi model regresi ZOIP untuk memodelkan count data yang mengandung excess zeros dan excess ones dalam suatu periode waktu tertentu. Parameter model regresi ZOIP tersebut diestimasi menggunakan metode maksimum likelihood dan algoritma Expectation Maximization (EM). Selanjutnya, diaplikasikan model regresi ZOIP dengan satu kovariat dan tanpa kovariat ke data klaim asuransi mobil. Berdasarkan nilai Akaike Information Criteria (AIC), didapatkan bahwa model regresi tanpa kovariat lebih cocok untuk memodelkan data klaim asuransi mobil yang dipakai.

---

Poisson regression is a generalized linear model (GLM) that is commonly used to model the relationship between response variables in the form of count data with one or more covariates. However, it is often found that count data does not meet the equidispersion assumption, so it cannot be modeled using Poisson regression. One of the causes is the phenomenon of overdispersion which is identified by the number of observations that are zero (excess zeros) in the count data. The Zero-Inflated Poisson (ZIP) regression model can be used to model count data that experiences overdispersion due to excess zeros. However, in some cases, count data may contain excess zeros and excess ones in a certain period of time. Therefore, a solution to this problem was introduced using a new distribution, namely the Zero-and-One-Inflated Poisson (ZOIP) distribution, which was built based on the Bernoulli and Poisson distribution. In this thesis, a ZOIP regression model is constructed to model count data containing excess zeros and excess ones in a certain period of time. The parameters of the ZOIP regression model are estimated using the maximum likelihood method and the Expectation Maximization (EM) algorithm. Furthermore, the ZOIP regression model with a covariate and without covariates were applied to the car insurance claim data. Based on the Akaike Information Criteria (AIC) value, it was found that the regression model without covariates is more suitable for modeling the car insurance claim data used."

"Berkson Measurement error model merupakan model regresi dimana nilai dari variabel prediktor yang terobservasi telah ditentukan sebelumnya dan mengandung error pengukuran atau error observasi. Penaksiran parameter model regresi dengan kasus Berkson Measurement error dapat dilakukan dengan beberapa metode diantaranya dengan metode OLS dan metode Minimum Distance. Metode yang digunakan dalam tugas akhir ini adalah metode Minimum Distance berdasarkan momen pertama dan kedua dari variabel respon diberikan variabel prediktor terobservasi yang diperkenalkan oleh Wang (2003). Berdasarkan teorema kekonsistenan yang dinyatakan Wang (2003), penaksir Minimum Distance bersifat konsisten dan dibuktikan berdasarkan lemma dari kekonsistenan Ekstremum Estimator. Dalam tugas akhir ini, metode Minimum Distance diterapkan untuk menaksir parameter model regresi polinomial Berkson. Penaksir parameter model diperoleh dengan mensubstitusikan taksiran dari parameter-parameter baru yang muncul pada momen pertama dan kedua dari variabel respon diberikan nilai variabel prediktor terobservasi.

---

Berkson measurement error model is a regression model where the value of the observed predictor variable was determined and contained error of measurement or error of observation.The parameter estimation of regression model with Berkson measurement error case can be estimated with several methods such as by OLS method and Minimum Distance methods. The method used in this minithesis is the Minimum Distance based on the first two conditional moment of the response variable given the value of ​​observed predictor variable that introduced by Wang (2003). Based on the theorem of consistency that was stated by Wang (2003), the Minimum Distance estimator was consistent and it was proved based on the consistency of Ekstremum Estimator theorem. In this minithesis, the Minimum Distance method is applied to estimate parameters polinomial Berkson regression model. Parameter estimator model is obtained by substituting the value of new parameter estimators that appear on the first two conditional moment of the response variable given the value of ​​observed predictor variable."

"Alokasi makanan adalah alokasi dasar di dalam rumah tangga yang seolah-olah mampu diberikan sama rata untuk setiap anggota rumah tangga terutama antar anak atau antar saudara kandung. Namun ada beberapa faktor yang bisa menyebabkan adanya perbedaan alokasi makanan antar saudara kandung. Dengan menggunakan data IFLS 4 dan 5 serta variasi makanan sebagai proksi alokasi makanan, studi ini membahas dua faktor yang berpengaruh terhadap alokasi makanan yaitu urutan kelahiran dan status pengaturan fertilitas yang tidak sempurna. Selain itu studi ini mencoba menjelaskan mekanisme efek urutan kelahiran menggunakan status pengaturan fertilitas yang tidak sempurna tersebut. Hasil pada studi ini menemukan bahwa adanya efek negatif urutan kelahiran di dalam alokasi makanan rumah tangga. Selain anak dengan status tidak diinginkan dan atau berada di keluarga tidak diinginkan akibat adanya status pengaturan kelahiran yang tidak sempurna cenderung variasi makanan yang lebih rendah. Namun studi ini tidak bisa menjelaskan secara kausalitas mekanisme dibalik efek negatif urutan kelahiran melalui status pengaturan kelahiran yang tidak sempurna.

---

Food allocation is a basic allocation within a household that as if the household is able to provide an equal allocation for each household member, especially between child or sibling. But there are several factors which can cause differences in the allocation of food between siblings. Using IFLS 4 and 5 data and food variation as proxy of allocation, this study discusses two factors that affect food allocation, birth order and imperfect fertility control status. Beside that, this study tries to explain the mechanism of birth order effects using the imperfect fertility control status. The results of this study found that there was a negative effect on birth order in household allocation of food. In addition children with unwanted status and/or live in unwanted families due to imperfect birth control status, tend to have lower food variations. However, this study cannot explain the causality of the mechanism behind the negative effects of birth order through imperfect birth control status.

"

"Tugas akhir ini membahas model regressi logistic yang digunakan untuk menganalisa dan memodel hubungan antara variabel respon kualitatif dikotomi dan variabel - variabel bebas."

"Analisis regresi merupakan suatu metode statistik untuk menyelidiki dan memodelkan hubungan antara satu variabel respon Y dengan satu atau lebih variabel prediktor X . Hubungan antara variabel prediktor X dan variabel respon Y secara umum dapat dimodelkan dengan sebuah fungsi regresi. Menentukan fungsi taksiran regresi dapat dilakukan secara parametrik dan nonparametrik. Dalam tugas akhir ini fungsi regresi ditaksir secara nonparametrik dengan metode regresi polinomial lokal. Regresi polinomial lokal adalah suatu metode regresi nonparametrik, dengan fungsi regresi ditaksir menggunakan bentuk polinomial. Jika pada regresi polinomial biasa persamaan regresi di-fit untuk seluruh wilayah data maka dalam regresi polinomial lokal persamaan regresi di-fit sepotong-sepotong. Kemulusan kurva dari taksiran regresi ini tergantung pada pemilihan parameter pemulus atau bandwidth, sehingga diperlukan pemilihan bandwidth yang optimal, yaitu bandwidth yang meminimumkan GCV. Dalam aplikasi metode regresi polinomial lokal dibandingkan dengan metode Nadaraya-Watson. Hasil yang diperoleh adalah metode regresi polinomial lokal akan baik menaksir data yang nilainya menyimpang jauh dibandingkan nilai data yang lain, sedangkan metode Nadaraya-Watson akan baik menaksir pada data yang berkumpul."