Hasil Pencarian  ::  Simpan CSV :: Kembali

"Beberapa jurnal statistik menunjukkan bahwa pergerakan harga saham dapat diprediksi dengan menggunakan pergerakan harga masa lalu, namun cara ini ditentang oleh Eugene Fama dalam tesisnya yang berjudul Random Walk in Stock Market. Hal tersebut didukung oleh Burton G. Malkiel dalam bukunya yang berjudul Random Walk in Wall Street. Berdasarkan hal tersebut harus dicari cara lain yaitu dengan menggunakan rasio keuangan. Dutta tahun 2012 menunjukkan cara memprediksi pergerakan saham menggunakan Binary Logistic Regression (BLR) dengan rasio keuangan sebagai prediktornya. Model BLR-nya terlibat dalam algoritma klasifikasi biner yang menggunakan nilai cut off dalam aturan klasifikasinya untuk mengklasifikasikan perusahaan mana yang harga sahamnya akan naik atau tidak. Metode ini diterapkan dalam penelitian ini untuk memprediksi pergerakan saham di Indonesia. Sebuah penelitian menunjukkan bahwa keputusan investor dipengaruhi oleh lokasi perusahaan. Oleh karena itu, BLR belum tentu menjadi model yang tepat untuk memprediksi pergerakan saham karena tidak memperhatikan unsur regional (spasial) sehingga dalam penelitian ini digunakan model regresi logistik biner yang mempertimbangkan elemen spasial yang disebut dengan Geographically Weighted Logistic Regression (GWLR) model dan membandingkan kinerja model. dengan model BLR dalam memprediksi pergerakan saham dengan menggunakan rasio keuangan sebagai prediktor. Penelitian diawali dengan mencari model BLR terbaik yang dibuat dari data latih tahun 2013. Model terbaik dengan prediktor rasio keuangan adalah DER (Debt to Equity Ratio). Kemudian dibuat model GWLR dengan prediktor yang sama. BLR dan GWLR dilibatkan vii Universitas Indonesia dalam algoritma klasifikasi biner. Kemudian dilakukan pengujian algoritma masing-masing menggunakan data latih 2013, dan data pengujian tahun 2014 menghasilkan AUC masing-masing sebesar 0,6252723 dan 0,6666667, untuk algoritma klasifikasi biner yang melibatkan GWLR, dan untuk algoritma klasifikasi biner yang melibatkan BLR diperoleh 0,6176471, dan 0,627381. Hal ini menunjukkan bahwa kinerja model GWLR lebih baik dari pada BLR.Several statistical journals show that stock price movements can be predicted using past price movements, but this method is opposed by Eugene Fama in his thesis entitled Random Walk in Stock Market. This is supported by Burton G. Malkiel in his book entitled Random Walk in Wall Street. Based on this, another way must be sought, namely by using financial ratios. Dutta 2012 shows how to predict stock movements using Binary Logistic Regression (BLR) with financial ratios as predictors. The BLR model is involved in a binary classification algorithm that uses the cut off value in its classification rules to classify which companies will increase their share price or not. This method is applied in this study to predict stock movements in Indonesia. A study shows that investors' decisions are influenced by the location of the company. Therefore, BLR is not necessarily the right model for predicting stock movements because it does not pay attention to regional (spatial) elements so in this study a binary logistic regression model is used that considers spatial elements called the Geographically Weighted Logistic Regression (GWLR) model and compares performance. model. with the BLR model in predicting stock movements using financial ratios as predictors. The research begins with finding the best BLR model made from training data in 2013. The best model with a predictor of financial ratios is DER (Debt to Equity Ratio). Then a GWLR model was made with the same predictors. BLR and GWLR were involved vii University of Indonesia in the binary classification algorithm. Then each algorithm was tested using the 2013 training data, and the 2014 test data resulted in an AUC of 0.6252723 and 0.6666667, respectively, for the binary classification algorithm involving GWLR, and for the binary classification algorithm involving BLR it was obtained 0, 6176471, and 0.627381. This shows that the performance of the GWLR model is better than the BLR."

"AIDS merupakan fase infeksi dari virus HIV yang paling kronis yang dapat melemahkan kekebalan tubuh. AIDS disebabkan oleh virus HIV yang menyerang dan menghancurkan sel CD4 atau yang biasa disebutk dengan sel T. Pada tahun 2020, Provinsi Jawa Timur merupakan provinsi dengan jumlah infeksi HIV terbanyak dan urutan ketiga terbanyak untuk total kasus AIDS di Indonesia. Tujuan penelitian ini untuk memodelkan data tingkat proporsi kasus AIDS Provinsi Jawa Timur menggunakan Geographically Weighted Logistic Regression (GWLR) dan melihat hasil pengelompokan kabupaten/kota menggunakan analisis klaster k-means. Variabel yang digunakan untuk penelitian ini adalah Gini Rasio, Indeks L Pengeluaran Per Kapita, Rasio Jenis Kelamin, Rasio Ketergantungan, Indeks Pembangunan Gender (IPG), dan Jumlah Pos Pelayanan KB Desa. Tingkat proporsi kasus AIDS dikategorikan menjadi 2 kategori berdasarkan cut point yang telah ditentukan, dengan kategori 0 sebagai tingkat rendah dengan proporsi kasus AIDS kurang dari 0,0006 dan kategori 1 sebagai tingkat tinggi dengan proporsi kasus AIDS lebih dari atau sama dengan 0,0006. Penaksiran parameter untuk model Geographically Weighted Logistic Regression (GWLR) menggunakan metode Maximum Likelihood Estimation (MLE) dengan fungsi pembobot kernel Fixed Gaussian dan bandwidth optimum ditentukan menggunakan Akaike’s Information Criterion corrected (AICc). Nilai Z hitung dari parameter model yang paling sesuai akan dikelompokan menggunakan analisis klaster k-means, dengan Z hitung adalah nilai estimasi parameter dibagi dengan standar error. Hasil pengelompokan menunjukkan bahwa anggota klaster 1 memiliki kecenderungan merupakan kabupaten/kota yang memiliki variabel signifikan yaitu rasio jenis kelamin dan rasio ketergantungan yang merupakan perbandingan jumlah penduduk bukan angkatan kerja dengan jumlah penduduk angkatan kerja, sementara anggota klaster 2 memiliki kecenderungan merupakan kabupaten/kota yang memiliki variabel signifikan rasio ketergantungan.

---

AIDS is the most chronic phase of HIV infection which can weaken the immune system. AIDS is caused by HIV which attacks and destroys CD4 cells or also known as T cells. In 2020, East Java Province is a province which has the most HIV infections and in the third place for the highest total number of AIDS cases in Indonesia. The purpose of this research is to build a model using Geographically Weighted Logistic Regression (GWLR), and to work out the grouping results of regencies/cities using K- means Clustering Analysis. The variables used in this research are Gini Ratio, L Index of Per Capita Expenditure, Gender Ratio, Dependency Ratio, Gender Development Index, and The Number of Post Pelayanan KB Desa. The proportion levels of AIDS cases are categorized into 2 categories based on cut-point which has been specified, which 0 as the category of low level with the proportion of AIDS cases is less than 0.0006 and 1 as the category of high level with the proportion of AIDS cases is more than or equal to 0.0006. Parameter estimation for Geographically Weighted Logistic Regression (GWLR) is using Maximum Likelihood Estimation (MLE) method with Fixed Gaussian as weighted kernel function and optimum bandwidth is determined using Akaike’s Information Criterion Corrected (AICc). Z-Score of the most suitable model will be grouped using K-means Clustering Analysis, with Z-score is parameter estimator divided by standard error. Grouping results indicates cluster 1 members tend to be regencies/cities that have gender ratio and dependency ratio as significant variables, meanwhile cluster 2 members tend to be regencies/cities that have only dependency ratio as significant variable."

"AIDS merupakan fase infeksi dari virus HIV yang paling kronis yang dapat melemahkan kekebalan tubuh. AIDS disebabkan oleh virus HIV yang menyerang dan menghancurkan sel CD4 atau yang biasa disebutk dengan sel T. Pada tahun 2020, Provinsi Jawa Timur merupakan provinsi dengan jumlah infeksi HIV terbanyak dan urutan ketiga terbanyak untuk total kasus AIDS di Indonesia. Tujuan penelitian ini untuk memodelkan data tingkat proporsi kasus AIDS Provinsi Jawa Timur menggunakan Geographically Weighted Logistic Regression (GWLR) dan melihat hasil pengelompokan kabupaten/kota menggunakan analisis klaster. Variabel yang digunakan untuk penelitian ini adalah Gini Rasio, Indeks L Pengeluaran Per Kapita, Rasio Jenis Kelamin, Rasio Ketergantungan, Indeks Pembangunan Gender (IPG), dan Jumlah Pos Pelayanan KB Desa. Tingkat proporsi kasus AIDS dikategorikan menjadi 2 kategori berdasarkan cut point yang telah ditentukan, dengan kategori 0 sebagai tingkat rendah dengan proporsi kasus AIDS kurang dari 0,0006 dan kategori 1 sebagai tingkat tinggi dengan proporsi kasus AIDS lebih dari atau sama dengan 0,0006. Penaksiran parameter untuk model Geographically Weighted Logistic Regression (GWLR) menggunakan metode Maximum Likelihood Estimation (MLE) dengan fungsi pembobot kernel Fixed Gaussian dan bandwidth optimum ditentukan menggunakan Akaike’s Information Criterion corrected (AICc). Nilai Z hitung dari parameter model yang paling sesuai akan dikelompokan menggunakan analisis klaster k-means, dengan Z hitung adalah nilai estimasi parameter dibagi dengan standar error. Hasil pengelompokan menunjukkan bahwa anggota klaster 1 memiliki kecenderungan merupakan kabupaten/kota yang memiliki variabel signifikan yaitu rasio jenis kelamin dan rasio ketergantungan yang merupakan perbandingan jumlah penduduk bukan angkatan kerja dengan jumlah penduduk angkatan kerja, sementara anggota klaster 2 memiliki kecenderungan merupakan kabupaten/kota yang memiliki variabel signifikan rasio ketergantungan.

---

AIDS is the most chronic phase of HIV infection which can weaken the immune system. AIDS is caused by HIV which attacks and destroys CD4 cells or also known as T cells. In 2020, East Java Province is a province which has the most HIV infections and in the third place for the highest total number of AIDS cases in Indonesia. The purpose of this research is to build a model using Geographically Weighted Logistic Regression (GWLR), and to work out the grouping results of regencies/cities using K-means Clustering Analysis. The variables used in this research are Gini Ratio, L Index of Per Capita Expenditure, Gender Ratio, Dependency Ratio, Gender Development Index, and The Number of Post Pelayanan KB Desa. The proportion levels of AIDS cases are categorized into 2 categories based on cut-point which has been specified, which 0 as the category of low level with the proportion of AIDS cases is less than 0.0006 and 1 as the category of high level with the proportion of AIDS cases is more than or equal to 0.0006. Parameter estimation for Geographically Weighted Logistic Regression (GWLR) is using Maximum Likelihood Estimation (MLE) method with Fixed Gaussian as weighted kernel function and optimum bandwidth is determined using Akaike’s Information Criterion Corrected (AICc). Z-Score of the most suitable model will be grouped using K-means Clustering Analysis, with Z-score is parameter estimator divided by standard error. Grouping results indicates cluster 1 members tend to be regencies/cities that have gender ratio and dependency ratio as significant variables, meanwhile cluster 2 members tend to be regencies/cities that have only dependency ratio as significant variable. "

"Stunting adalah kondisi gagal tumbuh pada balita akibat dari kekurangan gizi kronis,sehingga anak terlalu pendek pada usianya. Stunting memiliki dampak yang burukterhadap pertumbuhan dan perkembangan anak serta berpengaruh terhadap kualitassumber daya manusia di masa depan. Dalam rangka menurunkan angka stunting diIndonesia, pada tahun 2018, pemerintah menetapkan 100 kabupaten/kota sebagai daerahprioritas penanganan kasus stunting di Indonesia. Penetapan 100 kabupaten/kota prioritastersebut ditentukan berdasarkan indikator jumlah balita stunting, prevalensi stunting, dantingkat kemiskinan. Penelitian ini bertujuan untuk mengetahui variabel-variabel yangmemengaruhi status daerah prioritas penanganan stunting di Indonesia agar pemerintahlebih fokus dalam menangani kasus stunting di setiap daerah. Model yang digunakandalam penelitian ini adalah Geographically Weighted Logistic Regression (GWLR).Untuk variabel respon, kategori 0 adalah daerah bukan prioritas penanganan stunting(prevalensi stunting kurang dari rata-rata prevalensi stunting Indonesia tahun 2018sebesar 32,01%) dan kategori 1 adalah daerah prioritas penanganan stunting (prevalensistunting lebih besar dari rata-rata prevalensi stunting Indonesia tahun 2018 sebesar32,01%). Model Geographically Weighted Logistic Regression (GWLR) merupakanpengembangan dari model regresi logistik dengan memperhitungkan pengaruh spasial.Pengaruh spasial tersebut digambarkan melalui matriks pembobot di setiap lokasipengamatan sehingga menghasilkan pendugaan parameter model yang bersifat lokaluntuk setiap lokasi pengamatan. Metode penaksiran parameter yang digunakan adalahmetode Maximum Likelihood Estimation (MLE) dengan fungsi pembobot spasial adalahfungsi pembobot kernel Fixed Gaussian dan Fixed Bisquare. Pada penelitian ini datayang digunakan mengandung missing values sehingga diperlukan penanganan lebihlanjut. Penanganan missing values yang digunakan pada penelitian ini adalah metodeimputasi data menggunakan Classification and Regression Tree (CART). Model GWLRterbaik pada pemodelan kasus stunting di Indonesia tahun 2018 adalah model GWLRdengan pembobot fungsi kernel Fixed Bisquare dengan nilai AIC sebesar 622,806477dan akurasi klasifikasi model sebesar 0,7257.

---

Stunting is a condition of failure to thrive in children under five because of chronic

malnutrition so that the child is too short for his/her age. Stunting has bad effect on

children's growth and the quality of human resources in the future. To reduce the number

of stunting in Indonesia, in 2018, the government determined 100 districts/cities as

priority areas for handling stunting cases in Indonesia. The 100 priority districts/cities are

determined based on the number of stunting children, stunting prevalence, and poverty

level. This study aims to determine the variables that affect the status of priority areas for

stunting handling in Indonesia so the government can be more focused on handling

stunting cases in each region. The model used in this study is Geographically Weighted

Logistic Regression (GWLR) with 0 as the category of a non-priority area for handling

stunting cases (stunting prevalence is less than the average stunting prevalence of

Indonesia in 2018) and 1 as the category of a priority area for handling cases stunting (the

prevalence of stunting is greater than the average stunting prevalence of Indonesia in

2018). The average stunting prevalence of Indonesia in 2018 that used in this study is

32,01%. The Geographically Weighted Logistic Regression (GWLR) model is a

development of the logistic regression model which considers spatial influence. The

spatial influence is illustrated through a weighting matrix at each observation location to

produce an estimation of the local model parameters for each observation location. The

parameter estimation method used is the Maximum Likelihood Estimation (MLE) method

with the spatial weighting function is the Fixed Gaussian and Fixed Bisquare kernel

weighting function. There are missing values in the study data so Classification and

Regression Tree (CART) method used to handle the missing values. The results showed

that the best GWLR model on stunting cases modeling in Indonesia in 2018 is the GWLR

model with Fixed Bisquare kernel function weighting with AIC value of 622,806477 and

accuracy of model classification of 0,7257."

"Credit scoring adalah sebuah sistem yang digunakan kreditor seperti bank dan perusahaan asuransi untuk menentukan apakah pemohon kredit termasuk dalam grup good credit yakni grup yang kemungkinan besar akan membayar utangnya tepat waktu atau bad credit yang merupakan grup dengan kemungkinan besar tidak membayar utangnya tepat waktu. Salah satu metode yang paling sering digunakan dalam pembuatan model credit scoring adalah binary logistic regression.  Namun, seiring dengan kemajuan komputasi, banyak metode lain yang berkembang saat ini untuk dipakai dalam pembuatan model credit scoring yakni, metode gradient boosting. Pada skripsi ini dilakukan implementasi metode binary logistic regression dan gradient boosting dalam pemodelan credit scoring. Hasil yang didapatkan dengan menggunakan data 537.667 debitur dengan rincian 535.705 good credits dan 1.962 bad credits adalah pada data train penggunaan gradient boosting memberikan nilai tingkat akurasi 79,65%, uji KS 0,5389 dan AUROC/AUC 0,8393. Sementara pada data test penggunaan gradient boosting memberikan nilai tingkat akurasi 79,92%, uji KS 0,5345 dan AUROC/AUC 0,8313.  Nilai-nilai tersebut lebih tinggi dibandingkan dengan penggunaan binary logistic regression baik pada data train maupun data test. Berdasarkan nilai uji AUC, metode gradient boosting tergolong klasifikasi yang baik, sedangkan metode binary logistic regression> tergolong klasifikasi yang cukup. Hasil simulasi ini menunjukkan untuk data yang digunakan, metode gradient boosting memberikan hasil yang lebih baik dari sisi akurasi, uji KS, dan AUROC/AUC daripada binary logistic regression. Dengan kata lain, metode gradient boosting dapat meningkatkan discriminant power, yakni kemampuan untuk membandingkan target yang lebih baik dibandingkan dengan metode binary logistic regression.

---

Credit scoring is a system used by creditors such as banks and insurance companies to determine whether credit applicants are included in the good credit group, namely the group that is most likely to pay its debts on time or the bad credit group which is the group that is most likely to not pay its debts on time. One of the most frequently used methods in making credit scoring models is binary logistic regression. However, along with the progress of computation, many other methods are currently being developed to be used in making credit scoring models, namely, the gradient boosting method. In this thesis, we will compare the binary logistic regression and gradient boosting methods in credit scoring model. The results obtained using data from 537,667 debtors with details of 535,705 good credits and 1,962 bad credits are the train data using gradient boosting gives an accuracy rate of 79.65%, KS test 0.5389 and AUROC/AUC 0.8393. Meanwhile, the test data using gradient boosting gives an accuracy rate of 79.92%, KS test 0.5345, and AUROC/AUC 0.8313. These values ​​are higher than the use of binary logistic regression in both the train and test data. Based on the AUC test value, the gradient boosting method is a good classifier, while the binary logistic regression method is an acceptable classifier. The results of this simulation show that for the data used, the gradient boosting method gives better results in terms of accuracy, KS test, and AUROC/AUC than binary logistic regression. In other words, the gradient boosting method can increase discriminant power or the ability to compare targets better than the binary logistic regression method."

"Prediksi potensi kebangkrutan bank berbasis rasio keuangan adalah topik penelitian yang tiada henti diteliti. Upaya ini dilakukan agar dapat menemukan model prediksi yang dianggap mampu menjelaskan tingkat kesehatan bank, mampu memprediksi dan mendeteksi secara dini potensi kebangkrutan bank, menemukan formula yang bisa diterapkan untuk semua bank, demi menyelamatkan bank dan sekaligus menciptakan kemakmuran perekonomian negara terkait dengan peran perbankan sebagai tulang punggung perekonomian negara. Hal ini dimungkinkan dengan bantuan teknik statistik berbasis model regresi logistik multinomial—variabel dependen bersifat kategorik sebagai suatu fungsi dari sejumlah variabel independen. Model prediksi potensi kebangkrutan bank yang dikembangkan dalam penelitian ini menemukan bahwa rasio keuangan mengenai capital adequacy sebuah bank adalah signifikan secara statistik (signifikan dalam dua fungsi logit) dalam mendeteksi secara dini potensi kebangkrutan bank. Ini terbukti dari ketepatan prediksi yang bisa diraih, yaitu bank gagal (bank likuidasi) (BL) adalah 75%, bank dalam penyelamatan (BDP) adalah 62.50%, dan bank sehat (bank survive) (BS) adalah 97.14%. Rasio keuangan dipercaya memiliki andil dalam model prediksi kebangkrutan sebesar 89.36%.

---

Prediction of potential bank bankruptcy based on financial ratios is a continuing research. This study is aimed to provide prediction model capable of explaining bank's health, predicting or detecting early potential bankruptcy of bank, finding formula that can be applied to all banks, promoting sound banking and simultaneously creating economic prosperity of the country considering that bank is the country's economic infrastructure. Statistical technique based on multinomial logistic regression model is used as method to test the model with categorical dependent variables given a set of independent variables. It is found that financial ratio related to bank's capital adequacy is statistically significant (in two logit functions) in providing early detection of potential bank insolvency. The accuracy of predictions by the model is 75% for failed banks (BL), 62.50% for banks classified under special surveillance or banks in resolution (BDP), and 97.14% for healthy banks (BS). Financial ratios are believed to have contributed to the bankruptcy prediction model by 89.36%."

"[ABSTRAKRegresi linier merupakan suatu metode yang dapat digunakan untuk memodelkan hubungan antara suatu variabel terikat terhadap satu atau lebih variabel penjelas. Terdapat beberapa asumsi yang harus dipenuhi pada model regresi linier, yaitu komponen error berdistribusi normal dengan mean nol, variansi error konstan(homoskedastis), dan error antar observasi saling bebas. Pada saat menganalisis data spasial dengan menggunakan model regresi linier, asumsi homoskedastis terkadang tidak dapat terpenuhi karena kondisi data pada satu lokasi berbeda dengan kondisi data pada lokasi lainnya. Model Geographically Weighted Regression (GWR) dapat digunakan untuk mengatasi masalah heterogenitas spasial. Parameter model GWR dapat ditaksir dengan menggunakan dasar metode Weighted Least Squares (WLS) dimana bobotnya merupakan fungsi pembobot kernel. Fungsi pembobot kernel yang digunakan pada penelitian ini adalah fungsi pembobot kernel Gaussian. Pada bagian akhir penulisan, diberikan contoh aplikasi model GWR dengan menggunakan data klaim rawat inap peserta asuransikesehatan PT. XYZ untuk melihat hubungan antara total biaya rawat inap terhadap lamanya pasien dirawat inap dan kelas kamar rumah sakit yang ditempati pasien selama menjalani rawat inap untuk diagnosa tipes, DBD, dan diare. Dari hasil penelitian, hanya diagnosa tipes dan DBD yang dapat dianalisis dengan GWR. Berdasarkan peta penyebaran hasil taksiran parameter model GWR dan taksiran rata-rata total biaya rawat inap pasien dengan diagnosa tipes dan DBD, terlihat adanya variasi biaya di rumah sakit yang satu dengan rumah sakit lainnya.

---

ABSTRACTLinear regression is a method that can be used to model the relationship between a dependent variable to one or more explanatory variables. There are some assumptions that must be fulfilled in the linear regression model, such as the error term is normally distributed with mean zero, a constant variance (homoscedastic),and independent among observations. When analyzing spatial data using a linear regression model, sometimes the homoscedastic assumption cannot be fulfilled because data condition on one location differ compared to others. Geographically Weighted Regression (GWR) model is used to overcome the spatial heterogeneityproblem. Parameters of GWR model can be estimated using Weighted Least Squares (WLS) method as the basic of estimating parameters using kernel weighting function. The kernel weighting function used here is Gaussian kernel weighting function. At the last chapter, there is an example of the GWR model application by using inpatient claims data of PT. XYZ members to see the relationship between the total inpatient cost to length of stay and hospital’s room rate for typhoid, DBD, and diarrhea. From the result, only typhoid and DBD thatcan be analyzed with GWR model. Based on the map of parameter estimates on GWR model and average of total inpatient cost for typhoid and DBD, it shows that there is a variation of inpatient cost between one hospital and the others., Linear regression is a method that can be used to model the relationship between adependent variable to one or more explanatory variables. There are someassumptions that must be fulfilled in the linear regression model, such as the errorterm is normally distributed with mean zero, a constant variance (homoscedastic),and independent among observations. When analyzing spatial data using a linearregression model, sometimes the homoscedastic assumption cannot be fulfilledbecause data condition on one location differ compared to others. GeographicallyWeighted Regression (GWR) model is used to overcome the spatial heterogeneityproblem. Parameters of GWR model can be estimated using Weighted LeastSquares (WLS) method as the basic of estimating parameters using kernelweighting function. The kernel weighting function used here is Gaussian kernelweighting function. At the last chapter, there is an example of the GWR modelapplication by using inpatient claims data of PT. XYZ members to see therelationship between the total inpatient cost to length of stay and hospital’s roomrate for typhoid, DBD, and diarrhea. From the result, only typhoid and DBD thatcan be analyzed with GWR model. Based on the map of parameter estimates onGWR model and average of total inpatient cost for typhoid and DBD, it showsthat there is a variation of inpatient cost between one hospital and the others.]"

"Kemiskinan merupakan salah satu masalah sosial yang masih menjadi perhatian pemerintah. Hampir seluruh negara berkembang memiliki standar hidup yang masih rendah. Salah satu cara untuk mengurangi kemiskinan adalah dengan menganalisis faktor-faktor yang memengaruhi Salah satu metode yang cocok dalam menganalisis tingkat kemiskinan adalah dengan menggunakan Geographically Weighted Regression (GWR). Hal ini dikarenakan dalam model GWR dipertimbangkan aspek spasial yang berbeda-beda untuk masing-masing lokasi pengamatan. Dalam model GWR dilakukan pendekatan analisis regresi yang digunakan untuk memahami hubungan spasial antara variabel-variabel dalam konteks geografi. Hal ini dikarenakan model GWR mempertimbangkan jarak lokasi pengamatan dengan lokasi sekitarnya, model GWR juga mempertimbangkan pembobot pada masing-masing lokasi pengamatan. Daerah yang dekat dengan lokasi pengamatakan mendapatkan pembobot yang lebih besar daripada daerah yang jauh dengan lokasi pengamatan, dalam hal ini penentuan pembobot dalam model GWR bergantung pada bandwidth. Dalam penelitian ini dilakukan analisis dengan mempertimbangkan empat pembobot spasial yaitu fixed gaussian kernel, fixed bisquare kernel, fixed tricube kernel, dan fixed exponential kernel yang diterapkan pada dua bandwidth yaitu bandwidth CV dan bandwidth AIC. Variabel dependen yang digunakan adalah tingkat kemiskinan dan variabel independen yang digunakan adalah rata-rata lama sekolah, upah minimum, tingkat pengangguran, indeks pembangunan manusia, angka harapan hidup dan jumlah penduduk. Hasil dari penelitian ini menunjukkan bahwa pada 118 Kabupaten/Kota di Pulau Jawa memiliki model GWR yang berbeda-beda. Untuk model GWR menggunakan bandwidth CV diperoleh model terbaik dengan menggunakan fixed exponential kernel dengan sembilan kelompok variabel yang signifikan, untuk model GWR menggunakan bandwidth AIC diperoleh model terbaik dengan menggunakan fixed bisquare kernel dengan enam kelompok variabel yang signifikan.

---

Poverty is one of the social issues that continues to be a concern for the government. Almost all developing countries have low living standards. One way to reduce poverty is by analyzing the factors that influence it. One suitable method for analyzing poverty levels is by using Geographically Weighted Regression (GWR). This is because the GWR model considers different spatial aspects for each observation location. In the GWR model, a regression analysis approach is used to understand the spatial relationship between variables in a geographical context. This is because the GWR model considers the distance between the observation location and its surrounding locations. The GWR model also considers weighting for each observation location. Areas close to the observation location are given a higher weight than areas far from the observation location. In this case, the determination of the weight in the GWR model depends on the bandwidth. This research analyzes four spatial weights, namely fixed Gaussian kernel, fixed bisquare kernel, fixed tricube kernel, and fixed exponential kernel, applied to two bandwidths: CV bandwidth and AIC bandwidth. The dependent variable used is the poverty rate, and the independent variables used are average length of schooling, minimum wage, unemployment rate, human development index, life expectancy, and population. The results of this study show that the 118 districts in Java Island have different GWR models. For the GWR model using the CV bandwidth, the best model is obtained using the fixed exponential kernel with nine significant variable groups. For the GWR model using the AIC bandwidth, the best model is obtained using the fixed bisquare kernel with six significant variable groups."

"ABSTRAKPendugaan Persentase Kejadian Gizi Buruk di Jawa Timur Menggunakan Model Regresi Terboboti Geografis. Provinsi Jawa Timur memiliki karakteristik wilayah yang berbeda. Perbedaan karakteristik wilayah dapat berupa masalah sosial, ekonomi, budaya, pola asuh, pendidikan, dan lingkungan, sehingga dapat menyebabkan adanya perbedaan kejadian balita gizi buruk antara wilayah satu dengan wilayah lainnya. Penderita gizi buruk dari satu wilayah diduga dipengaruhi oleh wilayah sekitarnya. Oleh karena itu, diperlukan suatu pemodelan statistik dengan memperhitungkan faktor spasial. Metode statistik yang dapat digunakan untuk menganalisis data dengan memperhitungkan faktor spasial adalah regresi terboboti geografis (RTG). Penelitian ini bertujuan untuk menentukan model kejadian gizi buruk di Provinsi Jawa Timur menggunakan model RTG dengan pembobot kernel adaptif kuadrat ganda dan membandingkan model RTG dengan model regresi linear konvensional. Data yang digunakan adalah data sekunder dari survei sosial ekonomi nasional (SUSENAS) dan Riset Kesehatan Dasar (RISKESDA) 2010 pada 38 kabupaten/kota di Jawa Timur. Pendugaan parameter model dilakukan dengan menggunakan metode weighted least squares (WLS) yaitu dengan memberikan pembobot yang berbeda untuk setiap wilayah. Hasil penelitian diperoleh terdapat 38 model kejadian gizi buruk yang berbeda untuk setiap kabupaten/kota di Jawa Timur. Model RTG dengan menggunakan pembobot fungsi kernel kuadrat ganda lebih baik digunakan untuk memodelkan kejadian gizi buruk di Jawa Timur dibandingkan dengan regresi linear konvensional berdasarkan kriteria kebaikan model yaitu R-square, mean square error (MSE) dan Akaike information criterion (AIC).

---

The province of East Java has its characteristics that differentiate it from any other regions. Dissimilarities in characteristics of a region may encompass issues such as social, economic, cultural, parenting, education, and the environment, so as to cause the difference in the case of severe under nutrition between one region to another. Sufferers of malnutrition in one region may be linked and influenced by the surrounding regions. Therefore, we need a statistical modeling that can take into account the spatial factor. Statistical methods that can be used to analyze the data and also takes into account the spatial factor are the Geographically Weighted Regression (GWR). This study is aimed to determine the case of malnutrition models in East Java Province using GWR model with kernel adaptive bi-square weighting and comparing it to the conventional linear regression model. The data used in the study are secondary data obtained from the National Socio-Economic Survey and Basic Health Research (2010) conducted in 38 districts in East Java. Estimation is done by using the Weighted Least Squares method that provides different weighting values to each region. The result showed that there are 38 models of the malnutrition case that is different from each district in East Java. The GWR model with bi-square kernel weighting function is better in modelling the case of malnutrition in East Java compared to the conventional linear regression models that are based on the criteria of goodness that is the R- square, Mean Square Error and the Akaike Information Criterion."

"Indonesia termasuk ke dalam kategori high burden countries untuk beban tertinggi TB dunia, menempati urutan ketiga setelah India dan Cina. Penanggulangan penyakit ini salah satunya dengan pemodelan kejadian TB Paru dengan faktor-faktor risikonya dengan analisis regresi linear. Namun, belum tentu cocok diterapkan disemua wilayah karena memiliki kondisi geografis yang berbeda, sehingga dapat menyebabkan adanya perbedaan kasus TB Paru antara wilayah satu dengan wilayah yang lainnya. Oleh karena itu, perlu dimasukkan unsur pengaruh geografis dengan pemodelan regresi linear spasial atau Geographically Weighted Regression (GWR), dalam penelitian ini untuk menilai hubungan kejadian TB Paru dengan faktor kondisi lingkungan fisik rumah, kondisi lingkungan rumah tinggal, karakteristik kependudukan, dan memanfaatkan pelayanan kesehatan terhadap kejadian TB Paru. Penelitian ini menggunakan desain studi potong lintang (cross sectional) dengan menggunakan data Riset Kesehatan Dasar (Riskesdas) 2010. Sampel penelitian ini adalah responden dalam Riskesdas 2010 berusia 15 tahun ke atas di Jawa Barat. Hasil penelitian menunjukkan bahwa memanfaatkan pelayanan kesehatan merupakan faktor dominan yang berhubungan dengan kejadian TB Paru di tiap Kabupaten/Kota Provinsi Jawa Barat kecuali Majalengka dan Pekerjaan juga berhubungan hanya di Kabupaten Bogor.

---

Indonesia is in the category of high-burden countries for the highest burden of Pulmonary Tuberculosis of the world, the third rank after India and China. The effort to overcome this disease is to do modeling the prevalence of Pulmonary Tuberculosis using linear regression model globally. However, it is not necessarily suitable to be applied in all areas because every area has different geographical condition, so it can lead to differences of TB cases between one region with another region. Therefore, the effect of geographic elements need to be incorporated with linear regression modeling spatial or Geographically Weighted Regression (GWR). This study applied GWR model to assess the association of Pulmonary Tuberculosis prevalence by the physical condition of the home environment, residential environment, demographic characteristics, and health care utilizing factors on the prevalence of Pulmonary Tuberculosis. This study used a cross-sectional study design using Riskesdas Data - 2010. Samples in this study were Riskesdas 2010 respondents aged 15 years and over in West Java. The results showed that utilize of health care is the dominant factor associated with the prevalence of Pulmonary Tuberculosis in each district/city of West Java except Majalengka, also related employement status only in Bogor Regency."