Aini, Annisa Nurul (2013) REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) : Studi Kasus Banyak Penderita Kusta Kering Tahun 2012 di Beberapa Kota dan Kabupaten di Provinsi Jawa Barat. S1 thesis, Universitas Pendidikan Indonesia.
|
Text
S_MTK_0907255_Title.pdf Download (162kB) | Preview |
|
|
Text
S_MTK_0907255_Abstract.pdf Download (159kB) | Preview |
|
|
Text
S_MTK_0907255_Table of Content.pdf Download (82kB) | Preview |
|
|
Text
S_MTK_0907255_Chapter1.pdf Download (239kB) | Preview |
|
![[img]](http://repository.upi.edu/style/images/fileicons/text.png) |
Text
S_MTK_0907255_Chapter2.pdf Restricted to Staf Perpustakaan Download (444kB) |
|
|
Text
S_MTK_0907255_Chapter3.pdf Download (349kB) | Preview |
|
|
Text
S_MTK_0907255_Chapter4.pdf Restricted to Staf Perpustakaan Download (391kB) |
|
|
Text
S_MTK_0907255_Chapter5.pdf Download (157kB) | Preview |
|
|
Text
S_MTK_0907255_Bibliography.pdf Download (239kB) | Preview |
|
|
Text
S_MTK_0907255_Appendix.pdf Restricted to Staf Perpustakaan Download (430kB) |
Abstract
Regresi Poisson merupakan salah satu analisis regresi non linear yang banyak digunakan. Pada analisis regresi ini diharuskan variabel respon berdistribusi Poisson, yaitu berupa data cacahan dari suatu kejadian yang jarang terjadi, misalnya banyak penderita suatu penyakit tertentu, banyak kebakaran di suatu daerah, dan lain sebagainya. Selain itu asumsi homogenitas juga seharusnya dipenuhi. namun pada kenyataannya, terdapat jenis data dimana penyebaran data spasial yaitu datanya bergantung pada karakteristik lokasi pengamatan. Geographically Weighted Poisson Regression (GWPR) merupakan salah satu metode statistika untuk menganalisis data spasial. Metode ini digunakan ketika data yang dimiliki tersebar dari masing-masing lokasi atau wilayah yang mungkin setiap wilayah terebut memiliki karakteristik wilayah yang berbeda dengan wilayah yang lainnya. Pada metode ini, penaksiran parameternya menggunakan pembobotan. Terdapat beberapa pembobotan Kernel yang digunakan untuk metode ini, yaitu pembobotan Adaptive Bisquare, pembobotan Adaptive Gaussian, pembobotan Fixed Adaptive, dan pembobotan Fixed Gaussian, namun pembobotan yang terbaik yaitu pembobotan dengan nilai AICc yang paling kecil. Pada skripsi ini data yang digunakan mengenai banyak penderita kusta kering (Pausibasilar) di beberapa kota dan kabupaten di provinsi Jawa Barat. Dari hasil analisis dengan pembobotan Adaptive Bisquare sebagai pembobot terbaik, didapat koefisien regresi yang berbeda-beda setiap wilayahnya, begitu juga dengan variabel bebas yang signifikannya. Berdasarkan hasil analisis GWPR terhadap studi kasus dengan mengambil sampel 21 kabupaten dan kota, ternyata di 11 kabupaten dan kota (42,31%), persentase PHBS yang menjadi faktor penyebab banyak penderita kusta di Jawa Barat. Selain itu, di 8 kabupaten dan kota (38,10%), puskesmas yang menjadi faktor penyebab banyak penderita kusta di Jawa Barat. Sedangkan untuk persentase jamban bersih kurang menjadi faktor penyebab banyak penderita kusta di Jawa Barat. Kata kunci : Regresi Poisson, GWPR, Penderita Kusta Kering. The Poisson Regression is one of the mostly used non-linear regression analysis. In this analysis, the respond variable must be Poisson-distributed, which is the discrete data of an infrequently happened event (e.g. the number of patients of a certain disease, the number of bushfires in a certain district, and many more). In this regard, the assumption of homogeneity must be fulfilled as well. However, in reality, there is a type of data which its distribution of data is done spatially and depends on the location of observation’s characteristics. Geographically Weighted Poisson Regression (GWPR) is one of the statistics methods of analyzing spatial data. This method is used when the data that we possess is being dispersed from several locations in which each location possesses different location’s characteristics from the others. In this method, the parameter estimation uses weighting procedure. There are several Kernel weighting procedures being used for this method, which are Adaptive Bisquare Weighting, Adaptive Gaussian Weighting, Fixed Adaptive Weighting, and Fixed Gaussian Weighting. However, the best weighting procedure remains the one that has the smallest AICc value. In this undergraduate thesis, the data being used is about the number of pausibasilar patients is several cities and districts in West Java. As the result of the Adaptive Bisquare Weighting procedure, each district has its own regression coefficient and the significant free variable as well. According to the result of analysis of GWPR toward the case study by taking 21 cities and districts as samples, the percentage of PHBS which becomes the cause of the number of pausibasilar patients variable in West Java is 42,31%. Furthermore, in 8 cities and districts, the percentage of the Public Health Center as the cause of the number of pausibasilar patients variable is 38,10%. Meanwhile, the lack of clean public toilets variable is not a significant cause of the number of pausibasilar patients in West Java. Key Words : Poisson Regression, GWPR, Pausibasilar patients.
| Item Type: | Thesis (S1) |
|---|---|
| Subjects: | Universitas Pendidikan Indonesia > Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Jurusan Pendidikan Matematika > Program Studi Matematika (non kependidikan) |
| Divisions: | Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Jurusan Pendidikan Matematika > Program Studi Matematika (non kependidikan) |
| Depositing User: | DAM STAF Editor |
| Date Deposited: | 08 Oct 2013 01:24 |
| Last Modified: | 08 Oct 2013 01:24 |
| URI: | http://repository.upi.edu/id/eprint/2088 |
Actions (login required)
 |
View Item |