Skripsi
Oleh:
Maria Ansila Bouk
NIM: 123114019
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Thesis
By:
Maria Ansila Bouk
Student Number: 123114019
2016
ii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
SKRIPSI
Disusun
{.f\
-Y
114019
l,n
(Ir. Ig. Aris Dwiatnoko, M. Sc.) Tanggal: Agustus 2016
lu
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
SKRIPSI
NIM:123114019
Nama lengkap
Dekan
at
M.Math.Sc.. Ph.D.)
IV
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PERSEMBAHAN
Tuhan Yesus Kristus dan Bunda Maria yang selalu menyertai, memberkati, dan memberikan kemudahan
bagi saya lewat orang-orang yang baik hati dalam setiap perjuangan saya.
v
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini tidak
memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam
Penulis
hr1^A/
V
vl
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
Model regresi Poisson secara umum digunakan untuk menganalisis data count
yang diasumsikan berdistribusi Poisson dengan nilai rata-rata dan variansinya sama
(equidispersion). Namun, seringkali terjadi masalah nilai variansi melebihi nilai rata-
rata atau lebih dikenal dengan overdispersi sehingga model regresi Poisson tidak tepat
digunakan. Salah satu model yang dapat digunakan untuk mengatasi masalah
overdispersi adalah dengan menggunakan model regresi Binomial Negatif.
Pendugaan parameter dapat diperoleh dengan metode pendugaan kemungkinan
maksimum melalui iterasi Newton-Raphson. Data yang digunakan dalam skripsi ini
adalah data banyaknya kematian Ibu hamil di propinsi Jawa Timur tahun 2012. Dari
perhitungan mean dan variansi diketahui bahwa terjadi overdispersi sehingga data
dimodelkan menggunakan Regresi Binomial negatif. Faktor-faktor yang
mempengaruhi banyaknya kematian Ibu adalah jumlah cakupan imunisasi tetanus
Toksoid (TT2+) pada Ibu hamil , jumlah ibu hamil yang mendapatkan tablet FE1
(30 tablet) ,jumlah Ibu hamil yang mendapatkan tablet FE3 (90 tablet)
,jumlah cakupan imunisasi Tetanus Toksoid (TT-5) pada Ibu hamil ,cakupan
K1 , cakupan K4 , cakupan Ibu hamil yang ditolong nakes , dan jumlah
Ibu nifas .
Kata kunci: banyaknya kematian Ibu hamil, Regresi Poisson, Regresi Binomial
Negatif, pendugaan kemungkinan maksimum, Newton-Raphson.
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
Poisson regression model is generally used to analyze the count data which
is Poisson distributed with equal mean value and variance (equidispersion). However,
the problem occurs when the variance exceeds the mean value which we called as
overdispersion so that the Poisson regression model is inappropriately used. One
model that can be used to solve the overdispersion problem is the negative binomial
regression model. The estimation of the parameters can be obtained by the Maximum
Likelihood Estimation method through Newton-Raphson iteration. The data used in
this thesis is data of the number of maternal mortality of pregnant women in East
Java province in 2012. Based on the calculation of mean and variance, it is known
that there is an overdispersion problem so that the data is modeled using negative
binomial regression. Some factors that affect the number of maternal mortality are the
number of tetanus toxoid immunization coverage (TT2 +) in pregnant women ,
the number of pregnant women who get FE1 tablets (30 tablets) , the number of
pregnant women who get Fe3 tablets (90 tablets) , the number of Tetanus toxoid
immunization coverage (TT-5) in pregnant women , K1 coverage , K4
coverage , the coverage of pregnant women which is assisted by the health
workers , and the number of mother postpartum .
Keywords : the number of maternal mortality of pregnant, Poisson regression ,
negative binomial regression , maximum likelihood estimation , Newton -
Raphson .
viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Yang bertanda tangan di bawah ini, saya mahasiswa universitas sanata Dharma:
Nama : Maria Ansila Bouk
Nomer Mahasiswa :123114019
Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan
Universitas Sanata Dharma karya ilmiah yang berjudul:
Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya mernberikan
kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan
dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data,
mendistribusikannya secara terbatas, dan mempublikasikannya di internet atau media
lain untuk kepentingan akademis tanpa meminta ijin dari saya maupun memberikan
royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis-
lx
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KATA PENGANTAR
Puji syukur penulis haturkan ke hadirat Tuhan Yang Maha Kuasa atas segala
berkat dan penyertaanNya sehingga penulis dapat menyelesaikan skripsi dengan baik.
Skripsi yang berjudul “Pendugaan Model Regresi Binomial Negatif dengan Metode
Kemungkinan Maksimum” ini adalah salah satu syarat untuk memperoleh gelar
sarjana Matematika pada Fakultas Sains dan Teknologi. Dalam penulisan skripsi ini,
tentunya penulis telah menerima bantuan baik secara moril maupum materil dari
berbagai pihak. Oleh karena itu penulis ingin menyampaikan ucapan terima kasih
kepada:
1. Bapak Ir. Ig. Aris Dwiatmoko., M. Sc selaku dosen pembimbing yang dengan
penulis.
2. Bapak Hartono, Ph. D, selaku Ketua Program Studi yang telah memberikan
3. Serta bapak dan ibu dosen yang telah memberikan banyak ilmu pengetahuan
4. Mas Susilo selaku laboran yang telah banyak membantu penulis dalam
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6. Bapa Agus dan Mama Siska yang penulis cintai dan banggakan, ade List4
Nandi, Ory dan Ikun yang telah banyak memberikan dukungan dan
Happy, Bobi, Tika" Ajeng, Oksi, Juli, Ferni, Arum, llg4 Lia, Noni, Dewi,
Manda , Anggun, Budi, Rian, Eg4 yang telah memberikan dukungan dan
Teman-Teman kos Cintia: Archa, Lis4 Nov4 Tia, Mb. Ela Mb. Ria Mb
Ketrin, Mb. Intan, Awang, Her4 Tanti dan juga Asri dan Digna yang selalu
9. semua pihak yang tidak dapat disebutkan satu persaru yang telah banyak
terselesaikan.
Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan, maka
saran dan kritik yang konstruktii dari semua pihak sangat diharapkan demi
Penulis
xl
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI
HALAMAN JUDUL...................................................................................................... i
HALAMAN JUDUL DALAM BAHASA INGGRIS .................................................. ii
HALAMAN PERSETUJUAN PEMBIMBING .......................................................... iii
HALAMAN PERSEMBAHAN ................................................................................... v
HALAMAN PERNYATAAN KEASLIAN KARYA ................................................. vi
HALAMAN ABSTRAK ............................................................................................. vii
HALAMAN ABSTRACT ......................................................................................... viii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI....................................... ix
KATA PENGANTAR .................................................................................................. x
DAFTAR ISI ................................................................................................................ xi
DAFTAR TABEL ...........................................................................................................
BAB I PENDAHULUAN ............................................................................................. 1
A. Latar Belakang..................................................................................................... 1
B. Rumusan Masalah ............................................................................................... 3
C. Batasan Masalah ................................................................................................. 4
D. Tujuan Penulisan ................................................................................................. 4
E. Manfaat Penulisan ............................................................................................... 5
F. Metode Penulisan ................................................................................................ 5
G. Sistematika Penulisan .......................................................................................... 6
BAB II LANDASAN TEORI ....................................................................................... 8
A. Distribusi Probabilitas ......................................................................................... 8
1. Variabel Random .............................................................................................. 8
2. Fungsi Probabilitas ............................................................................................ 8
a. Distribusi Probabilitas Diskrit ....................................................................... 8
b. Distribusi Probabilitas Kontinu ..................................................................... 9
3. Karakteristik Distribusi Probabilitas ................................................................. 9
a. Mean ............................................................................................................ 9
b. Variansi ..................................................................................................... 10
c. Momen dan Fungsi Pembangkit Momen .................................................. 10
xii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR TABEL
Tabel 2.1 Data suatu sampel acak untuk contoh 2.4 .................................................. 47
Tabel 2.2 Hasil Pengujian Kolmogorov-Smirnov ...................................................... 48
Tabel 3.1 Data banyaknya kasus campak pada kecamatan di kota Semarang ...... 81
xv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I
PENDAHULUAN
A. Latar Belakang
hubungan antara suatu variabel dependen dengan satu atau lebih variabel
variabel dependen yang berupa data kontinu. Namun dalam beberapa aplikasinya,
data variabel dependen yang akan dianalisis dapat berupa data diskrit. Variabel
dependen diskrit dapat berupa data count yaitu data yang nilainya nonnegatif dan
tertentu. Ketika variabel dependen berupa data count, analisis regresi yang biasa
digunakan adalah analisis regresi Poisson. Pada regresi ini variabel dependen
𝜆𝑦 −𝜆
𝑝(𝑦) = 𝑒 , 𝑦 = 0,1,2, … dengan 𝜆 > 0
𝑦!
asumsi yang harus dipenuhi yaitu nilai variansi dari data yang diperoleh harus
𝐸(𝑌) = 𝑉𝑎𝑟(𝑌) = 𝜇
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Pada kenyataannya asumsi ini sangat jarang terjadi karena biasanya data
count memiliki variansi yang lebih besar dari mean atau disebut kondisi
overdispersi (𝑉𝑎𝑟(𝑌) > 𝐸(𝑌)) atau sebaliknya mean lebih besar dari pada
variansi atau disebut underdispersi (𝑉𝑎𝑟(𝑌) < 𝐸(𝑌)). Jika pada data diskrit
terjadi overdispersi namun tetap digunakan model regresi Poisson maka estimasi
mengakibatkan kesimpulan yang akan dihasilkan menjadi tidak tepat atau tidak
sesuai dengan data. Alternatif model regresi yang lebih sesuai untuk data
overdispersi adalah model regresi Binomial Negatif. Pada regresi ini variabel
1 1⁄
Γ (𝑦 + ) 𝑘𝜇 𝑦 1 𝑘
𝑓(𝑦) = 𝑘 ( ) ( )
1
Γ ( ) 𝑦! 1 + 𝑘𝜇 1 + 𝑘𝜇
𝑘
dengan y = 0,1,2,…
model regresi Poisson yaitu untuk menganalisis hubungan antara suatu variabel
dependen dengan satu atau lebih variabel independen. Namun model regresi
asumsi mean dan variansi dari model Binomial Negatif tidak harus sama. Model
ini juga memiliki parameter dispersi yang berguna menggambarkan variasi dari
data yang biasa dinotasikan dengan k. Model Binomial Negatif yang akan
Dari dua buah model regresi yang digunakan untuk data count, yaitu
Poisson dan Binomial Negatif, model Binomial Negatif memiliki bentuk yang
lebih umum karena model Poisson dapat dinyatakan dalam model Binomial
data dalam keadaan ekuidispersi. Jadi, model Binomial Negatif pada dasarnya
dapat digunakan untuk berbagai kasus data count. Dalam penulisan ini akan lebih
memodelkan kasus terjadinya penyakit demam berdarah dengue (DBD) dan untuk
B. Rumusan Masalah
nyata?
C. Batasan Masalah
Agar dalam pembahasan tidak terlalu luas dan hasilnya mendekati pokok
overdispersi.
D. Tujuan Penulisan
iterasi Newton-Raphson.
3. Untuk dapat menerapkan model regresi Binomial Negatif pada Poisson yang
nyata.
E. Manfaat Penulisan
F. Metode penulisan
metode studi pustaka, yaitu dengan membaca dan mempelajari buku-buku atau
G. Sistematika Penulisan
BAB I PENDAHULUAN
A. Latar Belakang
B. Rumusan Masalah
C. Batasan Masalah
D. Tujuan Penulisan
E. Manfaat Penulisan
F. Metode Penulisan
G. Sistematika Penulisan
A. Distribusi Probabilitas
B. Distribusi Poisson
Gamma
H. Keluarga Eksponensial
L. Uji Kolmogorov-Smirnov
A. Deskripsi Data
B. Pengolahan Data
BAB V PENUTUP
A. Kesimpulan
B. Saran
DAFTAR PUSTAKA
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II
LANDASAN TEORI
A. Distribusi Probabilitas
1. Variabel Random
Definisi 2.1
Variabel random 𝑋 adalah fungsi bernilai riil yang domainnya adalah ruang
sampel.
Definisi 2.2
Sebuah variabel random dikatakan variabel random diskrit jika himpunan dari
2. Fungsi Probabilitas
Definisi 2.3
1) 𝑃(𝑋 = 𝑥) = 𝑓(𝑥)
2) 𝑓(𝑥) ≥ 0
3) ∑∀𝑥 𝑓(𝑥) = 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Definisi 2.4
Definisi 2.5
𝑏
3) 𝑃(𝑎 < 𝑋 < 𝑏) = ∫𝑎 𝑓(𝑥)𝑑𝑥
Definisi 2.6
a. Mean
Definisi 2.7
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
b. Variansi
Definisi 2.8
2
𝑉(𝑋) = 𝐸(𝑋 − 𝐸(𝑋)) .
Teorema 2.1
2
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))
Bukti
2
= 𝐸(𝑋 2 ) − 𝐸(2)𝐸(𝑋)𝐸(𝑋) + (𝐸(𝑋))
2
= 𝐸(𝑋 2 ) − (𝐸(𝑋)) ∎
Definisi 2.9
Momen ke-k dari variabel random 𝑋 yang diambil sekitar titik asal
11
𝜇𝑘′ = 𝐸(𝑋 𝑘 )
Definisi 2.10
∑ 𝑒 𝑡𝑥 𝑓(𝑥), 𝑋 diskrit
𝑥
𝑚𝑥 (𝑡) = 𝐸(𝑒 𝑡𝑥 ) = ∞
∫ 𝑒 𝑡𝑥 𝑓(𝑥) 𝑑𝑥 , 𝑋 kontinu
{ −∞
Teorema 2.2
maka
𝑑 𝑘 𝑚(𝑡)
| = 𝜇𝑘′
𝑑𝑡𝑘 𝑡=0
Bukti:
12
𝐸(𝑒 𝑡𝑥 ) = ∑ 𝑒 𝑡𝑥 𝑝(𝑥)
𝑥
= ∑ 𝑝(𝑥)
𝑥
𝑡2 𝑡3
+ 𝑡 ∑ 𝑥 𝑝(𝑥) + ∑ 𝑥 𝑝(𝑥) + ∑ 𝑥 3 𝑝(𝑥) + ⋯ = 1 + 𝑡 𝜇1′
2
2! 3!
𝑥 𝑥 𝑥
𝑡2 ′ 𝑡3 ′
+ 𝜇 + 𝜇 +⋯
2! 2 3! 3
𝑑𝑘 𝑚(𝑡)
atau 𝑚(𝑘) (𝑡) adalah turunan ke-𝑘 dari 𝑚(𝑡) terhadap 𝑡, karena
𝑑𝑡 𝑘
𝑡2 ′ 𝑡3 ′ 𝑡4 ′
𝑚(𝑡) = 𝐸(𝑒 𝑡𝑥 ) = 1 + 𝑡𝜇1′ + 𝜇 + 𝜇 + 𝜇 +⋯
2! 2 3! 3 4! 4
(1) 2𝑡 ′ 3𝑡 2 ′ 4𝑡 3 ′
𝑚 (𝑡) = 𝜇1′ + 𝜇2 + 𝜇 + 𝜇 +⋯
2! 3! 3 4! 4
2 ′ 6𝑡 ′ 12𝑡 2 ′
𝑚(2) (𝑡) = 𝜇 + 𝜇 + 𝜇 +⋯
2! 2 3! 3 4! 4
2 6𝑡 12𝑡 2 ′
= 𝜇2′ + 𝜇3′ + 𝜇 +⋯
2 × 1! 3 × 2! 4 × 3! 4
2𝑡 ′ 3𝑡 2 ′
= 𝜇2′ + 𝜇3 + 𝜇 +⋯
2! 3! 4
6𝑡 ′
𝑚(3) (𝑡) = 𝜇3′ + 𝜇 +⋯
3! 4
2𝑡 3𝑡 2
Secara umum, 𝑚(𝑘) (𝑡) = 𝜇𝑘′ + 2! 𝜇𝑘+1
′
+ ′
𝜇𝑘+2 +⋯
3!
13
𝑑𝑚(𝑡) ∞
Untuk variabel kontinu, = 𝑚′ (𝑡) = ∫−∞ 𝑥𝑒 𝑡𝑥 𝑓(𝑥)𝑑𝑥
𝑑𝑡
𝑑𝑚(𝑡)
Untuk variabel diskrit, = 𝑚′ (𝑡) = ∑𝑥 𝑥𝑒 𝑡𝑥 𝑓(𝑥)
𝑑𝑡
𝑚(0) = 𝐸(𝑋).
𝑑2 𝑚(𝑡) ∞
Untuk variabel kontinu, = 𝑚′′(𝑡) = ∫−∞ 𝑥 2 𝑒 𝑡𝑥 𝑓(𝑥)𝑑𝑥
𝑑𝑡 2
𝑑2 𝑚(𝑡)
Untuk variabel diskrit, = 𝑚′′ (𝑡) = ∑𝑥 𝑥 2 𝑒 𝑡𝑥 𝑓(𝑥)
𝑑𝑡 2
𝜎 2 = 𝐸(𝑋 2 ) − 𝜇 2
= 𝑚"(0) − [𝑚′(0)]2
Turunan ke-𝑘 dari FPM untuk 𝑡 = 0 yaitu 𝑚(𝑘) (0) = 𝐸(𝑋 𝑘 ) yang
B. Distribusi Poisson
Definisi 2.11
14
𝜆𝑦
𝑝(𝑦) = 𝑒 −𝜆 , 𝑦 = 0,1,2, …
𝑦!
dengan 𝜆 > 0
Toerema 2.3
𝜎 2 = 𝑉(𝑌) = 𝜆
Bukti:
∞ ∞
𝑒 𝑡𝑦−𝜆 𝜆𝑦 −𝜆
(𝜆𝑒 𝑡 )𝑦
=∑ =𝑒 ∑
𝑦! 𝑦!
𝑦=0 𝑦=0
𝑎𝑦
Berdasarkan formulasi Taylor 𝑒 𝑎 = ∑∞
𝑦=0 𝑦! maka diperoleh
𝐸(𝑌) = 𝑚′(𝑡)
𝑡
= 𝑒 −𝜆 𝑒 𝜆𝑒
𝑡 −1)
= 𝑒 𝜆(𝑒
𝑑 𝜆(𝑒 𝑡 −1)
= 𝑒 |
𝑑𝑡 𝑡=0
𝑡 −1)
= 𝜆𝑒 𝑡 𝑒 𝜆(𝑒 |𝑡=0
0 −1)
= 𝜆𝑒 0 𝑒 𝜆(𝑒 =𝜆
𝑑2
𝐸(𝑌 2 ) = 𝑚(𝑡)|
𝑑𝑡 2 𝑡=0
𝑑 2 𝜆(𝑒 𝑡−1) 𝑡
= 𝑒 . 𝜆𝑒
𝑑𝑡 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
𝑡 −1) 𝑡 −1)
= 𝑒 𝜆(𝑒 . 𝜆𝑒 𝑡 . 𝜆𝑒 𝑡 + 𝜆𝑒 𝑡 𝑒 𝜆(𝑒
𝑡 −1) 𝑡 −1)
= 𝑒 2𝑡 𝜆2 𝑒 𝜆(𝑒 + 𝜆𝑒 𝑡 𝑒 𝜆(𝑒 |𝑡=0
= 𝜆2 + 𝜆
Jadi,
= 𝜆2 + 𝜆 − 𝜆2
=𝜆
Definisi 2.12
Γ(𝛼) = ∫ 𝑦 𝛼−1 𝑒 −𝑦 𝑑𝑦
0
Untuk 𝛼 > 0 dan nilai dari integral tersebut adalah bilangan positif.
b. Jika 𝑛 adalah suatu bilangan bulat positif maka diperoleh Γ(𝑛) = ( 𝑛 − 1)!.
∞
c. Jika 𝛼 > 1, maka Γ(𝛼) = ∫0 𝑦 𝛼−1 𝑒 −𝑦 𝑑𝑦 = ( 𝛼 − 1)Γ(𝛼 − 1)
Definisi 2.14
berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
1
𝑦 𝛼−1 𝑒 −𝑦⁄𝛽 , 0≤𝑦≤∞
𝑓(𝑦) = { Γ(𝛼)𝛽𝛼
0 𝑦 yang lainnya
Dengan 𝛼, 𝛽 > 0.
Teorema 2.3
Bukti:
1. Mean
𝑦
∞ −
𝑦 𝛼−1 𝑒 𝛽
=∫ 𝑦 𝛼 𝑑𝑦
0 𝛽 Γ(𝛼)
Sehingga diperoleh
∞ 𝑦
−
∫ 𝑦 𝛼−1 𝑒 𝛽 𝑑𝑦 = 𝛽 𝛼 Γ(𝛼) (2.1)
0
𝑦
∞ −
𝑦𝛼𝑒 𝛽
𝐸(𝑌) = ∫ 𝛼 𝑑𝑦
0 𝛽 Γ(𝛼)
∞ 𝑦
1 −
= 𝛼 ∫ 𝑦 𝛼 𝑒 𝛽 𝑑𝑦
𝛽 Γ(𝛼) 0
17
1
𝐸(𝑌) = 𝛼
𝛽 𝛼+1 Γ(𝛼 + 1)
𝛽 Γ(𝛼)
1
𝐸(𝑌) = 𝛽 𝛼+1 𝛼 Γ(𝛼)
𝛽 𝛼 Γ(𝛼)
𝛽 𝛼 Γ(𝛼)
=
Γ(𝛼)
= 𝛼𝛽
2. Variansi
∞ 𝑦
1 𝛼+1 −𝛽
= ∫ 𝑦 𝑒 𝑑𝑦
𝛽 𝛼 Γ(𝛼) 0
Berdasarkan persamaan 2.1 dan definisi sifat fungsi Gamma, maka diperoleh
1
𝐸(𝑌) = 𝛽 𝛼+2 Γ(𝛼 + 2)
𝛽 𝛼 Γ(𝛼)
𝛽 2 (𝛼 + 1)Γ(𝛼 + 1)
=
Γ(𝛼)
𝛽 2 (𝛼 + 1)𝛼Γ(𝛼)
=
Γ(𝛼)
= 𝛼𝛽 2 (𝛼 + 1)
Sehingga,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
2
𝑉(𝑌) = 𝐸(𝑌 2 ) − (𝐸(𝑌))
= 𝛼𝛽 2 (𝛼 + 1) − (𝛼𝛽)2
= 𝛼 2 𝛽 2 + 𝛼𝛽 2 − 𝛼 2 𝛽 2
= 𝛼𝛽 2
cara dalam hal pendekatannya. Pendekatan klasik yang sering digunakan adalah
percobaan Bernoulli yang dibutuhkan sampai terjadi 𝑟 buah sukses, dengan setiap
ulangan saling bebas, dan probabilitas sukses pada setiap percobaan konstan yaitu
sebagai berikut
𝑥 − 1 𝑟 (1
𝑓(𝑥) = ( )𝑝 − 𝑝)𝑥−𝑟 dengan 𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2, ⋯
𝑘−1
Jadi, akan dibentuk variabel acak baru yaitu 𝑌, yang menyatakan banyaknya
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
Definisi 2.14
𝑦+𝑟−1 𝑟
𝑓(𝑦) = ( ) 𝑝 (1 − 𝑝)𝑦 dengan 𝑦 = 0, 1, 2, ⋯
𝑟−1
Contoh 2.1
𝑝 = 𝑃 (pasangan yang dipilih secara acak setuju untuk berpartisipasi). Jika 𝑝 = 0.2,
Penyelesaian:
10 + 5 − 1 14
𝑓(𝑦) = ( ) 0.25 (1 − 0.2)10 = ( ) 0.25 (0.8)10 = 0.0343
5−1 4
Teorema 2.4
𝑟(1 − 𝑝)
𝐸(𝑌) = 𝜇 =
𝑝
𝑟(1 − 𝑝)
𝑉𝑎𝑟(𝑌) =
𝑝2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
Bukti:
1. Mean
Misalkan 𝑓(𝑥) = (1 − 𝑥)−𝑟 , dalam kalkulus 𝑓(𝑥) dapat mengikuti ekspansi deret
Maclaurin yaitu:
−𝑟 ′ (0)
𝑓 (2) (0) 2 𝑓 (3) (0) 3 𝑓 (𝑛) (0) 𝑛
(1 − 𝑥) = 𝑓(0) + 𝑓 + 𝑥 + 𝑥 + ⋯+ 𝑥 +⋯
2! 3! 𝑛!
+⋯
(−1)2 (−𝑟)(−𝑟 − 1) 2
=1+ (−1)1 (−𝑟)𝑥 + 𝑥 +⋯
2!
−𝑟 0 −𝑟 −𝑟
= (−1)0 ( ) 𝑥 + (−1)1 ( ) 𝑥1 + (−1)2 ( ) 𝑥 2 + ⋯
0 1 2
−𝑟
+ (−1)𝑦 ( 𝑦 ) 𝑥 𝑦 + ⋯
∞
−𝑟
= ∑(−1)𝑦 ( 𝑦 ) 𝑥 𝑦
𝑦=0
(𝑦 + 𝑟 − 1)(𝑦 + 𝑟 − 2) ⋯ (𝑟 + 1)𝑟
=
𝑦!
−𝑟
= (−1)𝑦 ( 𝑦 )
𝑚(𝑡) = 𝐸(𝑒 𝑡𝑌 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
∞
𝑦+𝑟−1 𝑟
= ∑ 𝑒 𝑡𝑦 ( ) 𝑝 (1 − 𝑝)𝑦
𝑟−1
𝑦=0
∞
𝑦+𝑟−1 𝑟
= ∑( ) 𝑝 [(1 − 𝑝)𝑒 𝑡 ]𝑦
𝑟−1
𝑦=0
∞
−𝑟
= 𝑝 ∑ (−1)𝑦 ( 𝑦 ) [(1 − 𝑝)𝑒 𝑡 ]𝑦
𝑟
𝑦=0
= 𝑝𝑟 [1 − (1 − 𝑝)𝑒 𝑡 ]−𝑟
𝑝𝑟
=
[1 − (1 − 𝑝)𝑒 𝑡 ]𝑟
Sehingga diperoleh
𝑚′ (0) = 𝐸(𝑌)
𝑑 𝑝𝑟
= ( )|
𝑑𝑡 [1 − (1 − 𝑝)𝑒 𝑡 ]𝑟 𝑡=0
𝑟(1 − 𝑝) 𝑝𝑟 𝑝𝑟−1
=
𝑝2𝑟
𝑟(1 − 𝑝) 𝑝2𝑟
=
𝑝2𝑟 𝑝
𝑟(1 − 𝑝)
= ∎
𝑝
2. Variansi
𝑑2 𝑝𝑟
𝐸(𝑌 2 ) = ( )|
𝑑𝑡 2 [1 − (1 − 𝑝)𝑒 𝑡 ]𝑟 𝑡=0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
Sehingga,
2
𝑉𝑎𝑟(𝑌) = 𝐸(𝑌 2 ) − (𝐸(𝑌))
𝑟(1 − 𝑝)
= ∎
𝑝2
memiliki variansi yang lebih besar dari mean, atau yang disebut dengan kondisi
overdispersi. Misalkan 𝑌 adalah variabel acak dari suatu populasi yang berdistribusi
Poisson dengan 𝐸(𝑌) = 𝑉𝑎𝑟(𝑌) = 𝜆. Kondisi data seperti ini disebut dengan
ekuidispersi. Pada kenyataannya, jarang sekali ditemukan data count dalam kondisi
ekuidispersi. Pada distribusi Poisson terdapat asumsi mean (𝜆) konstan untuk setiap
nilai dari 𝑌, namun dalam kondisi overdispersi, 𝜆 tidak lagi konstan atau bervariasi
antar observasi pada populasi. Hal ini menunjukkan bahwa populasi tersebut
bergantung pada 𝜆, sehingga dapat dikatakan bahwa 𝜆 merupakan nilai dari suatu
23
probabilitasnya
1 1
−1 −𝜆
ℎ(𝜆) = 1 𝜆 𝑘 exp ( )
1 𝑘𝜇
Γ ( ) (𝑘𝜇)𝑘
𝑘
𝑒 −𝜆 𝜆𝑦 1 1
−1 −𝜆
𝑓(𝑦|𝜆)ℎ(𝜆) = ∙ 1 𝜆 𝑘 𝑒𝑥𝑝 ( )
𝑦! 1 𝑘𝜇
Γ( ) (𝑘𝜇)𝑘
𝑘
1 −𝜆
𝜆 𝑦+𝑘−1 exp (−𝜆 + )
𝑘𝜇
= 1
1
Γ ( ) (𝑘𝜇)𝑘 𝑦!
𝑘
𝑓(𝑦) = ∫ 𝑓(𝑦|𝜆)ℎ(𝜆)𝑑𝜆
1 −𝜆
𝑦+ −1
∞𝜆 𝑘 exp (−𝜆 + )
𝑘𝜇
=∫ 1 𝑑𝜆
1
0 Γ ( ) (𝑘𝜇)𝑘 𝑦!
𝑘
∞
1 1 −𝜆
= 1 ∫ 𝜆 𝑦+𝑘−1 exp (−𝜆 + ) 𝑑𝜆
1 𝑘𝜇
Γ ( ) (𝑘𝜇)𝑘 𝑦! 0
𝑘
∞
1 −𝜆(𝑘𝜇 + 1) 𝑦+1−1
= 1 ∫ 𝑒𝑥𝑝 ( ) 𝜆 𝑘 𝑑𝜆
1 𝑘𝜇
Γ ( ) (𝑘𝜇)𝑘 𝑦! 0
𝑘
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
1 1
1 ∞
−𝜆(𝑘𝜇 + 1) 𝑦+1−1 𝑘𝜇 + 1 𝑦+𝑘−1 𝑘𝜇 𝑦+𝑘−1
= 1 ∫ 𝑒𝑥𝑝 ( )𝜆 𝑘 ( ) ( ) 𝑑𝜆
1 𝑘𝜇 𝑘𝜇 + 1 𝑘𝜇
Γ ( ) (𝑘𝜇)𝑘 𝑦! 0
𝑘
1 1
𝑦+ −1
1 ∞
−𝜆(𝑘𝜇 + 1) 𝜆(𝑘𝜇 + 1) 𝑘 𝑘𝜇 𝑦+𝑘−1
= 1 ∫ 𝑒𝑥𝑝 ( )( ) ( ) 𝑑𝜆
1 𝑘𝜇 𝑘𝜇 𝑘𝜇 + 1
Γ ( ) (𝑘𝜇)𝑘 𝑦! 0
𝑘
1 1
𝑦+ −1
1 𝑘𝜇 𝑦+𝑘−1 ∞ −𝜆(𝑘𝜇 + 1) 𝜆(𝑘𝜇 + 1) 𝑘
= 1 ( ) ∫ 𝑒𝑥𝑝 ( )( ) 𝑑𝜆
1 𝑘𝜇 + 1 𝑘𝜇 𝑘𝜇
Γ ( ) (𝑘𝜇)𝑘 𝑦! 0
𝑘
𝜆(𝑘𝜇+1) 𝑑𝑡 (𝑘𝜇+1) 𝑘𝜇
Misalkan 𝑡 = , maka = sehingga 𝑑𝜆 = 𝑘𝜇+1 𝑑𝑡 sehingga
𝑘𝜇 𝑑𝜆 𝑘𝜇
1 1
Γ (𝑦 + ) 𝑘𝜇 𝑦 1 𝑘
= 𝑘 ( ) ( )
1
Γ ( ) 𝑦! 𝑘𝜇 + 1 𝑘𝜇 + 1
𝑘
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
Gamma adalah
1 1
Γ (𝑦 + ) 1 𝑘 𝑘𝜇 𝑦
𝑓(𝑦; 𝜇, 𝑘)= 𝑘 ( ) ( ) (2.2)
1
𝑦! Γ ( ) 1 + 𝑘𝜇 1 + 𝑘𝜇
𝑘
pertama kali diperkenalkan oleh R.A Fisher pada tahun 1912. Metode pendugaan
ini dapat diterapkan di sebagian besar masalah dan memiliki daya tarik intuitif yang
kuat, dan sering menghasilkan penduga yang baik bagi parameter 𝜃. Selain itu
untuk sampel yang sangat besar, metode ini menghasilkan penduga yang sangat
baik bagi 𝜃.
Definisi 2.16
26
𝑛 dengan fungsi probabilitas 𝑓(𝑥, 𝜃) dan 𝜃 adalah parameter yang tidak diketahui.
Fungsi likelihood dari sampel random adalah fungsi densitas bersama dari
𝑛 variabel random yang merupakan fungsi dari parameter yang tidak diketahui,
Selain itu, karena biasanya sulit untuk mencari turunan fungsi likelihood,
maka yang dilakukan adalah menentukan nilai maksimum dari logaritma natural
fungsi likelihood tersebut atau disebut dengan fungsi log-likelihood. Fungsi log-
𝑙 = ln 𝐿( 𝜃) 2.4
tersebut dilakukan dengan mencari turunan parsial pertama dari fungsi likelihood-
persamaan berikut :
𝜕𝑙
=0
𝜕𝜃
𝜕𝑙
=0
𝜕𝜃𝑖
Dengan 𝑖 = 1,2, … , 𝑘
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
Contoh 2.2
1 −𝛽𝑦
𝑒 0≤𝑦<∞
𝑓(𝑦) = {𝛽
0 selainnya
Berdasarkan persamaan 2.3 diperoleh fungsi likelihood berikut:
𝐿(𝛽) = 𝑓(𝑦1 , 𝑦2 , … , 𝑦𝑛 |𝛽)
= 𝑓(𝑦1 |𝛽) × 𝑓(𝑦2 |𝛽) × … × 𝑓(𝑦𝑛 |𝛽)
1 −𝑦𝛽1 1 −𝑦𝛽2 1 −𝑦𝛽3 1 −𝑦𝑛
= 𝑒 × 𝑒 × 𝑒 × ⋯× 𝑒 𝛽
𝛽 𝛽 𝛽 𝛽
1 𝑛 ∑ 𝑦𝑖
= ( ) 𝑒𝑥𝑝 [− ] 2.5
𝛽 𝛽
Fungsi log-likelihood dari persamaan diatas adalah
1 𝑛 ∑ 𝑦𝑖
𝑙𝑛[𝐿(𝛽)] = 𝑙𝑛 [( ) 𝑒𝑥𝑝 [− ]]
𝛽 𝛽
1 𝑛 ∑ 𝑦𝑖
= 𝑙𝑛 (( ) ) −
𝛽 𝛽
∑ 𝑦𝑖
= 𝑛 𝑙𝑛(1) − 𝑛 𝑙𝑛(𝛽) −
𝛽
∑ 𝑦𝑖
= −𝑛 𝑙𝑛(𝛽) −
𝛽
Penduga kemungkinan maksimum dari 𝛽 adalah nilai yang memaksimumkan
ln[𝐿(𝛽)], dengan mencari nilai turunan parsial terhadap 𝛽, maka diperoleh
𝜕 ln[𝐿(𝛽)]
=0
𝜕𝛽
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
−𝑛 ∑ 𝑦𝑖
+ 2 =0
𝛽 𝛽
−𝑛𝛽 + ∑ 𝑦𝑖
=0
𝛽2
−𝑛𝛽 + ∑ 𝑦𝑖 = 0
∑ 𝑦𝑖
𝛽̂ =
𝑛
Jadi penduga kemungkinan maksimum untuk 𝛽 adalah
∑ 𝑦𝑖
𝛽̂ =
𝑛
turunan fungsi log-likelihood tidak dapat dilakukan secara langsung karena fungsi
persamaan dari suatu fungsi non-linear f(x)=0 dengan metode pendekatan yang
menggunakan satu titik awal dan mendekatinya dengan memperhatikan slope atau
gradien pada titik tersebut. Metode Newton-Rhapson yang diperoleh dari deret
Taylor.
Misalkan 𝑓 mempunyai akar pada suatu interval real dan akan dicari nilai
𝑓"(𝑥𝑛 )
𝑓(𝑥) = 𝑓(𝑥𝑛 ) + 𝑓 ′ (𝑥𝑛 )(𝑥 − 𝑥𝑛 ) + (𝑥 − 𝑥𝑛 )2 + ⋯
2!
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
𝑓(𝑥𝑛 )
𝑥 − 𝑥𝑛 = −
𝑓 ′ (𝑥𝑛 )
𝑓(𝑥𝑛 )
𝑥 = 𝑥𝑛 −
𝑓 ′ (𝑥𝑛 )
𝑓(𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 −
𝑓 ′ (𝑥𝑛 )
Contoh 2.2
Penyelesaian:
Diketahui:
𝑓(𝑥) = 𝑥 3 − 𝑥 − 1
𝑥0 = 1
Toleransi = 10−7
𝑓(𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 −
𝑓 ′ (𝑥𝑛 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
𝑓(𝑥0 )
𝑥0+1 = 𝑥0 −
𝑓 ′ (𝑥0 )
𝑥03 − 𝑥0 − 1
𝑥1 = 1 −
3𝑥02 − 1
13 − 1 − 1 3
=1− = = 1.5
312 − 1 2
3
𝑓 ( ) = 0.875
2
Untuk 𝑛 = 1, diperoleh
𝑓(𝑥1 )
𝑥1+1 = 𝑥1 −
𝑓 ′ (𝑥1 )
3 𝑥13 − 𝑥1 − 1
𝑥2 = −
2 3𝑥12 − 1
3 3 3
3 (2) − 2 − 1
= −
2 3 2
3 (2) − 1
31
=
23
= 1.347826087
31
𝑓 ( ) = 0.1006821
23
Untuk 𝑛 = 2 diperoleh
𝑓(𝑥2 )
𝑥2+1 = 𝑥2 −
𝑓 ′ (𝑥2 )
𝑥23 − 𝑥2 − 1
𝑥3 = 𝑥2 −
3𝑥22 − 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
31 3 31
31 (23) − 23 − 1
= −
23 31 2
3 (23) − 1
= 1.325200399
Untuk 𝑛 = 3 diperoleh
𝑓(𝑥3 )
𝑥3+1 = 𝑥3 −
𝑓 ′ (𝑥3 )
𝑥33 − 𝑥3 − 1
𝑥4 = 𝑥3 −
3𝑥32 − 1
= 1.325200399
(1.325200399)3 − 1.325200399 − 1
−
3(1.325200399)2 − 1
= 1.324718174
Untuk 𝑛 = 4 diperoleh
𝑓(𝑥4 )
𝑥4+1 = 𝑥4 −
𝑓 ′ (𝑥4 )
𝑥43 − 𝑥4 − 1
𝑥5 = 𝑥4 −
3𝑥42 − 1
= 1.324718174
(1.324718174)3 − 1.324718174 − 1
−
3(1.324718174)2 − 1
= 1.324717957
32
H. Keluarga Eksponensial
Suatu fungsi probabilitas yang tergantung pada suatu parameter 𝜃 dari suatu
dituliskan sebagai
𝑦𝑖 𝜃𝑖 − 𝑏(𝜃𝑖 ) 2.6
𝑓(𝑦; 𝜃, 𝜙) = exp { + 𝑐(𝑦𝑖 ; 𝜙)}
𝛼𝑖 (𝜙)
Dengan:
𝛼(𝜙) adalah parameter skala, 𝛼(𝜙) = 1 jika merupakan model count dan diskrit
𝑐(𝑦𝑖 ; 𝜙) adalah suku normalisasi untuk menjamin bahwa total nilai fungsi
probabilitas adalah 1
turunan kedua dari cumulant terhadap 𝜃 akan menghasilkan mean dan variansi. Hal
penting yang harus diingat adalah jika seseorang dapat mengkonversi sebuah fungsi
menghitung mean dan variansi. Semua anggota model linear umum dapat
𝑏′(𝜃𝑖 ) = mean
𝑏"(𝜃𝑖 ) = variansi
2. Distribusi Poisson
3. Distribusi Gamma
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
5. Distribusi Normal.
Variabel random 𝑌 disebut berdistribusi Poisson jika dan hanya jika fungsi
𝜆𝑦
𝑓(𝑦) = 𝑒 −𝜆 , 𝑦 = 0,1,2, … dan 𝜆 > 0
𝑦!
yaitu
𝑦𝑖 𝜃𝑖 − 𝑏(𝜃𝑖 )
𝑓(𝑦; 𝜃, 𝜙) = exp { + 𝑐(𝑦𝑖 ; 𝜙)}
𝛼𝑖 (𝜙)
a. Kedua ruas dari fungsi probabilitas distribusi Poisson di ubah dalam bentuk
log diperoleh
𝜆𝑦
𝑙𝑜𝑔(𝑓(𝑦)) = log ( 𝑒 −𝜆 )
𝑦!
34
𝜕(𝑏(𝜃))
𝐸(𝑌) =
𝜕𝜃
𝜕(𝑒 𝜃 )
=
𝜕𝜃
= 𝑒𝜃
=𝜆
𝜕 2 (𝑏(𝜃))
𝑉𝑎𝑟(𝑌) = 𝛼𝑖 (𝜙)
𝜕𝜃 2
𝜕 2 (𝑒 𝜃 )
=
𝜕𝜃 2
= 𝑒𝜃
=𝜆
𝑛
𝑓(𝑥) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥
yaitu
𝑦𝑖 𝜃𝑖 − 𝑏(𝜃𝑖 )
𝑓(𝑦; 𝜃, 𝜙) = exp { + 𝑐(𝑦𝑖 ; 𝜙)}
𝛼𝑖 (𝜙)
35
𝑛 2.9
log(𝑓(𝑥)) = 𝑙𝑜𝑔 ( ) + 𝑥 𝑙 log 𝑝 + (𝑛 − 𝑥) log(1 − 𝑝)
𝑥
𝑛
𝑓(𝑥) = 𝑒𝑥𝑝 {𝑥[log 𝑝 − log(1 − 𝑝)] + 𝑛 log(1 − 𝑝) + 𝑙𝑜𝑔 ( )}
𝑥
𝑝 𝑛
= 𝑒𝑥𝑝 {𝑥 log ( ) + 𝑛 log(1 − 𝑝) + 𝑙𝑜𝑔 ( )} 2.10
1−𝑝 𝑥
𝑝 𝑝
Dari persamaan 2.10 diperoleh 𝜃 = log (1−𝑝) sehingga 𝑒 𝜃 = 1−𝑝
𝑒𝜃 −1
karena 𝑝 = 1+𝑒 𝜃 sehingga 1 − 𝑝 = (1 + 𝑒 𝜃 ) , 𝑏(𝜃) = 𝑛 log(1 + 𝑒 𝜃 )
𝑛
dan 𝑐(𝑥; 𝜙) = 𝑙𝑜𝑔 ( ).
𝑥
𝜕(𝑏(𝜃))
𝐸(𝑌) =
𝜕𝜃
𝜕(𝑛 log(1 + 𝑒 𝜃 ))
=
𝜕𝜃
𝑒𝜃
=𝑛
1 + 𝑒𝜃
= 𝑛𝑝
𝜕 2 (𝑏(𝜃))
𝑉𝑎𝑟(𝑌) = 𝛼𝑖 (𝜙)
𝜕𝜃 2
𝜕 2 (𝑛 log(1 + 𝑒 𝜃 ))
=
𝜕𝜃 2
𝑛𝑒 𝜃
=
(1 + 𝑒 𝜃 )2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
= 𝑛𝑝(1 − 𝑝)
permasalahan analisis regresi yang melibatkan hubungan dari dua atau lebih
mengetahui antara hasil pertanian (misal: produksi padi per hektar) dengan jenis
pupuk yang digunakan, kualitas pupuk yang diberikan, jumlah hari hujan, suhu,
lama penyinaran matahari, dan infeksi serangga. Sebuah model regresi berganda
menyatakan infeksi serangga. Persamaan di atas adalah sebuah model regresi linear
37
𝛽0 = intersep
𝜀𝑖 = galat (𝑒𝑟𝑟𝑜𝑟)
𝑖 = 1, 2, 3, ⋯ , 𝑝
𝒚 = 𝒙𝜷 + 𝜺
Dengan:
a. Data primer adalah data yang diperoleh atau dikumpulkan oleh peneliti secara
langsung dari sumber data utama. Untuk mendapatkan data primer, peneliti
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
b. Data sekunder adalah data yang diperoleh atau dikumpulkan oleh peneliti dari
berbagai sumber yang telah ada. Data sekunder dapat diperoleh dari berbagai
sumber seperti Biro Pusat statistik (BPS), buku, jurnal, dan lain-lain.
Berdasarkan bentuk dan sifanya, data penelitian dapat dibedakan dalam dua
jenis yaitu data kualitatif dan data kuantitatif. Data kuantitaif dapat
data kontinu. Berdasarkan sifatnya, data kuantitatif terdiri atas data nominal,
1. Data kualitatif
2. Data kuantitatif
Data kuantitatif adalah data yang berbentuk angka atau bilangan. Sesuai
39
a. Data diskrit adalah data dalam bentuk angka (bilangan) yang diperoleh
b. Data kontinu adalah data dalam bentuk angka/ bilangan yang diperoleh
yaitu:
1) Data nominal atau sering disebut juga data kategori adalah data yang
dari dua kakategori yaitu laki-laki (0) dan perempuan (1), angka 0,
kuantitatif artinya angka (1) pada data di atas tidak berarti lebih
besar dari angka (0), karena laki-laki tidak memiliki makna lebih
40
terdiri dari empat kategori yatu (1) belum menikah (2) menikah (3)
2) Data ordinal adalah data yang berasal dari suatu objek atau kategori
dengan menggunakan simbol " > " dan " < ". Contohnya peringkat
3) Data interval adalah data hasil pengukuran yang dapat diurutkan atas
(+, −). Namun demikian masih terdapat satu sifat yang belum
dimiliki yaitu tidak adanya angka nol mutlak pada data interval.
41
dibuat kategori benda yang berukuran 1 meter dan 2 meter (sifat data
menunjukkan nilai mutlak yang artinya tidak ada benda yang diukur;
Model count respon adalah bagian dari model regresi dengan variabel
respon diskrit. Variabel respon diskrit dapat berupa data count yaitu data dengan
nilai bilangan bulat non-negatif. Contoh model diskrit adalah sebagai berikut:
42
independen dapat berbentuk metrik atau non-metrik. Dengan kata lain, regresi
logistik dengan model regresi linear dapat dilihat pada variabel dependennya.
apakah seseorang akan membeli barang ilegal (ya atau tidak), dengan variabel
Definisi 2.17
𝑒 𝑔(𝑿)
𝜋(𝑿) =
1 + 𝑒 𝑔(𝑿)
𝑥𝑗 adalah nilai variabel bebas ke-j dari sejumlah p variable bebas dan 𝛽0 adalah
konstanta.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
b. Regresi Probit
kumulatif normal.
Definisi 2.18
𝑌 = 𝛽0 + 𝛽𝑖 𝑥𝑖 + 𝜀
galat yang diasumsikan berdistribusi normal dengan mean nol dan variansi
𝜎 2.
Dalam skripsi ini, penulis hanya membahas tentang model count. Semua
waktu, ruang, atau volume tertentu dari suatu peristiwa. Ketika variabel dependen
berupa data count, maka analisis regresi yang biasa digunakan adalah analisis
regresi Poisson.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
untuk berbagai macam fenomena acak selama nilai dari peubah acak Poisson
bulan, banyaknya hujan badai setiap tahun, dan kasus lainnya. Pada model Regresi
Poisson terdapat asumsi yang harus dipenuhi yaitu variansi dari variabel responnya
sama dengan mean atau disebut ekuidispersi. Pada kenyataannya asumsi ini sangat
jarang terjadi karena data count memiliki variansi yang lebih besar dari meannya
atau disebut overdispersi. Dalam kondisi seperti ini model regresi Binomial Negatif
model regresi Poisson yaitu untuk menganalisis hubungan antara suatu variabel
respon data count dengan satu atau lebih variabel independen, tetapi model regresi
karena asumsi mean dan variansi dari model Regresi Binomial Negatif tidak harus
sama.
Menurut Hilbe (2011) ada dua pendekatan dasar untuk mengestimasi model
Dalam skripsi ini, penulis mengestimasi model data count dengan menggunakan
45
L. Uji Kolmogorov-Smirnov
distribusi yang mendasari suatu kumpulan data (atau variabel random). Oleh karena
itu, dalam skripsi ini untuk mengetahui apakah sampel berdistribusi Poisson akan
kesesuaian antara sebaran dari serangkaian nilai sampel yang diobservasi dengan
sebaran kumulatif, yaitu sebaran kumulatif yang hipotesiskan dan sebaan kumulatif
yang diamati. Misalkan diambil sebuah sampel acak dari suau fungsi sebaran 𝐹(𝑋)
yang belum diketahui, akan dipastikan apakah dapat disimpulkan bahwa 𝐹(𝑥) =
𝐹0 (𝑋) untuk semua 𝑥, dengan 𝐹0 (𝑋) adalah fungsi distribusi kumulatif yang
dihipotesiskan.
diketahui 𝐹(𝑥), akan diuji hipotesis bahwa 𝐹(𝑥) adalah sama dengan suatu
Definisi 2.19
definisikan sebagai
𝑖 𝑛
𝐹̂𝑛 (𝑥) = ∑ 𝐼{𝑥𝑖 ≤𝑥}
𝑛 𝑖=1
46
1, 𝑗𝑖𝑘𝑎 𝑥𝑖 ≤ 𝑥
𝐼={
0, 𝑗𝑖𝑘𝑎 𝑥𝑖 > 𝑥
Definisi 2.20
𝐷𝑛 = max(𝐷+ , 𝐷− )
Dengan 𝐹̂𝑛 (𝑥) adalah fungsi distribusi empiris. Fungsi distribusi empiris berguna
𝐻0 : 𝐹(𝑥) = 𝐹0 (𝑥)
untuk setiap 𝑥 dengan 𝐹0 adalah fungsi distribusi kumulatif yang diketahui, dan
𝐻1 : 𝐹(𝑥) ≠ 𝐹0 (𝑥)
Jika 𝐷𝑛 lebih dari 𝐷𝑡𝑎𝑏𝑒𝑙 yang diberikan oleh tabel Kolmogorov-Smirnov maka 𝐻0
sebagai berikut:
3. Statistik uji
𝐷𝑛 = max(𝐷+ , 𝐷− )
47
dari 𝐷 (𝐷 = maksimum(𝐷+ , 𝐷− )
7. Daerah keputusan :
𝐻0 ditolak jika 𝐷𝑛 ≥ 𝐷 𝛼
8. Kesimpulan
dengan SPSS. Contohnya dapat dilihat dalam contoh 2.4 berikut ini:
Contoh 2.4
Berikut adalah data suatu sampe acak. Akan diuji apakah datanya berdistribusi
Poisson?
Data 0 1 2 3 4 5 6
7 8 1 1 1 0 1
Uji hipotesis:
3. Daerah penolakan
48
BAB III
hubungan antara sebuah variabel dependen 𝑌 yang bersifat diskrit, bernilai bulat
tak negatif dan berdistribusi Poisson dengan 𝑝 buah variabel independen 𝑋1, 𝑋2,
𝑋3, ⋯, 𝑋𝑝 yang berjenis diskrit, kontinu atau kategorik. Model regresi Poisson
secara umum digunakan untuk menganalisis data diskrit yang variabel dependennya
berdistribusi Poisson, yang memiliki rata-rata dan variansi sama dengan 𝜆 > 0.
independen 𝑋1, 𝑋2, 𝑋3, ⋯, 𝑋𝑝 , persamaan regresi 𝑌 dengan 𝑋1, 𝑋2, 𝑋3, ⋯, 𝑋𝑝
dinyatakan seperti persamaan 2.11, maka nilai harapan 𝑌 dengan 𝑋1𝑖 = 𝑥1𝑖 , 𝑋2𝑖 =
50
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
+ 𝐸(𝛽1 𝑋1𝑖 |𝑋1𝑖 = 𝑥1𝑖 , 𝑋2𝑖 = 𝑥2𝑖 , 𝑋3𝑖 = 𝑥3𝑖 , ⋯ , 𝑋𝑝𝑖 = 𝑥𝑝𝑖 ) + ⋯
+ 𝐸(𝛽𝑝 𝑋𝑝𝑖 |𝑋1𝑖 = 𝑥1𝑖 , 𝑋2𝑖 = 𝑥2𝑖 , 𝑋3𝑖 = 𝑥3𝑖 , ⋯ , 𝑋𝑝𝑖 = 𝑥𝑝𝑖 )
𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 + ⋯ + 𝛽𝑝 𝑥𝑝𝑖 = 𝜆 harus bernilai tak negatif (dalam interval (𝑜, ∞)),
padahal telah diketahui bahwa nilai regresi 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 + ⋯ + 𝛽𝑝 𝑥𝑝𝑖 ada
dalam interval (−∞, ∞). Oleh karena itu, diperlukan fungsi penghubung (link
function) 𝑔 yang dapat membuat 𝜆 memiliki nilai dalam interval (𝑜, ∞), yaitu
𝜆 = exp(𝒙′𝒊 𝜷) 3.4
eksponensial.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Parameter 𝜷 dalam model regresi Poisson dapat diduga dengan salah satu
Likelihood Estimation).
𝜆𝑦
𝑝(𝑦|𝜆) = 𝑒 −𝜆 , 𝑦 = 0,1,2, … dan 𝜆 = exp(𝒙′𝒊 𝜷) sehingga
𝑦!
exp(−exp(𝒙′𝒊 𝜷))(exp(𝑦𝒙′𝒊 𝜷)
=
𝑦!
= ∏ 𝑝(𝑦𝑖 |𝑥𝑝𝑖 ; 𝜷)
𝑖=1
𝑛
exp(−exp(𝒙′𝒌𝒊 𝜷))(exp(𝑦𝑖 𝒙′𝒌𝒊 𝜷)
=∏
𝑦!
𝑖=1
𝑛 𝑛 𝑛
53
= ∑ − exp(𝒙′𝒌𝒊 𝜷)
𝑖=1
+ ∑ 𝑦𝑖 𝒙′𝒌𝒊 𝜷
𝑖=1
𝒏 𝒏
̂ , dapat
Memaksimalkan nilai untuk 𝜷, untuk mendapatkan penduganya yaitu 𝜷
dilakukan dari 𝑝 turunan pertama dari fungsi log-likelihood dan turunannya sama
dengan nol.
Karena persamaan di atas tidak linear, maka persamaan tersebut dapat diselesaikan
̂ 𝒏+𝟏 = 𝜷
𝜷 ̂ 𝒏 )]−𝟏 𝒈(𝜷
̂ 𝒏 − [𝐻(𝜷 ̂ 𝒏) 3.6
54
program R.
menggunakan regresi Poisson yang memiliki asumsi mean dan variansi sama. Pada
kenyataannya, kondisi seperti ini sangat jarang terjadi karena biasanya data count
memiliki variansi yang lebih besar dari mean atau disebut dengan kondisi
Overdispersi pada data count dapat diindikasikan dengan nilai devians dan
pearson chi-squares yang dibagi dengan derajat bebasnya. Jika kedua nilai tersebut
yaitu:
1. Devians
Definisi 3.1
55
𝐷2
𝜙1 = ;
𝑑𝑏
2. Pearson Chi-squares
Definisi 3.2
𝜒2
𝜙2 = ;
𝑑𝑏
squares.
Jadi, jika 𝜙1 atau 𝜙2 bernilai lebih dari 1 maka terjadi overdispersi pada data. Oleh
karena itu, Model Binomial negatif merupakan alternatif yang sering digunakan
model regresi Poisson yaitu untuk menganalisis hubungan antara suatu variabel
dependen dengan satu atau lebih variabel independen, tetapi model regresi
asumsi mean dan variansi dari model Binomial Negatif tidak harus sama. Model ini
juga memiliki parameter dispersi yang berguna untuk menggambarkan variasi dari
data yang biasa dinotasikan dengan k. Model Binomial Negatif yang akan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
digunakan adalah Model Binomial Negatif yang merupakan model campuran antara
Definisi 3.3
Fungsi probabilitas dari suatu variabel acak Y yang berdistribusi Binomial Negatif
1 1⁄
Γ (𝑦 + ) 𝑘𝜇 𝑦 1 𝑘
𝑓(𝑦) = 𝑘 ( ) ( ) , 𝑦 = 0, 1, 2, …
1
Γ ( ) 𝑦! 1 + 𝑘𝜇 1 + 𝑘𝜇
𝑘
Jika 𝑘 sama dengan nol, nilai rata-rata dan variansi akan sama, 𝐸(𝑌𝑖 ) = 𝑉𝑎𝑟(𝑌𝑖 ),
akan menjadi distribusi Poisson. Jika 𝑘 > 0, variansi akan melebihi nilai rata-rata,
sebagai parameter lokasi dan variansi sebagai nuisance parameter. Berikut adalah
bergantung pada parameter 𝜃 yang dianggap sebagai parameter lokasi dan terdapat
parameter lain yaitu 𝜙 yang disebut nuisance parameter. Berdasarkan Hilbe (2011),
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
salah satu anggota dari keluarga eksponensial. Misalkan 𝑌 adalah suatu varibel acak
probabilitas
1 1⁄
Γ (𝑦 + ) 𝑘𝜇 𝑦 1 𝑘
𝑓(𝑦) = 𝑘 ( ) ( )
1
Γ ( ) 𝑦! 1 + 𝑘𝜇 1 + 𝑘𝜇
𝑘
1 1⁄
Γ (𝑦 + ) 𝑘𝜇 𝑦 1 𝑘
𝑓(𝑦) = 𝑘 ( ) ( )
1
Γ ( ) 𝑦! 1 + 𝑘𝜇 1 + 𝑘𝜇
𝑘
1 1⁄
Γ (𝑦 + ) 𝑘𝜇 𝑦 1 𝑘
= exp 𝑙𝑛 (( 𝑘 )( ) ( ) )
1 1 + 𝑘𝜇 1 + 𝑘𝜇
Γ ( ) 𝑦!
𝑘
( )
1
Γ (𝑦 + )
= 𝑒𝑥𝑝 𝑙𝑛 ( 𝑘 + 𝑦 𝑙𝑛 ( 𝑘𝜇 ) + 1 𝑙𝑛 ( 1 ))
1 1 + 𝑘𝜇 𝑘 1 + 𝑘𝜇
Γ ( ) 𝑦!
𝑘
( )
1
𝑘𝜇 Γ (𝑦 + )
= 𝑒𝑥𝑝 (𝑦 ln (( ) + 𝑙𝑛 ( 𝑘 ) + 1 𝑙𝑛 ( 1 ))) 3.7
1 + 𝑘𝜇 1 𝑘 1 + 𝑘𝜇
Γ ( ) 𝑦!
𝑘
dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
𝑘𝜇
𝜃 = 𝑙𝑛 ( )
1 + 𝑘𝜇
𝛼(𝜙) = 1
1
𝜏 (𝑦 + )
𝑐(𝑦; 𝜃) = 𝑙𝑛 ( 𝑘 )
1
𝜏 ( ) 𝑦!
𝑘
1 1
𝑏(𝜃) = − 𝑙𝑛 ( )
𝑘 1 + 𝑘𝜇
keluarga eksponensial.
keluarga eksponensial adalah mean dan variansi dari distribusi tersebut dapat
Jadi, akan dicari mean dan variansi dari variabel random yang berdistribusi
binomial negatif dengan menggunakan salah satu sifat dari keluarga eksponensial
tersebut. Sebelum memperoleh mean dan variansi dari distribusi Binomial Negatif,
𝑔(𝜇) = 𝜃
𝑘𝜇
= 𝑙𝑛 ( )
1 + 𝑘𝜇
1
= −𝑙𝑛 ( + 1)
𝑘𝜇
Sehingga
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
1 1 1 1
−𝑙𝑛 ( + 1) = 𝜃 ⟺ ( + 1) = 𝑒 −𝜃 ⟺ = 𝑒 −𝜃 − 1 ⟺ 𝜇 =
𝑘𝜇 𝑘𝜇 𝑘𝜇 𝑘(𝑒 −𝜃 − 1)
dan diperoleh
𝑔− (𝜃) = 𝜇
1
=
𝑘(𝑒 −𝜃 − 1)
= [𝑘(𝑒 −𝜃 − 1)]−1
1 1
𝑏(𝜃) = − 𝑙𝑛 ( )
𝑘 1 + 𝑘𝜇
1
= ln(1 + 𝑘𝜇)
𝑘
sehingga akan diperoleh mean dan variansi dari binomial negatif sebagai berikut:
1. Mean
𝜕𝑏 𝜕𝜇
𝑏 ′ (𝜃) =
𝜕𝜇 𝜕𝜃
1 𝑘 −2
= (−1)(𝑎𝑒 −𝜃 − 𝑎) (−𝑎𝑒 −𝜃 )
𝑘 1 + 𝑘𝜇
1 −2
= (𝑎𝑒 −𝜃 − 𝑎) (𝑎𝑒 −𝜃 )
1 + 𝑘𝜇
1
𝑏 ′ (𝜃) = 𝜇 2 (𝜇−1 + 𝑘)
1 + 𝑘𝜇
1
= 𝜇(1 + 𝑘𝜇)
1 + 𝑘𝜇
=𝜇
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
2. Variansi
Karena 𝛼(𝜙) = 1, maka variansi dari 𝑌 hanya turunan kedua dari cumulant
𝜕 2 𝑏 𝜕𝜇 2 𝜕𝑏 𝜕 2 𝜇
𝑏 " (𝜃) = ( ) +
𝜕𝜇 2 𝜕𝜃 𝜕𝜇 𝜕𝜃 2
𝜕2 𝑏 𝜕2 𝜇
Sebelumnya akan dicari 𝜕𝜇2 dan 𝜕𝜃2
𝜕 2 𝑏 𝜕(1 + 𝑘𝜇)−1 −𝑘
= = −𝑘(1 + 𝑘𝜇)−2 =
𝜕𝜇 2 𝜕𝜇 (1 + 𝑘𝜇)2
−2
(𝑘𝑒 −𝜃 − 𝑘) (𝑘𝑒 −𝜃 ) = 𝜇 2 (𝜇 −1 + 𝑘) = 𝜇 + 𝑘𝜇 2
−1 −2
= (𝑘𝑒 −𝜃 − 𝑘) + 𝑘(𝑘𝑒 −𝜃 − 𝑘)
Sehingga diperoleh
−𝜃 −1 −2
𝜕 2 𝜇 𝜕 [(𝑘𝑒 − 𝑘) + 𝑘(𝑘𝑒 −𝜃 − 𝑘) ]
=
𝜕𝜃 2 𝜕𝜃
−2 −3
= (𝑘𝑒 −𝜃 − 𝑘) (𝑘𝑒 −𝜃 ) + (−2𝑘)(𝑘𝑒 −𝜃 − 𝑘) (−𝑘𝑒 −𝜃 )
−2 −3
= (𝑘𝑒 −𝜃 − 𝑘) (𝑘𝑒 −𝜃 ) + (2𝑘)(𝑘𝑒 −𝜃 − 𝑘) (𝑘𝑒 −𝜃 )
−2 −3
= (𝑘𝑒 −𝜃 ) [(𝑘𝑒 −𝜃 − 𝑘) + (2𝑘)(𝑘𝑒 −𝜃 − 𝑘) ]
= (𝜇 −1 + 𝑘)(𝜇 2 + 2𝑘𝜇 3 )
= (𝜇 −1 + 𝑘)𝜇(𝜇 + 2𝑘𝜇 2 )
= (1 + 𝑘𝜇)(𝜇 + 2𝑘𝜇 2 )
𝜕 2 𝑏 𝜕𝜇 2 𝜕𝑏 𝜕 2 𝜇
𝑏 " (𝜃) = ( ) +
𝜕𝜇 2 𝜕𝜃 𝜕𝜇 𝜕𝜃 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
−𝑘 2 1
= (𝜇(1 + 𝑘𝜇)) + (1 + 𝑘𝜇)(𝜇 + 2𝑘𝜇 2 )
(1 + 𝑘𝜇)2 1 + 𝑘𝜇
= −𝑘𝜇 2 + (𝜇 + 2𝑘𝜇 2 )
= 𝜇 + 𝑘𝜇 2
Jadi, mean dan variansi dari Binomial Negatif secara berturut-turut adalah 𝜇 dan
𝜇 + 𝑘𝜇 2.
maka dapat digunakan suatu model regresi yang didasarkan pada distribusi
Binomial Negatif.
Salah satu tujuan dari analisis regresi adalah untuk menentukan pola
𝑋𝑝 .Oleh karena itu, dalam regresi Binomial Negatif hubungan tersebut dapat
Nilai dari 𝒙′𝑖 𝜷 pada persamaan di atas dapat bernilai real, sehingga
62
dari distribusi Binomial Negatif harus bernilai positif sehingga perlu dilakukan
trasformasi sedemikian sehingga bentuk hubungan antara 𝜇𝑖 dan 𝒙′𝑖 𝜷 menjadi tepat.
η𝑖 = ln(𝜇𝑖 ) = 𝒙′𝑖 𝜷
menghubungkan 𝜇𝑖 dengan prediktor linear 𝒙′𝑖 𝜷. Oleh sebab itu, model regresi
𝜇𝑖 = exp(𝒙′𝑖 𝜷) 3.10
dengan 𝑖 = 1, 2, 3, ⋯ , 𝑛
Maksimum Likelihood
Dengan 𝛽0, 𝛽1, 𝛽2, ⋯ menyatakan parameter yang tidak diketahui dan 𝜀𝑖
63
𝐿(𝛽, 𝑘) = ∏ 𝑓(𝛽, 𝑘)
𝑖=1
𝑛 1 1⁄
Γ (𝑦 + ) 𝑘𝜇 𝑦 1 𝑘
=∏ 𝑘 ( ) ( )
1 1 + 𝑘𝜇 1 + 𝑘𝜇
𝑖=1 Γ ( ) 𝑦!
𝑘
𝑛 1
Γ (𝑦 + ) 𝑛 𝑛 1⁄
𝑘 𝑘𝜇 𝑦 1 𝑘
=∏ ∏( ) ∏( )
1 1 + 𝑘𝜇 1 + 𝑘𝜇
𝑖=1 Γ ( ) 𝑦! 𝑖=1 𝑖=1
𝑘
𝑛 1
Γ (𝑦 + ) 𝑛 𝑛 1⁄
𝑘 𝑘𝜇 𝑦 1 𝑘
= log (∏ ∏( ) ∏( ) )
1 1 + 𝑘𝜇 1 + 𝑘𝜇
𝑖=1 Γ ( ) 𝑦! 𝑖=1 𝑖=1
𝑘
𝑛 1
Γ (𝑦 + )
= ∑ log ( 𝑘 )
1
𝑖=1 Γ( )
𝑘
𝑛 𝑛 𝑛
𝑛 𝑛
1 1
+ ∑ log(1) − ∑ log(1 + 𝑘𝜇)
𝑘 𝑘
𝑖=1 𝑖=1
𝑛 1
Γ (𝑦 + )
= ∑ 𝑙𝑜𝑔 ( 𝑘 )
1
𝑖=1 Γ( )
𝑘
𝑛 𝑛 𝑛
1
− ∑ log(𝑦!) + ∑ 𝑦log(𝑘𝜇) − ∑ (𝑦 + ) log(1 + 𝑘𝜇)
𝑘
𝑖=1 𝑖=1 𝑖=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
Γ(𝑦+𝑘)
Diketahui bahwa = 𝑘 × (1 + 𝑘) × ⋯ × (𝑦 − 1 + 𝑘) untuk 𝑦 bilangan
Γ(𝑘)
bulat. Sehingga
1
Γ (𝑦 + )
𝑘 = 𝑘 −1 × (1 + 𝑘 −1 ) × ⋯ × (𝑦 − 1 + 𝑘 −1 )
1
Γ( )
𝑘
Oleh karena itu, log𝐿(𝛽, 𝑘) bisa ditulis tanpa fungsi Gamma dengan
1
Γ (𝑦 + )
log ( 𝑘 ) = log(𝑘 −1 ) + log(1 + 𝑘 −1 ) + ⋯ + log(𝑦 − 1 + 𝑘 −1 )
1
Γ( )
𝑘
𝑦−1
1 + 𝑘𝑟
= ∑ log ( )
𝑘
𝑟=0
𝑛 𝑦−1
1 + 𝑘𝑟
log𝐿((𝛽, 𝑘) = ∑ [(∑ log ( ))
𝑘
𝑖=1 𝑟=0
𝑛 𝑛 𝑛
1
− ∑ log(𝑦!) + ∑ 𝑦log(𝑘𝜇) − ∑ (𝑦 + ) log(1 + 𝑘𝜇)]
𝑘
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑦−1
𝑛 𝑛 𝑛
1
− ∑ log(𝑦!) + ∑ 𝑦log(𝑘𝜇) − ∑ (𝑦 + ) log(1 + 𝑘𝜇)]
𝑘
𝑖=1 𝑖=1 𝑖=1
Oleh karena itu, pendugaan kemungkinan maksimum (𝛽̂ , 𝑘̂) dapat diperoleh
sebagai berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
𝑛
𝜕𝑙(𝛽, 𝑘) 1 1
= ∑𝑦 − ( ′
𝑘 exp(𝒙𝒊 ′ 𝜷) (𝑦 + ))
𝜕𝛽0 1 + 𝑘 exp(𝒙𝒊 𝜷) 𝑘
𝑖=1
𝑛 1
𝑘 exp(𝒙𝒊 ′ 𝜷) (𝑦 + )
= ∑𝑦 − ( 𝑘 )
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑦 𝑘 exp(𝒙𝒊 ′ 𝜷) + exp(𝒙𝒊 ′ 𝜷)
= ∑𝑦 − ( )
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑦(1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)) − (𝑦 𝑘 exp(𝒙𝒊 ′ 𝜷) + exp(𝒙𝒊 ′ 𝜷))
=∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑦 + 𝑦 𝑘 exp(𝒙𝒊 ′ 𝜷) − 𝑦 𝑘 exp(𝒙𝒊 ′ 𝜷) − exp(𝒙𝒊 ′ 𝜷)
=∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑦 − exp(𝒙𝒊 ′ 𝜷)
=∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝜕𝑙(𝛽, 𝑘) 1 1
= ∑ 𝑦𝑥1𝑖 − ( ′
𝑘 𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) (𝑦 + ))
𝜕𝛽1 1 + 𝑘 exp(𝒙𝒊 𝜷) 𝑘
𝑖=1
𝑛 1
𝑘 𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) (𝑦 + )
= ∑ 𝑦𝑥1𝑖 − ( 𝑘 )
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑦 𝑘 𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) + 𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷)
= ∑ 𝑦𝑥1𝑖 − ( )
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑦𝑥1𝑖 (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)) − (𝑦 𝑘 𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) + 𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷))
=∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑦𝑥1𝑖 + 𝑦𝑥1𝑖 𝑘 exp(𝒙𝒊 ′ 𝜷) − 𝑦 𝑘 𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) − 𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷)
=∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
𝑛
𝑦𝑥1𝑖 − 𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷)
=∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑥1𝑖 (𝑦 − exp(𝒙𝒊 ′ 𝜷))
=∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝜕𝑙(𝛽, 𝑘) 1 1
= ∑ 𝑦𝑥2𝑖 − ( ′
𝑘 𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷) (𝑦 + ))
𝜕𝛽2 1 + 𝑘 exp(𝒙𝒊 𝜷) 𝑘
𝑖=1
𝑛 1
𝑘 𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷) (𝑦 + )
= ∑ 𝑦𝑥2𝑖 − ( 𝑘 )
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑦 𝑘 𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷) + 𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷)
= ∑ 𝑦𝑥2𝑖 − ( )
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑦𝑥2𝑖 + 𝑦𝑥2𝑖 𝑘 exp(𝒙𝒊 ′ 𝜷) − 𝑦 𝑘 𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷) − 𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷)
=∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑦𝑥2𝑖 − 𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷)
=∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑥2𝑖 (𝑦 − exp(𝒙𝒊 ′ 𝜷))
=∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝜕𝑙(𝛽, 𝑘) 1 ′
1
= ∑ 𝑦𝑥3𝑖 − ( 𝑘 𝑥3𝑖 exp(𝒙 𝒊 𝜷) (𝑦 + ))
𝜕𝛽3 1 + 𝑘 exp(𝒙𝒊 ′ 𝜷) 𝑘
𝑖=1
𝑛 1
𝑘 𝑥3𝑖 exp(𝒙𝒊 ′ 𝜷) (𝑦 + )
= ∑ 𝑦𝑥3𝑖 − ( 𝑘 )
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑦 𝑘 𝑥3𝑖 exp(𝒙𝒊 ′ 𝜷) + 𝑥3𝑖 exp(𝒙𝒊 ′ 𝜷)
= ∑ 𝑦𝑥3𝑖 − ( )
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
𝑛
𝑦𝑥3𝑖 (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)) − (𝑦 𝑘 𝑥3𝑖 exp(𝒙𝒊 ′ 𝜷) + 𝑥3𝑖 exp(𝒙𝒊 ′ 𝜷))
=∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑦𝑥3𝑖 + 𝑦𝑥3𝑖 𝑘 exp(𝒙𝒊 ′ 𝜷) − 𝑦 𝑘 𝑥3𝑖 exp(𝒙𝒊 ′ 𝜷) − 𝑥3𝑖 exp(𝒙𝒊 ′ 𝜷)
=∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑦𝑥3𝑖 − 𝑥3𝑖 exp(𝒙𝒊 ′ 𝜷)
=∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑥3𝑖 (𝑦 − exp(𝒙𝒊 ′ 𝜷))
=∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝜕𝑙(𝛽, 𝑘) 𝑥𝑝𝑖 (𝑦 − exp(𝒙𝒊 ′ 𝜷))
=∑ =0
𝜕𝛽𝑝 1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
dan
𝑛 𝑦−1
𝜕𝑙(𝛽, 𝑘) 𝑟 𝑦 𝑦 exp(𝒙𝒊 ′ 𝜷)
= ∑ [(∑ )− +
𝜕𝑘 1 + 𝑘𝑟 𝑘 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1 𝑟=0
−2 ′
exp(𝒙𝒊 ′ 𝜷) 1
− (−𝑘 log(1 + 𝑘 exp(𝒙𝒊 𝜷)) + 𝑦 + )]
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷) 𝑘
𝑛 𝑦−1
𝑟
= ∑ [(∑ ) + 𝑘 −2 log(1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))
1 + 𝑘𝑟
𝑖=1 𝑟=0
exp(𝒙𝒊 ′ 𝜷) 1
− 𝑦 + ]
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷) 𝑘
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
𝑛 𝑦−1
𝑟
= ∑ [(∑ ) + 𝑘 −2 log(1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))
1 + 𝑘𝑟
𝑖=1 𝑟=0
1
(𝑦 + ) exp(𝒙𝒊 ′ 𝜷)
− 𝑘 ]
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
=0
yaitu 𝛽0, 𝛽1, 𝛽2, ⋯ , 𝛽𝑝 dan turunan terhadap 𝑘 dapat ditulis dalam bentuk matriks
yaitu
𝜕𝑙(𝛽, 𝑘)
𝜕𝛽0
𝜕𝑙(𝛽, 𝑘)
𝜕𝛽1
𝜕𝑙(𝛽, 𝑘)
𝜷 𝜕𝛽2
𝑈(𝜷∗ ) = 𝑈 ( ) = =𝟎
𝒌 ⋮
⋮
𝜕𝑙(𝛽, 𝑘)
𝜕𝛽𝑝
𝜕𝑙(𝛽, 𝑘)
( 𝜕𝑘 )
𝜷
𝑈(𝜷∗ ) = 𝑈 ( )
𝒌
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
𝑛
𝑦 − exp(𝒙𝒊 ′ 𝜷)
∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑥1𝑖 (𝑦 − exp(𝒙𝒊 ′ 𝜷))
∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
𝑥2𝑖 (𝑦 − exp(𝒙𝒊 ′ 𝜷))
∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛
= 𝑥3𝑖 (𝑦 − exp(𝒙𝒊 ′ 𝜷))
∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
⋮
𝑛
𝑥𝑝𝑖 (𝑦 − exp(𝒙𝒊 ′ 𝜷))
∑
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
𝑛 𝑦−1 1
𝑟 (𝑦 + ) exp(𝒙𝒊 ′ 𝜷)
∑ [(∑ −2 ′
) + 𝑘 log(1 + 𝑘 exp(𝒙𝒊 𝜷)) − 𝑘 ]
1 + 𝑘𝑟 1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
( 𝑖=1 𝑟=0 )
=0
masing parameternya, maka untuk mencari nilai dari 𝛽0, 𝛽1, ⋯, 𝛽𝑝 dan 𝑘 digunakan
̂𝑛 = 𝜷
𝜷 ̂ 𝑛−1 )]−1 𝑼(𝜷
̂ 𝑛−1 − [𝑯(𝜷 ̂ 𝑛−1 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
dengan
𝑛
𝜕 2 𝑙(𝛽, 𝑘) [− exp(𝒙𝒊 ′ 𝜷) (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))] − [𝑘 exp(𝒙𝒊 ′ 𝜷) (𝑦 − exp(𝒙𝒊 ′ 𝜷))]
=∑
𝜕𝛽0 2 𝑖=1
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑛
− exp(𝒙𝒊 ′ 𝜷) − 𝑘 exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷) − 𝑘 𝑦 exp(𝒙𝒊 ′ 𝜷) + 𝑘 exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷)
=∑
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1
70
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
𝑛 𝑛
− exp(𝒙𝒊 ′ 𝜷) − 𝑘 𝑦 exp(𝒙𝒊 ′ 𝜷) −(1 + 𝑘 𝑦) exp(𝒙𝒊 ′ 𝜷)
=∑ =∑
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2 [1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1 𝑖=1
𝑛
𝜕 2 𝑙(𝛽, 𝑘) [−𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))] − [𝑥1𝑖 𝑘 exp(𝒙𝒊 ′ 𝜷) (𝑦 − exp(𝒙𝒊 ′ 𝜷))]
=∑
𝜕𝛽0 𝜕𝛽1 [1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1
𝑛
−𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) − 𝑘 𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷) − 𝑘 𝑦 𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) + 𝑘 𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷)
=∑
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1
𝑛 𝑛
−𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) − 𝑘 𝑦 𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) −𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) (1 + 𝑘 𝑦)
=∑ =∑
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2 [1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1 𝑖=1
𝑛
𝜕 2 𝑙(𝛽, 𝑘) [−𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷) (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))] − [𝑥2𝑖 𝑘 exp(𝒙𝒊 ′ 𝜷) (𝑦 − exp(𝒙𝒊 ′ 𝜷))]
=∑
𝜕𝛽0 𝜕𝛽2 [1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1
𝑛
−𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷) − 𝑘 𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷) − 𝑘 𝑦𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷) + 𝑘 𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷)
=∑
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1
𝑛 𝑛
−𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷) − 𝑘 𝑦 𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷) −𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷) (1 + 𝑘 𝑦)
=∑ =∑
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2 [1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1 𝑖=1
71
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
𝑛
𝜕 2 𝑙(𝛽, 𝑘) [−𝑥𝑝𝑖 exp(𝒙𝒊 ′ 𝜷) (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))] − [𝑥𝑝𝑖 𝑘 exp(𝒙𝒊 ′ 𝜷) (𝑦 − exp(𝒙𝒊 ′ 𝜷))]
=∑
𝜕𝛽0 𝜕𝛽𝑝 [1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1
𝑛
−𝑥𝑝𝑖 exp(𝒙𝒊 ′ 𝜷) − 𝑘 𝑥𝑝𝑖 exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷) − 𝑘 𝑦𝑥𝑝𝑖 exp(𝒙𝒊 ′ 𝜷) + 𝑘 𝑥𝑝𝑖 exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷)
=∑
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1
𝑛 𝑛
−𝑥𝑝𝑖 exp(𝒙𝒊 ′ 𝜷) − 𝑘 𝑦 𝑥𝑝𝑖 exp(𝒙𝒊 ′ 𝜷) −𝑥𝑝𝑖 exp(𝒙𝒊 ′ 𝜷) (1 + 𝑘 𝑦)
=∑ = ∑
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2 [1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1 𝑖=1
𝑛 𝑦−1
𝜕 2 𝑙(𝛽, 𝑘) −𝑟 2 2 ′
exp(𝒙𝒊 ′ 𝜷) 2 exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷)
= ∑ [(∑ ) − 3 𝑙𝑜𝑔(1 + 𝑘 exp(𝒙𝒊 𝜷)) + 2 +
𝜕𝑘 2 (1 + 𝑘 𝑟)2 𝑘 𝑘 (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)) 𝑘(1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))2
𝑖=1 𝑟=0
𝑦 1 + 𝑘 exp(𝒙𝒊 ′ 𝜷) 1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
+ ]
(1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))2
72
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
𝑛 𝑦−1
−𝑟 2 2 ′
exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷) (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))
= ∑ [(∑ ) − 3 𝑙𝑜𝑔(1 + 𝑘 exp(𝒙𝒊 𝜷)) + 2 +
(1 + 𝑘 𝑟)2 𝑘 𝑘 (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)) 𝑘 2 (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))2
𝑖−1 𝑟=0
1
(𝑦 + ) (exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷))
+ 𝑘 ]
(1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))2
𝑛 𝑦−1
−𝑟 2 2 ′
exp(𝒙𝒊 ′ 𝜷) (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)) exp(𝒙𝒊 ′ 𝜷) (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))
= ∑ [(∑ ) − 𝑙𝑜𝑔(1 + 𝑘 exp(𝒙 𝒊 𝜷)) + +
(1 + 𝑘 𝑟)2 𝑘3 𝑘 2 (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))2 𝑘 2 (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))2
𝑖=1 𝑟=0
1
(𝑦 + ) (exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷))
+ 𝑘 ]
(1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))2
𝑛 𝑦−1
−𝑟 2 2 ′
exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷)
= ∑ [(∑ ) − 3 𝑙𝑜𝑔(1 + 𝑘 exp(𝒙𝒊 𝜷)) + 2 +
(1 + 𝑘 𝑟)2 𝑘 𝑘 (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)) 𝑘 2 (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))
𝑖=1 𝑟=0
1
(𝑦 + ) (exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷))
+ 𝑘 ]
(1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))2
73
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
𝑛 𝑦−1 1
−𝑟 2 2 2exp(𝒙 ′
𝜷) (𝑦 + ) (exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷))
= ∑ [(∑ ) − 3 𝑙𝑜𝑔(1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)) + 2
𝒊
+ 𝑘 ]
(1 + 𝑘 𝑟)2 𝑘 𝑘 (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)) (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷))2
𝑖=1 𝑟=0
𝑛 2
𝜕 2 𝑙(𝛽, 𝑘) − 𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)) − [𝑥1𝑖 𝑘 exp(𝒙𝒊 ′ 𝜷) (𝑥1𝑖 𝑦 − 𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷))]
=∑
𝜕𝛽12 𝑖=1
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑛 2 2 2 2
−𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) − 𝑥1𝑖 𝑘 exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷) − 𝑥1𝑖 𝑘 𝑦 exp(𝒙𝒊 ′ 𝜷) + 𝑥1𝑖 𝑘 exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷)
=∑
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1
𝑛 2 2 𝑛 2
−𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷) − 𝑥1𝑖 𝑘 𝑦 exp(𝒙𝒊 ′ 𝜷) −(1 + 𝑘 𝑦)𝑥1𝑖 exp(𝒙𝒊 ′ 𝜷)
=∑ =∑
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2 [1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1 𝑖=1
𝑛 2
𝜕 2 𝑙(𝛽, 𝑘) −𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷) (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)) − [𝑥2𝑖 𝑘 exp(𝒙𝒊 ′ 𝜷) (𝑥2𝑖 𝑦 − 𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷))]
=∑
𝜕𝛽2 2 𝑖=1
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑛 2 2 2 2
−𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷) − 𝑥2𝑖 𝑘 exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷) − 𝑥2𝑖 𝑘 𝑦 exp(𝒙𝒊 ′ 𝜷) + 𝑥2𝑖 𝑘 exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷)
=∑
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1
𝑛 2 2 𝑛 2
−𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷) − 𝑥2𝑖 𝑘 𝑦 exp(𝒙𝒊 ′ 𝜷) −(1 + 𝑘 𝑦)𝑥2𝑖 exp(𝒙𝒊 ′ 𝜷)
=∑ =∑
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2 [1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1 𝑖=1
74
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
𝑛 2
𝜕 2 𝑙(𝛽, 𝑘) −𝑥3𝑖 exp(𝒙𝒊 ′ 𝜷) (1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)) − [𝑥3𝑖 𝑘 exp(𝒙𝒊 ′ 𝜷) (𝑥3𝑖 𝑦 − 𝑥3𝑖 exp(𝒙𝒊 ′ 𝜷))]
=∑
𝜕𝛽3 2 𝑖=1
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑛 2 2 2 2
−𝑥3𝑖 exp(𝒙𝒊 ′ 𝜷) − 𝑥3𝑖 𝑘 exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷) − 𝑥3𝑖 𝑘 𝑦 exp(𝒙𝒊 ′ 𝜷) + 𝑥3𝑖 𝑘 exp(𝒙𝒊 ′ 𝜷) exp(𝒙𝒊 ′ 𝜷)
=∑
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1
𝑛 2 2 𝑛 2
−𝑥3𝑖 exp(𝒙𝒊 ′ 𝜷) − 𝑥3𝑖 𝑘 𝑦 exp(𝒙𝒊 ′ 𝜷) −(1 + 𝑘 𝑦)𝑥3𝑖 exp(𝒙𝒊 ′ 𝜷)
=∑ = ∑
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2 [1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1 𝑖=1
𝑛 2
𝜕 2 𝑙(𝛽, 𝑘) −(1 + 𝑘 𝑦)𝑥𝑝𝑖 exp(𝒙𝒊 ′ 𝜷)
=∑
𝜕𝛽𝑝 2 𝑖=1
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
75
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
Uji kebaikan model yang berkaitan dengan model linear umum (GLM)
1. 𝑅 2 dan 𝑃𝑠𝑒𝑢𝑑𝑜 − 𝑅 2 ,
2. Statistik deviansi
Di dalam skripsi ini, uji kebaikan model regresi yang digunakan adalah
a. 𝑅 2 dan 𝑃𝑠𝑒𝑢𝑑𝑜 − 𝑅 2
besarnya persentase dari variasi di dalam data yang dijelaskan oleh model. Nilai
dari statistik ini berkisar dari 0-1 dengan nilai yang semakin mendekati 1
merepresentasikan model yang terbentuk semakin baik. Namun, statistik ini kurang
tepat digunakan untuk model non-linear seperti Regresi Poisson, Regresi Binomial
𝑅𝑃2 = 1 − 𝐿𝐹 /𝐿𝑖
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
intercept
diterapkan kepada 𝑃𝑠𝑒𝑢𝑑𝑜 − 𝑅 2 . Interpretasi yang dapat dibuat adalah nilai yang
sangat kecil yang mengindikasikan lack of fit atau model yang diperoleh kurang
baik sedangkan nilai yang cukup besar mengindikasikan model yang baik.
perbandingan model. Uji ini biasanya digunakan untuk model yang bersarang
(nested models), tetapi uji ini juga dapat digunakan untuk uji dua model yang
berbeda (misalnya apakah sebuah data lebih baik dimodelkan dengan menggunakan
model Binomial Negatif atau Poisson). Formula untuk uji likelihood-ratio adalah
sebagai berikut:
𝐿𝑅 = −2{𝐿𝑟𝑒𝑑𝑢𝑐𝑒𝑑 − 𝐿𝑓𝑢𝑙𝑙 }
apakah penambaan satu atau sejumlah variabel penjelas ke dalam model harus
dilakukan atau tidak. Selain itu, uji ini digunakan untuk menguji signifikansi dari
taksiran model yang telah diperoleh. Berikut ini adalah uji signifikansi model
𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑃 = 0
𝐻1 : ∃𝛽1 ≠ 0 ; j = 1,2, ⋯ p
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
𝐿𝑅 = −2{𝑙𝑜𝑔𝐿̂0 − 𝑙𝑜𝑔𝐿̂1 }
2
Aturan keputusannya 𝐻0 ditolak pada tingkat signifikansi 𝛼 jika 𝐿𝑅 > 𝑋(𝛼,𝐾)
c. Uji Wald
𝐻0 : 𝛽𝑗 = 0
𝐻1 : 𝛽𝑗 ≠ 0
Dengan 𝛽̂𝑗 adalah taksiran parameter 𝛽𝑗 dan 𝑠𝑒(𝛽̂𝑗 ) adalah taksiran galat
̂.
standar dari 𝛽𝑗 yang diperoleh dari matriks taksiran variansi-kovariansi dari 𝜷
2
Aturan keputusannya adalah 𝐻0 ditolak pada tingkat signifikansi 𝛼 jika 𝑊𝑗 > 𝑋𝛼,1 .
Dalam statistik Uji Wald terdapat 𝑠𝑒(𝛽̂𝑗 ) yang merupakan standar error
dari parameter 𝛽̂𝑗 yang diperoleh dari elemen-elemen diagonal minus invers dari
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
̂ ) yaitu:
̂ (𝜷
𝑽
̂ (𝜷
𝑽 ̂ )]−𝟏
̂ ) ≈ −[𝑯(𝜷
−𝟏
𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘)
⋯
𝜕𝛽0 2 𝜕𝛽0 𝜕𝛽1 𝜕𝛽0 𝜕𝛽2 𝜕𝛽0 𝜕𝛽𝑝 𝜕𝛽0 𝜕𝛽𝑘
𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘)
⋯
𝜕𝛽0 𝜕𝛽1 𝜕𝛽1 2 𝜕𝛽1 𝜕𝛽2 𝜕𝛽1 𝜕𝛽𝑝 𝜕𝛽1 𝜕𝛽𝑘
𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘)
⋯
≈− 𝜕𝛽0 𝜕𝛽2 𝜕𝛽1 𝜕𝛽2 𝜕𝛽2 2 𝜕𝛽2 𝜕𝛽𝑝 𝜕𝛽2 𝜕𝛽𝑘
⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘)
⋯
𝜕𝛽0 𝜕𝛽𝑝 𝜕𝛽1 𝜕𝛽𝑝 𝜕𝛽2 𝜕𝛽𝑝 𝜕𝛽𝑝 2 𝜕𝛽𝑝 𝜕𝛽𝑘
𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘) 𝜕2 𝑙(𝛽,𝑘)
⋯
[ 𝜕𝛽0 𝜕𝛽𝑘 𝜕𝛽1 𝜕𝛽𝑘 𝜕𝛽2 𝜕𝛽𝑘 𝜕𝛽𝑝 𝜕𝛽𝑘 𝜕𝛽𝑘 2 ]
̂ ) merupakan
̂ (𝜷
Elemen diagonal utama ke-𝑝 (𝑝 = 1,2, … , 𝑘 + 1) dari matriks 𝑽
variansi dari 𝛽̂𝑝−1 , yang dinyatakan dengan 𝒗 ̂ 𝒑−𝟏 ) dan diperoleh melalui tahapan
̂(𝜷
sebagai berikut:
𝑛
−𝑥𝑝𝑖 𝑥𝑝𝑖 exp(𝒙𝒊 ′ 𝜷) [1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)] − 𝑘 𝑥𝑝𝑖 [exp(𝒙𝒊 ′ 𝜷)][𝑥𝑝𝑖 (𝑦 − exp(𝒙𝒊 ′ 𝜷))]
=∑
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1
𝛽𝑝 adalah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
𝐼(𝛽𝑗 )
𝑛
−𝑥𝑝𝑖 𝑥𝑝𝑖 exp(𝒙𝒊 ′ 𝜷) [1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)] − 𝑘 𝑥𝑝𝑖 [exp(𝒙𝒊 ′ 𝜷)][𝑥𝑝𝑖 (𝑦 − exp(𝒙𝒊 ′ 𝜷))]
= 𝐸 [− ∑ ]
[1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)]2
𝑖=1
= 𝐼(𝛽𝑝 )
seberapa besar informasi dari variabel independen 𝑋𝑝 yang dapat dijelaskan oleh
parameter 𝛽𝑝 . Variansi dari 𝛽𝑝 dapat diperoleh dari elemen diagonal matriks 𝑽(𝜷)
𝑛 −1
2
−1 𝑥𝑝𝑖 exp(𝒙𝒊 ′ 𝜷)
𝑣𝑎𝑟(𝛽𝑝 ) = [𝐼(𝛽𝑗 )] = [∑ ]
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
3. Taksiran galat standar untuk 𝛽̂𝑝 dalam model regresi Binomial Negatif adalah
𝑛 −1/2
2
𝑥𝑝𝑖 exp(𝒙𝒊 ′ 𝜷)
𝑠𝑒(𝛽̂𝑝 ) = √𝑣̂(𝛽̂𝑝 ) = [∑ ]
1 + 𝑘 exp(𝒙𝒊 ′ 𝜷)
𝑖=1
Berdasarkan formula taksiran galat standar untuk 𝛽̂𝑝 pada persamaan diatas, dapat
dikatakan bahwa galat standar tersebut dipengaruhi oleh parameter 𝑘. Hal tersebut
𝑘.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
81
Contoh 3.1
Overdispersi
Poisson yang mengalami overdispersi, akan digunakan data dari Buku Profil
Kesehatan Kota Semarang Tahun 2013 yang juga digunakan oleh Ruliana (2015).
Berikut adalah data banyaknya kasus penyakit campak pada 16 kecamatan di Kota
pada 16 kecamatan di kota Semarang dan terdapat empat variable independen yaitu
𝑋1 = imunisasi
𝑋2 = Puskesmas
𝑋3 = Keluarga Miskin
𝑋4 = Kepadatan Penduduk
Tabel 3.1 data banyaknya kasus campak pada 16 kecamatan di kota Semarang
Kecamatan 𝑌 𝑋1 𝑋2 𝑋3 𝑋4
82
1. Uji Kolmogorov-Smirnov
1. Uji Kolmogorov-smirnov
83
sebagai berikut:
3) Daerah penolakan
berdistribusi Poisson.
untuk parameter 𝛽0, 𝛽1, 𝛽2, 𝛽3, 𝛽4 pada tabel 3.3 berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
84
Table 3.3 Parameter 𝛽0, 𝛽1, 𝛽2, 𝛽3, 𝛽4 untuk Regresi Poisson
𝛽0 1.248 0.371
𝛽1 0.001 0.000
𝛽2 -0.269 0.119
𝛽3 0.000 0.000
𝛽4 -0.000 0.000
Hipotesis:
𝐻0 : 𝛽𝑗 = 0
𝐻1 : 𝛽𝑗 ≠ 0
Statistik uji:
2
𝛽̂𝑗
𝑊𝑗 = [ ]
𝑠𝑒(𝛽̂𝑗 )
2
̂
𝛽 −0.26989957 2
2. 𝑊2 = [𝑠𝑒(𝛽̂2 )] = [ ] = 5.144112586
21 0.119
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
85
2
̂
𝛽 0.0002018 2
3. 𝑊3 = [𝑠𝑒(𝛽̂2 )] = [0.00007624] = 7.006103496
21
2
̂
𝛽 −0.00004211 2
4. 𝑊4 = [𝑠𝑒(𝛽̂2 )] = [ 0.00002318 ] = 3.30022553
21
2
1. 𝑊1 = 24.934555 > 𝜒0.05,3 = 7.81473 maka 𝐻0 ditolak
2
2. 𝑊2 = 5.144112586 < 𝜒0.05,3 = 7.81473 maka 𝐻0 diterima
2
3. 𝑊3 = 7.006103496 < 𝜒0.05,3 = 7.81473 maka 𝐻0 diterima
2
4. 𝑊4 = 3.30022553 < 𝜒0.05,3 = 7.81473 maka 𝐻0 diterima
a. Perumusan Hipotesis
b. Statistik uji
𝑦
2 ∑𝑛𝑖=1 {𝑦𝑖 𝑙𝑛 ( 𝑖 ) − (𝑦𝑖 − 𝜇̂ 𝑖 )}
𝜇̂ 𝑖
𝜙1 =
𝑑𝑏
termasuk konstanta.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
86
c. Kriteria pengujian
d. Perhitungan
𝜙1 = 5.721
e. Kesimpulan
𝑦
2 ∑𝑛 𝑖 ̂ 𝑖 )}
𝑖=1{𝑦𝑖 𝑙𝑛( ̂ )−(𝑦𝑖 −𝜇 62.932
𝜇𝑖
𝜙1 = = = 5.721 > 1 maka 𝐻0 ditolak artinya
𝑑𝑏 11
Poisson pada langkah 4 tidak dapat digunakan. Oleh karena itu, analisis regresi
Negatif.
nilai untuk parameter 𝛽0, 𝛽1, 𝛽2, 𝛽3, 𝛽4 pada tabel 3.4 berikut:
Tabel 3.4 Parameter 𝛽0, 𝛽1, 𝛽2, 𝛽3 , 𝛽4 untuk Regresi Binomial Negatif
87
hipotesisnya adalah:
𝐻0 : 𝛽1 = 𝛽𝑗
𝐻1 : ∃𝛽𝑗 ≠ 0 ; j = 1,2
9.48773, maka 𝐻0 ditolak pada tingkat signifikansi 0.05 sehingga model Binomial
BAB IV
Pada Bab ini akan dibahas suatu masalah nyata tentang banyaknya kematian
ibu di Propinsi Jawa Timur pada tahun 2012 di setiap Kabupaten. Undang-undang
nomor 36 tahun 2009 tentang kesehatan mengamanatkan bahwa upaya kesehatan ibu
ditujukan untuk menjaga kesehatan ibu sehingga mampu melahirkan generasi yang
sehat dan berkualitas, serta dapat mengurangi angka kematian ibu sebagai salah satu
mengingat terdapat indikator dampak yaitu angka kematian Ibu (AKI) dan angka
khususnya pembangunan kesehatan. Untuk melihat kinerja kesehatan ibu dan anak,
maka perlu untuk melihat secara keseluruhan indikator kesehatan ibu dan anak, yaitu:
88
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
89
Angka kematian ibu merupakan jumlah kematian ibu yang terjadi karena proses
kehamilan, persalinan dan nifas. Angka kematian ibu dalam Profil Dinas Kesehatan
Propinsi Jawa Timur Tahun 2012 merupakan data yang berbentuk count. Distribusi
Poisson merupakan distribusi variabel random diskrit namun untuk suatu peristiwa
yang jarang terjadi. Kematian ibu merupakan suatu kejadian yang jarang terjadi. Angka
kematian Ibu di propinsi Jawa Timur tahun 2012 mempunyai indikasi overdispersi
sehingga data angka kematian Ibu di Propinsi Jawa Timur dapat dimodelkan dengan
1. Variabel dependen
Variabel dependen dalam penelitian ini adalah banyaknya kematian Ibu di Propinsi
2. Variabel independen
1) Jumlah cakupan imunisasi Tetanus Toksoid (TT2+) pada ibu hamil (𝑋1 )
2) Jumlah ibu hamil yang mendapatkan tablet FE1 (30 tablet) (𝑋2 )
3) Jumlah ibu hamil yang mendapatkan tablet FE3 (90 tablet) (𝑋3 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
90
4) Jumlah cakupan imunisasi Tetanus Toksoid (TT-5) pada ibu hamil (𝑋4 )
5) Cakupan K1 (𝑋5 )
6) Cakupan K4 (𝑋6 )
kunjungan baru Ibu hamil sebanyak 4 × yaitu sekali pada triwulan pertama,
dan kandungan, dokter umum, dan bidan yang dimulai pada kala I sampai
hari.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
91
A. Deskripsi Data
statistika deskriptif yang dapat dilihat pada tabel 4.1 berikut ini:
B. Pengolah Data
Data pada lampiran 7 merupakan data banyaknya kematian Ibu di Propinsi
Jawa Timur yang diambil dari Profil Dinas Kesehatan Propinsi Jawa Timur Tahun
2012.
1. Uji Kolmogorov-Smirnov
92
Binomial Negatif:
1. Uji Kolmogorov-smirnov
banyaknya kematian Ibu di Propinsi Jawa Timur tahun 2012 pada 38 Kabupaten/kota
sebagai berikut
3) Daerah penolakan
93
parameter 𝛽0, 𝛽1, 𝛽2, 𝛽3, 𝛽4 , 𝛽5, 𝛽6, 𝛽7 , 𝛽8 pada tabel 4.3 berikut:
Table 4.3 parameter 𝛽0, 𝛽1, 𝛽2, 𝛽3, 𝛽4, 𝛽5, 𝛽6, 𝛽7, 𝛽8 untuk Regresi Poisson
94
Hipotesis:
𝐻0 : 𝛽𝑗 = 0
𝐻1 : 𝛽𝑗 ≠ 0
Statistik uji:
2
𝛽̂𝑗
𝑊𝑗 = [ ]
𝑠𝑒(𝛽̂𝑗 )
2
̂
𝛽 −0.028 2
2. 𝑊2 = [𝑠𝑒(𝛽̂2 )] = [ 0.0308 ] = 0.8264
21
2
̂
𝛽 0.050 2
3. 𝑊3 = [𝑠𝑒(𝛽̂2 )] = [0.0309] = 2.6183
21
2
̂
𝛽 −0.009 2
4. 𝑊4 = [𝑠𝑒(𝛽̂2 )] = [ 0.0039 ] = 5.3254
21
2
̂
𝛽 0.170 2
5. 𝑊5 = [𝑠𝑒(𝛽̂2 )] = [0.0379] = 20.1196
21
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
95
2
̂
𝛽 −0.045 2
6. 𝑊6 = [𝑠𝑒(𝛽̂2 )] = [ 0.0243 ] = 3.4293
21
2
̂
𝛽 −0.103 2
7. 𝑊7 = [𝑠𝑒(𝛽̂2 )] = [ 0.0501 ] = 4.2267
21
2
̂
𝛽 −0.034 2
8. 𝑊8 = [𝑠𝑒(𝛽̂2 )] = [ 0.0441 ] = 0.5944
21
2
1. 𝑊1 = 11.111 < 𝜒0.05,7 = 14.0671 maka 𝐻0 diterima
2
2. 𝑊2 = 0.8264 < 𝜒0.05,7 = 14.0671 maka 𝐻0 diterima
2
3. 𝑊3 = 2.6183 < 𝜒0.05,7 = 14.0671 maka 𝐻0 diterima
2
4. 𝑊4 = 5.3254 < 𝜒0.05,7 = 14.0671 maka 𝐻0 diterima
2
5. 𝑊5 = 20.1196 > 𝜒0.05,7 = 14.0671 maka 𝐻0 dtolak
2
6. 𝑊6 = 3.4293 < 𝜒0.05,7 = 14.0671 maka 𝐻0 diterima
2
7. 𝑊7 = 4.2267 < 𝜒0.05,7 = 14.0671 maka 𝐻0 diterima
2
8. 𝑊8 = 0.5944 < 𝜒0.05,7 = 14.0671 maka 𝐻0 diterima
belum diuji asumsi equidispersi. Oleh karena itu, maka pada langkah
96
a. Perumusan Hipotesis
b. Statistik uji
𝑦
2 ∑𝑛𝑖=1 {𝑦𝑖 𝑙𝑛 ( 𝑖 ) − (𝑦𝑖 − 𝜇̂ 𝑖 )}
𝜇̂ 𝑖
𝜙1 =
𝑑𝑏
termasuk konstanta.
c. Kriteria pengujian
d. Perhitungan
1.766758621
e. Kesimpulan
𝑦
2 ∑𝑛 𝑖 ̂ 𝑖 )}
𝑖=1{𝑦𝑖 𝑙𝑛( ̂ )−(𝑦𝑖 −𝜇 81.985
𝜇𝑖
𝜙1 = = = 2.827 > 1 maka 𝐻0 ditolak artinya model
𝑑𝑏 29
regresi Poisson mengalami overdispersi sehingga hasil analisa regresi Poisson pada
langkah 4 tidak dapat digunakan. Oleh karena itu, analisis regresi yang tepat untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
97
untuk parameter 𝛽0, 𝛽1, 𝛽2, 𝛽3, 𝛽4 , 𝛽5, 𝛽6, 𝛽7, 𝛽8 pada tabel 4.4 berikut:
tabel 4.4 parameter 𝛽0, 𝛽1, 𝛽2, 𝛽3, 𝛽4 , 𝛽5, 𝛽6, 𝛽7, 𝛽8 untuk Regresi
Binomial Negatif
Hipotesisnya adalah:
𝐻0 : 𝛽1 = 𝛽2 = 0
𝐻1 : ∃𝛽𝑗 ≠ 0 ; j = 1,2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
98
Berdasarkan tabel Chi-squares dengan tingkat signifikansi 0.05 dan derajat bebas 8
2 2
diperoleh nilai 𝑋(0.05,8) = 15.5073. nilai 𝐿𝑅 = 32.416 > 𝑋(0.05,2) = 15.5073, maka 𝐻0
ditolak pada tingkat signifikansi 0.05 sehingga model Binomial negatif dapat
Toksoid (TT2+) pada ibu hamil (𝑋1 ), Jumlah ibu hamil yang mendapatkan tablet
FE1 (30 tablet) (𝑋2 ), Jumlah ibu hamil yang mendapatkan tablet FE3 (90 tablet)
(𝑋3 ), Jumlah cakupan imunisasi Tetanus Toksoid (TT-5) pada ibu hamil (𝑋4 ),
Cakupan K1 (𝑋5 ), Cakupan K4 (𝑋6 ), Cakupan ibu bersalin yang ditolong nakes
Berikut adalah contoh interpretasi parameter 𝛽1, 𝛽2, 𝛽3, dan 𝛽4 dari model Regresi
Binomial Negatif:
1) Interpretasi 𝛽1 = 0.001
Untuk setiap kenaikan 1 persen 𝑋1 , dengan asumsi nilai variabel lainnya tetap,
maka rata-rata 𝑌 (jiwa) akan berlipat 𝑒 0.001 ≈ 1.001 kali artinya tidak ada
99
2) Interpretasi 𝛽2 = −0.026
Untuk setiap kenaikan 1 persen 𝑋2 , dengan asumsi nilai variabel lainnya tetap,
3) Interpretasi 𝛽3 = −0.009
Untuk setiap kenaikan 1 persen 𝑋3 , dengan asumsi nilai variabel lainnya tetap,
4) Interpretasi 𝛽4 = 0.192
Untuk setiap kenaikan 1 persen 𝑋4 , dengan asumsi nilai variabel lainnya tetap,
5) Interpretasi 𝛽5 = −0.045
Untuk setiap kenaikan 1 persen 𝑋5 , dengan asumsi nilai variabel lainnya tetap,
6) Interpretasi 𝛽6 = −0.105
Untuk setiap kenaikan 1 persen 𝑋6 , dengan asumsi nilai variabel lainnya tetap,
7) Interpretasi 𝛽7 = −0.105
Untuk setiap kenaikan 1 persen 𝑋7 , dengan asumsi nilai variabel lainnya tetap,
8) Interpretasi 𝛽8 = −0.049
Untuk setiap kenaikan 1 persen 𝑋8 , dengan asumsi nilai variabel lainnya tetap,
BAB V
A. Kesimpulan
Data count adalah data hasil percobaan acak yang nilai-nilainya merupakan
bilangan bulat non-negatif. Distribusi yang biasa digunakan untuk memodelkan data
count adalah distribusi Poisson yang memiliki asumsi mean dan variansi yang sama.
Saat terjadi overdispersi, yaitu keadaan dimana variansi lebih besar dari nilai mean,
maka asumsi mean dan variansi pada distribusi Poisson tidak lagi terpenuhi. Oleh
karena itu, diperlukan distribusi lain untuk menganalisis data count tersebut yaitu
Model untuk Regresi Binomial Negatif pada data banyaknya kematian Ibu di
100
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
101
B. Saran
Saran untuk pengembangan skripsi ini adalah membahas metode lain untuk
dari distribusi Binomial Negatif dapat dilakukan dengan metode lain diantaranya
DAFTAR PUSTAKA
Agresti, A. (2002). Categorical Data Analysis. Second Edition. New York: John Wiley
& Sons.
Philadelphia: Springer.
Brown, D. L., Zhau, H. Linda. (2002). A Test for the Poison Distribution. The Indian
14 (2): 69-76.
Cameron, A. C., Trivedi, P. K. (1998). Regression Analysis of Count Data. New York:
Lecture note.
102
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
103
Diaconis, P., Yivisaker, D. (1979). Conjugate Priors for Exponential Families. The
Dinas Kesehatan Provinsi Jawa Timur. Profil Kesehatan Provinsi Jawa Timur 2012.
Press.
Hilbe, J. M. (2014). Modeling Count Data. New York: Cambridge University Press.
Ismail, N., Jemain, A. A. (2007). Handling Overdispersion with Negative Binomial and
Society Forum.
Johnson, N. L., et all. (1992). Univariate Discrete Distribution. New York: The Willey
Interscience Publication.
Kothari, R. C. (2004). Research Methodology Methods & Techniques. New Delhi: New
Age International.
Lawal, B. (2003). Categorical Data Analysis with SAS and SPSS Application. London:
104
Lord, D., Park, J. B. Negative Binomial Regression Models and Estimation Methods.
Lecture note.
and Hall.
Muntafiah, Rena, et all. (2014). Pemodelan Regresi Binomial Negatif untuk Mengatasi
Semarang. Skirpsi.
Statistika. 1 (2).
Zeileis, Achim., et all. (2008). Regression Models for Count Data in R. Journal of
LAMPIRAN
Lampiran 1
+ h=1e-12
+ i=1;x1=x0
+ p=numeric(N)
+ while(i<=N){
+ df.dx=(f(x0+h)-f(x0))/h
+ x1=(x0-(f(x0)/df.dx))
+ p[i]=x1
+ i=i+1
+ if(abs(x1-x0)<tol)break
+ x0=x1
+ }
+ return(p[1:(i-1)])
+}
> f=function(x){x^3-x-1}
105
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
106
> h=1e-12
> df.dx=function(x){(f(x+h)-f(x))/h}
> df.dx(1);df.dx(2)
[1] 2.000178
[1] 11.00098
> app=Newton(f,tol=1e-12,x0=1)
> app
Lampiran 2
107
Lampiran 3
Kecamatan 𝑌 𝑋1 𝑋2 𝑋3 𝑋4
Mijen 2 955 2 725 1006
Gunungpati 12 1094 2 1776 1402
Banyumanik 8 2692 4 236 5080
Gajah Mungkur 2 855 1 1343 7012
SemarangSelatan 22 2129 2 1313 13882
Candisari 11 1447 2 1550 12187
Tembalang 20 2574 3 3008 3339
Pedurungan 11 2873 2 1705 8549
Genuk 5 2028 2 201 3411
Gayamsari 1 1928 1 88 11939
Semarang Timur 7 1857 3 4603 10211
Semarang Utara 6 1882 2 3183 11671
SemarangTengah 2 1481 2 778 11596
Semarang Barat 1 2340 5 2660 7298
Tugu 4 539 2 1236 984
Ngaliyan 23 2511 3 2113 3226
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
108
Lampiran 4
Lampiran 5
Pemodelan Regresi Poisson pada data banyaknya kasus campak pada 16 kecamatan di
kota Semarang
> data_campak=read.csv(file.choose())
> data_campak
> Y=data_campak[,1]
> X1=data_campak[,2]
> X2=data_campak[,3]
> X3=data_campak[,4]
> X4=data_campak[,5]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
109
> summary(Regresi_Poisson)
Call:
Deviance Residuals:
Coefficients:
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
AIC: 130.52
110
Lampiran 6
Pemodelan Regresi Binomial Negatif pada data banyaknya kasus campak pada 16
> library(MASS)
> Regresi_Binomial_Negatif=glm.nb(Y~X1+X2+X3+X4)
> summary(Regresi_Binomial_Negatif)
Call:
link = log)
Deviance Residuals:
Coefficients:
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
111
AIC: 107.31
Theta: 2.50
2 x log-likelihood: -95.305
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
112
Lampiran 7
Pemodelan Regresi Binomial Negatif tanpa variabel independent pada data banyaknya
> regresi_Binomial_Negatif=glm.nb(Y~1)
> summary(regresi_Binomial_Negatif)
Call:
Deviance Residuals:
Coefficients:
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
AIC: 105.29
Theta: 1.577
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
113
2 x log-likelihood: -101.289
Lampiran 8
𝑌 𝑋1 𝑋2 𝑋3 𝑋4 𝑋5 𝑋6 𝑋7 𝑋8
4 0.00 74.61 70.87 0.00 96.78 90.01 92.59 92.26
1 11.19 76.06 76.42 1.53 83.6 77.51 80.76 80.84
2 0.00 102.42 84.6 0.00 103.37 83.64 98.88 97.33
0 0.00 88.53 83.94 0.00 91.66 85.04 89.57 86.38
4 0.00 86.57 79.75 0.00 91.15 84.42 89.26 89.39
7 6.23 89.41 84.56 0.00 95.38 90.79 92.42 88.78
8 23.05 92.39 88.96 12.78 98.16 94.62 93.07 90.69
1 0.00 103.44 95.63 0.00 102.45 91.41 100.83 96.04
13 0.00 87.82 81.58 0.00 89.3 70.67 85.15 85.63
2 0.00 88.07 81.32 0.00 88.43 79.89 87.04 88.06
6 1.03 96.03 86.24 0.20 96.07 91.61 90.8 95.68
8 0.00 79.7 72.41 0.00 87.05 75.21 82.08 81.11
7 0.00 91.69 79.95 0.00 91.69 79.41 87.23 86.97
10 0.00 90.65 80.43 0.00 89.32 82.8 86.02 82.38
2 0.00 81.54 75.83 0.00 83.83 80.87 84.94 77.53
5 0.00 80.22 73.87 0.00 89.23 78.89 86.56 84.18
6 26.3 91.97 86.85 12.19 92.18 86.56 90.33 90.58
5 0.00 86 81.04 0.00 90.5 84.46 93.32 86.37
2 0.15 74.52 71.74 0.06 78.45 73.31 75.06 74.42
0 52.91 77.36 74.28 13.17 85.87 82.04 85.52 83.79
5 12.68 95.03 92.26 4.37 95.03 92.26 93.92 92.32
3 40.55 99.07 88.98 13.14 103.6 92.45 98.4 95.37
7 986.54 90.32 87.93 9.68 89.98 87.47 93.76 91.22
5 0.00 86.85 84.88 0.00 108.57 101.55 101.41 100.8
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
114
Lampiran 9
Uji Kolmogorov-Smirnov untuk banyaknya kematian Ibu di propinsi Jawa timur tahun 2012
115
Lampiran 10
Pemodelan Regresi Poisson pada data banyaknya kematian Ibu di Propinsi Jawa Timur
tahun 2012
> data=read.csv(file.choose())
> data
> Y=data[,1]
> X1=data[,2]
> X2=data[,3]
> X3=data[,4]
> X4=data[,5]
> X5=data[,6]
> X6=data[,7]
> X7=data[,8]
> X8=data[,9]
> summary(Regresi_Poisson)
Call:
Deviance Residuals:
Coefficients:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
116
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
AIC: 199.12
117
Lampiran 11
Pemodelan Regresi Binomial Negatif pada data banyaknya kematian Ibu di Propinsi Jawa
> library(MASS)
> Regresi_Binomial_Negatif=glm.nb(Y~X1+X2+X3+X4+X5+X6+X7+X8)
> summary(Regresi_Binomial_Negatif)
Call:
Deviance Residuals:
Coefficients:
118
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
AIC: 191.12
Theta: 3.31
2 x log-likelihood: -171.118
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
119
Lampiran 12
Pemodelan Regresi Binomial Negatif tanpa variabel independent pada data banyaknya
> Regresi_Binomial_Negatif=glm.nb(Y~1)
> summary(Regresi_Binomial_Negatif)
Call:
Deviance Residuals:
Coefficients:
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
AIC: 191.33
Theta: 1.414
2 x log-likelihood: -187.326