143 research outputs found
ANALISIS STATISTIKA DESKRIPTIF DALAM PEMETAAN KEMISKINAN DI KOTA BENGKULU
No full textKemiskinan merupakan masalah klasik di negara-negara sedang berkembang, tidak terkecuali di Indonesia. Banyak faktor yang menyebabkan lambatnya laju pengurangan penduduk miskin diantaranya adalah terbatasnya dana maupun ketidaktepatan program pengentasan kemiskinan. Karena kemiskinan merupakan persoalan multidimensi dan sangat kompleks maka banyak faktor yang mempengaruhi jumlah dan tingkat kemiskinan di suatu wilayah. Penelitian ini bertujuan untuk mendeskripsikan dan menentukan faktor-faktor yang mempengaruhi tingkat kemiskinan per kecamatan di Kota Bengkulu. Variabel yang digunakan dalam penelitian ini adalah jumlah penduduk miskin, jumlah sarana pendidikan dan kesehatan serta data demografi setiap kecamatan yang terdapat di Kota Bengkulu. Analisis yang digunakan dalam penelitian ini adalah analisis deskriptif, analisis regresi linier berganda dan akan dilakukan pembuatan peta kemiskinan. Ukuran kemiskinan yang digunakan dalam penelitian ini mengacu kepada ukuran kemiskinan yang dikembangkan oleh BKKBN. Sedangkan dalam pembentukan model regresi untuk melihat pengaruh ketersediaan sarana dan prasarana terhadap kemiskinan digunakan data yang berasal dari BKKBN dan BPS. Rata-rata keluarga miskin di Kota Bengkulu adalah 23.14% dengan persenatse terbesar berada di Kecamatan Teluk Segara sebesar 31,96% dan persentae terendah berada di Kecamtan Selebar sebesar 18.43%. Jumlah sarana pendidikan dan Kesehatan serta jumlah penerima bantuan Kredit mikro tidak berpengaruh secara signifikan terhadap tingkat kemiskinan di Kota Bengkulu. Tingkat kemiskinan di Kota Bengkulu sangat dipengaruhi oleh banyaknya kepala keluarga yang tidak bekerja. Model analisis regresi yang diperoleh dengan metode stepwise adalah Persentase Kemiskinan = 16.962 +0.969*Persentase Kepala keluarga Tidak Bekerja
ANALISIS STATISTIKA DESKRIPTIF DALAM PEMETAAN KEMISKINAN DI KOTA BENGKULU
Full text linkKemiskinan merupakan masalah klasik di negara-negara sedang berkembang, tidak terkecuali di Indonesia. Banyak faktor yang menyebabkan lambatnya laju pengurangan penduduk miskin diantaranya adalah terbatasnya dana maupun ketidaktepatan program pengentasan kemiskinan. Karena kemiskinan merupakan persoalan multidimensi dan sangat kompleks maka banyak faktor yang mempengaruhi jumlah dan tingkat kemiskinan di suatu wilayah. Penelitian ini bertujuan untuk mendeskripsikan dan menentukan faktor-faktor yang mempengaruhi tingkat kemiskinan per kecamatan di Kota Bengkulu. Variabel yang digunakan dalam penelitian ini adalah jumlah penduduk miskin, jumlah sarana pendidikan dan kesehatan serta data demografi setiap kecamatan yang terdapat di Kota Bengkulu. Analisis yang digunakan dalam penelitian ini adalah analisis deskriptif, analisis regresi linier berganda dan akan dilakukan pembuatan peta kemiskinan. Ukuran kemiskinan yang digunakan dalam penelitian ini mengacu kepada ukuran kemiskinan yang dikembangkan oleh BKKBN. Sedangkan dalam pembentukan model regresi untuk melihat pengaruh ketersediaan sarana dan prasarana terhadap kemiskinan digunakan data yang berasal dari BKKBN dan BPS. Rata-rata keluarga miskin di Kota Bengkulu adalah 23.14% dengan persenatse terbesar berada di Kecamatan Teluk Segara sebesar 31,96% dan persentae terendah berada di Kecamtan Selebar sebesar 18.43%. Jumlah sarana pendidikan dan Kesehatan serta jumlah penerima bantuan Kredit mikro tidak berpengaruh secara signifikan terhadap tingkat kemiskinan di Kota Bengkulu. Tingkat kemiskinan di Kota Bengkulu sangat dipengaruhi oleh banyaknya kepala keluarga yang tidak bekerja. Model analisis regresi yang diperoleh dengan metode stepwise adalah Persentase Kemiskinan = 16.962 +0.969*Persentase Kepala keluarga Tidak Bekerja
PEMODELAN PENGELUARAN PER KAPITA DI PROVINSI BENGKULU MENGGUNAKAN SMALL AREA ESTIMATION DENGAN PENDEKATAN REGRESI PENALIZED SPLINE
Full text linkPenelitian ini bertujuan untuk melakukan pemodelan pengeluaran per kapita di Provinsi
Bengkulu. Metode yang digunakan dalam penelitian ini adalah small area estimation
(SAE) dengan pendekatan regresi penalized spline (P-Spline). SAE merupakan salah satu
metode statistika untuk menduga subpopulasi (area kecil). Pendugaan parameter model
dasar SAE umumnya membangun suatu model linier campuran yang mengasumsikan
bahwa variabel respon dan variabel prediktor mempunyai hubungan linier. Ketika asumsi
tersebut tidak terpenuhi, maka dilakukan pendekatan nonparametrik sebagai alternatif
pilihan. Salah satunya adalah pendekatan nonparametrik P-Spline. Pada penelitian ini,
dilakukan pendugaan parameter model SAE menggunakan P-Spline sehingga diperoleh
suatu persamaan regresi efek campuran sebagai model pengeluaran per kapita.
Berdasarkan hasil pendugaan diperoleh model pengeluaran per kapita di Provinsi
Bengkulu yaitu model P-Spline linier dengan 1 knot. Model ini mempunyai nilai GCV
sebesar 148353534092.87, nilai AIC sebesar 13882.38, dan BIC sebesar 13903.3.
Kata Kunci: Pengeluaran Per kapita, P-Spline, Small Area Estimation, GCV, Bengkul
MODEL LOG LINIER PADA TABEL KONTINGENSI TAK SEMPURNA BERDIMENSI EMPAT (STUDI KASUS: DATA JUMLAH PEGAWAI NEGERI SIPIL PROVINSI JAWA BARAT TAHUN 2012)
No full textTujuan dalam penulisan ini adalah untuk mengetahui prosedur analisis model log linier pada tabel kontingensi tak sempurna berdimensi empat dan menerapkannya pada data Jumlah Pegawai Negeri Sipil Provinsi Jawa Barat Tahun 2012. Data kategorik merupakan data hasil pengamatan sampel dalam suatu populasi yang memiliki keadaan serupa yang dikelompokkan silang kedalam beberapa variabel kategorik. Suatu tabel kontingensi dikatakan tak sempurna, jika dan hanya jika tabel tersebut mempunyai sebuah sel kosong atau lebih untuk populasi yang ditinjau. Analisis data kategorik dapat dilakukan dengan menggunakan model log linier untuk menganalisis hubungan antara variabel–variabel kategorik yang membentuk tabel kontingensi sembarang dimensi. Model log linier empat dimensi merupakan perluasan dari model log linier tiga dimensi. Model log linier pada tabel kontingensi tak sempurna adalah model log linier yang dilakukan pada tabel yang mempunyai sebuah sel kosong atau lebih untuk populasi yang ditinjau dengan dimensi empat. Bentuk umum model log linier empat dimensi yait
PEMODELAN JUMLAH KEMATIAN AKIBAT DIFTERI DI INDONESIA DENGAN METODE REGRESI HURDLE NEGATIVE BINOMIAL
No full textDifteri merupakan penyakit menular yang disebabkan oleh bakteri
Corynebacterium diphteria. Infeksi ini terutama menyerang area tenggorokan dan
saluran pernapasan bagian atas, menghasilkan toksin yang dapat membahayakan
organ-organ tubuh. Penelitian ini bertujuan mengidentifikasi faktor-faktor yang
mempengaruhi kasus kematian akibat difteri menggunakan analisis regresi Hurdle
Negative Binomial (HNB). Metode HNB dipilih karena kesesuaiannya dalam
menganalisis data cacah yang memiliki karakteristik overdispersi dan excess
zeros. Pendekatan analisis menggunakan model two-part, dimana bagian pertama
mengestimasi variabel respon bernilai nol (model hurdle), sementara bagian kedua
mengestimasi variabel respon bulat negatif (model truncated). Hasil pemodelan
hurdle mengidentifikasi dua faktor utama yang mempengaruhi probabilitas
kematian akibat difteri di Indonesia pada tahun 2023, yaitu persentase sanitasi
layak dan kepadatan penduduk. Berdasarkan hasil analisis, terdapat dua temuan
utama terkait kematian akibat difteri di Indonesia pada tahun 2023. Pertama,
peningkatan persentase sanitasi layak sebesar satu persen berkaitan dengan
kenaikan probabilitas kematian akibat difteri sebesar 0,493 persen. Kedua, setiap
kenaikan satu kepadatan penduduk berhubungan dengan kenaikan
probabilitas kematian akibat difteri sebesar 0,499 persen.
Kata Kunci: Difteri, Excess zeros, HNB, Overdispersi
PENGENALAN DAN PELATIHAN MAPLE GUNA MENINGKATKAN HASIL BELAJAR DAN PEMAHAMAN MATEMATIKA
Full text linkThe training and introduction of MAPLE is aimed to improving SMA Negeri 8 Kota Bengkulu students' logic and analysis ability to solve math problems. The steps taken are to prepare syllabus and MAPLE training material module that can be used as reference in the implementation of coaching, then carry out training for one month. From the pre-test and post-test results it can be concluded that there is a significant difference from the learning result before and after knowing and using MAPLE. The average post-test score is much greater when compared with the student's pre-test score. Paired sample testing gives a t-value of 24,079 with p-value 0.000. It can be concluded that the average pre-test and post-test values are significantly different. This means that the introduction and training of MAPLE in SMA Negeri 8 gives a real influence on students' mathematics learning outcomes. Keywords: MAPLE Training, Mathematics
PERBANDINGAN METODE AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE (ARFIMA) DAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DALAM MEMPREDIKSI DATA HARIAN HARGA SAHAM BANK CENTRAL ASIA (BBCA)
No full textPenelitian ini bertujuan untuk melakukan analisis komparatif terhadap
performa dua model peramalan deret waktu, yaitu model Autoregressive
Integrated Moving Average (ARIMA) dan Autoregressive Fractionally Integrated
Moving Average (ARFIMA), dalam memprediksi harga penutupan saham harian
PT Bank Central Asia Tbk (BBCA). Data saham BBCA menunjukkan
karakteristik long memory yang signifikan, sebagaimana tercermin dari nilai Hurst
Exponent sebesar 0,821. Hal ini menunjukkan bahwa data mengandung
ketergantungan jangka panjang, sehingga pendekatan ARFIMA yang
mengakomodasi diferensiasi fraksional menjadi lebih sesuai dibandingkan model
ARIMA konvensional. Model terbaik yang diperoleh adalah ARIMA(2,1,2) dan
ARFIMA(1,d,1), dengan estimasi parameter fraksional pada model ARFIMA
dihitung menggunakan metode Geweke and Porter-Hudak (GPH). Evaluasi
performa prediksi dilakukan menggunakan tiga metrik akurasi: Mean Absolute
Percentage Error (MAPE), Root Mean Square Error (RMSE), dan Mean
Absolute Error (MAE). Hasil evaluasi menunjukkan bahwa ARFIMA
memberikan hasil peramalan yang lebih baik dibandingkan ARIMA. Nilai MAPE,
RMSE, dan MAE yang dihasilkan oleh ARFIMA masing-masing adalah 3,736%,
0,348, dan 0,313, sementara ARIMA menghasilkan 5,664%, 0,532, dan 0,471.
Berdasarkan hasil ini, dapat disimpulkan bahwa ARFIMA memiliki keunggulan
dalam memodelkan data deret waktu yang bersifat long memory serta
menghasilkan prediksi yang lebih akurat.
vii
viii
Kata Kunci: ARFIMA, ARIMA, BBCA Stock, Long Memory, MAE, MAPE,
RMSE
DATA HILANG PADA RANCANGAN TERSARANG DUA TAHAP
No full textPenelitian ini dilakukan dengan tujuan mendapatkan formula untuk menduga data hilang pada Rancangan Tersarang Dua Tahap. Data hilang mungkin terjadi dalam melakukan suatu penelitian sehingga menyebabkan hilangnya informasi-informasi penting untuk melakukan analisis pada percobaan yang dilakukan, maka dari itu dikembangkan suatu metode untuk mengestimasi data yang hilang. Salah satu metodenya adalah metode Yates. Metode Yates merupakan metode pertama yang digunakan untuk menganalisis data yang hilang berdasarkan pengamatan yang ada dengan metode kuadrat terkecil atau meminimumkan jumlah kuadrat galat percobaannya yang kemudian nilai penduga tersebut dimasukkan dalam model dan dianalisis seperti menganalisis data yang lengkap, tetapi tidak memberikan informasi tambahan untuk percobaan, hanya sebagai fasilitas untuk analisis data sisanya. Nilai dugaan data yang hilang akan berpengaruh terhadap analisis varian yaitu derajat bebas total dan galat percobaan masing- masing berkurang satu. Berdasarkan hal tersebut, maka diperoleh formula untuk menduga data yang hilang pada Rancangan Tersarang Dua Tahap dimana M merupakan penduga data yang hilang, adalah total semua pengamatan yang tak hilang pada faktor B taraf ke-h, yang tersarang pada faktor A taraf ke-g dan c merupakan banyaknya ulangan pada faktor B(A
PENERAPAN ERROR CORRECTION MODEL PADA PDRB DI SUMATRA UTARA YANG DIPENGARUHI OLEH TENAGA KERJA DAN EKSPOR PADA TAHUN 2003-2022
No full textProduk Domestik Regional Bruto (PDRB) adalah indikator utama dalam
menilai pertumbuhan ekonomi suatu wilayah. PDRB mencerminkan total nilai
barang dan jasa yang dihasilkan dalam jangka waktu tertentu, sehingga sering
menjadi ukuran kinerja ekonomi. Pertumbuhan ekonomi dapat terlihat dari
peningkatan PDRB setiap tahunnya, dan mempelajari PDRB menjadi penting untuk
memahami perubahan ekonomi dan dampaknya pada kesejahteraan masyarakat. Di
Sumatra Utara, PDRB dipengaruhi oleh faktor-faktor seperti jumlah tenaga kerja
dan tingkat ekspor. Tujuan dari penelitian ini adalah untuk mengeksplorasi
pengaruh tenaga kerja dan ekspor terhadap PDRB di Sumatra Utara, baik dalam
perspektif jangka pendek serta jangka panjang, selama periode 2003 hingga 2022.
Untuk mencapai tujuan ini, metode Error Correction Model (ECM) diterapkan
dengan tujuan menganalisis keseimbangan jangka panjang serta penyesuaian
jangka pendek antara variabel-variabel tersebut. Data yang diterapkan pada
penelitian ini merupakan data deret waktu yang dianalisis dengan uji kointegrasi
untuk memastikan terdapat hubungan jangka panjang yang stabil. Hasil penelitian
mengindikasikan bahwa tenaga kerja dan ekspor memberikan pengaruh yang
signifikan terhadap PDRB, baik dalam jangka pendek maupun jangka panjang.
Selain itu, model ECM menunjukkan kemampuannya dalam mengoreksi
ketidakseimbangan di jangka pendek mencapai keseimbangan di jangka panjang.
Hal ini menunjukkan betapa pentingnya mekanisme koreksi kesalahan untuk
menjaga stabilitas ekonomi, serta menunjukkan bahwa kebijakan yang diambil
harus mempertimbang kan faktor-faktor lain yang dapat mempengaruhi PDRB
secara menyeluruh.
Kata Kunci : Error Correction Model (ECM), ekspor, PDRB, Sumatra Utara,
tenaga kerja
- …
