Articles
<![CDATA[Vector Autoregressive Modeling on Cases of Malaria Based on the Tribal in Tanah Bumbu District ]]>
<![CDATA[Khair, Abdul]]>;
<![CDATA[Sarmanu, Sarmanu]]>;
<![CDATA[Martini, Santi]]>;
<![CDATA[Otok, Bambang Widjanarko]]>
<![CDATA[ CAUCHY Vol 5, No 3 (2018): CAUCHY ]]>
Publisher : <![CDATA[Mathematics Department, Maulana Malik Ibrahim State Islamic University of Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (753.225 KB)
|
DOI: 10.18860/ca.v5i3.5880
<![CDATA[The number of malaria in this area always has the tendency of the most compared to the city/district in South Kalimantan Province. Behavior is internalisation factor from the level of knowledge, attitudes and actions of a person who influenced by customs, customs and belief in certain things that has been handed down by his ancestors. The behavior of a community group can be different from the other groups so that they formed a group behavior or can be said tribal behavior.The purpose of this research predicts that the number of the prevalence of malaria in Tanah Bumbu tribal based with Y1t : the tribe of Banjar, Y2t : Javanese,  Y3t : the tribe of Bugis, and Y4t : other tribes using vector autoregressive (VAR) model. The results of the study showed with Granger Causality approach there is a relationship between the amount of the prevalence of Malaria Javanese with other tribes, Bugis tribe with other tribes. The relationship is strengthened in the VAR model, which is the number of the prevalence of Malaria Javanese influenced by the number of the prevalence of Malaria Javanese at period t-1, and the number of the prevalence of Malaria tribe Bugis at period t-1. While the number of the prevalence of Malaria tribe Bugis influenced by the number of the prevalence of Malaria Other tribes in the period t-2.]]>
<![CDATA[Pendekatan Multivariate Adaptive Regression SPLINES (MARS) pada Pemodelan Penduduk Miskin di Indonesia Tahun 2008-2012 ]]>
<![CDATA[Ayu A, Eta Dian]]>;
<![CDATA[Otok, Bambang Widjanarko]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1 No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Kemiskinan merupakan salah satu persoalan mendasar yang menjadi pusat perhatian pemerintah di negara manapun karena merupakan masalah kependudukan yang kompleks dan menyangkut berbagai macam aspek. Untuk keperluan perencanaan, monitoring, dan evaluasi berbagai program terkait penanggulangan kemiskinan diperlukan sejumlah instrumen statistik, salah satunya adalah persentase penduduk miskin dari total populasi. Tujuan penelitian ini adalah untuk menganalisis faktor-faktor dari karakteristik penduduk miskin yang signifikan mempengaruhi kemiskinan tingkat Kabupaten/Kota di Indonesia. Untuk kasus kemiskinan di Indonesia yang terdiri dari banyak variabel prediktor, pendekatan regresi nonparametrik dapat menggunakan Multivariate Adaptive Regression Splines (MARS). Penelitian ini menggunakan variabel prediktor sebanyak 16 variabel dan satu buah variabel respon dengan menggunakan data SUSENAS untuk tahun 2008-2012 yang dihasilkan oleh Badan Pusat Statistik (BPS). Hasil penelitian dengan pendekatan MARS menunjukkan bahwa hampir semua variabel prediktor berpengaruh secara signifikan dalam pemodelan penduduk miskin tingkat Kabupaten/Kota di Indonesia. Sementara dari keenam belas variabel prediktor diperoleh tiga variabel penting yang paling besar pengaruhnya terhadap variabel respon, yaitu persentase perempuan pengguna alat KB di rumah tangga miskin, persentase rumah tangga yang pernah membeli raskin, serta persentase penduduk miskin usia 15 tahun ke atas yang bekerja di sektor pertanian.]]>
<![CDATA[META ANALYTIC STRUCTURAL EQUATION MODELING (MASEM) PADA FAKTOR-FAKTOR YANG MEMPENGARUHI DERAJAT KESEHATAN DI JAWA TIMUR ]]>
<![CDATA[Tohari, Amin]]>;
<![CDATA[Otok, Bambang Widjanarko]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1 No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Dalam perkembangan statistika, generalisasi terhadap populasi tidak hanya dilakukan berdasarkan hasil satu temuan saja, akan tetapi didasarkan pada sintesis beberapa hasil temuan dan sering disebut sebagai meta analisis. Pada umumnya meta-analisis melibatkan ukuran tunggal seperti standardized mean difference antara kelompok kontrol dan kelompok perlakuan atau koefisien korelasi pearson (r) antara dua hasil. Saat ini, perkembangan menarik telah ditunjukkan dalam melakukan sintesis matriks korelasi yang dijelaskan dengan path analysis atau teknik structural equation modeling (SEM). Sebagaimana diketahui bahwa SEM merupakan sekumpulan teknik-teknik statistika yang memungkinkan pengujian sebuah model yang dibangun antara variabel endogen dengan variabel eksogen, dimana masing-masing variabel dapat berbentuk laten atau konstruk yang dibangun dari variabel manifes atau indikator. Gabungan meta-analisis dan structural equation modeling (SEM) sering disebut dengan meta-analytic structural equation modeling (MASEM). Tujuan dari penelitian ini adalah melakukan meta-analytic structural equation modeling (MASEM) pada faktor-faktor yang mempengaruhi derajat kesehatan di Jawa Timur. Data yang digunakan adalah data skunder dari dinas kesehatan kabupaten/kota dalam profil kesehatan kabupaten/kota di Jawa Timur 2013. Variabel laten endogen yang digunakan adalah derajat kesehatan dengan 5 indikator, sedangkan variabel eksogen yaitu lingkungan dengan 3 indikator, perilaku masyarakat dengan 3 indikator dan pelayanan masyarakat dengan 2 indikator. Dalam penelitian ini akan digunakan meta analytic structural equation modeling (MASEM) dengan pendekatan generalized least square (GLS). Hasil MASEM menunjukkan bahwa lingkungan berpengaruh signifikan terhadap derajat kesehatan pada alfa 0.1 dengan koefisien -0.054978, perilaku masyarakat berpengaruh signifikan terhadap derajat kesehatan pada alfa 0.01 dengan koefisien -0.122969 dan pelayanan kesehatan juga berpengaruh signifikan terhadap derajat kesehatan pada alfa 0.01 dengan koefisien -0.099819.]]>
<![CDATA[META-ANALITYCSTRUCTURAL EQUATION MODELING (MASEM) PADA FAKTOR-FAKTOR YANG MEMPENGARUHI KEMISKINAN DI PULAU JAWA ]]>
<![CDATA[Ngafiyah, Arifah Nur]]>;
<![CDATA[Otok, Bambang Widjanarko]]>
<![CDATA[ Prosiding Seminar Matematika dan Pendidikan Matematik Vol 1 No 1 (2014): Prosiding Seminar Nasional Matematika 2014 ]]>
Publisher : <![CDATA[Prosiding Seminar Matematika dan Pendidikan Matematik ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Kemiskinan merupakan salah satu persoalan mendasar yang menjadi pusat perhatian pemerintah di negara manapun. Kemiskinan merupakan masalah kependudukan yang kompleks karena menyangkut berbagai macam aspek seperti hak untuk terpenuhinya pangan, kesehatan, pendidikan, pekerjaan, dan sebagainya. Tersedianya data kemiskinan yang akurat dan tepat sasaran merupakan salah satu aspek penting untuk mendukung program strategi penanggulangan kemiskinan. Pengukuran kemiskinan yang tepat dan dapat dipercaya merupakan instrumen yang tangguh bagi pengambilan kebijakan dalam memfokuskan perhatian pada kondisi hidup orang miskin. Dalam rangka menunjang keberhasilan pelaksanaan program pembangunan terutama yang berkaitan dengan penanggulangan kemiskinan di Indonesia khususnya di Pulau Jawa, diperlukan suatu penelitian yang dapat mengetahui informasi mengenai faktor-faktor yang berpengaruh terhadap kemiskinan. Dengan menggunakan metode Meta-analityc Structural Equation Modeling(MASEM) berdasarkan pendekatan Two Stage Structural Equation Modeling (TSSEM), penelitian ini akan melihat pengaruh faktor ekonomi, Sumber Daya Manusia (SDM) dan kesehatan terhadap kemiskinan di Pulau Jawa.TSSEM merupakan salah satu metode untuk mengintegrasikan teknik meta-analisis dan SEM. Langkah pertama dalam TSSEM adalah mensintesis koefisien korelasi semua penelitian, dan langkah kedua mengaplikasikan teknik SEM untuk menjelaskan hubungan antar variabel menggunakan matriks korelasi gabungan.Berdasarkan hasil analisis tahap pertama pada penelitian ini, diketahui bahwa nilai (df=30, N=118)= 188.72 denganp-value < 0.001 sehingga matriks korelasi antar penelitian adalah heterogen. Oleh karena itu metode yang digunakan pada tahap kedua adalah TSSEM denganeffect random.]]>
<![CDATA[Asimtotik Model Multivariate Adaptive Regression Spline ]]>
<![CDATA[Otok, Bambang Widjanarko]]>;
<![CDATA[Guritno, Suryo]]>;
<![CDATA[Subanar, Subanar]]>
<![CDATA[ Jurnal Natur Indonesia Vol 10, No 2 (2008) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian kepada Masyarakat Universitas Riau ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (153.379 KB)
|
DOI: 10.31258/jnat.10.2.112-119
<![CDATA[Parameter estimation in MARS model executed by minimizing penalized least-squarer (PLS). Through somerequirement, asymtotic estimator characteristic from MARS prediction model has been successfully proven. Theresearch result shows that GCV can work properly to determine the best model that applied on MARS model. Solar’s vehicles produce opacity that exceed the standard limit of emition quality which was adjusted in Kepmen LH No.35 Year 1993, as large as 88 percent from 408 percent. Applying years, cylinder volume, type of machine, andvehicle’s radius are the variables that influences the opacity.]]>
<![CDATA[PEMODELAN RANDOM EFFECT PADA REGRESI DATA LONGITUDINAL DENGAN ESTIMASI GENERALIZED METHOD OF MOMENTS (STUDI KASUS DATA PENDUDUDUK MISKIN DI INDONESIA) ]]>
<![CDATA[ghazali, muhammad]]>;
<![CDATA[otok, bambang widjanarko]]>
<![CDATA[ J STATISTIKA: Jurnal Imiah Teori dan Aplikasi Statistika Vol 9 No 1 (2016): J Statistika: Jurnal Imiah dan Aplikasi Statistika ]]>
Publisher : <![CDATA[Fakultas Sains dan Teknologi Univ. PGRI Adi Buana Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (330.752 KB)
|
DOI: 10.36456/jstat.vol9.no1.a286
<![CDATA[Indeks kedalaman kemiskinan merupakan ukuran rata-rata kesenjangan penyebaran pengeluaran masing-masing penduduk terhadap garis kemiskinan. Banyak faktor yang mempengaruhi indeks kedalaman kemiskinan, baik dari indikator kesehatan, SDM maupun ekonomi. Oleh karena itu diperlukan sebuah pemodelan statistika untuk menganalisa faktor-faktor yang mempengaruhi indeks kedalaman kemiskinan di Indonesia. Data kemiskinan yang digunakan pada penelitian ini bersumber dari data SUSENAS yang berupa data longitudinal dengan individu pengamatan adalah seluruh kabupaten/kota di Indonesia dari tahun 2008 sampai 2012. Analisis data longitudinal tidak cukup menggunakan OLS karena beberapa asumsi OLS seperti homokedastisitas dan tidak ada autokorelasi sulit terpenuhi pada analisa data longitudinal karena cendurung adanya pengaruh antar individu dan antar waktu pengamatan dalam model. Untuk mengatasi hal tersebut digunakan metode Generalized Method of Moment (GMM) yang digunakan untuk menaksir parameter model data longitudinal. GMM adalah metode penaksiran parameter yang fokus utamanya adalah meminimalkan fungsi kuadratik untuk mencari parameter . Analisis GMM untuk data longitudinal pada penelitian ini denganRandom Effect. Dengan menggunakan model Random Effect maka kesimpulan yang diperoleh adalah semakin tinggi Rata-rata lama sekolah (X1), Angka Melek Huruf penduduk usia 15-55 tahun (X3), Persentase rumah tangga yang menggunakan air bersih (X5) dan Angka harapan hidup (X6) maka indeks kedalaman kemiskinan akan semakin kecil. Sedangkan jika semakin tinggi Persentase rumah tangga yang pernah membeli beras raskin (X4) maka indeks kedalaman kemiskinan juga semakin tinggi.]]>
<![CDATA[PEMODELAN KASUS HIV/AIDS MENGGUNAKAN COX PROPORTIONAL HAZARD ]]>
<![CDATA[hiola, rama]]>;
<![CDATA[otok, bambang widjanarko]]>;
<![CDATA[dukalang, hendra]]>
<![CDATA[ J STATISTIKA: Jurnal Imiah Teori dan Aplikasi Statistika Vol 9 No 1 (2016): J Statistika: Jurnal Imiah dan Aplikasi Statistika ]]>
Publisher : <![CDATA[Fakultas Sains dan Teknologi Univ. PGRI Adi Buana Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (547.792 KB)
|
DOI: 10.36456/jstat.vol9.no1.a288
<![CDATA[Aktivitas kehidupan banyak peristiwa yang berhubung dengan waktu kelangsungan hidup, misal durasi waktu yang dibutuhkan untuk sembuh dari penyakit. Lama waktu yang dibutuhkan hingga terjadinya suatu peristiwa tertentu itulah yang disebut waktu survival. Pada umumnya data waktu survival tidak sepenuhnya dapat diamati atau disebut dengan data tersensor. Salah satu metode statistika yang dapat digunakan dalam menganalisis data survival, adalah model cox proportional hazard. Penelitian ini bertujuan untuk mengetahui tingkat kelangsungan hidup penderita HIV/AIDS, digunakan fungsi hazard dan fungsi survival dengan variabel lama rawat inap pasien sebagai respon. Untuk mengetahui faktor-faktor lain yang mempengaruhi ketahan hidup penderita HIV/AIDS digunakan model cox proportional hazard. Hasil penelitian menunjukkan bahwa Hasil Estimasi fungsi survival Kaplan Meier dan fungsi hazard kumulatif Nelson Aalen menunjukan bahwa semakin lama pasien menderita HIV/AIDS maka probabilitas survival pasien semakin kecil, namun resiko kematian disebabkan HIV/AIDS semakin tinggi. Tingkat pendidikan, status pekerjaan, status fungsional, Kadar CD4 merupakan faktor yang berpengaruh dalam resiko kematian pasien HIV/AIDS]]>
<![CDATA[KETEPATAN KLASIFIKASI STATUS DIABETES MELITUS DENGAN PENDEKATAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE ]]>
<![CDATA[jusuf, herlina]]>;
<![CDATA[otok, bambang widjanarko]]>;
<![CDATA[ningrum, amanda ratna]]>
<![CDATA[ J STATISTIKA: Jurnal Imiah Teori dan Aplikasi Statistika Vol 9 No 1 (2016): J Statistika: Jurnal Imiah dan Aplikasi Statistika ]]>
Publisher : <![CDATA[Fakultas Sains dan Teknologi Univ. PGRI Adi Buana Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (188.756 KB)
|
DOI: 10.36456/jstat.vol9.no1.a290
<![CDATA[Diabetes Mellitusadalah suatu penyakit gangguan metabolik akut yang ditandai oleh kadar glukosa darah melebihi nilai normal. Diabetes Mellitus merupakan suatu penyakit atau kelainan yang mempengaruhi kemampuan tubuh untuk mengubah makanan menjadi energy. Dengan semakin meningkatnya prevalensi kasus penyakit Diabetes Mellitus, maka tujuan penelitian ini adalah memprediksi variabel apa saja yang berperan sangat besar sebagai salah satu faktor risiko kejadian Diabetes Mellitus. Hasil penelitian menunjukkan bahwa status diabetes mellitus terdapat hubungannya dengan obesitas, hipertensi dan kebiasaan olahraga, sedangkan dengan pendekatan MARS melalui criteria GCV terkecil dan (R-O)2 terbesar diperoleh factor yang mempengaruhi status diabetes mellitus adalah obesitas dan hipertensi dengan ketepatan klasifikasi sebesar 74.0 persen. Kata kunci : Diabetes Mellitus, Obesitas, Hipertensi,MARS]]>
<![CDATA[Pemodelan Kemiskinan di Propinsi Jawa Timur dengan Pendekatan Multivariate Adaptive Regression Splines Ensemble ]]>
<![CDATA[Wahyuning Pintowati]]>;
<![CDATA[Bambang Widjanarko Otok]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 1, No 1 (2012): Jurnal Sains dan Seni ITS (ISSN 2301-928X) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (160.186 KB)
|
DOI: 10.12962/j23373520.v1i1.2072
<![CDATA[Masalah kemiskinan merupakan salah satu permasalahan utama pemerintah yang diprioritaskan dalam menyusun strategi pembangunan setiap negara termasuk Indonesia. Selama ini telah banyak program-program atau kebijakan khusus yang dibuat oleh pemerintah guna menanggulangi masalah kemiskinan namun belum juga terpecahkan. Penelitian ini dilakukan untuk mengetahui model kemiskinan di Propinsi Jawa Timur dengan pendekatan MARS ensemble. Kemiskinan sendiri oleh BPS diukur dengan tiga indikator yaitu persentase penduduk miskin, indeks kedalaman kemiskinan, dan indeks keparahan kemiskinan. Ketiga indikator kemiskinan tersebut dijadikan sebagai variabel respon dalam penelitian ini yang dimodelkan dengan faktor yang diduga mempengaruhinya baik dari kualitas ekonomi, kualitas sumber daya manusia, dan kesehatan. Hasil penelitian menunjukkan bahwa pendekatan MARS ensemble memberikan hasil yang lebih baik dibandingkan dengan pendekatan MARS pada ketiga pemodelan tersebut. ]]>
<![CDATA[Pemodelan Chemical Oxygen Demand (Cod) Sungai di Surabaya Dengan Metode Mixed Geographically Weighted Regression ]]>
<![CDATA[Asih Kurniasih Lumaela]]>;
<![CDATA[Bambang Widjanarko Otok]]>;
<![CDATA[Sutikno Sutikno]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 2, No 1 (2013) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (193.947 KB)
|
DOI: 10.12962/j23373520.v2i1.3204
<![CDATA[Chemical Oxygen Demand (COD) merupakan salah satu indikator pencemaran air secara kimia. Surabaya merupakan salah satu kota yang mengalami pencemaran sungai, dimana kondisi sungai di Surabaya memiliki keragaman struktur sehingga memungkinkan terjadinya perbedaan faktor yang berpengaruh pada COD. Untuk mengetahui faktor-faktor yang mempengaruhi COD sungai di Surabaya maka dilakukan pemodelan COD dengan Mixed Geographically Weighted Regression (MGWR), metode ini memungkinkan adanya variabel prediktor yang bersifat lokal dan global. Hasil MGWR dengan menggunakan fungsi kernel Fixed Bisquare menghasilkan variabel prediktor global yang signifikan adalah Nitrat, sedangkan variabel prediktor lokal yang signifikan adalah kecepatan aliran air dan Nitrit. Namun berdasarkan uji kesesuaian model MGWR, diperoleh kesimpulan bahwa tidak terdapat perbedaan yang signifikan antara model regresi global dan MGWR dengan R2 sebesar 58,43%. Sehingga pemodelan COD sungai di Surabaya dengan GWR akan memberikan hasil yang lebih baik dibandingkan MGWR, dimana dengan menggunakan GWR diperoleh hasil pemodelan terbaik dengan R2 sebesar 73,8% pada penggunaan fungsi kernel Adaptive Bisquare. Berdasarkan variabel yang signifikan pada model GWR di setiap lokasi diperoleh 9 kelompok, variabel yang signifikan adalah kecepatan aliran air, debit air sungai, Fosfat, Nitrat, Amonia, dan Nitrit.]]>
