Articles
<![CDATA[Pemodelan Faktor- Faktor yang Mempengaruhi Angka Kematian Bayi dan Angka Kematian Anak di Provinsi Jawa Timur Tahun 2017 Menggunakan Bivariat Gamma Regression ]]>
<![CDATA[Arrafi Dwiargatra]]>;
<![CDATA[Purhadi Purhadi]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 8, No 2 (2019) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (203.303 KB)
|
DOI: 10.12962/j23373520.v8i2.44406
<![CDATA[Provinsi Jawa Timur merupakan salah satu daerah di Indonesia memiliki Angka Kematian Bayi dan Angka Kematian Anak yang tinggi. Dikhawatirkan Angka Kematian Bayi danAngka Kematian Anak di Jawa Timur dapat meningkat melewati target yang ditentukan SDG’s. Dari permasalahan tersebut dapat diselesaikan dengan menggunakan metode Bivariat Gamma Regresion untuk mengetahui variabel prediktor yang mempengaruhi Angka Kematian Bayi dan Angka Kematian Anak. Data yang digunakan berasal dari Dinas Kesehatan Jawa Timur berupa publikasi Profil Kesehatan Provinsi Jawa Timur tahun 2017. Model terbaik terdapat pada model dengan variabel persentase bayi lahir berat badan rendah dan persentase perempuan kawin dibawah 17 tahun. Variabel prediktor yang mempengaruhi Angka Kematian Bayi yaitu variabel persentase persalinan oleh tenaga kesehatan, persentase bayi lahir berat badan rendah, dan persentase penduduk miskin. Untuk variabel prediktor yang mempengaruhi Angka Kematian Anak yaitu variabel persentase persalinan oleh tenaga kesehatan, persentase komplikasi kebidanan yang ditangani, persentase bayi lahir berat badan rendah, persentase penduduk miskin, dan persentase perempuan kawin dibawah 17 tahun]]>
<![CDATA[Pemodelan untuk Jumlah Kasus Kematian Bayi dan Ibu di Jawa Timur Menggunakan Bivariate Generalized Poisson Regression ]]>
<![CDATA[Affanda Abdul Hakim Aminullah]]>;
<![CDATA[Purhadi Purhadi]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 8, No 2 (2019) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (319.241 KB)
|
DOI: 10.12962/j23373520.v8i2.44693
<![CDATA[Jumlah kematian ibu dan kematian bayi saling berhubungan karena pada saat bayi dalam kandungan, gizi yang diperoleh janin disalurkan dari tubuh ibu melalui plasenta sehingga selama masa kehamilan kondisi ibu akan berpengaruh pada janin yang akan dilahirkan. Selain itu, peran ibu dalam merawat bayi juga sangat berpengaruh dalam perkembangan bayi tersebut. Angka kematian bayi baru lahir dan ibu di Jatim masih tinggi, saat ini Jawa Timur belum mampu mencapai target SDGs pada angka kematian bayi dan ibu yaitu sebesar 70/100.000 kelahiran sedangkan Jawa Timur masih 90/100.000 kelahiran. Penelitian ini menggunakan metode Bivariate Generalized Poisson Regression untuk melihat faktor-faktor yang mempengaruhi jumlah kasus kematian bayi dan ibu di Jawa Timur tahun 2017. Bivariate Generalized Poisson Regression merupakan salah satu metode untuk menanggulangi kasus overdispersi data. Berdasarkan hasil analisis Bivariate Generalized Poisson Regression dengan kriteria AICc diketahui bahwa model terbaik memuat keseluruhan variabel prediktor. Faktor yang mempengaruhi jumlah kematian bayi di Jawa Timur tahun 2017 adalah persentase persalinan oleh tenaga kesehatan (X1), persentase komplikasi kebidanan yang ditangani (X2), persentase kunjungan ibu hamil dengan K4 (X3), persentase ibu hamil mendapat tablet Fe3 (X4), sedangkan variabel predictor yang berpengaruh untuk jumlah kematian ibu di Jawa Timur tahun 2017 adalah persentase persalinan oleh tenaga kesehatan (X1), persentase rumah tangga ber-PHBS (X5).]]>
<![CDATA[Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kematian Ibu Hamil di 4 Kabupaten/Kota Provinsi Jawa Timur Menggunakan Regresi Zero-Inflated Generalized Poisson (ZIGP) ]]>
<![CDATA[Syarifah Nisrina Hasna Salby]]>;
<![CDATA[Purhadi Purhadi]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 9, No 2 (2020) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v9i2.58683
<![CDATA[Angka Kematian Ibu (AKI) di Provinsi Jawa Timur pada tahun 2017 mencapai 91,92 per 100.000 kelahiran hidup dengan AKI tertinggi terdapat di Kabupaten Mojokerto. Komponen yang digunakan untuk memperhitungkan AKI adalah jumlah kematian ibu yang terdiri dari jumlah kematian ibu hamil, jumlah kematian ibu bersalin, dan jumlah kematian ibu nifas. Pada penelitian ini akan dilakukan pemodelan faktor-faktor yang diduga mempengaruhi kematian ibu hamil di 4 Kabupaten/Kota di Provinsi Jawa Timur Tahun 2017 menggunakan Regresi Zero-Inflated Generaized Poisson. Hasil pengujian signifikansi parameter menunjukkan bahwa variabel yang signifikan pada model Regresi Poisson State adalah persentase ibu hamil dengan komplikasi, sedangkan pada model Regresi Zero State, semua variabel berpengaruh signifikan terhadap jumlah kematian ibu hamil di Kota Surabaya, Kabupaten Sidoarjo, Kabupaten Mojokerto, dan Kabupaten Lamongan tahun 2017.]]>
<![CDATA[Perbandingan Analisis Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif Untuk Mengatasi Overdispersi Studi Kasus: Pemodelan Jumlah Kasus Kanker Serviks di Jawa Timur ]]>
<![CDATA[Brianika Irawati]]>;
<![CDATA[Purhadi .]]>
<![CDATA[ Jurnal Matematika Vol 2 No 2 (2012) ]]>
Publisher : <![CDATA[Mathematics Department, Faculty of Mathematics and Natural Sciences, Udayana University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24843/JMAT.2012.v02.i02.p25
<![CDATA[Data jumlah kasus kanker serviks di Provinsi Jawa Timur pada penelitian ini merupakan salah satu contoh data diskrit (count) dimana pada umumnya menggunakan regresi poisson dalam analisisnya. Karakteristik penting dalam pemodelan ini yaitu mean harus sama dengan varians. Namun, kondisi seperti ini sulit dipenuhi sedangkan pada umumnya sering ditemui data diskrit dengan varians lebih besar dibandingkan dengan rata-ratanya atau disebut dengan over dispersi seperti yang terjadi pada kasus jumlah kanker serviks di Jawa timur ini. Untuk menangani masalah over dispersi, dapat dilakukan pemodelan dengan Generalized Poisson Regresion (GPR) dan Regresi Binomial Negatif. Model ini dapat mengatasi masalah over dispersi karena tidak mengharuskan nilai mean yang sama dengan nilai varians seperti pada model regresi poisson. Model terbaik menggunakan GPR menghasilkan 8 variabel prediktor yang signikan mempengaruhi jumlah kasus kanker serviks di Jawa Timur antara lain persentase tenaga medis (X2), persentase penduduk perempuan yang umur kawin pertama ? 16 tahun (X3), persentase penduduk miskin (X7), persentase penduduk perempuan yang menggunakan kondom (X8), persentase penduduk perempuan yang berstatus kawin (X10), persentase penduduk perempuan usia ? 35 tahun (X11), persentase rata-rata pengeluaran untuk konsumsi makanan per bulan (X12), dan persentase penduduk yang merokok (X13). Sedangkan model terbaik menggunakan regresi binomial negative menghasilkan 2 variabel prediktor yang signifikan yaitu persentase penduduk yang tinggal di daerah berstatus desa (X5) dan persentase rata-rata pengeluaran untuk konsumsi makanan per bulan (X12). Model GPR menghasilkan nilai AIC sebesar 349,90. Sedangkan model regresi binomial negatif menghasilkan nilai AIC sebesar 327,65. Maka model terbaik diperoleh dari model regresi binomial negatif karena menghasilkan nilai AIC terkecil.]]>
<![CDATA[Analisis Survival Dengan Model Regresi Cox Study Kasus: Pasien Demam Berdarah Dengue di Rumah Sakit Haji Surabaya ]]>
<![CDATA[Ni Putu Lisa Ernawatiningsih]]>;
<![CDATA[Purhadi .]]>
<![CDATA[ Jurnal Matematika Vol 2 No 2 (2012) ]]>
Publisher : <![CDATA[Mathematics Department, Faculty of Mathematics and Natural Sciences, Udayana University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24843/JMAT.2012.v02.i02.p26
<![CDATA[Demam berdarah dengue (DBD) merupakan suatu wabah penyakit musiman yang jika tidak mendapatkan penanganan yang tepat akan bisa menjadi sebuah kejadian luar biasa, karena penyebarannya sangat cepat dan dapat menyebabkan kematian. Untuk mengurangi angka kematian akibat demam berdarah dengue, maka penelitian ini akan memodelkan waktu survival dengan studi kasus pada pasien demam berdarah dengue yang dirawat di Rumah Sakit Haji Surabaya pada tahun 2011. Metode yang digunakan adalah Analisis Survival dengan model regresi cox. Adapun hasil analisisnya berdasarkan nilai AIC masing-masing faktor, diperoleh faktor yang paling berpengaruh terhadap laju kesembuhan pasien adalah usia dan jumlah trombosit. Dari 66 pasien yang dirawat 50% pasien berusia 0-14 tahun sisanya diatas 14 tahun, dan 70% pasien yang jumlah trombosit di bawah normal sisanya normal. Dari nilai odds ratio untuk usia dan jumlah trombosit disimpulkan pasien yang berusia lebih tua akan lebih lama kesembuhannya dari pada pasien yang berusia lebih muda dan ketika jumlah trombosit di bawah normal akan mencapai sembuh lebih lama daripada pasien dengan jumlah trombosit normal.]]>
<![CDATA[PEMODELAN REGRESI ZERO INFLATED POISSON (APLIKASI PADA DATA PEKERJA SEKS KOMERSIAL DI KLINIK REPRODUKSI PUTAT JAYA SURABAYA) ]]>
<![CDATA[Alia Lestari]]>;
<![CDATA[Purhadi Purhadi]]>;
<![CDATA[Madu Ratna]]>
<![CDATA[ PYTHAGORAS Jurnal Pendidikan Matematika Vol 5, No 2: Desember 2009 ]]>
Publisher : <![CDATA[Department of Mathematics Education, Faculty of Mathematics and Natural Sciences, UNY ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (333.28 KB)
|
DOI: 10.21831/pg.v5i2.546
<![CDATA[Dalam menganalisis hubungan antara beberapa variabel, terdapat sejumlah fenomena dimana variabel responsnya berbentuk biner ataupun berbentuk diskrit. Fenomena dimana variabel responsnya berbentuk diskrit tapi tidak biner, biasanya dianalisis dengan Regresi Poisson. Namun demikian dalam kasus tertentu sering dihadapi suatu peristiwa yang sangat jarang terjadi atau responsnya mempunyai data nol yang sangat banyak, sehingga analisis dengan pendekatan distribusi Poisson seringkali tidak lagi memberikan kesimpulan yang tepat. Pada penelitian ini akan dikaji suatu metode untuk mengatasi banyaknya respons bernilai nol yang telah dikembangkan oleh Lambert (1992) yaitu Regresi Zero-Inflated Poisson (ZIP). Estimasi parameter model ini menggunakan Algoritma EM dan pengujian hipotesisnya menggunakan Likelihood Ratio Test. Aplikasi pada data Pekerja Seks Komersial di Klinik Reproduksi Putat Jaya Surabaya menunjukkan bahwa variabel yang mempengaruhi zero state atau peluang yi bernilai nol sama dengan variabel yang mempengaruhi poisson state atau peluang yi berdistribusi Poisson, yaitu lamanya seorang PSK menjalani profesinya dan proporsi pemakaian kondom. Statistik Vuong yang dihasilkan menunjukkan bahwa Pemodelan Regresi ZIP menghasilkan model yang lebih baik daripada Regresi Poisson.Kata kunci : Algoritma EM, Pekerja Seks Komersial (PSK), Penyakit Menular Seksual (PMS), Regresi Poisson, Zero Inflated Poisson (ZIP).]]>
<![CDATA[PEMODELAN INDEKS PEMBANGUNAN MANUSIA PROVINSI JAWA BARAT, JAWA TIMUR DAN JAWA TENGAH TAHUN 2019 DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK ORDINAL ]]>
<![CDATA[Meylita Sari]]>;
<![CDATA[Purhadi Purhadi]]>
<![CDATA[ Jurnal Gaussian Vol 10, No 1 (2021): Jurnal Gaussian ]]>
Publisher : <![CDATA[Department of Statistics, Faculty of Science and Mathematics, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.14710/j.gauss.v10i1.30022
<![CDATA[Ordinal logistic regression is one of the statistical methods to analyze response variables (dependents) that have an ordinal scale consisting of three or more categories. Predictor variables (independent) that can be included in the model are category or continuous data consisting of two or more variables. Human Development Index (HDI) is an indicator of the success of human development in a region and can be categorized into medium, high and very high. Based on the further categorization, in this study would like to know more about the HDI model using the Ordinal Logistic Regression method, with predictor variables that are suspected to affect, so that it is obtained in West Java Province is influenced by variable poverty rates and clean water sources with a classification accuracy value of 77.78%, Central Java Province is influenced by variable economic growth rate based on constant price GDP, poverty rate and open unemployment rate with a classification accuracy value of 82.85%. East Java province is influenced by variable poverty rate and open unemployment rate with a classification accuracy value of 76.31%. As well as in the three provinces in Java Island is influenced by variable economic growth rate, variable poverty rate, variable clean water source with a classification accuracy value of 73%.]]>
<![CDATA[ESTIMASI PARAMETER DAN PENGUJIAN HIPOTESIS MODEL GEOGRAPHICALLY WEIGHTED GENERALIZED GAMMA REGRESSION ]]>
<![CDATA[Hasbi Yasin]]>;
<![CDATA[Purhadi Purhadi]]>;
<![CDATA[Achmad Choiruddin]]>
<![CDATA[ Jurnal Gaussian Vol 11, No 1 (2022): Jurnal Gaussian ]]>
Publisher : <![CDATA[Department of Statistics, Faculty of Science and Mathematics, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.14710/j.gauss.v11i1.33990
<![CDATA[Each location has unique characteristics, which are different from other locations which give rise to spatial effects between locations. Therefore, the Generalized Gamma Regression (GGR) model is not suitable to be applied to this problem. The solution is to use a Geographically Weighted Generalized Gamma Regression (GWGGR) model which produces different parameters for each observation location. This study aims to estimate GWGGR parameters using the Berndt-Hall-Hall-Hausman (BHHH) algorithm. After parameter estimation is performed, the hypothesis testing procedure is used to test the similarity of parameters between the generalized gamma regression and GWGGR and to test the significance of the independent variables in the model, either simultaneously using the Maximum Likelihood Ratio Test (MLRT) or partially using the Z-test. Keywords: BHHH, Generalized Gamma, GGR, GWGGR, MLRT.]]>
<![CDATA[Calibrating Weather Forecast using Bayesian Model Averaging and Geostatistical Output Perturbation ]]>
<![CDATA[Muhammad Luthfi]]>;
<![CDATA[Sutikno Sutikno]]>;
<![CDATA[Purhadi Purhadi]]>
<![CDATA[ IPTEK Journal of Science Vol 3, No 1 (2018) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian kepada Masyarakat ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (465.39 KB)
|
DOI: 10.12962/j23378530.v3i1.a3565
<![CDATA[Numerical Weather Prediction (NWP) has not yet been able to produce the weather forecast accurately. In order to overcome that, one approach could be taken is ensemble postprocessing. Ensemble is a combination of several methods to improve its accuracy and precision yet still possesses underdispersive nature. Bayesian Model Averaging (BMA) is intended to calibrate the ensemble prediction and create more reliable interval, though, does not consider spatial correlation. Unlike BMA, Geostatistical Output Perturbation (GOP) reckons spatial correlation among many locations altogether. Analysis applied to calibrate the temperature forecast at eight meteorological sites within Jakarta, Bogor, Tangerang and Bekasi (Jabotabek) are BMA and GOP. The ensemble members of BMA are the prediction of PLS, PCR, and Ridge. For training period over 30 days and based on some assessment indicators, BMA is better than GOP in terms of accuracy, precision, and calibration]]>
<![CDATA[Parameter Estimation of Smith Model Max-Stable Process Spatial Extreme Value (Case-Study: Extreme Rainfall Modelling in Ngawi Regency) ]]>
<![CDATA[Siti Azizah]]>;
<![CDATA[Sutikno Sutikno]]>;
<![CDATA[Purhadi Purhadi]]>
<![CDATA[ IPTEK Journal of Science Vol 2, No 1 (2017) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian kepada Masyarakat ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (761.011 KB)
|
DOI: 10.12962/j23378530.v2i1.a2255
<![CDATA[The unpredictable extreme rainfall can affect flood. Prediction of extreme rainfall is needed to do, so that the efforts to preventing the flood can be effective. One of the methods that can predict the extreme rainfall is the Spatial Extreme Value (SEV) with the Max-Stable Process (MSP) approach. The important purpose of SEV is calculated of return level (the extreme value prediction). The calculation of return level depends on parameter estimation in that method. This research discusses about parameter estimation of the Spatial Extreme Value Max-Stable Process especially Smith model. Parameter estimation was performed using Maximum Composite Likelihood Estimation (MCLE) method and Maximum Pairwise Likelihood Estimation (MPLE) method. The result of estimation using this method is not closed form, it must be continued by using numerical iteration method. The iteration method used in this research is Broyden-Fletcher Goldfarb-Shanno (BFGS) Quasi Newton, which is faster than other methods to achieve convergence. The result of parameter estimation applied to the rainfall data of Ngawi Regency which is the Regency with the largest rice production in East Java Province (the province with the largest rice farm in Indonesia). Based on the results of data analysis obtained trend surface model (s) = 2,794 + 0,242 v(s); (s) = 1,8196 + 0,1106 v(s); (s) = 1,012 with goodness criterion model Takeuchi Information Criterion (TIC) 26237,62. Root Mean Square Error (RMSE) based on 20 testing data is 32,078 and Mean Absolute Percentage Error (MAPE) is 27,165%]]>
