,"%
Emk@
. !,,.
Uniuerritqr
* -* ;1
t
I,WTKPENGETAHUAN ALAM
-ffi
''"&rl
omh
:li;e
PHENOM
FEI
\
l' :"1- l,;'- r r::.i liii:: ln:ia'
€
U
/':.PROSIDING
SEMINAR DAN
RAPAT
TAHUNAN
Bidang
MIPA BKS PTN
Witayah Barat Tahun
2oL3
Bandar
LamPung, 10
-
LZ
Mei 2013
ISBN 97
8-602-98559
-2-O
Dewan PenYunting
Warsito
SutoPo Hadi Tati
Suhartati
Simon
Sembiring
Mulyono
Muslim Ansori
Mustofa Usman
Kurnia
Muludi
Endang
Linirin
W
Sumardi Buhani
Suripto
Dwi YuwonoJani Master Sugeng Sutiarso
Abdurrahman
Nismah
Nukmal
Penyunting
Pelaksana
Heri
Satria Kamisah D PandianganEIIy Lestari
Febriandi
Hasibuan RifqiAlmusawi
RDiterbitkan
oleh
FMIPAUniversitas lampung
Bandar
LamPung
PenYunting:
Warsito dkk.
ISBN 97
8-602-98
5 59-2 -0Cetakan Pertama,
Tahun 2Ol3
DAFTAR
ISI
KATA
PENGANTAR
DAFTAR ISI
PEMBENTUKAN RING FAKTOR
PADA
TEzuTLAK
MIRING
Ahmad
Faisol
Halaman
i
ii
RING
DERET PANGKAT
1_5
!5-20
2L-24
PENGARUH
PENDEKATAN
RME
DAN KEMANDIRIAN
BELAJAR
TERHADAP
KEMAMAMPUAN MATEMATIS
SISWA
1-14Ahmqd Fauzan dan Yerizon
ESTIMASI
TINGKAT
KEMATIAN
BAYI
DAN II\RAPANI
HIDUP
BAYI
PROVINSI
LAMPUNG
TAHTIN
2OO5
DENGAN
MENGGI.INAKAN METODE
TRUSSELAhmad Iqbal Baqi
PENGOLAI{AN
CITRA DIJITAL
PENYAKIT
TANAMAN
PADI
MENGGUNAKAN METODE
MAKSIMUM
ENTROPYDENGAN
MAKSIMUM
2s_28
29-34
35-38
47-54
Aidilfitriansyah
TAKSIRAN
PARAMETER DISTKTBUSI
WEIBULLMENGG(INAKAN
METODE MOMEN
DAN
METODELIKELIHOOD
Arisman Adnan, Eka
Meri
Kristin,
Sigit SugiartoPENERAPAN
ALGOKITMA
GENETIKA PADA PENNGKASAN
TEKSDOKUMEN BAHASA
INDONESA
Aristoteles
GRAF LOBSTER BERBILANGAN KROMATIK LOKASI
EMPAT
Asmiati
PENGGUNAAN
METODE
ARIMA
UNTUK
MERAMALKAN
JUMLAH
WISATAWAN MANCANEGARA
YANG DATANG
KE
SUMATERA
UTARA
MELALUI
FASILITAS
BANDARA
39-46INTERNASIONAL POLONIA
MEDAN
Atus Amadi Putra,
Arija Ardial
METODE
FINITEDIFFERENCE
INTERVAL
UNTUK
MENYELESAIKAN
PERSAMAAN
PANASAziskhan, Mar dhika W.A, Syamsudhuha
INVESTIGASI
NILAI
BARISAN INTEGRAL DARI PELL DAN
PELL-LUCAS
POLINOMIAL
55-60Baki Swita
MENINGKATKAN KEMAMPUAN PEMECAHAN
MASALAH
MATEMATIKA SISV/A
KELAS XSMA
ADIGLINA
BANDAR
LAMPTING
MELALUI
MODELPEMBELAJARAN
INVESTIGASI
61-58KELOMPOK
Buang Saryantono
-=:--FILTERKALMAN
DE,TERMINISTIK
PADA NTERVAL
SEMI-
69-72INFINITE
Budi Rudianto, Narwen
iiongr'ra
JAcoBsoN
DENSITY
73'82Auai
Sontoso,Fitriani'
Ahmadfo:t:!
^SOLUSI
NUMERiK,
SiSiET',TPERSAMAAN
NONLINIERDENGAN
MENGGI-TNAKAI'iffiiopE
HoMoroPY
83-88
Bukti Ginting
IS OME,TRI
TERHADAP
GE,OMETRI INSIDEN SITERURUT
DamaTt
Lisdiana,
Muslim Ansori' AmantoPERBANDINGAN
"
"
PENTTTTI.NGAN
JUMLAH
PENDUDUK
TAHLINAN DENGAN
INTERPOLASI SPLINE
DAN
SIMULASI
NU-'OOASUMSI
GOMPERTZ,'Si;{#i;3#loosuAru.RAFDr'ANDANGDAzurEoREMA
WHITNEY DAN
TEOGTT,TEMENGER
101-108
i
rri
-o r,*
i a S i ah a an, W amil i an a'-d an
F i tr i ani
IDENTIFIKASI
-CAVA
BELAJAR
DAN
PENGARUHNYA
TERHADAP
HASI
gEI-Alan
stswfpapA
MATERI
KUBUS
DAN
rcs-114eil-or
DI
KELAs
vltt
sMPN
2KERNcI
#K,.iatr*
K#,'iI,,,,
],LATHEWTICS DALAM
OPERASIPE,MANGKATAN
BILANGAN
L15-T2O
Dewi
Murni
,
ViviAngriani
PENGGI-INAAN
''
ttttcRosoru
PowERPoINT
trNTuK
MENGAKTIFKAN
-rvtaUaStSWA
PADA
MATA
KULIAH
tzt-t26
KALKULUS
NTTT,CNAT PROGRAMPAGMIPABI
Dewi Rahimah' S'Pd',
M'Ed'
ANALISIS
TN'TG-KAi
KEPUASAN MAHASISWA
TERHADAP
PELAYANAN
eIMBn'{aeN
rucas
AKHIR
DI
JURUSAN
127-t3oMATEMATIKA
-ion
rirur-ras
MIPA
LTNIvERSITAs SRIwIJAYA
Cot
yawati
S', Sugandi\hljna-Yulia
PuspitasaripEMBENTuTaN-naffinrouaN
cYCLE
PADADoUBI'E
rz1.-1,40LOOP
NETWORKS
-Dina
Fitri
Aliana,
Wamiliana danFitriani
APLTKASI
nortroiopf
aNervsrs
trvlr',rHoD
(HAM) PADA
PDB
SE,DERHANA
3;ffiKl'^3.cAN
pRororrpE
A*AL
MoDEL
pEMBELATARAN
GEOMETRI
EENgAiiS
PENDIDIKAN
MATE'MATIKA REALISTIK
Dr.
Edwin Musdi,M'Pd
SIMULAST
TTAOPE POPULASI NYAMUKDENGAN
FUI'{GSIKARAKTERTSASI
HABITAT
ff(l*.^*oo*
srsrEM NF.RMA'T
GE.GRAFT'
(sIG)
BERBASIS
I/EB
LINTUK
PENYEDI'AN
INFORMASI
FASILITAS
167-172DAN PERSONALIA
DI
I.INIVERSITAS LAMPLING
it
ofrfyonto'
Kurnia Muludi
danAnie
Roselrawati
89-94
t41.-L44
145-160
161-166
MODEL
PERTUMBUHAN
BENEFITASURAN SI JIWA
BERJANGKA
MENGGLINAKAN
DERETMATEMATIKA
Endang Sri Kresnawati
MODEL SPASIAL BAYES
DALAM
PENDUGAAN
AREA
KECIL
DENGAN PEUBAH
RESPONBINER
Etis Sunandi,
Khairil
A Notodiputro, AnikDjuraidah
KLUSTERING DATA EKSPRESI GEN DENGAN METODA-METODA BERBASIS DEKOMPOSISI
NILAI
SINGIILARSTUDI KASUS: DATA EKSPRESI GEN KANKER PARU Evi
Noviani,
Yoga Satria Putra, KuntjoroAdji
SidartoANALISA
ALGORITMA PEMAHAMAN
KALIMAT
PADA
ALICE
C HAT B OT
DENGAN MENGGLINAKAN
A RTI
FI
CA
LI
NT E L LI
G E N CE
MARKUP LANGUAGE (AIML) Eufi Mahdiyah, Yanti
Andriyani
METODE ORDINARY KRIGING
BLOK PADA
PENAKSIRAN
KETEBALAN CADANGAN BATUBARA (STUDI KASUS
:
DATA
KETEBALAN BATUBARA
PADA LAPANGAN
EKSPLORASIX)
Fachri Faisal
PROSES DATA
MINING
DALAM
MENINGKATKAN
SISTEMPEMBELAJARAN
PADA PENDIDIKAN
SEKOLAH
MENENGAH
PERTAMA
Fatayat, Joko Risanto
SISTEM PENCARIAN
DATA
TEKS DENGAN MENGGT]NAKAN METODEKLASIFIKASI
ROCCHIO(STIIDIKASUS:DOKTIMENTEKSSKRIPSD
277-224F av or i s en Ro syking Lumb anr aj a
PENGARUH
PENDEKATAN
PENDIDIKAN
REALISTIK
MATEMATIKA
DALAMMENINGKATKAN
KEMAMPUAN
KOMUNIKASI
MATEMATISSISWA SEKOLAH DASAR
Fitriana
RahmawatiSYARAT PERLU SUATU MODUL
MERUPAKAN
MODUL
DISTRIBUTIF
LEMAH
DAN
RING
ENDOMORFISMA DARI
MODUL
DISTRIBUTIF
LEMAH
Fitriani
PENAKSIR
MAKSIMUM
LIKELIHOOD
DENGAN
METODE
ITERASI NEWTON
- RAPHSONHaposan
Sirait
dan Rustam EfendiASURANSI
PENSIUN
NORMAL
PADA
STATUS
HIDUP
GABLINGAN
Hasriati, Azi s khan, Mift ahul Jannah
EFEKTIVITAS
PENERAPAN PENDEKATAN
KONTEKSTUAL
DALAM
MENINGKATKAN
KEMAMPUAN
PEMECAHAN
MASALAH
MATEMATIKA
SISWAKELAS
VIII
SMPN 9PADANG
Hastuti Febrianti,
Armiati,
MukhniMODEL
REGRESI
LOGISTIK
KELAS LATEN
PADAPERFORMA
STUDI
PENERIMA BEASISWA
Henry Kurniawan
225-238
239-246
257-264 173-178
179-784
185-192
L93-202
203-208
209-21,6
247-252
253-256
lv
Kumpulan Makalah Seminar Semirata 2013 Fakultas MIPA Universitas Lampung
MODEL
SPASIAL BAYES
DALAM
PENDUGAAN
AREA
KECIL
DENGAN PEUBAH
RESPON
BINER
Etis
Sunandir),
Khairil
A Notodiputro'),
Anik
Djuraidah2)
1)
Jrrrron
MatematikaFMIPA
(Jniversitas Bengkulu 2)JurrsanStatistika, FMIPA,
IPB
1)etissl8@gmail.com
Abstrak. Model-model dalam pendugaan area
kecil
mengasumsikan bahwa pengaruh acak galat area saling bebas. Namun dalam beberapa kasus, asumsiini
sering dilanggar.Penyebabnya adalah keragaman suatu
area
dipengaruhi area sekitarnya, sehingga efek spasial dapat dimasukkan ke dalam pengaruh acak area. Rao (2003) menyatakan bahwa salah satu model dalam pendugaan area kecil yang dapat dipengaruhi oleh efek spasial adalah model Logit-Normal.Model
tersebut digunakanuntuk
menduga proporsi melalui metode Bayesberhirarki (Hierarchical Bayes/BB). Tu.luan pertama dari penelitian ini adalah mengembangkan
metode Bayes untuk data peubah respon biner dengan menambahkan efek spasial. Tujuan selanjutnya adalah
membandingkan sifat-sifat statistik penduga proporsi Logit-Normal Bayes berhirarki dengan
pembobot spasial tetangga terdekat
(BB1)
dan model Logit-Normal Bayes berhirarkitanpa pembobot spasial (BB2). Studi kasus dilakukan pada data simulasi. Hasil penelitian menunjukkan bahwa pengaruh spasial dapat memperbaiki pendugaan parameter pada area
kecil yang diindikasikan dengan nilai menurunnya nilai Root mean Square Error/RNISE (29%). Bila dilihat darirata-rata persentase bias relatif (Rbias), BB1 memiliki nilai Rbias
lebih kecil yaitu sebesar 33.36%o. sedangkan Rbias BB2 sebesar 44.54%. Sehingga dapat
disimpulkan penduga proporsi Logit-Normal Bayes berhirarki dengan pembobot spasial
tetangga terdekat lebih baik daripada penduga proporsi Logit-Normal Bayes berhirarki tanpa
pembobot spasial.
Kata Kunci : Proporsi Bayes berhirarki, pendugaan area kecil, pembobot spasial
PENDAHULUAN
subpopulasi adalahtidak memiliki
presisiyang
memadai
yang
disebabkan
oleh Pendugaan areakecil
merupakansuatu
kecilnya
jumlah
contoh
yang
digunakanmetode
statistika
untuk
menduga
untuk
memperoleh dugaan tersebut. Olehparameter pada suatu subpopulasi
dengan
karena
itu,
dikembangkan
metodejumlah
contohnya berukuran
kecil
atau
pendugaan secaratidak langsung.
Tujuanbahkan
tidak ada.
Metode
ini
dari
metode pendugaanini
adalah untukmemanfaatkan
data
dari
domain
besar
meningkatkankeefektifan ukuran
contohuntuk
menduga
peubah
yang
menjadi
dan
menurunkan keragaman
sehinggaperhatian pada
domain yang
lebih
kecil.
lebih
akurat.MenurutLahiri
(2008) dalamStatistik
areakecil (small area
statistic)
Sadik (2009)[3],
metode pendugaan tidaktelah
menjadi perhatian
para
statistisi
langsung pada
areakecil
pada
dasarnyadunia
secara sangat serius sejaksepuluh
memanfaatkan kekuatan area sekitar dantahun terakhir
ini
[1].
sumber datadi
luar area yang statistikanyaMenurut
Russoet
al.
tahtrn2005
l2l
ingin
diperoleh.pendekatan
klasik untuk menduga
Model-model dalam
pendugaan
areaparameter area
kecil
didasarkan
pada kecil
mengasumsikanbahwa
pengaruhaplikasi model
desainpenarikan
contoh
acak
galat
area saling
bebas.
Namundan dikenal
sebagaimetode
pendugaan
dalam
beberapa kasus, asumsiini
seringlangsung. Kelemahan
metode
ini
pada
dilanggar.&
*&*
Hatrzs
M&M ffi
Etis Sunandi dkk: Model spasial Bayes Dalam pendugaan Area Kecil
Dengc.
Respon
Biner
Penyebabnya adalah keragaman suatu
area
dipengaruhi
area
sekitamya,sehingga
efek
spasialdapat
dimasukkanke
dalam
pengaruh
acak.
Efek
spasial merupakanhal
yang
lazim terjadi
antarasatu area
dengan
area
yang
lain,
ini
berarti
bahwa
area yang
satumempengaruhi
atea lainnya.
Dalamstatistika,
model
yang dapat menjelaskanhubungan antara suatu area dengan area
sekitarnya adalah model spasial
Penelitian
ini
membentuk
modelspasial
Bayes
pada
pendugaan daerahkecil
dengan
model
Logit-Normal. Penelitianini
akan menggunakan peubah respon yang menyebar menurutBinomial
(Logit)
dan pengaruh area yang menyebarmenurut
distribusi Normal.
Hal
ini
yangmendasari pemakaian
Model
Logit-Normal.
Penelitian tru bertujuan
pengaruh
acak
ui
bergan:_:_-pengaruh
area
lain.
Unruk
-
:bersama
u=(ut,...,r-_
-l
v-
Nm(O,(l
-
pQ)-'M)deng-umerupakan vector pengaruh
,1.1
&uil*adalah
matriks pembobot
SI..-:"
menunjukkan hubungan ar-:-;
areal,
dan
M
yaitu N4atnl.
l
ragam
pengaruh
acakdiag(oj,r,...,6i,).
Matriks
.
-
rril[,bersifat
simetriks
dan
detl:_:Sementara
itu
korelasi
:::
diperoleh
dari
p
=;' --
<
;
$
Menurut Rao 2003 L5l, 7.,
ffiet-*r:r
mrlrciri
terbesarmatriks pembob:.
!i.*frr@Jika
p
=
0, maka m;'j:
:. diasumsikan pengaruh acakbebas.
Beberapa
tipe
pola
:€::
matriks
pembobot
spasi;.
\,Pembobot
yang
digunal,--penelitian
ini
adalah
tetani--:
::
Matriks
ini
mempunyai
ar:--berikut :
^
-(1,lr,,l>0.5Yr'
l0,latnnvadengan
ri1
adalah korelasi dan areaJ.Model
Logit-Normal
Rao
(2003)
[5]
mendefinis'.'-Logit-Normal melalui
Bare,
:sebagai berikut:
y tlp i - ind B inomial (ni, p ;)
0
:
IoSit(p) = X'F -t v,u-N*(o,t:,
B danoj salingbebas f
t-;
t::."-7
o--9amma(a,b) ;a > 0,b > 0
Pendugaan
parameter
nl-::r.
BAyes berhirarki
tidak
dapati:-.3
secaraanalitik.
Guna
memp;rr_ ,:,ffirdibutuhkan
pendekatan nurr-.-.:MCMC
adalah
solusinva"
,-*:MCMC yang
terkenal
ad-.:
-rffi bersyarat.Menurut
Rao(l0ir_:
-:
_ilfrbersyarat untuk model
ini
adal.:,t.
lBlp, oj,yl-Np[p.,o,2(ZLrt.):
-z.
lo,'l7,p,yl-Gamm"[?+a,_r-
,
-x!fi,
+n]
(1)mengembangkan metode Bayes berhirarki khusus
untuk
data
peubah respon biner dengan menambahkanpengaruh
spasial. Tujuanselanjutnya
adalahmembandingkan
sifat-sifat
statistikpenduga
proporsi
Logit-Normal
Bayesberhirarki
dengan pembobot
spasial tetangga terdekat(BB1)
dan modelLogit-Normal
Bayesberhirarki
tanpa pembobot spasial (BB2)METODOLOGI PENELITIAN
Studi
kasus dilakukan
pada
datasimulasi. Simulasi
digunakan
untukmengetahui
berbagai
karakteristikpendugaan
pada
beberapa
pembobotspasial yang berbeda
pada
Model
Logit-Normal
Bayes berhirarki
berdasarkanpendugaan
area
kecil.
penelitian
ini
menggunakan
bahasa pemograman
R 2.tL.2.Model
Spasiul
Otoregresd
Bersyarat(C o n ditionul Autoregres s ive/ C ar)
Menurut
Banerjee
et
al.
(2004)
L4l,CAR
didefinisikan
sebagaimodel
spasialyang
menyebar
Normal.
Model
CARHar
raoffi@
-Kumpulon Makalah Seminar Semirata 2073
Pendugaan parameter
p
dan
oj
dibangkitkan secara langsung
dari
(i)
dan(ii).
Parameter
p.
pada bagian
(i)
persamaan
(1)
dinyatakan
olehB-
-(ZTrx' fir)-t
(ZTrx'
t
0i).sementara itu,bagian
(iii)
persamaan
(1)
dinyatakan sebagai:a) f
(pJB, o3,y)x h(pl|, ohk(p)
b)
h(ptll,
o)
=*Ui,e
x,
t-'u'
-r!{''l
c)
/r(p;) =p{i(t
-
pr)n-viNilai
proporsi
Bayes
berhirarki
akandiduga
melalui
simulasi Gibbs
SamplingMetropolis-Hasting
(M-H).
Sampel
gibbsMCMC
dapat dibangkitkan langsung dari(c)
pada
persamaan
(2)
Adapun algoritmaM-H
adalah sebagai berikut:1.
Diambil
sebarangnilai
pi
dari
sebaranuniform
(0,1).z.
Dibangkitkane-inars (x' p, fg-
p q1 1tl),
lalu
dicari nilaipfo)
:
s-|(e).
3.
Dihitung dengan,@iu',
p)
= *,^{otr;t 1 u(rj,,), r} ; k = o, t, ..., D
4.
Dibangkitkanu
dari distribusi uniform
(0,1).
s.
Dipilih
p[u*'):
pi
jika"
<r(p[u),p).
6.
Diulangi
langkah 3 sampai diperoleh Dsampel.
Setelah dilakukan simulasi
M-H,
diperoleh barisan
penduga
proporsisebagai
berikut
{r[u' , ...,p[p; k
=
,,
..,,o\.Kemudian
besaran posterior yangsedang
diamati
dapat
dihitung.
Pendugaproporsi
Bayes
berhirarki
(p?')
adalahpPB
=;E?=rp[u)
= p[).
Sedangkan
ragampenduga
proporsi
Bayesberhirarki
(pf')
adalah
D
v(p?,
tD:
f
)rrr,
-
p:r)'
b-1
Di
sisilain,
sifat-sifat statistik proporsiBayes berhirarki yang diduga adalah MSE dan bias.
MSE
merupakan suatu besaranuntuk mengukur keragaman penduga area
kecil.
Sedangkan, bias merupakanFakultas MIPA Universitas Lampung
selisih
antara penduga
denganparametemya. Semakin
kecil
nilai
MSEdan bias,
maka penduga parameter akansemakin
baik.
Secara
matematikadituliskan sebagai berikut:
D
Bias(pf') =
*Itoj''
-
pl"' Iq=7
r3
M s E(pfB ) =f
)trl,'
-
pl"'l'
q=7
Sebagai
ukuranakurasi
danvalidasipendugaan
proporsi
Bayesberhirarki digunakan persentase biasrelatif
dan akar kuadrat tengah galat (Root Mean Square
ErrorlRMSE).
RMSEdiartikansebagar
akar
perbedaanrata-ratajumlah kuadrat proporsisebenarnyadan
pendugnya.
Jadi, pendugaan yangpalingakuratakanmengarahkenilai
RMSE terkecil
menujunol.
Sedangkan persentasebias
relatif
untuk setiap area diperoleh dari Bias(nPB\
RBi.as(pfb)= ""x100%
Pt
RMSE
:
"JMSEHASIL
DAN
PEMBAHASAN
y ilp i - ind B inomi al (n i, p
)
0
:
logit(p)
:
X'B -l v , v-N-(O,(l
-PQ)_LM)B dano] saltng b eb as
f
(B)*11-samma(a,b);a
o;
> 0,b > 0
Model Logit-Normal
Dengan
Pengaruh SpasialPerbedaan yang mendasar antara model
Logit-Normal
dengan pengaruh
spasialdan
model
Logit-Normal
tanpa pengaruhspasial
terletak
pada matriks
variancovarian pengamatan ke - i.
Model
Logit-Normal
dengan pengaruh spasial yang digunakan dalam pendugaanproporsi area-i
melalui
metode
Bayesberhirarki
adalah sebagai berikut:Seperti
Model
Logit-Normal,
ModelLogit-Normal
dengan spasial diduga& A
Haltst
Etis Sunandi dkk: Model Spasial Bayes Dalam Pendugaan Area Kecil Dengan Peubak Respon
Biner
melalui
pembangkitansampling
MCMC. Sifat-Sifat
Statistik
Model
Logit-Prosedur
MCMC
yang terkenal
adalah
Normal
Bayes
Berhirarki
Pada
DataGibbs
bersyarat.Menurut
Sunandi,
dkk
Simulasi (2011)[6]
untuk rnodelini
adalahi.
[0 lp, o",, y]- No[F r, o,, (ZP,nx')-rl
ii
to|lB,p,y)-camma[]+",)Ke - x'D'@
-x,811 +
ol
G)iii. f (p,l|, o3, D d h(pilp, o:)k(pi)
.._
Pendugaan parameter
p
dan
oj
dibangkitkan secara langsungdari
(i)
dan(ir).
Parameter
F.
pad,a
bagian
(Dp€rsamaan
(1)
dinyatakan
olehB-
-lZ?,
x'i.x)-l (27,
x'io;).
Sementara itu,bagian
(iii)
persamaan
(3)
dinyatakansebagai
a
f (pil|,oi,y) x h(pilp,o])k(p)b
h(p1l!,o,2)=#r*{-*rc,_*,,!1,)
t4)C. k(p,) = pli(1. _ p,)"-t,
dmgan
da
addah
diagonal
matriks((t
-
pQ)-IM)
pada baris dankolom
ke-/. Nilai
proporsi
Bayes
berhirarki
akandiduga
melalui
simulasi
Gibbs Sampling Metropolis-Hasting(M-H).
Sampel
gibbsMCMC
dapat dibangkitkan langsung dari(:)
pada
pel'samaan
(l)
Adapuna(goritma
M-H
adalah sebagai berikut:1.
Diambil
sebarang nilaipi
dari
sebaranuniform (0,1).
z.
Dibangk itkano - naN (x' B, ffr-
pQ)-1M)). lalu dicarinilai
plo)=
g-,10,1,:
Dihitung r(p',u',p,) =*in{k@;) 1.,,.I
0,1.,..,,D
=mrnt""lo6*','rJ tt:
4.
Dibangkitkanu
dari
distribusiuniform
(0,
l).
s. Dipilih
p[u*'):pl
jika
u.r(p[u),pi).
6.
Diulangi
langkah 3 sampai diperolehD
sampel.
Setelah
dilakukan simulasi
M-H,
diperoleh barisan
penduga
proporsisebagai berikut
tpf),...,p*),t, =r,...,a].Kemudian besaran
posterior
yangsedang
diamati
dapat
dihitung.
Pendugaproporsi
Bayes
berhirarki
(p?')
adalahoY' = |E?=,n[ur =
pf).Sedangkan
ragampenduga
proporsi
Bayesberhirarki
(pf')
adalah
v(pf'\il=|Z?=,(o[*'-o,')'
(s)Simulasi
dirancanguntuk
mengetahu;dan
mengevaluasi
sifatsifat
statistikpenduga parameter
dengan
beberapepembobot spasial
yang
berbeda
padamodel
Logit-Normal Bayes
berhirarki.Simulasi diulang sampai 100
kali
denganpembangkitan sampel
Metropolis-Hastir:
sebanyak
500
sampel.
Hasil
s,_:,-disajikan pada
Tabel 1. Melipl.i-
n-,tr
BB1
dan BB2.Nilai
rata-rataR\lS: :
_-cenderung mengecil
dibandingkl:.
:-juil,
rata-rata
RMSE BB2. Artin\-a.
:,;:..:ri-Jrrspasial
dapat
memperbaiki' plrdJ_r,
,_parameter
pada
area
kecil
\.r:--diindikasikan dengan
menurunnya'r,lJ-RMSE tersebut.
Tabel
I
Rata-rata
statistik
pendr-rgaproporsi simulasi
model
Logit-NormalBayes berhirarki
Model Rata-rata
Bias
Ragam Rll4SE
Rbtas/or,BBI
BB2 33.36
4-1.51
Bila
dilihat
dari
rata-rata persenr::.ibias
rclatit
(Rbia$,
BBI
memi\rki
:_-Rbias
terkecil
yaitu
sebesar
i
-. :-Artinya,
jika
menggunakanmode.
a:
rata-rata penduga 33.36%lebih
b.s.-
-.ii:-paraffrcternya. Sedan_ekan
!u
menggunakan
model
BBI
:' j--d;L
penduga 44.54%
lebih
bes--
r,&:parameternya.
Hasil
penelitian
menunju...'.,-bahwa
pengaruh
spasial
d,:,'
memperbaiki
pendugaan parameterp;::
area
kecil
yang diindikasikan dengannil.-menurunnya
nilai
Root
meqn
Squur'.ErrorlRNISE (29%).
Bila
dilihat
darirata-rata
persentasebias
relatif
(Rbias), BB imemiliki
nilai
Rbias
lebih
kecil
yairusebesar
33.36%.
sedangkanRbias BBI
sebesar
4454%.
Sehingga
dapaidisimpulkan
penduga
proporsi
Logit-Normal Bayes
berhirarki
dengan0.06
0.070.09
0.070.29 0.30
Hal 1s2
ffi
*%,
Kumpulan Makalah Seminar Semirata 2013
pembobot spasial tetangga terdekat lebih
baik
daripada pendugaproporsi
Logit-Normal
Bayesberhirarki
tanpa pembobotspasial.
KESIMPULAN
Hasil penelitian
menyimpulkan bahwamodel
Logit-Normal Bayes
berhirarkidengan
pembobot
spasial
tetanggaterdekat,
secaraumum memiliki
dugaan ragam dan relative bias yang terkeciljika
dibandingkan dengan model
Logit-Normal
Bayes
berhirarki
tanpa pembobot spasial.Sehingga
dapat diartikan bahwa
modelLogit-Normal Bayes berhirarki
dengan pembobot spasial adalah model terbaik.DAFTAR PUSTAKA
L.O.A.
Rahman.
(2003).
Aproksimasi Bootstrap Parametrikpada
PendugaanSelang
Prediksi Statistik Area
Kecil
[tesis].
Bogor:
Program
Pascasarjana,Institut Pertanian Bogor. S.
Fakultas MIPA Universitas Lampung
C.
RussoC,
M.
Sabbatini,R.
Salvatore.(2005).
General
Linear
Models
in
Small Area Estimation: an
assessmentin
agricultural
surveys.K.
Sadik.(2009).
Metode Prediksi
Tak-Bias
Linear Terbaik
dan
BayesBerhirarki untuk Pendugaan Area
Kecil
Berdasarkan
Model
State
Spacefdisertasi].
Bogor: ProgramPascasarj ana, Institut Pertanian Bogor. Banerjee, B.P. Carlin,
A.E.
Gelfan.(2004).Hierarchical Modeling
and
Analysisfo,
Spatial
Data.
Boca
Raton: Chapman&
Ha11/CRC Press Company.J.N.K
Rao.(2003). SmallArea
Estimation. NewYork:
JohnWiley
and Sons.E.
Sunandi,
K.A.
Notodiputro,
A.
Djuraidah.
(2011).
Model
SpasialBayes dalam
PendugaanArea
Kecil
dengan Peubah Respon
Biner
(kasus :pendugaan proporsi keluarga
miskin
Di
kabupaten
jemberjawa timur)
[tesis].Bogor:
Program
Pascasarjana,Institut
Pertanian Bogor.
&
*#*
Hat rgaISBN 978,602-98559-2-0
ltiltJIillilffit[ilrl
lr[
m
:
ffiH
IIw
Tw
TE
E
F
=
IE
F
IE Ij
w
a
II
{r,
UJ
& 'i:...
f:i ::1
1; d_
i-::: :r
':.
!-r- -*'
i.:r- fl.,
:,i_a :: .i 11:
!;.:,u
il;
,s. ;
,,*
:
!:; r'= FF\" ti-i i (j; -! ^r tJ*J\-*,
I*" t" .d' .u.,; &ii tr e"ii :\*r ai. ry *4,*.
"J1.d* "f
\
*;
*."_:*-:.) t' i**
\
- tf l"*+ .. i'o
"; _i ,q-* ri'-.
'r "".
:\
!' i;' .^: *i.:
-r -S +*+*
t";' \-r.-
'.-;
'_
,#.,] t, L '' \ ..- ;E 5* + # ,n\
\-i ,: a. w
\: tY t."g ,{' '-a :! r Fv' .*-,
L sa
q*\** f:
-+<' Li .-i,*-e
.[
1 l-]
\
*
.E rs",
,,p.. .1. -:F }{ *: :_
4-- 1l I ..t 4N \ .. r ii".t tu" \3/
L* &. r. \- ,1 'l: .d eli s e@-{,.a : I \ -+a $"*-. \
\1#;i:i
^ .."""4 ;4-i
', ql: '- "* *
'd I ": . '
* '-t'-; E- ''' i--"' L-L-l
."" ::)
!*'**
l*+ I r*r tu {iAL >rl LJ; # i#1 \"j E,J 4. qr gf\
Li-#;
-.. ia
r\?4v .{ia. *5r.) ."J
ii)
.+. #e,
*