S2 - Magister
Permanent URI for this community
Browse
Browsing S2 - Magister by Author "AFI NURANI"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
Item ROBUST HURDLE POISSON UNTUK PEMODELAN DATA COUNT DENGAN PENCILAN (STUDI KASUS: KONSUMSI ROKOK DI PROVINSI KEPULAUAN RIAU)(2015-01-24) AFI NURANI; Tidak ada Data Dosen; Tidak ada Data DosenKonsumsi rokok merupakan permasalahan yang sudah sampai pada situasi yang mengkhawatirkan dan memberikan dampak negatif bagi kesehatan masyarakat. Pengamatan konsumsi rokok dalam batang per hari menghasilkan data cacahan dengan banyak nilai 0 (Excess Zero) sebagai hasil dari dua tahapan pertanyaan partisipasi konsumsi rokok dan tingkat konsumsi rokok. Regresi logistik dapat memodelkan tahapan pertanyaan partisipasi konsumsi rokok, namun tidak dapat memodelkan tingkat konsumsi rokok. Regresi Poisson dapat diterapkan pada variabel respon dengan data cacahan, namun dengan banyaknya nilai 0 pada variabel respon akan mengakibatkan overdispersi, sehingga Regresi Poisson menjadi tidak tepat untuk digunakan. Metode alternatif yang dapat digunakan adalah Hurdle Poisson. Pada pengamatan data cacahan sering juga ditemui adanya pencilan. Metode Hurdle Poisson biasa belum memperhatikan data pencilan (outlier). Metode Robust Hurdle Poisson dapat diterapkan untuk memodelkan data cacahan dengan pencilan. Metode Robust Hurdle Poisson menggunakan Mallows Quasi Likelihood Estimator dalam menangani data pencilan. Pengujian kelayakan model menggunakan statistik Quasi Deviance dan pengujian parsial parameter menggunakan statistik uji Wald. Aplikasi analisis pada data konsumsi rokok individu hasil Survei Sosial Ekonomi Nasional Modul Sosial Budaya dan Pendidikan tahun 2012 di Provinsi Kepulauan Riau. Hasil pemodelan Robust Hurdle Poisson menunjukkan variabel yang berpengaruh terhadap keputusan mengkonsumsi rokok dalam model logit adalah Jenis Kelamin, Status Perkawinan, Pekerjaan, dan Umur, sedangkan variabel yang berpengaruh terhadap tingkat konsumsi rokok dalam model Truncated Poisson adalah Jenis Kelamin, Klasifikasi Wilayah, dan Pendapatan.