Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tugas akhir ini secara umum bertujuan untuk membahas latent class model yaitu suatu model yang menghubungkan probabilitas respon suatu individu untuk variabel-variabel indikator dengan suatu variabel laten yang bersifat kategorik. Penaksiran parameter dalam latent class model menggunakan taksiran Maximum Likelihood, yang dicari melalui algoritma EM (Expectation-Maximization). Kecocokan model diuji dengan uji rasio likelihood. Model terbaik dengan banyak kelas optimal dipilih berdasarkan reduksi 2 L , dimana 2 L adalah nilai statistik uji untuk banyak kelas terkait. Berdasarkan banyak kelas yang terbentuk pada model terbaik ini, individu-individu akan dikelompokkan ke dalam kelas-kelas tersebut. Metode tersebut akan diterapkan untuk mencari latent class model dengan tingkatan gejala pasien demam berdarah sebagai variabel laten kategorik yang dibentuk dari 5 variabel indikator kategorik, yaitu transfusi, nadi, tekanan darah, hb darah, dan trombosit. Hasil analisis data menunjukkan bahwa tingkatan gejala demam berdarah dapat dikategorikan menjadi 3 kelas."

"Seperti halnya model Gravity maka model Intervening Opportunities merupakan model sintetis. Pendistribusian perjalanan dari asal perjalanan ke masing-masing tujuan perjalanan berdasarkan model Intervening Opportunities sangat ditentukan oleh parameter model yang disebut dengan parameter L. Parameter L merupakan parameter yang menyatakan bahwa probabilitas perjalanan yang keluar dari suatu lokasi asal perjalanan akan berhenti pada sembarang lokasi tujuan. Nilai parameter L ini sangat sensitif didalam model sehingga penentuan nilai sangat penting didalam analisis distribusi perjalanan dengan model Intervening Opportunities. Berdasarkan hal tersebut dilakukan analisis metode estimasi parameter (hipotesis pertama) dan analisis pola perjalanan yang sesuai model Intervening Opportunities (hipotesis kedua). Metode estimasi yang diuji adalah metode Regresi, Regresi dengan Optimasi, NLLS, VNLLS dan metode Maksimum Likelihood (ML). Untuk pengujian hipotesis pertama digunakan matrik asal tujuan buatan (artifisial) yang sembarang, sedangkan untuk pengujian hipotesis kedua digunakan matrik artifisial yang dipolakan. Pengujian hipotesis pertama dan kedua juga didukung oleh data matrik A -T kota Jakarta dan kota Balikpapan. Pengujian dan merupakan data matrik kecil. Sedangkan untuk pengujian data matrik besar diambil data matrik asal tujuan yang sesungguhnya yaitu data matrik asal tujuan kota Jakarta dan kota Balikpapan. Hasil analisis data artifisial dan data kota menunjukkan metode NLLS dan metode regresi (optimasi) yang diterapkan pada model Intervening Opportunities "Memaksa" merupakan metode estimasi yang cukup baik dilihat dari hasil uji statistik dan dari total probabilitas yang didapat."

"Dalam studi empiris di bidang ekonomi sering terjadi variabel dependennya tersensor atau terkelompok pada suatu nilai batas. Jika nilai variabel dependennya terkelompok pada suatu nilai batas bawah 0 (nol) maka untuk menganalisis masalah tersebut dapat digunakan Model Tobit. Model Tobit pertama kali ditemukan oleh Tobin pada tahun 1958 dan selanjutnya Model Tobit banyak mengalami perkembangan atau variasi dari model awalnya. Lalu, oleh Amemiya, Model Tobit dikelompokkan menjadi 5 (lima) jenis berdasarkan kesamaan fungsi Likelihoodnya. Model Tobit pertama yang ditemukan oleh Tobin sekarang disebut Model Tobit Standar atau Model Tobit jenis 1 (satu) sedangkan jenis 2 (dua) sampai 5 (lima) disebut Model Tobit Diperumum. Model Heckit (ditemukan oleh Heckman) termasuk Model Tobit jenis 2 (dua) dan Model Heckit berhubungan dengan pengambilan sampel secara tidak acak sehingga terkadang disebut juga Model Seleksi Sampel Heckman. Baik Model Tobit Standar maupun Model Heckit merupakan model regresi dimana variabel dependennya tersensor di 0 (nol) dan yang membedakannya adalah cara pengambilan sampel yang dilakukan. "