MODEL REGRESI LOGISTIK BINER BOOTSTRAP KORBAN KECELAKAAN LALU LINTAS DI KABUPATEN PATI

KURNIANTO, LILIK PRIYO, B2A218005 (2019) MODEL REGRESI LOGISTIK BINER BOOTSTRAP KORBAN KECELAKAAN LALU LINTAS DI KABUPATEN PATI. Sarjana / Sarjana Terapan (S1/D4) thesis, ["eprint_fieldopt_institution_Muhammadiyah University, Semarang" not defined].

Preview	Text 5. ABSTRAK.pdf Download (392kB) | Preview
Preview	Text 12. BAB I.pdf Download (456kB) | Preview
Preview	Text 13. BAB II.pdf Download (551kB) | Preview
	Text 14. BAB III.pdf Restricted to Repository staff only Download (454kB) | Request a copy
	Text 15. BAB IV.pdf Restricted to Repository staff only Download (505kB) | Request a copy
Preview	Text 16. BAB V.pdf Download (406kB) | Preview
Preview	Text 17. DAFTAR PUSTAKA.pdf Download (1MB) | Preview

Abstract

Regresi logistik merupakan metode statistika untuk mengetahui suatu hubungan sebab akibat (kausalitas) antara satu variabel dependen dengan satu atau lebih variabel independen, dimana variabel dependen memiliki 2 kategori atau lebih. Kelemahan dari regresi logistik adalah rentan bias yang menyebabkan akurasi yang rendah. Analisis yang akan digunakan adalah Maximum Likelihood Estimaion (MLE) untuk mengetahui keberpengaruhan antar variabel melalui uji G(simultan) maupun uji Wald(parsial). Untuk mengatasi masalah akurasi maka dapat dilakukan resampling pada data dengan menggunakan metode Bootstrap. Metode Resampling Bootstrap memiliki kelebihan yaitu tidak memiliki ausmsi mngenai distribusi dari sampel yang dimiliki serta dapat meningkatkan akuasi dalam estimasi parameter. Langkah resampling Bootstrap dilakukan dengan cara mereplikasi data asli dengan trial and error hingga didapatkan nilai Standar Error terkecil. Pada kasus korban kcelakaan lalu lintas di Kabupaten Pati setelah dilakukan analisis, maka didapatkan hasil nilai PChisquare pada MLE sebesar P-value (0,01377) <α(0,05) yang berarti minimal ada satu variabel bebas yang memiliki pengaruh terhadap variabel terikat. Selanjutnya pada uji parsial hanya ada satu variabel signifikan yaitu variabel usia dengan nilai Pvalue = 0.0156 < α(0,05) maka H0 ditolak yang artinya variabel usia memiliki pengaruh signifikan secara parsial terhadap variabel keadaan korban kecelakaan. Selanjutnya dilakukan resampling Bootstrap pada data asli, didapatkan nilai Standar Error terkecil dari hasil replikasi ke-4 sebesar 0.12845. Nilai Standard Error dengan resampling Bootstrap lebih kecil dibandingkan dengan nilai dari analisis menggunakan MLE. dapat disimpulkan bahwa resampling Bootstrap dapat meningkatkan akurasi dan memperkecil standar error. Selanjutnya didapatkan model terbaik

Actions (login required)

View Item