JURNAL STATISTIKA, Kampus 1, Jl. Cibogo No.Indah 3, Mekarjaya, Kec. Rancasari, Kota Bandung, Jawa Barat 40000, Prodi Tehnik Industri, @piterlorensius_, @himpunan TI

 JURNAL STATISTIKA

VOLUME 9, NOMOR 1, Februari 2024 NOMOR: 747/Akred/P2MI-LIPI/04/2016NAMA : PIETER LAURENSIUS LUMBAN RAJA

NPM : 20323051

KELAS : C2.23

PRODI : TEHNIK INDUSTRI

PENGANTAR REDAKSI

Puji syukur kehadirat , Tuhan Yang Maha Esa, “Jurnal Statistika 

Statistik” dapat terwujud atas partisipasi semua pihak, internal maupun eksternal STIS yang telah mengirimkan tulisannya, serta mitra bestari. 

Semoga artikel dalam jurnal ini dapat menambah pengetahuan para pembaca tentang 

penggunaan metode statistika  pada berbagai jenis data. Redaksi terus 

menunggu artikel-artikel ilmiah selanjutnya dari Bapak/Ibu guna dapat menghasilkan publikasi 

yang menjadi salah satu sarana untuk memberikan sosialisasi statistika bagi masyarakat.

Bandung, 23 Februari

JURNAL  STATISTIKA

DAFTAR ISI

Pengantar Redaksi………………………………………………………..……….…………ii

Daftar Isi……………………………………………………..……………………………….iii

Abstrak..……………………………………………………..…………………………..….iv

Pengertian Statistika......................................................................................v

Kesimpulan..................................................................................vi

Abstrak

Data pengeluaran perkapita rumahtangga merupakan salah satu informasi penting 

sebagai pendekatan untukmengukur tingkat 

kemakmuran dan kesejahteraan di suatu 

daerah. Data tersebut sangat diperlukan 

oleh pemerintah baik di pusat maupun daerah dalam merumuskan, melaksanakan 

dan mengevaluasi pelaksanaan pembangunan. Penelitian ini akan 

menganalisis model yang tepat untuk pemodelan data pengeluaran perkapita rumahtangga yang memperhitungkan 

kekhususan data BPS yang memiliki struktur hirarki dan pola distribusi data yang

memiliki karakteristik skewed kanan. Pemodelan dilakukan dengan menggunakan distribusi Log-normal tiga 

parameter (LN3P) dan Log-logistik tiga parameter (LL3P) dengan struktur satu tingkat (unilevel) dan dua tingkat 

(multilevel). Proses pendugaan parameter 

dilakukan dengan metode Markov Chain Monte Carlo (MCMC) dan algoritma Gibbs 

Sampling. Hasil penelitian menunjukkan bahwa pada model unilevel, model LL3P 

lebih baik dari model LN3P. Sedangkan pada model multilevel, model LN3P lebih 

baik dari model LL3P. Hasil penelitian juga menunjukkan model terbaik untuk 

pemodelan data pengeluaran perkapita rumahtangga adalah model multilevel 

LN3P dengan intercept sebagai komponen 

berhirarki dengan nilai Deviance Information Criterion (DIC) terkecil.

PENDAHULUAN

Menggunakan model regresi linier klasik untuk analisis data tersensor yang 

memiliki korelasi spasial merupakan keputusan yang kurang tepat. Istilah data 

tersensor digunakan untuk menjelaskan sekelompok data yang memiliki sejumlah 

nilai yang tidak diketahui pada batas atas atau bawahnya. Long (1997) menjelaskan 

bahwa jika menggunakan model regresi linier pada keseluruhan data tersensor, akan menghasilkan nilai parameter yang 

overestimates pada slope dan 

underestimates pada intercept. Sedangkan 

jika menghilangkan atau memotong observasi yang nilainya tidak diketahui, 

akan menghasilkan koefisien parameter yang underestimates pada slope dan overestimates pada intercept. Data terpotong 

menyebabkan terjadinya korelasi antara variabel prediktor dengan residual, sehingga menghasilkan estimasi yang tidak konsisten.

Efek korelasi spasial dapat muncul pada pembentukan model regresi linier yang 

menggunakan data kewilayahan (cross 

section data). Hal tersebut mengakibatkan tidak terpenuhinya asumsi error yang independen dan identik berdistribusi normal, 

sehingga menghasilkan estimasi parameter 

yang tidak valid dan mengaburkan interpretasi model (Marsh, Mittelhammer, & Huffaker, 2000). Korelasi spasial dapat diamati dari mengelompoknya besaran nilai tertentu pada data yang berasal dari wilayah 

yang berdekatan, misalnya data tingkat penggunaan internet kabupaten/kota di 

Pulau Jawa.

Tingginya tingkat penggunaan internet di Pulau Jawa terutama ditemukan di kota-

kota besar sebagai pusat jasa pendidikan dan hiburan, seperti DKI Jakarta, Yogyakarta, Bandung, dan Surabaya, kemudian diikuti 

oleh wilayah kabupaten/kota lain di sekitarnya. Fenomena dependensi spasial ini 

dapat diaplikasikan untuk analisis data tersensor yang memiliki korelasi spasial, 

dimana kabupaten/kota dengan penggunaan 

internet kategori tinggi dapat dianggap sebagai data yang tidak diketahui nilainya.

Sebanyak 34 dari 118 kabupaten/kota di Pulau Jawa memiliki persentase pengguna internet yang lebih tinggi daripada 16 persen 

(BPS, 2011), suatu nilai yang setara dengan jumlah akun facebook yang dibuat oleh 

penduduk Indonesia pada tahun 2011 (Socialbaker, 2011).

Dibutuhkan metode khusus untuk melakukan analisis penggunaan internet, 

dengan asumsi bahwa data penggunaan internet di Pulau Jawa merupakan data 

tersensor yang memiliki korelasi spasial. Fischer dan Getis (2010) mengatakan bahwa pemodelan data tersensor yang melibatkan 

wilayah sebaiknya menggunakan analisis 

spasial, metode yang paling sesuai adalah regresi Tobit spasial. Selain itu, Lee (2010) 

juga menyatakan bahwa pendekatan Tobit spasial lebih disarankan untuk analisis wilayah yang melibatkan data tersensor. 

Analisis regresi Tobit spasial digunakan apabila variabel respon pada model spasial 

melibatkan data yang diyakini memiliki nilai tersensor (LeSage & Pace, 2009).

Penelitian ini bermaksud untuk membentuk model regresi Tobit spasial dan 

mencari metode estimasi parameter dari model regresi Tobit spasial. Data yang 

digunakan sebagai variabel respon adalah persentase penduduk umur 5 tahun ke atas yang mengakses internet selama tiga bulan 

terakhir di pulau Jawa pada tahun 2010. Sensor diberikan kepada wilayah kabupaten/kota dengan persentase pengguna 

internet lebih besar dari 16 persen, yang dianggap sebagai batas minimal persentase pengguna internet yang ingin dicapai oleh suatu kabupaten/kota.

Model Regresi Tobit

Misalkan Y* adalah suatu variabel respon dengan informasi yang lengkap dan Y adalah data sampel dari Y* , maka variabel respon yang tersensor dapat didefinisikan sebagai berikut:

Yi { Yi* jika Yi*<t

        t jika Yi* ≥ t

Statistika adalah sebuah ilmu yang mempelajari bagaimana cara merencanakan,mengumpulkan, menganalisis, lalu menginterpretasikan, dan akhirnya mempresentasikan data. Singkatnya, statistika adalah ilmu yang bersangkutan dengan suatu data. Istilah "Statistika" berbeda dengan "Statistik".

Jenis. Ada dua macam statistika, yaitu statistika deskriptif dan statistika inferensial.Pengklasifikasian menjadi statistika deskriptif dan statistika inferensi dilakukan berdasarkan aktivitas yang dilakukan.

Contoh

Nilai rata-rata sekelompok siswa yang berjumlah 40 orang adalah 62. Jika salah seorang siswa dari kelompok itu memeroleh nilai 23 dan tidak dimasukan dalam perhitungan rata-rata tersebut, maka nilai rata-rata ujian menjadi?

X = Jumlah nilai/ Banyak siswa

Jumlah nilai = X. banyak siswa

Jumlah nilai = 62. 40 = 2.480

Jumlah nilai setelah dikurang 23 = 2.480-23 = 2.457

X = 2.457/39 = 63

Jadi, nilai rata-rata ujian menjadi 63.

Keseimpulan : Statistika adalah sebuah ilmu yang mempelajari bagaimana cara merencanakan, mengumpulkan, menganalisis, lalu menginterpretasikan, dan akhirnya mempresentasikan data. Singkatnya, statistika adalah ilmu yang bersangkutan dengan suatu data. Istilah "Statistika" berbeda dengan "Statistik".

Kekurangan dari jurnal ini tidak telalu lengkap

Kelebihan nya bisa menambah wawasan.