Melola Discovery

← Melola Discovery

Jurnal

Pemodelan Regresi Logistik Menggunakan Metode Momen Diperumum

ESTIMASI: Journal of Statistics and Its Application · Vol. 1 No. 2 (2022) · pp. 74–82

DOI
10.20956/ejsa.v1i2.9304
ISSN
2721-379X, 2721-3803
Published
2022-02-02
Publisher
Hasanuddin University
Language
en

Abstract

Regresi logistik merupakan model regresi yang sering digunakan dalam pemodelan data kategori, namun dalam menentukan modelnya terkadang tidak dapat diselesaikan dengan cara biasa dikarenakan variabel respon yang bersifat kategorikal mengikuti distribusi bernoulli. Sehingga dalam menentukan model diperlukan suatu estimasi parameter untuk mendapatkan informasi mengenai parameter populasi. Metode momen diperumum (Generalized method of moments/GMM) adalah salah satu metode estimasi parameter yang digunakan untuk mengeksploitasi informasi bentuk kondisi momen populasi yang merupakan perluasan dari metode momen. Dari penggunaan estimasi parameter GMM diperoleh bahwa dengan menggunakan kondisi momen yang sama dengan metode momen pada umumnya menghasilkan estimasi yang sama dengan metode momen ataupun dengan estimasi OLS. Dalam mengestimasi parameter regresi logistik pun diperlukan suatu algoritma untuk menyelesaikan bentuk nonlinear-nya, sehingga digunakan iterasi Reweighted least square yang pembobotnya berubah setiap pengiterasian.Kata Kunci: Regresi Logistik Biner, Metode Momen Diperumum, Iterasi Reweighted Least Square.Regresi logistik merupakan model regresi yang sering digunakan dalam pemodelan data kategori, namun dalam menentukan modelnya terkadang tidak dapat diselesaikan dengan cara biasa dikarenakan variabel respon yang bersifat kategorikal mengikuti distribusi bernoulli. Sehingga dalam menentukan model diperlukan suatu estimasi parameter untuk mendapatkan informasi mengenai parameter populasi. Metode momen diperumum (Generalized method of moments/GMM) adalah salah satu metode estimasi parameter yang digunakan untuk mengeksploitasi informasi bentuk kondisi momen populasi yang merupakan perluasan dari metode momen. Dari penggunaan estimasi parameter GMM diperoleh bahwa dengan menggunakan kondisi momen yang sama dengan metode momen pada umumnya menghasilkan estimasi yang sama dengan metode momen ataupun dengan estimasi OLS. Dalam mengestimasi parameter regresi logistik pun diperlukan suatu algoritma untuk menyelesaikan bentuk nonlinear-nya, sehingga digunakan iterasi Reweighted least square yang pembobotnya berubah setiap pengiterasian. Kata Kunci: Regresi Logistik Biner, Metode Momen Diperumum, Iterasi Reweighted Least Square.

Keywords

Collaboration network of the authors

40 authors · 118 co-authorship links

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Sultan Ageng Tirtayasa University
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Raupong RaupongAffiliation unknown4
La Podje TalangkoAffiliation unknown2
Sitti SahrimanAffiliation unknown2
Anisa KalondengAffiliation unknown2
Anisa AnisaSultan Ageng Tirtayasa University2
Anna IslamiyatiAffiliation unknown2
Andi Isna YunitaAffiliation unknown2
Nurtiti SunusiAffiliation unknown2
Wa Ode Sitti Amni AmniAffiliation unknown2
Bunga ApriliaAffiliation unknown1
Andi Sitti Fahmi Riyanti HufainiAffiliation unknown1
Rusydah KhaeratiAffiliation unknown1
Fitriatusakiah FitriatusakiahAffiliation unknown1
Andi Tenri Riski AmaliaAffiliation unknown1
Georgina Maria TinungkiAffiliation unknown1
Najiha AlimatunAffiliation unknown1
Nasrah SirajangAffiliation unknown1
Reski AmalahAffiliation unknown1
Muhammad FadilAffiliation unknown1
Nur Fuadil Maqnun WahabAffiliation unknown1
Nurtit SunusiAffiliation unknown1
Ainul FajriAffiliation unknown1
Anisa Haura Salsa Fatih YusufAffiliation unknown1
Nurul IkhsaniAffiliation unknown1
Ika Pratiwi HayaAffiliation unknown1
Andi Ummi Melin Aicha AichaAffiliation unknown1
Asnidar AsnidarAffiliation unknown1
Kevin Ekarinaldo PalunganAffiliation unknown1
Amalia AndrianingrumAffiliation unknown1
Siswanto SiswantoAffiliation unknown1
Haksar HaksarAffiliation unknown1
- SiswantoAffiliation unknown1
Ayu Pratika PutriAffiliation unknown1
Annurial Fitrayah TaufiqAffiliation unknown1
Ahmad Maulana SyarifAffiliation unknown1
Nurmimie KharinaAffiliation unknown1
Samsir Aditya AniaAffiliation unknown1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://journal.unhas.ac.id/index.php/ESTIMASI/oai, first harvested 2 Nov 2026, last seen 2 Nov 2026.
Original metadata (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en">Pemodelan Regresi Logistik Menggunakan Metode Momen Diperumum</dc:title>
	<dc:creator xml:lang="en">Yusuf, Grace Oktavia</dc:creator>
	<dc:creator xml:lang="en">Jaya, Andi Kresna</dc:creator>
	<dc:creator xml:lang="en">Ilyas, Nirwan</dc:creator>
	<dc:subject xml:lang="en">Binary Logistic Regression</dc:subject>
	<dc:subject xml:lang="en">Generalized Method of Moment</dc:subject>
	<dc:subject xml:lang="en">Reweighted Least Square Iteration</dc:subject>
	<dc:description xml:lang="en">Regresi logistik merupakan model regresi yang sering digunakan dalam pemodelan data kategori, namun dalam menentukan modelnya terkadang tidak dapat diselesaikan dengan cara biasa dikarenakan variabel respon yang bersifat kategorikal mengikuti distribusi bernoulli. Sehingga dalam menentukan model diperlukan suatu estimasi parameter untuk  mendapatkan informasi mengenai parameter populasi. Metode momen diperumum (Generalized method of moments/GMM) adalah salah satu metode estimasi parameter yang digunakan untuk mengeksploitasi informasi bentuk kondisi momen populasi yang merupakan perluasan dari metode momen. Dari penggunaan estimasi parameter GMM diperoleh bahwa dengan menggunakan kondisi momen yang sama dengan metode momen pada umumnya menghasilkan estimasi yang sama dengan metode momen ataupun dengan estimasi OLS. Dalam mengestimasi parameter regresi logistik pun diperlukan suatu algoritma untuk menyelesaikan bentuk nonlinear-nya, sehingga digunakan iterasi Reweighted least square yang pembobotnya berubah setiap pengiterasian.Kata Kunci: Regresi Logistik Biner, Metode Momen Diperumum, Iterasi Reweighted Least Square.Regresi logistik merupakan model regresi yang sering digunakan dalam pemodelan data kategori, namun dalam menentukan modelnya terkadang tidak dapat diselesaikan dengan cara biasa dikarenakan variabel respon yang bersifat kategorikal mengikuti distribusi bernoulli. Sehingga dalam menentukan model diperlukan suatu estimasi parameter untuk  mendapatkan informasi mengenai parameter populasi. Metode momen diperumum (Generalized method of moments/GMM) adalah salah satu metode estimasi parameter yang digunakan untuk mengeksploitasi informasi bentuk kondisi momen populasi yang merupakan perluasan dari metode momen. Dari penggunaan estimasi parameter GMM diperoleh bahwa dengan menggunakan kondisi momen yang sama dengan metode momen pada umumnya menghasilkan estimasi yang sama dengan metode momen ataupun dengan estimasi OLS. Dalam mengestimasi parameter regresi logistik pun diperlukan suatu algoritma untuk menyelesaikan bentuk nonlinear-nya, sehingga digunakan iterasi Reweighted least square yang pembobotnya berubah setiap pengiterasian. Kata Kunci: Regresi Logistik Biner, Metode Momen Diperumum, Iterasi Reweighted Least Square.</dc:description>
	<dc:publisher xml:lang="en">Hasanuddin University</dc:publisher>
	<dc:date>2022-02-02</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unhas.ac.id/index.php/ESTIMASI/article/view/9304</dc:identifier>
	<dc:identifier>10.20956/ejsa.v1i2.9304</dc:identifier>
	<dc:source xml:lang="en">ESTIMASI: Journal of Statistics and Its Application; Vol. 1, No. 2, Juli, 2020 : Estimasi; 74-82</dc:source>
	<dc:source>2721-379X</dc:source>
	<dc:source>2721-3803</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://journal.unhas.ac.id/index.php/ESTIMASI/article/view/9304/6797</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2020 ESTIMASI: Journal of Statistics and Its Application</dc:rights>
</oai_dc:dc>