Perbandingan Model Regresi Nonparametrik Menggunakan Pendekatan Truncated Spline dan Kernel Gaussian pada Data Pencilan
| Main Author: | Ramadhana, Saffira |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/168269/1/Saffira%20Ramadhana%20%282%29.pdf http://repository.ub.ac.id/168269/ |
Daftar Isi:
- Analisis regresi dibagi menjadi dua berdasarkan cara pendugaan terhadap kurva regresi, yaitu regresi parametrik dan nonparametrik. Regresi nonparametrik diterapkan jika asumsi bentuk kurva regresi parametrik tidak diketahui atau asumsi linieritas tidak terpenuhi. Di antara beberapa pendekatan regresi nonparametrik, truncated spline dan kernel Gaussian merupakan pendekatan yang mempunyai kelebihan dibandingkan pendekatan yang lain. Pendekatan truncated spline memiliki kelebihan yaitu unggul dalam mengatasi pola data yang menunjukkan fluktuasi yang tajam dengan bantuan titik-titik knot. Keunggulan kernel Gaussian adalah lebih mudah dalam perhitungan dan tidak perlu memasukkan syarat dalam pengerjaannya seperti fungsi kernel yang lain. Suatu kumpulan datum pada umumnya memiliki nilai pada setiap obyek yang tidak terlalu berbeda jauh dengan obyek yang lain. Data pencilan yaitu data yang memiliki nilai yang berbeda jauh dengan obyek pada umumnya. Pada penelitian ini peneliti memanipulasi data Indeks Pembangunan Manusia (IPM) di Jawa Timur pada tahun 2016 yang digunakan agar mengandung pencilan untuk mengetahui apakah data pencilan berpengaruh terhadap model regresi nonparametrik menggunakan pendekatan truncated spline dan kernel Gaussian. Kriteria pemilihan model terbaik yang digunakan pada penelitian ini adalah nilai Mean Square Error (MSE). Hasil penelitian menunjukkan bahwa pendekatan terbaik untuk memodelkan data yang mengandung pencilan dan tidak mengandung pencilan adalah pendekatan truncated spline. Di antara pendekatan truncated spline dan kernel Gaussian yang lebih terpengaruh dengan adanya pencilan adalah kernel Gaussian.