Estimasi Parameter Multivariate Adaptive Regression Spline (MARS)-Longitudinal (Studi Kasus : Tingkat Pengangguran Terbuka di Provinsi Jawa Timur)

Haryanto, Albertus Eka Putra (0007) Estimasi Parameter Multivariate Adaptive Regression Spline (MARS)-Longitudinal (Studi Kasus : Tingkat Pengangguran Terbuka di Provinsi Jawa Timur). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003231022-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (2MB) | Request a copy

Abstract

Salah satu yang menjadi isu penting pada poin kedelapan Suistainable Development Goals (SDGs), yaitu adanya kasus pengangguran di suatu daerah yang dapat diukur melalui tingkat pengangguran terbuka. Sejak tahun 2020 hingga tahun 2023, tercatat TPT di Provinsi Jawa Timur cenderung mengalami penurunan. Meskipun terjadi penurunan, TPT di Provinsi Jawa Timur dalam tiga tahun terakhir masih belum mencapai target yang telah ditetapkan pada Rencana Kerja Pemerintah Daerah (RKPD) Provinsi Jawa Timur. Terjadinya kasus pengangguran merupakan salah satu kasus dengan multi dimensi (multivariate) yang cukup tinggi. Adanya pola hubungan yang cenderung tidak dapat ditentukan secara jelas antara variabel respon dengan variabel prediktor menyebabkan metode analisis statistik secara parametrik menjadi kurang tepat digunakan. Dalam perkembangannya, metode Multivariate Adaptive Regression Spline (MARS) juga dapat mengatasi permasalahan yang berkaitan dengan pengendalian pada data dengan dimensi yang tinggi juga dapat dikembangkan pada data longitudinal (data runtun waktu). Pada penelitian ini, pemodelan dilakukan menggunakan MARS-Longitudinal dengan pendekatan model fixed effect dan mixed effect yang diterapkan pada data panel TPT di Provinsi Jawa Timur pada tahun 2020-2023. Penerapan pada data panel dengan menggunakan MARS-Longitudinal belum pernah dilakukan pada penelitian sebelumnya. Hasil penelitian menunjukkan bahwa penggunaan model MARS dengan mixed effect cenderung lebih baik dalam mengatasi adanya perbedaan yang ditimbulkan pada suatu runtun waktu. Hasil pemodelan mixed effect juga cenderung meningkatkan nilai R2 dan meminimumkan GCV pada model MARS-Longitudinal yang dibentuk.
================================================================================================================================
One of the important issues in the eighth point of the Sustainable Development Goals (SDGs) is unemployment in an area, which can be measured through the open unemployment rate. From 2020 to 2023, it was recorded that the TPT in East Java Province tended to decrease. Despite the decline, the TPT in East Java Province in the last three years has still not reached the target set in the Regional Government Work Plan (RKPD) of East Java Province. The occurrence of unemployment is one of the multidimensional (multivariate) cases that is quite high. The existence of a relationship pattern that relationship pattern that tends not to be clearly determined between the response variable and the predictor variables causes parametric statistical analysis methods to be less appropriate to use. In its development, the Multivariate Adaptive Regression Spline (MARS) method can also overcome problems related to control in high-dimensional data and can also be developed in longitudinal data (time series data). The application on panel data using MARS-Longitudinal has never been done in previous studies. In this study, modeling was carried out using MARS-Longitudinal with a fixed effect and mixed effect model approach applied to TPT panel data in East Java Province in 2020-2023. The mixed effect modeling results also tend to increase the R2 value and minimize the GCV in the MARS-Longitudinal (MASAL) model formed.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	East Java Province, MARS-Longitudinal, Unemployment Rate, MARS-Longitudinal, Provinsi Jawa Timur, Tingkat Pengangguran Terbuka
Subjects:	H Social Sciences > HA Statistics > HA29 Theory and method of social science statistics H Social Sciences > HA Statistics > HA31.3 Regression. Correlation. Logistic regression analysis.
Divisions:	Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis
Depositing User:	ALBERTUS EKA PUTRA HARYANTO
Date Deposited:	23 Jan 2025 03:28
Last Modified:	23 Jan 2025 03:28
URI:	http://repository.its.ac.id/id/eprint/116712

Actions (login required)

View Item