PERBANDINGAN MODEL REGRESI NONPARAMETRIK SPLINE MULTIVARIABEL DENGAN MENGGUNAKAN METODE GCV DAN UBR DALAM PEMILIHAN TITIK KNOT OPTIMAL (Studi Kasus Data Angka Kematian Maternal di Jawa Timur)

SARI, SULISTYA UMIE RUHMANA (2016) PERBANDINGAN MODEL REGRESI NONPARAMETRIK SPLINE MULTIVARIABEL DENGAN MENGGUNAKAN METODE GCV DAN UBR DALAM PEMILIHAN TITIK KNOT OPTIMAL (Studi Kasus Data Angka Kematian Maternal di Jawa Timur). Masters thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 1314201030-Master Thesis.pdf]
Preview
Text
1314201030-Master Thesis.pdf - Published Version

Download (3MB) | Preview

Abstract

Pada regresi nonparametrik spline menentukan titik knot optimal menjadi hal
yang sangat penting. Model regresi spline terbaik dihasilkan dari pemilihan titik knot
yang paling optimal. Terdapat beberapa metode yang dapat digunakan untuk memilih
titik knot optimal, antara lain Generalized Cross Validation (GCV), Unbiassed Risk
(UBR) dan Generalized Maximum Likelihood (GML). Penelitian ini akan membahas
tentang perbandingan model regresi spline nonparametrik multivariabel dengan
menggunakan metode GCV dan UBR sebagai metode pemilihan titik knot optimal.
Kriteria pemilihan model terbaik adalah berdasarkan nilai MSE dan nilai R2
adj.
Selanjutnya akan dilakukan pemodelan menggunakan data Angka Kematian Maternal
di Jawa Timur dengan menggunakan regresi nonparametrik spline. Pada hasil
penelitian didapatkan dengan menggunakan metode GCV, titik knot optimum adalah
menggunakan kombinasi titik knot 2-3-2-2-1 yang menghasilkan nilai MSE 0,002059
dan nilai R2
adj sebesar 92,4%. Selanjutnya pada uji parameter didapatkan nilai bahwa
semua variabel berpengaruh signifikan dengan semua asumsi residual terpenuhi.
Sementara, dengan menggunakan metode UBR didapatkan hasil yang berbeda. Titik
knot optimum adalah menggunakan satu titik knot yang menghasilkan nilai MSE
sebesar 0,01315 dan nilai R2
adj sebesar 52,15%. Pada uji parameter didapat bahwa
semua variabel tidak berpengaruh signifikan serta asumsi normalitas residual yang
tidak terpenuhi. Hal ini membuktikan bahwa pemodelan regresi nonparametrik
dengan menggunakan metode GCV lebih baik untuk data berdistribusi normal seperti
angka kematian maternal dibandingkan menggunakan metode UBR dalam pemilihan
titik knot.

=====================================================================================================

In the nonparametric regression spline, determine the optimal point knot
becomes very important. Best spline regression model resulting from the selection of
the most optimal point knots. There are several methods that can be used to select the
optimal knots points, among others Generalized Cross Validation (GCV), Unbiassed
Risk (UBR) and Generalized Maximum Likelihood (GML). This research will discuss
about the comparison of spline nonparametric regression multivariable models using
the GCV and UBR as the method for selecting the optimal knots point. Criteria for
selection of the best model is based on the MSE. Next will be using the data modeling
Maternal Mortality in East Java using nonparametric regression spline. In the research
results obtained by using the method of GCV, knots optimum point is to use a
combination of 2-3-2-2-1 knots point that generates the MSE 0.0009965 and R2
adj is
92,4%. Furthermore, the test parameter values obtained that all variables have a
significant effect with all the residual assumptions are met. While, by using UBR
obtained different results. Knots optimum point is to use a single point of knots that
generate value MSE of 0.008486 and R2
adj sebesar 52,15%. In the test parameters
obtained that all variables not significant and residual normality assumptions were not
met. This proves that the nonparametric regression modeling using GCV method is
better for maternal mortality data comparison method in the selection of UBR point
knots.

Item Type: Thesis (Masters)
Additional Information: RTSt 519.536 Sar p
Uncontrolled Keywords: Spline, GCV, UBR dan Angka Kematian Maternal
Subjects: Q Science > QA Mathematics
Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression
Divisions: Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis
Depositing User: Mr. Tondo Indra Nyata
Date Deposited: 10 Jan 2017 04:30
Last Modified: 27 Dec 2018 07:06
URI: http://repository.its.ac.id/id/eprint/1433

Actions (login required)

View Item View Item