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.

[img]
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
Divisions: Faculty of Mathematics and Science > Statistics > (S2) Master Theses
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