Metode Pemilihan Titik Knot Optimal Menggunakan Modifikasi Generalized Cross Validation (mGCV) Dan aGCV Dalam Regresi Semiparametrik Spline Truncated Untuk Data Longitudinal

Damaliana, Aviolla Terza (2019) Metode Pemilihan Titik Knot Optimal Menggunakan Modifikasi Generalized Cross Validation (mGCV) Dan aGCV Dalam Regresi Semiparametrik Spline Truncated Untuk Data Longitudinal. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 06211750010025-Master_Thesis.pdf Restricted to Repository staff only Download (9MB) | Request a copy

Abstract

Regresi semiparametrik merupakan gabungan dari komponen parametrik dan komponen nonparametrik. Pada penelitian ini menggunakan data longitudinal. Adapun teknik estimasi pada regresi semiparametrik ini menggunakan Spline truncated yang mempunyai interpretasi statistik dan interpretasi visual sangat khusus dan sangat baik. Pemilihan titik knot dalam regresi semiparametrik spline truncated sangat penting karena banyaknya titik knot dan lokasi dari tiap-tiap knot akan berpengaruh pada bentuk estimasi regresi. Oleh karena itu diperlukan mencari titik knot yang optimal untuk menghasilkan model yang terbaik. Metode pemilihan titik knot yang dalam penelitian ini menggunakan metode modifikasi Generalized Cross-Validation (mGCV) dan aGCV. Penelitian ini membandingkan metode mGCV dan aGCV dalam pemilihan titik knot optimal pada data simulasi, kemudian menggunakan data Angka Harapan Hidup di Jawa Timur tahun 2001-2015. Kriteria dalam memilih model terbaik menggunakan MSE dan R Square. Hasil simulasi menunjukkan bahwa, metode mGCV lebih baik daripada metode aGCV dalam memilih titik knot yang optimal. Pada aplikasi menunjukan metode mGCV lebih baik dibandingkan metode aGCV dalam memilih titik knot optimal pada data Angka Harapan Hidup di Jawa Timur Tahun 2001-2015 karena memiliki nilai MSE yang lebih kecil dan R Square yang lebih tinggi. MSE yang didapat sebesar 0,719 dan R Square yang didapatkan sebesar 95,9070. =================================================================================================================================
Semiparametric is a combination of parametric and nonparametric components in regression. In this study using longitudinal data. The estimation technique in semiparametric regression uses truncated Spline which has very special and very good statistical interpretation and visual interpretation. The choices of knot point in semiparametric spline truncated regression is very important because the number of knot and location of each knot point will affect the estimation form of regression. Therefore it is necessary to find the optimal knot point to produce the best model. The method of selecting knot points in this study used the modified method of Generalized Cross-Validation (mGCV) and aGCV. This study compared the methods of mGCV and aGCV in the selection of optimal knot points in simulation data, then used Life Expectancy data in East Java from 2001-2015. Criteria for selecting the best model using MSE and R Square. The result of simulation shows that, the mGCV method is better than the aGCV method to choose the optimal knot point. The application shows that the mGCV method is better than the aGCV method in choosing the optimal knot point in the Life Expectancy data in East Java for 2001-2015 because it has a higher MSE and R Square value. The MSE obtained is 0.719 and the R Square obtained is 95,9070.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Regresi Semiparametrik, Data Longitudinal, Spline Truncated, mGCV, aGCV, Angka Harapan Hidup (AHH), MSE, R Square
Subjects:	Q Science Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression
Divisions:	Faculty of Mathematics, Computation, and Data Science > Statistics > 49101-(S2) Master Thesis
Depositing User:	Damaliana Aviolla Terza
Date Deposited:	23 Jul 2026 05:52
Last Modified:	23 Jul 2026 05:52
URI:	http://repository.its.ac.id/id/eprint/67762

Actions (login required)

View Item