Estimasi Kurva Regresi Nonparametrik Dengan Estimator Campuran Spline Smoothing Dan Kernel Pada Indeks Pembangunan Manusia Di Provinsi Jawa Timur

Sauri, Muhammad Sopian (2026) Estimasi Kurva Regresi Nonparametrik Dengan Estimator Campuran Spline Smoothing Dan Kernel Pada Indeks Pembangunan Manusia Di Provinsi Jawa Timur. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003232008_Master_Thesis.pdf Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Penelitian ini mengembangkan metode baru dalam mengestimasi kurva regresi nonparametrik yaitu estimator campuran Spline smoothing dan Kernel. Metode ini mampu menangani perbedaan dari pola data antara setiap masing-masing variabel prediktor dengan variabel responya. Apabila pola data dari variabel respon dengan variabel prediktornya berubah-ubah pada sub-interval tertentu maka merupakan karakter dari estimator Spline smooting, sedangkan variabel prediktor yang memiliki pola acak atau tersebar secara acak maka dimodelkan dengan estimator Kernel. Salah satu yang menjadi fokus dalam penelitian ini yaitu memilih parameter penghalus dan bandwith optimal yang berfungsi untuk mengatur tingkat kemulusan kurva. Model estimator diselesaikan dengan menggunakan metode Penalized Likelihood (MPL). Analisis empiris dalam estimator ini diaplikasikan pada data Indeks Pembangunan Manusia (IPM) di Provinsi Jawa Timur tahun 2024 serta faktor-faktor yang mempresentasikanya, dengan pemilihan model terbaik melihat nilai Generalized Croos Validation (GCV) minimum. Dalam hasil analisis pengaplikasian terhadap data rill, estimator campuran Spline smoothing dan Kernel mampu memodelkan data Indeks Pembangunan Manusia (IPM) di Provinsi Jawa Timur dengan nilai Generalized Croos Validation (GCV) minimum sebesar 0,018444291 dimana variabel prediktor Pendapatan Domestik Regional Bruto (PDRB) dan angka morbiditas lebih cocok dimodelkan dengan estimator Kernel, sedangkan untuk variabel prediktor Angka Partisipasi Murni untuk tingkat SMA dan sederajat (APM SMA) dimodelkan dengan estimator Spline smoothing yang menghasilkan nilai R^2 sebesar 85,06%.
===================================================================================================================================
This study develops a new method for estimating nonparametric regression curves, namely a mixed Spline smoothing and Kernel estimator. This method is able to handle differences in data patterns between each predictor variable and its response variable. If the data pattern of the response variable and its predictor variable changes in a certain sub-interval, it is a characteristic of the Spline smoothing estimator, while predictor variables that have a random pattern or are randomly distributed are modeled with the Kernel estimator. One of the focuses of this study is selecting the optimal smoothing and bandwidth parameters that function to regulate the level of smoothness of the curve. The estimator model is solved using the Penalized Likelihood (MPL) method. Empirical analysis in this estimator is applied to the Human Development Index (HDI) data in East Java Province in 2024 and the factors that represent it, with the selection of the best model looking at the minimum Generalized Cross Validation (GCV) value. In the results of the analysis of the application to real data, the mixed Spline smoothing and Kernel estimators are able to model the Human Development Index (HDI) data in East Java Province with a minimum Generalized Cross Validation (GCV) value of 0.018444291 where the predictor variables of Gross Regional Domestic Income (GRDP) and morbidity rates are more suitable to be modeled with the Kernel estimator, while for the predictor variable Pure Participation Rate for high school and equivalent levels (APM SMA) is modeled with the Spline smoothing estimator which produces an R^2 value of 85.06%.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	GCV, Kernel, Penalized Likelihood (MPL), regresi nonparametrik, Spline smoothing,
Subjects:	H Social Sciences > HA Statistics > HA31.7 Estimation
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User:	Muhammad Sopian Sauri
Date Deposited:	19 Jan 2026 09:15
Last Modified:	19 Jan 2026 09:15
URI:	http://repository.its.ac.id/id/eprint/129759

Actions (login required)

View Item