Ramadhana, Saffira (2018) Perbandingan Model Regresi Nonparametrik Menggunakan Pendekatan Truncated Spline dan Kernel Gaussian pada Data Pencilan. Sarjana thesis, Universitas Brawijaya.
Abstract
Analisis regresi dibagi menjadi dua berdasarkan cara pendugaan terhadap kurva regresi, yaitu regresi parametrik dan nonparametrik. Regresi nonparametrik diterapkan jika asumsi bentuk kurva regresi parametrik tidak diketahui atau asumsi linieritas tidak terpenuhi. Di antara beberapa pendekatan regresi nonparametrik, truncated spline dan kernel Gaussian merupakan pendekatan yang mempunyai kelebihan dibandingkan pendekatan yang lain. Pendekatan truncated spline memiliki kelebihan yaitu unggul dalam mengatasi pola data yang menunjukkan fluktuasi yang tajam dengan bantuan titik-titik knot. Keunggulan kernel Gaussian adalah lebih mudah dalam perhitungan dan tidak perlu memasukkan syarat dalam pengerjaannya seperti fungsi kernel yang lain. Suatu kumpulan datum pada umumnya memiliki nilai pada setiap obyek yang tidak terlalu berbeda jauh dengan obyek yang lain. Data pencilan yaitu data yang memiliki nilai yang berbeda jauh dengan obyek pada umumnya. Pada penelitian ini peneliti memanipulasi data Indeks Pembangunan Manusia (IPM) di Jawa Timur pada tahun 2016 yang digunakan agar mengandung pencilan untuk mengetahui apakah data pencilan berpengaruh terhadap model regresi nonparametrik menggunakan pendekatan truncated spline dan kernel Gaussian. Kriteria pemilihan model terbaik yang digunakan pada penelitian ini adalah nilai Mean Square Error (MSE). Hasil penelitian menunjukkan bahwa pendekatan terbaik untuk memodelkan data yang mengandung pencilan dan tidak mengandung pencilan adalah pendekatan truncated spline. Di antara pendekatan truncated spline dan kernel Gaussian yang lebih terpengaruh dengan adanya pencilan adalah kernel Gaussian.
English Abstract
Regression analysis was divided into two based on the prediction of the regression curve, namely parametric and nonparametric regression. Nonparametric regression is applied if the assumption of the form of the parametric regression curve is unknown or the linearity assumption is not met. Among some nonparametric regression approaches, the truncated spline and the Gaussian kernel are more advantageous than the other approaches. The truncated spline approach has advantages that are superior in overcoming patterns of data showing sharp up and down with the help of knot points. The advantage of the Gaussian kernel is that it is easier to calculate and does not have to include the terms in the process like other kernel functions. A collection of datum generally has a value on each object that is not too much different from other objects. But sometimes in the data set there are objects that have a value different from the object in general, this is called the outlier. In this research, the researcher manipulates the Human Development Index (HDI) data in East Java in 2016 which is used to contain the intention to know whether the data influence the nonparametric regression model using the truncated spline and Gaussian kernel approach. The best model selection criterion used in this research is Mean Square Error (MSE). The results show that the best approach for modeling data containing and not containing outlier is the truncated spline approach. Between the truncated spline and Gaussian kernel approaches that are more affected by the presence of the imaging is the Gaussian kernel.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2018/196/051805768 |
| Uncontrolled Keywords: | Truncated spline, Kernel Gaussian, Data pencilan, MSE Truncated spline, Gaussian Kernel, Outlier, MSE |
| Subjects: | 500 Natural sciences and mathematics > 519 Probabilities and applied mathematics > 519.2 Probabilities > 519.23 Random processes (Stochastic processes) |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 24 Jun 2020 02:36 |
| Last Modified: | 18 Oct 2021 03:14 |
| URI: | http://repository.ub.ac.id/id/eprint/168269 |
Preview |
Text
Saffira Ramadhana (2).pdf - Published Version Download (2MB) | Preview |
Actions (login required)
 |
View Item |