Model Regresi Nonparametrik dengan Pendekatan Spline (Studi Kasus: Berat Badan Lahir Rendah di Rumah Sakit Ibu dan Anak Siti Fatimah Makassar)

Wahidah Sanusi(1*), Rahmat Syam(2), Rabiatul Adawiyah(3),

(1) Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Makassar
(2) Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Makassar
(3) Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Makassar
(*) Corresponding Author




DOI: https://doi.org/10.35580/jmathcos.v2i1.12460

Abstract


Pendekatan nonparametrik merupakan suatu pendekatan yang digunakan apabila bentuk hubungan antara variabel respon dan variabel prediktornya tidak diketahui atau tidak adanya informasi mengenai bentuk fungsi regresinya. Spline merupakan suatu teknik yang dilakukan untuk mengestimasi parameter dalam regresi nonparametrik. Penelitian ini bertujuan untuk mengetahui model hubungan antara berat badan lahir rendah dan faktor-faktor yang mempengaruhi berdasarkan model spline. Faktor-faktor tersebut adalah usia ibu, usia kehamilan, dan jarak kehamilan. Data tersebut diperoleh dari rumah sakit ibu dan anak siti Fatimah Makassar tahun 2017. Dimana untuk mendapatkan model spline terbaik langkah awal yang dilakukan adalah menentukan knot dengan nilai Generalized Cross Validation (GCV) yang minimum. Berdasarkan penelitian yang telah dilakukan, dua variabel dinyatakan berpengaruh terhadap berat badan lahir rendah yaitu usia ibu, dan usia kehamilan. Model regresi nonparametrik dengan pendekatan Spline yang terbentuk memiliki koefisien determinasi sebesar 78,19%, serta nilai GCV dengan tiga titik knot yaitu 0.0117.

Kata kunci: Regresi Nonparametrik, Spline, Berat Badan Lahir Rendah, Generalized Cross Validation

 

The non-parametric approach is an approach that is used if the form of the relationship between the response variable and the predictor variable is unknown or the absence of information about the shapes of regression functions. The Spline is a technique performed to estimate the parameters in the nonparametric regression. This study aims to determine the model of the relationship between low birth weight and the factors that affect the based on the spline model. Such factors are maternal age, gestational age, and pregnancy distance. The Data is obtained from the mother and child hospital siti Fatimah Makassar 2017. Where to get a spline model best the initial step is to determine the knots with the value of the Generalized Cross Validation (GCV) which is a minimum. Based on the research that has been done, the two variables stated effect against low birth weight, namely age of mother, and gestational age. Nonparametric regression Model with the approach of the Spline that is formed has a coefficient of determination of 78.19 to%, as well as the value of the GCV with a three-point knot that is 0.0117.

Keyword : Nonparametric Regression, Spline, Low Birth Weight, Generalized Cross Validation


Full Text:

PDF

References


Agustien, R. A. (2016). Pemodelan Risiko Kejadian Bayi Berat Badan Lahir Rendah Berdasarkan Pendekatan Multivariate Adaptive Regression Spline (MARS) (Studi Kasus di RSU Haji Surabaya) (Skripsi tidak dipublikasikan). Universitas Airlangga.

Alfiani, M. L. (2014). Model Regresi Nonparametrik Berdasarkan Estimator Polinomial Lokal Kernel Pada Kasus Pertumbuhan Balita. Jurnal Statistika, 2(1). 56-80

Budiantara, I. N. (2000). Metode U, GML, CV, dan GCV dalam Regresi Nonparametrik Spline. Jurnal Majalah Ilmiah Himpunan Matematika Indonesia (MIHMI), 6(1). 285-290.

Dewi, R. K & Budiantara, I. N. (2012). Faktor-Faktor Yang Mempengaruhi Angka Gizi Buruk di Jawa Timur Dengan Pendekatan Regresi Nonparametrik Spline. Jurnal Sains dan Seni ITS, 1(1).

Draper, N. R. & Smith, R. (1992). Perbandingan Model GWR dengan FIXED dan ADAPTIVE Bandwidth untuk Persentase Penduduk Miskin di Jawa Tengah. Jurnal Gaussian, 5(3). 535-544.

Eubank. (1998). Penentuan Generalized Cross Validation (GCV) Sebagai Kriteria dalam Pemilihan Model Regresi B-Spline Terbaik . Jurnal Statistika, 2(2). 121-126

Eubank. (1999). Faktor-Faktor Yang Mempengaruhi Angka Gizi Buruk di Jawa Timur Dengan Pendekatan Regresi Nonparametrik Spline. Jurnal Sains dan Seni ITS, 1(1). 76-88.

Gujarati. (2003). Analisis Faktor yang Berpengaruh Terhadap Tingkat Pengangguran Terbuka di Provinsi Jawa Timur Menggunakan Regresi Data Panel. Jurnal Sains dan Seni ITS, 6(1). 98-103

Ismail, M. (2016). Model Regresi Nonparametrik dan aplikasinya (Studi Kasus: Berat Badan Bayi Lahir di Rumah Sakit Ibu dan Anak Pertiwi Makassar) (Skripsi tidak dipublikasikan). Universitas Negeri Makassar, Makassar.

Kosim. (2012). Faktor-faktor yang Berhubungan dengan Kejadian Berat Badan Lahir Rendah (BBLR) di Kabupaten Kudus. Jurnal Kesehatan Masyarakat, 5(1).

Raupong. (2015). Model B-Spline dalam Menaksir Kurva Regresi Nonparametrik. Jurnal Matematika, Statistika, dan Komputasi, 6(1). 29-43.

Supranto. (1989). Perbandingan Estimasi Parameter pada Distribusi Eksponensial dengan Menggunakan Metode Maksimum Likelihood dan Metode Bayesian. Jurnal Sains Matematika dan Statistika, 1(2). 145-150

Wang, J. & Yang, L. (2009). Polinomial Spline Kepercayaan Band untuk Regresi Kurva. Jurnal Statistica Sinica, 2(19). 325-342.

Winarti & Sony, S. (2010). Pendekatan Regresi Semiparametrik Spline. (Pada data nilai Ujian Nasional siswa SMKN 1 Nguling Pasuruan). Jurnal Sains dan Seni Pomits, 3(2). 194-199.


Article Metrics

Abstract view : 781 times | PDF view : 55 times

Refbacks

  • There are currently no refbacks.


Copyright (c) 2020 Journal of Mathematics, Computations, and Statistics



Indexed by:

         

 

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.