PEMODELAN ANGKA KEMISKINAN DENGAN REGRESI LINIER SPLINE BERGANDA

Rahmat Hidayat(1*), Ma’rufi Ma’rufi(2), Muhammad Ilyas(3),

(1) Universitas Cokroaminoto Palopo
(2) Universitas Cokroaminoto Palopo
(3) Universitas Cokroaminoto Palopo
(*) Corresponding Author



Abstract


Keberhasilan pembangunan suatu daerah dapat dilihat dari tingkat kemiskinannya. Dalam mewujudkan tujuan kesejahteraan, pemerintah terus menerus melakukan program pembangunan nasional yaitu pengentasan kemiskinan. Provinsi Jawa Tengah merupakan salah satu provinsi dengan angka kemiskinan cukup tinggi, bahkan melebihi angka kemiskinan nasional. Oleh karena itu, akan diteliti tentang faktor-faktor yang mempengaruhi kemiskinan di Provinsi Jawa Tengah. Metode yang digunakan adalah Regresi Spline Berganda karena data yang digunakan memiliki pola yang tidak menentu sehingga tidak tepat jika dianalisis hanya dengan Regresi Linier Berganda. Tujuan dari penelitian ini adalah agar pemerintah setempat dapat menentukan program penanggulangan kemiskinan yang sesuai. Persentase rumah tangga miskin pada setiap kabupaten/kota dijadikan sebagai peubah respon dalam penelitian ini yang dimodelkan dengan faktor yang diduga mempengaruhinya. Data yang digunakan adalah data dari Badan Pusat Statistik. Peubah penjelas digunakan adalah pengeluaran per kapita per orang dalam satu tahun, rata-rata lama sekolah, dan angka harapan hidup. Tahapan analisis diawali dengan melakukan pemotongan kurva berdasarkan fungsi yang bersesuaian. Lalu dipilih model dengan nilai GCV terkecil dari beberapa model dengan knot yang berbeda. Hasilnya, model yang terpilih adalah model dengan knot tiga yang nilai GCV-nya sebesar 11.078. Peubah penjelas yang berpengaruh nyata terhadap persentase penduduk miskin di Provinsi Jawa Tengah adalah rata-rata lama sekolah.

 

Kata Kunci: kemiskinan, knot, spline.

Full Text:

PDF

References


Antoniadis, A., Bigot, J. dan Spatinas, T. (2001), “Wavelet Estimators in Nonparametric Regression: A Comparative Simulation Study”, Journal of Statistical Software, 6, pp. 1-83.

Budiantara, I. N., Ratnasari, V., Ratna, M., dan Zain, I. (2015), “The Combination of Spline and Kernel Estimator for Nonparametric regression and its Properties”, Applied Mathematics Sciences, 9, pp. 6083-6094.

Becher, H., Kauermann, G., Khomski, P., dan Kouyate, B. (2009), “Using Penalized Splines to Model Age and Season of Birth Dependent Effects of Childhood Mortality Risk Factors in Rural Burkina Faso”, Biometrical Journal, 51, pp. 110-122.

Biedermann S, Dette H, Woods DC. 2009. Optimal Design for Multivariable Spline Models [paper]. Highfield(UK): University of Southampton.

Chaubey, Y. P., Laib, N., dan Li, J. (2012), “Generalized Kernel Regression Estimator for Dependent Size-Blazed Data”, Journal of Statistical Planning Inference, 142, pp. 708-727.

Eberly D. 1999. B-Splines Interpolation on Lattices [internet]. [diunduh 2017 Mei 10]. Tersedia pada : http://www.e-bookspdf.org.

Eubank, R. L., (1999), Spline Smoothing and Nonparametric Regression, Marcel Deker: New York.

Hardle W. 1994. Applied Nonparametric Regression. Berlin(DE): Humboldt University.

Herawati N. 2011. Regresi Spline untuk Pemodelan Bidang Kesehatan: Studi tentang Knot dan Selang Kepercayaan. Jurnal Ilmu Dasar, Vol.12: 152- 160. Lampung(ID): Universitas Lampung.

Hidayat, R., Budiantara, I. N., Otok, B. W., and Ratnasari, V. (2020), “The Regression Curve Estimation by using Mixed smoothing Spline and Kernel (MsS-K) Model”, Communications in Statistics-Theory and Methods, https://doi.org/10.1080/03610926.2019.1710201.

Hidayat, R., Budiantara, I. N., Otok, B. W., and Ratnasari, V. 2019. Kernel-Spline Estimation of Additive Nonparametric Regression Model. The 9th Basic Science International Conference (BaSIC), March 2019, Malang, Indonesia.

Huang JZ, Shen H. 2004. Functional Coefficient Regression Models for NonLinear Time Series: A Polynomial Spline Approach. Scandinavian Journal

of Statistics, Vol. 31: 515–534. Oxford(UK): Blackwell Publishing Ltd.

Putra IMB, Srinadi IGAM, Sumarjaya IW. 2015. Pemodelan Regresi Spline (Studi Kasus: Herpindo Jaya Cabang Ngaliyan). Jurnal Matematika, Vol. 4: 110- 114. Bali(ID): Universitas Udayana.

Rondriguez G. 2001. Smoothing and Non-Parametric Regression [paper]. New Jersey(US): Princeton University.

Smith PL. 1979. Splines as a Useful and Convenient Statistical Tool. The American

Statistician Vol. 33: 57-62.

Steinberg D, Colla PL, Kerry M. 2001. MARS User Guide. California(US): Salford System.

Wahba, G., (1990), Spline Models for Observation Data, Pennsylvania, SIAM.

Wu H, Zhang JT. 2006. Nonparametric regression methods for longitudinal data

analysis: mixed-effects modeling approaches. New Jersey(US): John Wiley and Sons.


Article Metrics

Abstract view : 78 times | PDF view : 16 times

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Rahmat Hidayat, Ma’rufi Ma’rufi, Muhammad Ilyas