Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Wahana Matematika dan Sains
Ratih Yulinda
Universitas Pendidikan Ganesha

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Data Longitudinal dengan Berbagai Tingkat Autokorelasi Menggunakan Metode Nonparametrik Spline Truncated dan Kernel Regression Ratih Yulinda; I Wayan Puja Astawa; Putu Kartika Dewi
Wahana Matematika dan Sains: Jurnal Matematika, Sains, dan Pembelajarannya Vol. 20 No. 1 (2026): April 2026
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/wms.v20i1.112839

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja regresi nonparametrik Spline Truncated dan Kernel Regression pada pemodelan data longitudinal dengan berbagai tingkat autokorelasi. Penelitian dilakukan melalui studi simulasi dan penerapan pada data riil Persentase Penduduk Miskin (P0) tingkat provinsi di Indonesia periode 2016–2024. Pada studi simulasi, data panel seimbang dibangkitkan untuk 30 individu dan 5 titik waktu dengan galat AR(1) pada tiga skenario autokorelasi, yaitu  dan , serta 50 replikasi untuk setiap skenario. Parameter pemulus pada kedua metode dipilih menggunakan Generalized Cross Validation (GCV). Kinerja model dievaluasi menggunakan MSE, RMSE, MAE, dan , serta dilengkapi dengan diagnostik residual melalui ACF dan uji Ljung–Box. Hasil simulasi menunjukkan bahwa peningkatan autokorelasi cenderung meningkatkan kesalahan prediksi dan menurunkan koefisien determinasi. Pada seluruh skenario simulasi, Spline Truncated menghasilkan kinerja yang relatif lebih baik dibandingkan Kernel Regression. Pada data riil, performa in-sample kedua metode hampir sama, tetapi evaluasi cross-validation menunjukkan bahwa Kernel Regression sedikit lebih unggul dalam kemampuan generalisasi. Dengan demikian, Spline Truncated lebih sesuai untuk interpretasi kurva yang stabil, sedangkan Kernel Regression lebih kompetitif untuk tujuan prediksi pada data empiris.
Co-Authors I Wayan Puja Astawa Putu Kartika Dewi