<![CDATA[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.]]>
Copyrights © 2026
