Perbandingan Metode CV dan GCV pada Pemodelan MARS (Aplikasi Rata-Rata Lama Sekolah di Kabupaten Gianyar)

  • Luh Putu Safitri Pratiwi ITB STIKOM Bali
  • Ni Putu Meina Ayuningsih ITB STIKOM Bali
  • I Made Pasek Pradnyana Wijaya ITB STIKOM Bali
Keywords: MARS, GCV, CV, Lama Sekolah

Abstract

COVID-19 sangat mempengaruhi segala aspek kehidupan dalam masyarakat salah satunya tidak hanya perlambatannya dalam bidang ekonomi, kesehatan, namun di bidang pendidikan pun terkena dampak besar akibat dari COVID-19 ini. Dilihat dari aspek indikator pendidikan biasanya seseorang yang memiliki pendidikan tinggi peluang diterima pada suatu perusahaan akan semakin besar. Semakin tinggi tingkat pendidikan seseorang maka capaian rata-rata lama sekolah akan semakin tinggi pula.   Maka dari itu dalam penelitian ini akan dilakukan pemodelan rata-rata lama sekolah dengan menggunakan pendekatan MARS (Multivariate Adaptive Regression Spline). MARS alah salah satu metode regresi nonparametric selain spline, kernel, dan lain-lain, dimana tidak ada informasi apapun tentang bentuk dari kurva regresi. MARS juga menggunakan parameter penghalus yaitu metode Cross Validation (CV) dan metode Generalized Cross Validation (GCV). Hasil yang diperoleh nilai RMSE dan R2 model MARS CV baik lebih baik dibandingkan dengan GCV karena memiliki nilai RMSE yang paling rendah dan R2 yang lebih besar. Hal tersebut bisa menunjukan bahwa model MARS dengan CV adalah model yang lebih baik untuk memodelkan rata-rata lama sekolah di Kabupaten Gianyar. Model yang diperoleh dari metode CV dengan model yang diperoleh sebagai berikut:

y = 7.656 -0.115*BF1 -0.366*BF2 +0.496*BF3 +0.205*BF4

Downloads

Download data is not yet available.

References

Andrews, Y. Ng., 1991, Preventing “Overfitting” of Cross-Validation Data, School of Computer Science, Carnegie Mellon University, Pittsburgh PA.

BPS, 2014, Indeks Pembangunan Manusia 2014, Badan Pusat Statistik, Jakarta.

BPS, 2018, Indikator Pendidikan 2018, Badan Pusat Statistik, Jakarta.

BPS, 2020, Statistik Pendidikan 2020, Badan Pusat Statistik, Jakarta

BPS Provinsi Aceh, 2015, Indikator Pendidikan Provinsi Aceh 2014, BPS Aceh, Aceh

Craven, P. and Wahba, G., 1979, Smoothing Noisy Data with Spline Functions. Estimating The Correct Degree of Smoothing by The Method of Generalized Cross Validation, Numer. Math. (31) 317-403.

Darmawanti, N. D., Suparti., dan Safitri, D., 2014, Pemodelan Indeks Harga Saham Gabungan (IHSG) Menggunakan Multivariate Adaptive Regression Splines (Mars), Jurnal Gaussian, Vol 3, No 4, Hal 771 – 780

Eubank, R.L., 1999, Nonparametric Regression and Spline Smoothing. Second Edition, Marcel Dekker, Inc, New York.

Friedman, J. H., 1991, Multivariate Adaptive Regression Splines, The Annals of Statistics, Vol. 19, No. 1 (Mar., 1991), pp. 1-67, Institute of Mathematical Statistics.

Friedman, J.H. dan Silverman, B.W., 1989, Flexible parsimony smoothing and additive modeling, Technometrics, 31, 3 – 39.

Nisa’, S. F., dan Budiantara, I. N., 2006, Analisis Survival dengan Pendekatan Multivariate Adaptive Regression Splines pada Kasus Demam Berdarah Dengue (DBD). Jurnal Sains dan Seni ITS, Vol. 1, No. 1, (Sept.2012). Surabaya: Institut Teknologi Sepuluh November.

Razak, R. A., 2019, Perbandingan Metode Generalized Cross Validation (GCV) Dan Cross Validation (CV) Dalam Pemilihan Bandwidth Optimal Pada Pemodelan Regresi Nonparametrik Kernel Gaussian (Studi Kasus : Gizi Buruk Pada Balita Di Indonesia), Skripsi, Program Studi Statistika. Universitas Muhammadiyah Semarang.

Utami, A’. N., 2021, Pemodelan Multivariate Adaptive Regression Spline (MARS) (Studi Kasus: Kasus Diare Pada Balita di Provinsi Jawa Barat-Jawa Tengah Tahun 2019), Skripsi, Program Studi Matematika Fakultas Sains Dan Teknologi Uin Sunan Kalijaga Yogyakarta

Wahba, G., 1990, Spline Models for Observational Data, SIAM, Pensylvania

Published
2022-07-26
How to Cite
Safitri PratiwiL. P., AyuningsihN. P. M., & WijayaI. M. P. P. (2022). Perbandingan Metode CV dan GCV pada Pemodelan MARS (Aplikasi Rata-Rata Lama Sekolah di Kabupaten Gianyar). SAINTIFIK, 8(2), 114 - 122. https://doi.org/10.31605/saintifik.v8i2.371