ANALISIS EFEKTIVITAS MODEL GEOGRAPHICALLY WEIGHTED QUANTILE REGRESSION (GWQR) DALAM PENANGANAN OUTLIER: DATA SIMULASI TERIDENTIFIKASI HETEROGENITAS SPASIAL
Regresi kuantil klasik bersifat global dengan hasil estimasi parameter yang general, kondisi heterogenitas spasial tidak dapat ditangkap oleh model ini. Penggunaan model lokal dengan atribRegresi kuantil klasik bersifat global dengan hasil estimasi parameter yang general, kondisi heterogenitas spasi...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universitas Nusa Cendana
2024-02-01
|
| Series: | Jurnal Diferensial |
| Subjects: | |
| Online Access: | https://ejurnal.undana.ac.id/index.php/JD/article/view/12782 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1850043628429246464 |
|---|---|
| author | Febrya Christin Handayani Buan Zofar Agluis Banunaek Widya Reza |
| author_facet | Febrya Christin Handayani Buan Zofar Agluis Banunaek Widya Reza |
| author_sort | Febrya Christin Handayani Buan |
| collection | DOAJ |
| description | Regresi kuantil klasik bersifat global dengan hasil estimasi parameter yang general, kondisi heterogenitas spasial tidak dapat ditangkap oleh model ini. Penggunaan model lokal dengan atribRegresi kuantil klasik bersifat global dengan hasil estimasi parameter yang general, kondisi heterogenitas spasial tidak dapat ditangkap oleh model ini. Penggunaan model lokal dengan atribut spasial dapat mengakomodir krakteristik antar lokasi pengamatan. Model lokal regresi kuantil disebut model Geographically Weighted Quantile Regression (GWQR). Pengujian efektivitas lebih lanjut dari model ini diperlukan dengan pemanfaatan data simulasi. Penelitian ini menggunakan data simulasi dibangkitkan dengan ukuran sampel berdistribusi uniform dengan interval yang terkontaminasi outlier 5%, 10%, 15%, dengan variabel prediktor (x=4) (β1,β2,β3,β4) , dan ukuran kuantil sebesar 0.05, 0.25, 0.50, 0.75 dan 0.95. Efektivitas model diukur berdasarkan Root Mean Square Error (RMSE). Dari hasil pengujian diperoleh model GWQR dapat mengatasi permasalahan outlier pada data simulasi hingga besaran kontaminasi outlier sebesar 15%, dan heterogenitas spasial. Nilai RMSE yang semakin mendekati 0 seiring bertambahnya ukuran sampel dan outlier. Hasil pengujian menjelaskan bahwa kuantil 0.95 menghasilkan estimasi parameter terbaik dibandingkan kuantil lainnya.ut spasial dapat mengakomodir krakteristik antar lokasi pengamatan. Model lokal regresi kuantil disebut model Geographically Weighted Quantile Regression (GWQR). Pengujian efektivitas lebih lanjut dari model ini diperlukan dengan pemanfaatan data simulasi. Penelitian ini menggunakan data simulasi dibangkitkan dengan ukuran sampel berdistribusi uniform dengan interval yang terkontaminasi outlier 5%, 10%, 15%, dengan variabel prediktor , dan ukuran kuantil sebesar 0.05, 0.25, 0.50, 0.75 dan 0.95. Efektivitas model diukur berdasarkan Root Mean Square Error (RMSE). Dari hasil pengujian diperoleh model GWQR dapat mengatasi permasalahan outlier pada data simulasi hingga besaran kontaminasi outlier sebesar 15%, dan heterogenitas spasial. Nilai RMSE yang semakin mendekati 0 seiring bertambahnya ukuran sampel dan outlier. Hasil pengujian menjelaskan bahwa kuantil 0.95 menghasilkan estimasi parameter terbaik dibandingkan kuantil lainnya. |
| format | Article |
| id | doaj-art-6feeaa3f5eaf4205a1f25a9aa97cec47 |
| institution | DOAJ |
| issn | 2775-9644 |
| language | English |
| publishDate | 2024-02-01 |
| publisher | Universitas Nusa Cendana |
| record_format | Article |
| series | Jurnal Diferensial |
| spelling | doaj-art-6feeaa3f5eaf4205a1f25a9aa97cec472025-08-20T02:55:10ZengUniversitas Nusa CendanaJurnal Diferensial2775-96442024-02-0161405110.35508/jd.v6i1.1278212782ANALISIS EFEKTIVITAS MODEL GEOGRAPHICALLY WEIGHTED QUANTILE REGRESSION (GWQR) DALAM PENANGANAN OUTLIER: DATA SIMULASI TERIDENTIFIKASI HETEROGENITAS SPASIALFebrya Christin Handayani BuanZofar Agluis BanunaekWidya RezaRegresi kuantil klasik bersifat global dengan hasil estimasi parameter yang general, kondisi heterogenitas spasial tidak dapat ditangkap oleh model ini. Penggunaan model lokal dengan atribRegresi kuantil klasik bersifat global dengan hasil estimasi parameter yang general, kondisi heterogenitas spasial tidak dapat ditangkap oleh model ini. Penggunaan model lokal dengan atribut spasial dapat mengakomodir krakteristik antar lokasi pengamatan. Model lokal regresi kuantil disebut model Geographically Weighted Quantile Regression (GWQR). Pengujian efektivitas lebih lanjut dari model ini diperlukan dengan pemanfaatan data simulasi. Penelitian ini menggunakan data simulasi dibangkitkan dengan ukuran sampel berdistribusi uniform dengan interval yang terkontaminasi outlier 5%, 10%, 15%, dengan variabel prediktor (x=4) (β1,β2,β3,β4) , dan ukuran kuantil sebesar 0.05, 0.25, 0.50, 0.75 dan 0.95. Efektivitas model diukur berdasarkan Root Mean Square Error (RMSE). Dari hasil pengujian diperoleh model GWQR dapat mengatasi permasalahan outlier pada data simulasi hingga besaran kontaminasi outlier sebesar 15%, dan heterogenitas spasial. Nilai RMSE yang semakin mendekati 0 seiring bertambahnya ukuran sampel dan outlier. Hasil pengujian menjelaskan bahwa kuantil 0.95 menghasilkan estimasi parameter terbaik dibandingkan kuantil lainnya.ut spasial dapat mengakomodir krakteristik antar lokasi pengamatan. Model lokal regresi kuantil disebut model Geographically Weighted Quantile Regression (GWQR). Pengujian efektivitas lebih lanjut dari model ini diperlukan dengan pemanfaatan data simulasi. Penelitian ini menggunakan data simulasi dibangkitkan dengan ukuran sampel berdistribusi uniform dengan interval yang terkontaminasi outlier 5%, 10%, 15%, dengan variabel prediktor , dan ukuran kuantil sebesar 0.05, 0.25, 0.50, 0.75 dan 0.95. Efektivitas model diukur berdasarkan Root Mean Square Error (RMSE). Dari hasil pengujian diperoleh model GWQR dapat mengatasi permasalahan outlier pada data simulasi hingga besaran kontaminasi outlier sebesar 15%, dan heterogenitas spasial. Nilai RMSE yang semakin mendekati 0 seiring bertambahnya ukuran sampel dan outlier. Hasil pengujian menjelaskan bahwa kuantil 0.95 menghasilkan estimasi parameter terbaik dibandingkan kuantil lainnya.https://ejurnal.undana.ac.id/index.php/JD/article/view/12782simulationgeographically weighted quantile regressiongeographically weighted regressionroot mean square errorspatial heterogeneity |
| spellingShingle | Febrya Christin Handayani Buan Zofar Agluis Banunaek Widya Reza ANALISIS EFEKTIVITAS MODEL GEOGRAPHICALLY WEIGHTED QUANTILE REGRESSION (GWQR) DALAM PENANGANAN OUTLIER: DATA SIMULASI TERIDENTIFIKASI HETEROGENITAS SPASIAL Jurnal Diferensial simulation geographically weighted quantile regression geographically weighted regression root mean square error spatial heterogeneity |
| title | ANALISIS EFEKTIVITAS MODEL GEOGRAPHICALLY WEIGHTED QUANTILE REGRESSION (GWQR) DALAM PENANGANAN OUTLIER: DATA SIMULASI TERIDENTIFIKASI HETEROGENITAS SPASIAL |
| title_full | ANALISIS EFEKTIVITAS MODEL GEOGRAPHICALLY WEIGHTED QUANTILE REGRESSION (GWQR) DALAM PENANGANAN OUTLIER: DATA SIMULASI TERIDENTIFIKASI HETEROGENITAS SPASIAL |
| title_fullStr | ANALISIS EFEKTIVITAS MODEL GEOGRAPHICALLY WEIGHTED QUANTILE REGRESSION (GWQR) DALAM PENANGANAN OUTLIER: DATA SIMULASI TERIDENTIFIKASI HETEROGENITAS SPASIAL |
| title_full_unstemmed | ANALISIS EFEKTIVITAS MODEL GEOGRAPHICALLY WEIGHTED QUANTILE REGRESSION (GWQR) DALAM PENANGANAN OUTLIER: DATA SIMULASI TERIDENTIFIKASI HETEROGENITAS SPASIAL |
| title_short | ANALISIS EFEKTIVITAS MODEL GEOGRAPHICALLY WEIGHTED QUANTILE REGRESSION (GWQR) DALAM PENANGANAN OUTLIER: DATA SIMULASI TERIDENTIFIKASI HETEROGENITAS SPASIAL |
| title_sort | analisis efektivitas model geographically weighted quantile regression gwqr dalam penanganan outlier data simulasi teridentifikasi heterogenitas spasial |
| topic | simulation geographically weighted quantile regression geographically weighted regression root mean square error spatial heterogeneity |
| url | https://ejurnal.undana.ac.id/index.php/JD/article/view/12782 |
| work_keys_str_mv | AT febryachristinhandayanibuan analisisefektivitasmodelgeographicallyweightedquantileregressiongwqrdalampenangananoutlierdatasimulasiteridentifikasiheterogenitasspasial AT zofaragluisbanunaek analisisefektivitasmodelgeographicallyweightedquantileregressiongwqrdalampenangananoutlierdatasimulasiteridentifikasiheterogenitasspasial AT widyareza analisisefektivitasmodelgeographicallyweightedquantileregressiongwqrdalampenangananoutlierdatasimulasiteridentifikasiheterogenitasspasial |