Penerapan Metode Restricted Cubic Spline pada Kasus Data Riwayat Pasien Terinfeksi Virus Corona

Rainahda Syamsidah, Abdul Kudus

Abstract


Abstract. In general, regression analysis requires a linear data relationship pattern, yet the data relationship pattern is not always linear. The nonlinearity of the data requires a suitable model to be used, the use of the restricted cubic spline (RCS) method in regression analysis modeling is very good, because the RCS method can follow the data patterns flexibly, and in the modeling process an optimum node point is used to produce a good model. The RCS method was used to estimate the relationship pattern of the case history of patients infected with the corona virus, then the regression model using the RCS method was compared with the linear regression model and the quadratic regression model, RCS 5 Nodes, RCS 7 Nodes. In this thesis, the best model was obtained, namely the regression model using the RCS 7 knots method, selecting the best model using MSE as the criteria for selecting the model.

Keywords: Linear, Regression, RCS.

Abstrak. Analisis regresi umumnya membutuhkan pola hubungan data yang linier, tetapi pola hubungan data pada kenyataannya tidak  selalu mebentuk linier. Ketidaklineran data memerlukan model yang cocok untuk digunakan, penggunaan metode restricted cubic spline (RCS) dalam pemodelan analisis regresi sangat baik, karena metode RCS dapat mengikuti pola data dengan fleksibel, dalam proses pemodelan digunakan titik simpul optimum agar menghasilkan model yang baik. Metode RCS digunakan untuk mengestimasi pola hubungan kasus data riwayat pasien terinfeksi virus corona, kemudian model regresi dengan metode RCS dibandingkan dengan model regresi linier dan model regresi kuadratik, RCS 5 Simpul, RCS 7 Simpul. Dalam skripsi ini diperoleh model terbaik yaitu model regresi dengan menggunakan metode RCS 7 Simpul, pemilihan model terbaik menggunakan MSE sebagai kriiteria pemilihan model.

Kata Kunci: Linier, Regresi, RCS.


Keywords


Linier, Regresi, RCS.

Full Text:

PDF

References


Budiantara, I.N. 2004. Spline : Historis, Motivasi dan Perannya dalam Regresi Nonparametrik, Makalah Pembicara Utama pada Konferensi Nasional Matematika XII. Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana, Denpasar-Bali.

Eubank, R.L. (1988). Spline Smoothing and Nonparametric Regression. New York: Marcel Dekker, Inc.

Harrell Jr, F. E. (2015). Regression modeling strategies: with applications to linear models, logistic and ordinal regression, and survival analysis. Springer.

Stone, C. J., & Koo, C. Y. (1985). Additive splines in statistics. Proceedings of the American Statistical Association. Original pagination is p, 45, 48.




DOI: http://dx.doi.org/10.29313/.v7i1.26272

Flag Counter