PEMODELAN GEOGRAPHICALLY WEIGHTED NONPARAMETRIC REGRESSION DENGAN SPLINE PENALIZED (Studi Kasus: Persentase Penduduk Miskin di Provinsi Sulawesi Selatan Tahun 2023) = GEOGRAPHICALLY WEIGHTED NONPARAMETRIC REGRESSION MODELING WITH PENALIZED SPLINE (Case Study: Percentage of Poor Population in South Sulawesi Province in 2023)

Latar Belakang. Regresi nonparametrik adalah metode regresi yang tidak memerlukan asumsi-asumsi dalam regresi parametrik, seperti bentuk hubungan antara variabel tidak diketahui. Salah satu pendekatan regresi nonparametrik yaitu spline penalized yang membagi data menjadi segmen-segmen polinomial dan memiliki fleksibilitas untuk menyesuaikan bentuk kurva serta memiliki parameter penghalus untuk menghindari overfitting. Namun, dalam penelitian pada suatu wilayah terdapat peluang bentuk kurva regresi tidak diketahui karena adanya heterogenitas spasial. Metode yang dapat mengakomodasi efek heterogenitas spasial yakni Geographically Weighted Regression (GWR). Metode tersebut memberikan bobot berbeda untuk setiap observasi berdasarkan lokasinya dan menghasilkan estimasi parameter yang bersifat lokal namun masih terbatas pada asumsi linearitas lokal. Permasalahan tersebut diatasi melalui pengembangan dengan mengintegrasikan GWR dengan regresi nonparametrik spline penalized. Metode tersebut menghasilkan model yang lebih fleksibel dalam menangkap pola data spasial yang kompleks, menghindari overfitting sehingga menjadi Geographically Weighted Nonparametric Regression-Spline Penalized (GWNR-SP). Tujuan. Penelitian ini melakukan pemodelan regresi nonparametrik spline penalized dengan pembobot spasial dan memperoleh model GWNR-SP persentase penduduk miskin di Sulawesi Selatan tahun 2023. Metode. Penelitian ini dibagi dua tahap umum, yakni 1) estimasi parameter model GWNR-SP dengan Penalized Weighted Least Square; 2) memperoleh model GWNR-SP pada faktor-faktor yang memengaruhi persentase penduduk miskin. Hasil. Model GWNR-SP secara umum memperoleh nilai R_Adj^2 sebesar 93,690% dan RMSE sebesar 0,596. Pengujian secara parsial parameter model GWNR-SP menghasilkan variabel prediktor signifikan yang beragam antar kabupaten/kota. Kesimpulan. Model GWNR-SP memberikan hasil yang baik berdasarkan nilai R_Adj^2 dan RMSE serta mampu menjelaskan persentase penduduk miskin di Sulawesi Selatan tahun 2023.