Analisis Efektivitas Metode Principal Component Analysis–Multivariate Adaptive Regression Splines pada Data Indeks Pembangunan Manusia = Analysis of the Effectiveness of the Principal Component Analysis–Multivariate Adaptive Regression Splines Method on Human Development Index Data

Indeks Pembangunan Manusia (IPM) adalah indikator yang menunjukan tingkat kualitas hidup masyarakat melalui tiga dimensi utama, yaitu kesehatan, pendidikan dan standar hidup yang layak. Nilai IPM kerap digunakan sebagai acuan untuk menilai keberhasilan pemabngunan suatu daerah, termasuk dalam melilhat tingkat kesejahteraan serta pemerataan antarprovinsi di Indonesia. Namun, dinamika faktor-faktor yang memengaruhi IPM sangat kompleks dan saling berkaitan satu sama lain, sehingga menimbulkan masalah multikolinearitas dan pola nonlinier. penelitian ini bertujuan untuk mengevaluasi model data Indeks Pembangunan Manusia dengan Principal Component Analysis-Multivariate Adaptive Regression Spline. Principal Component Analysis digunakan untuk mereduksi dimensi dan mengatasi masalah multikolinearitas pada variabel prediktor. Komponen utama yang terbentuk kemudian dimasukkan ke dalam model Multivariate Adaptive Regression Spline (MARS) untuk mennangkap pola hubungan nonlinier dan interaksi antarvariabel. Hasil reduksi variabel menghasilkan empat Skor Komponen Utama yang kemudian dibangun pada model MARS sehingga menghasilkan model terbaik dengan kombinasi parameter Basis Fungsi (BF) = 8, Maksimum Interaksi (MI) = 2, dan Minimum Observasi (MO) = 0, menghasilkan nilai Generalized Cross-Validation (GCV) sebesar 1.764 dan R² sebesar 95.7%. PCA-MARS mampu menangani permasalahan multikolinearitas sekaligus memodelkan hubungan nonlinier secara fleksibel. Pemilihan empat skor komponen utama sebagai input model memberikan hasil prediksi yang baik. Dengan demikian, pendekatan PCA-MARS dapat direkomendasikan sebagai metode yang efektif dalam analisis IPM maupun indikator pembangunan lainnya.

Keyword : Generalized Cross-Validation, Indeks Pembangunan Manusia, Multikolinearitas, PCA–MARS.