Pemodelan Nonparametric Geographically and Temporally Weighted Regression dengan Pendekatan Penalized Spline (Studi Kasus: Tingkat Pengangguran Terbuka di Sulawesi Selatan)=Nonparametric Geographically and Temporally Weighted Regression Modeling with a Penalized Spline Approach (Case Study: Open Unemployment Rate in South Sulawesi)

Latar Belakang. Analisis regresi digunakan untuk menjelaskan hubungan antara variabel respon dan prediktor. Ketika bentuk hubungan antarvariabel tidak diketahui secara pasti, regresi nonparametrik menjadi pendekatan yang lebih fleksibel karena tidak bergantung pada asumsi bentuk kurva tertentu. Salah satu estimator dalam regresi nonparametrik adalah spline, yang mampu menyesuaikan pola data melalui titik knot. Namun, penentuan jumlah dan posisi knot yang kurang tepat dapat menyebabkan overfitting. Oleh karena itu, dikembangkan Penalized Spline dengan penambahan komponen penalti untuk mengontrol kelengkungan kurva. Pada data berdimensi ruang dan waktu, hubungan antarvariabel juga dapat menunjukkan heterogenitas spasial-temporal yang diakomodasi dengan Geographically and Temporally Weighted Regression (GTWR) melalui pembobotan lokasi dan waktu, tetapi masih bersifat parametrik. Integrasi Penalized Spline dalam kerangka GTWR menghasilkan model Nonparametric Geographically and Temporally Weighted Regression dengan pendekatan Penalized Spline (NGTWR-PS) yang mampu memodelkan pola hubungan kompleks sekaligus mempertimbangkan variasi spasial-temporal. Tujuan. Penelitian ini mengestimasi parameter model NGTWR-PS dan memodelkan data Tingkat Pengangguran Terbuka (TPT) di Sulawesi Selatan berdasarkan model NGTWR-PS. Metode. Penelitian ini menggunakan data TPT di Sulawesi Selatan tahun 2022-2024. Analisis dilakukan dalam dua tahap, yaitu estimasi parameter model NGTWR-PS dengan metode Penalized Weighted Least Square dan penerapan model pada data. Hasil. Model NGTWR-PS memberikan hasil optimal dibandingkan model lainnya dengan MSE sebesar 0,0003. Pengujian signifikansi parameter secara parsial menunjukkan perbedaan pengaruh variabel prediktor terhadap TPT antarwilayah dan tahun. Kesimpulan. Berdasarkan model NGTWR-PS yang diterapkan pada data TPT di Sulawesi Selatan tahun 2022-2024 diperoleh 72 model sesuai jumlah pengamatan. Model ini mampu menjelaskan TPT di Sulawesi Selatan tahun 2022-2024 dengan baik.