Lampiran 1
Data yang digunakan dalam penelitian ini adalah data Indeks Pembangunan
Manusia dan Persentase Penduduk Miskin tahun 2016
57
Lampiran 2
58
Lampiran 3
Status IPM
Tingkat Kemiskinan
Kabupaten/Kota Sangat Sangat
Rendah Sedang Tinggi
Rendah Tinggi
(1) (2) (3) (4) (5) (6)
Puncak √
Pegunungan Bintang √
Mamberamo Tengah √
Intan Jaya √
Yalimo √
Lanny Jaya √
Puncak Jaya √
Tolikara √
Yahukimo √
Asmat √
Deiyai √
Mamberamo Raya √
Tambrauw √
Dogiyai √
Sabu Raijua √
Pegunungan Arfak √
Jayawijaya √
Paniai √
Maybrat √
Mappi √
Manokwari Selatan √
Teluk Wondama √
Manggarai Timur √
Kep.Mentawai √
Malaka √
Sumba Tengah √
Pulau Taliabu √
Alor √
Nias Barat √
Sampang √
Nias Selatan √
Sorong Selatan √
Rote Ndao √
Boven Digoel √
Maluku Barat Daya √
Nias √
Pulau Morotai √
59
Lampiran 4
Parameter Model
60
Lampiran 5
𝜏 = 0.2 𝜏 = 0.4
𝜏 = 0.6 𝜏 = 0.8
61
Lampiran 6
#Mengaktifkan packages
library(quantreg)
library(Metrics)
data=read.csv("dataku.csv",sep=";")
data
attach(data)
names(data)
y=data[,1]
x=data[,2]
#Transformasi data
a=x-min(x)
x=a/(max(a)-min(a))
plot(x,y,lwd=2,xlab='x',ylab='y',col="darkgrey",cex=1)
{ ((z-0.5)^2-1/12)*((x-0.5)^2-1/12)/4-
((abs(x-z)-0.5)^4-(abs(x-z)-0.5)^2/2+7/240)/24
62
63
Lampiran 6 (lanjutan)
spl.X<-function(x,xk)
plot(xp,Xp%*%coef(mod.1))
spl.S<-function(xk)
S}
64
Lampiran 6 (lanjutan)
{ d<-eigen(S,symmetric=TRUE)
rS<-d$vectors%*%diag(d$values^0.5)%*%t(d$vectors)
prs.fit<-function(y,x,xk,lambda)
Xa <- rbind(spl.X(x,xk),mat.sqrt(spl.S(xk))*sqrt(lambda))
lambda<-1e-8;n<-length(y);V<-0
plot(1:100,V,type="l",main="GCV score",xlab="Indeks",col="blue",lwd=2)
65
Lampiran 6 (lanjutan)
plot(x,y);lines(xp,Xp%*%coef(mod.3))
lambdaopt=1.5^(i-1)*1e-8
lambdaopt
plot(1:100,V,type="l",main="GCV score",xlab="i",ylab="GCV",col="red",lwd=2)
#legend
legend("bottomright",legend=c(eval(substitute(expression(lambda["optimal"]==lambda
opt),list(lambdaopt=lambdaopt)))))
abline(v=i,col="blue", lwd=2,lty=2)
residualsmooth=y-fitted(mod.4)[1:n]
residualsmooth
write.csv(residualsmooth, file="residual.csv")
fitted(mod.4)[1:n]
rss=sum((y-fitted(mod.4)[1:n])^2)
MSE1=rss/(length(x)) ; MSE1
66
Lampiran 6 (lanjutan)
RMSE1= rmse(y,fitted(mod.4)[1:n])
RMSE1
tau=0.5
x=data$Indeks.Pembangunan.Manusia
y=data$Persentase.Penduduk.Miskin
fsic = function(lbd,x,y,tau) {
#Prediksi
ifit = rqss(y~qss(x,lambda=lbd),tau=tau)
n = length(x)
dts2 = data.frame(y,x)
dts1 = data.frame(predict(ifit,dts2,interval="confidence"))
yhat = dts1$yhat
#Menghitung error
p_lamb = length(error[which(abs(error)<(10^(-2)))])
sic = log(sum(error*(tau-1*(error<0)))/n)+log(n)*p_lamb/(n*2)
cat("Lambda =",lbd," Nilai SIC =",sic," serta Nilai MSE =", mserqss,"\n")
sic = log(sum(error*(tau-1*(error<0)))/n)+log(n)*p_lamb/(n*2)
}
67
Lampiran 6 (lanjutan)
fdata = c()
for (i in 1:length(lambda)) {
fdata[[i]] = fsic(lambda[[i]],x,y,tau)
z= lambda[which.min(fdata)]
legend("topright",legend=c(paste(expression("Lambda Optimal"),"=",z)))
xx<-data$Indeks.Pembangunan.Manusia-min(data$Indeks.Pembangunan.Manusia);
xxx<-xx/(max(xx)-min(xx)) ; z
df2 = data.frame(predict(ifit,df1,interval="confidence"))
yhat1 = df2$yhat
x3 = df1$x-min(df1$x);
x4 = x3/(max(x3)-min(x3))
Lampiran 6 (lanjutan)
lines(df3[["x4"]],yhat1,col="red",lwd=2, lty=1)
ifit$coef
df4 = data.frame(y,x)
df5 = data.frame(predict(ifit,df4,interval="confidence"))
yhat2 = df5$yhat
MSE2 = mse(y,yhat2)
MSE2
RMSE2=rmse(y,yhat2)
RMSE2
lines(df3[["x4"]],yhat1,col="red",lwd=2, lty=1)
Lampiran 6 (lanjutan)
legend("bottomleft",legend=c(eval(substitute(expression(RMSE["Mean"]==RMSE1,RMS
E["Median"]==RMSE2),list(RMSE1=RMSE1, RMSE2=RMSE2)))),col = c("blue","red"),
lty=c(2,1),lwd=2, cex=0.8)
x=data$Indeks.Pembangunan.Manusia
y=data$Persentase.Penduduk.Miskin
fsic = function(lbd,x,y,tau) {
#Prediksi
ifit = rqss(y~qss(x,lambda=lbd),tau=tau)
n = length(x)
dts2 = data.frame(y,x)
dts1 = data.frame(predict(ifit,dts2,interval="confidence"))
yhat = dts1$yhat
#Menghitung error
p_lamb = length(error[which(abs(error)<(10^(-2)))])
70
Lampiran 6 (lanjutan)
sic = log(sum(error*(tau-1*(error<0)))/n)+log(n)*p_lamb/(n*2)
cat("Lambda =",lbd," Nilai SIC =",sic," serta Nilai MSE =", mserqss,"\n")
sic = log(sum(error*(tau-1*(error<0)))/n)+log(n)*p_lamb/(n*2)
fdata = c()
for (i in 1:length(lambda)) {
fdata[[i]] = fsic(lambda[[i]],x,y,tau)
z= lambda[which.min(fdata)]
legend("topright",legend=c(paste(expression("Lambda Optimal"),"=",z)))
xx<-data$Indeks.Pembangunan.Manusia-min(data$Indeks.Pembangunan.Manusia);
xxx<-xx/(max(xx)-min(xx))
Lampiran 6 (lanjutan)
ifit1 = rqss(y~qss(x,lambda=z,constraint="D"),tau=0.2)
df1.2 = data.frame(predict(ifit1,df1.1,interval="confidence"))
yhat = df1.2$yhat
lines(df1.1[["x"]],yhat,col="green",lwd=3, lty=4)
ifit2 = rqss(y~qss(x,lambda=z,constraint="D"),tau=0.4)
df2.2 = data.frame(predict(ifit2,df2.1,interval="confidence"))
yhat = df2.2$yhat
lines(df2.1[["x"]],yhat,col="blueviolet",lwd=3, lty=3)
ifit3 = rqss(y~qss(x,lambda=z,constraint="D"),tau=0.6)
df3.2 = data.frame(predict(ifit3,df3.1,interval="confidence"))
yhat = df3.2$yhat
lines(df3.1[["x"]],yhat,col="black",lwd=3, lty=2)
ifit4 = rqss(y~qss(x,lambda=z,constraint="D"),tau=0.8)
df4.2 = data.frame(predict(ifit4,df4.1,interval="confidence"))
yhat = df4.2$yhat
lines(df4.1[["x"]],yhat,col="brown1",lwd=3, lty=1)
𝑦𝑖 = 𝑓(𝑋𝑖 , 𝜷) + 𝑒𝑖 , 𝑖 = 1,2, … 𝑛
Residual dapat ditulis menjadi:
min ∑ 𝜌𝜏 ( 𝑒𝑖 )
𝑖=1
𝑛
Dari persamaan (3.10), fungsi objektif regresi kuantil atau 𝐿1 dapat ditulis:
min {𝜏 ∑ 𝑢𝑖 + (1 − 𝜏) ∑ 𝑣𝑖 }
𝑖=1 𝑖=1
𝜷𝑝×1
↔ min {[𝟎1×𝑝 ; 𝜏𝟏1×𝑛 ; (1 − 𝜏)𝟏1×𝑛 ] [𝒖𝑛×1 ]}
𝒗𝑝×1
72
73
Lampiran 7 (lanjutan)
minimum c T x terhadap x
{ kendala 𝐴x ≥ 𝑏
x≥0
Fungsi objektif regresi kuantil atau 𝐿1 dapat dianalogikan dalam primal:
↔ min 𝐜 T 𝐱
𝜷𝑝×1
↔ min {[𝟎1×𝑝 ; 𝜏𝟏1×𝑛 ; (1 − 𝜏)𝟏1×𝑛 ] [𝒖𝑛×1 ]}
𝒗𝑝×1
sehingga diperoleh:
𝑋𝑖 𝜷 + 𝑢𝑖 − 𝑣𝑖 = 𝑌𝑖 , 𝑖 = 1,2, … , 𝑛
dengan 𝑢𝑖 adalah residual positif dan 𝑣𝑖 adalah residual negatif. Jika diuraikan
menjadi matriks:
𝜷𝑝×1
{[𝑿𝑛×𝑝 ; 𝟏𝑛×𝑛 ; −𝟏𝑛×𝑛 ] [𝒖𝑛×1 ]}
𝒗𝑝×1
↔ 𝐀𝐱 = 𝐛
𝜷𝑝×1
↔ {[𝑿𝑛×𝑝 ; 𝟏𝑛×𝑛 ; −𝟏𝑛×𝑛 ] [𝒖𝑛×1 ]}
𝒗𝑝×1
Maka diperoleh:
𝐛 = [𝐘𝑛×1 ]
74
Lampiran 7 (lanjutan)
Dalam model regresi kuantil smoothing splines diperoleh bentuk persamaan linier
(3.9) sebagai berikut:
̃𝛉 = 𝐮 − 𝐯, (𝐮, 𝐯 ∈ ℝ2𝑛−2
min {∑𝐰(𝐮 + 𝐯)|𝐲̃ − 𝐗 + )}
𝛉 ∈ℝ𝑛
Fungsi objektif regresi kuantil smoothing splines atau 𝐿1 dapat dianalogikan dalam
primal, diperoleh:
𝟎(𝑛×1)
𝐜(5𝑛−4)×1 𝒘
= [ (2𝑛−2)×1 ]
𝒘(2𝑛−2)×1
𝛉(𝑛×1)
𝐱 (5𝑛−4)×1 = [𝒖(2𝑛−2)×1 ]
𝒗(2𝑛−2)×1
̃(2𝑛−2)×1
𝐛=𝒚
Lampiran 8
sebagai berikut:
= 𝒚𝐓 𝒚 − 𝛂𝐓 𝐁 𝐓 𝒚 − 𝒚𝐓 𝐁𝛂 + 𝛂𝐓 𝐁 𝐓 𝐁𝛂 + 𝜆𝜶T 𝐓𝜶
= 𝒚𝐓 𝒚 − 𝛂𝐓 𝐁 𝐓 𝒚 − 𝛂𝐓 𝐁 𝐓 𝒚 + 𝛂𝐓 𝐁 𝐓 𝐁𝛂 + 𝜆𝜶T 𝐓𝜶
= 𝒚𝐓 𝒚 − 𝟐𝛂𝐓 𝐁 𝐓 𝒚 + 𝛂𝐓 𝐁 𝐓 𝐁𝛂 + 𝜆𝜶T 𝐓𝜶
= 𝒚𝐓 𝒚 − 𝟐𝛂𝐓 𝐁 𝐓 𝒚 + 𝛂𝐓 (𝐁 𝐓 𝐁 + 𝜆𝐓)𝜶
𝜕𝑆(𝑓)
= −2𝐁 T 𝐲 + 2(𝐁 T 𝐁 + 𝜆𝐓)𝜶
𝜕𝛂
(𝐁 T 𝐁 + 𝜆T)𝜶 = 𝐁 T 𝐲
̂ = (𝐁 T 𝐁 + 𝜆𝐓)−1 𝐁T 𝐲
𝜶 (3.5)
75