SKRIPSI
GITA SAFITRI
0703181060
SKRIPSI
Diajukan Untuk Memenuhi Syarat Mencapai Gelar Sarjana Matematika (S.Mat)
Pada Fakultas Sains dan Teknologi
GITA SAFITRI
0703181060
Kepada Yth.
Dekan Fakultas Sains Dan Teknologi
Universitas Islam Negeri Sumatera Utara
Assalamu’alaikum Wr. Wb
Setelah membaca, meneliti, dan memberikan petunjuk, dan mengoreksi serta
mengadakan perbaikan, maka kami selaku pembimbing berpendapat bahwa skripsi
saudara :
Nama : Gita Safitri
NIM : 0703181060
Program Studi : Matematika
Judul : Estimasi Produksi Kubis/Kol Kabupaten Karo Dengan
Nadaraya-Watson Estimator Melalui Pendekatan Cross
Validation
Dapat disetujui untuk segera di munaqasakan. Atas perhatiannya kami ucapkan
terimakasih
Medan, 2023
Komisi Pembimbing
Pembimbing Skripsi I Pembimbing Skripsi II
i
KEMENTERIAN AGAMA REPUBLIK INDONESIA
UNIVERSITAS ISLAM NEGERI SUMATERA UTARA MEDAN
FAKULTAS SAINS DAN TEKNOLOGI
Jln. Lapangan Golf, Desa Durian Jangak, Kecamatan Pancur Batu,
Kabupaten Deli Serdang Provinsi Sumatera Utara Kode Pos 20353
Website: www.saintek.uinsu.ac.id
PENGESAHAN SKRIPSI
Nomor : B-155/ST/ST.V.2/PP.01.1/02/2024
Dewan Penguji,
Penguji I Penguji II
Mengesahkan,
Dekan Fakultas Sains dan Teknologi
UIN Sumatera Utara Medan.
ii
SURAT PERNYATAAN KEASLIAN SKRIPSI
Saya yang bertanda tangan di bawah ini :
Nama : Gita Safitri
NIM : 0703181060
Program Studi : Matematika
Judul : Estimasi Produksi Kubis/Kol Kabupaten Karo Dengan
Nadaraya-Watson Estimator Melalui Pendekatan Cross Validation
Menyatakan bahwa skripsi ini merupakan hasil karya saya sendiri, kecuali beberapa
kutipan dari ringkasan yang masing-masing disebutkan sumbernya. Apabila
dikemudian hari ditemukan plagiat dalam skripsi ini maka saya bersedia menerima
sanksi pencabutan gelar akademik yang saya peroleh dan sanksi lainnya sesuai
dengan peraturan yang berlaku.
Medan, 2023
Gita Safitri
NIM. 0703181060
iii
ABSTRAK
Pembangunan sektor pertanian dilaksanakan bertujuan untuk meningkatkan produksi
pangan juga untuk meningkatkan eksport sekaligus mengurangi import hasil
pertanian. Kabupaten Karo salah satu kabupaten penghasil tanaman hortikultura
terbesar di Sumatera Utara hal ini dikarenakan iklim dan lahan pertanian di
kabupataen ini sangat mendukung untuk pertanian hortikultura termasuk komoditas
sayuran kubis atau sering juga disebut kol. Banyaknya permintaan dari negara luar
mengharuskan dilakukan estimasi produksi kubis/kol untuk menentukan berapa lama
produksi pangan yang dapat dihasilkan dan berapa perkiraan besaran hasil produksi
sebagai gambaran umum. Estimasi merupakan suatu metode dimana kita dapat
memperkirakan nilai populasi dengan menggunakan nilai sampel. Dalam estimasi
Nadaraya-Watson estimator melalui pendekatan cross validation mempunyai
kelebihan yaitu membantu menentukan seberapa baik performa model pada data
baru, menguji kestabilan suatu model di luar data training, mengevaluasi performa
model secara komperehensip, dan mampu menggeneralisasi dengan baik pada data
yang sebenarnya. Berdasarkan hasil ini, perkiraan besaran hasil produksi dengan
menggunakan Nadaraya-Watson estimator melalui pendekatan Cross Validation
dan mendapatkan nilai bandwidth yang optimal, diperoleh kesimpulan bahwa
estimasi produksi kubis/kol menggunakan Cross Validation menghasilkan bandwidth
optimum dipilih berdasarkan nilai CV terkecil, yaitu 13761739057 dengan nilai MSE
adalah sebesar 2625406797 dan bandwidth optimum adalah h10 dan didapatkan model
estimasi daraya-watson didapatkan :
iv
ABSTRACT
Agricultural sector development is carried out with the aim of increasing food
production as well as increasing exports while reducing imports of agricultural
products. Karo Regency is one of the largest horticultural crop producing districts in
North Sumatra, this is because the climate and agricultural land in this district are
very supportive for horticultural farming, including the vegetable commodity cabbage
or often also called cabbage. The large demand from foreign countries requires that
cabbage/cabbage production be estimated to determine how long food production can
be produced and what is the estimated amount of production as a general idea.
Estimation is a method where we can estimate population values using sample values.
In Nadaraya-Watson estimation, the estimator using the cross validation approach has
the advantage of helping determine how well the model performs on new data, testing
the stability of a model outside of training data, evaluating model performance
comprehensively, and being able to generalize well on actual data. Based on these
results, estimating the amount of production using the Nadaraya-Watson estimator
using the Cross Validation approach and obtaining the optimal bandwidth value, it
was concluded that estimating cabbage/cabbage production using Cross Validation
resulted in the optimum bandwidth being selected based on the smallest CV value,
namely 13761739057 with an MSE value is 2625406797 and the optimum bandwidth
is h10 and the Daraya-Watson estimation model is obtained:
v
KATA PENGANTAR
vi
Sumatera Utara Medan yang telah memberikan pendidikan dan
pengetahuan.
9. Seluruh Keluarga Besar dari ibu kandung saya yang telah membantu dan
mendukung dalam menyelesaikan skripsi ini.
10. Kepada MUDITA GROUP yang telah menyemangati, mendukung,
mendengarkan segala cerita, curhatan hati, keluh kesah dalam
menyelesaikan skripsi ini.
11. Kepada kakak saya Ida sari dan Yuniarti, adik saya Anggi Suanti, Raihan
isroqi, dan Arinal haqq terimakasih sudah menjadi tempat curhat dan
tempat keluh kesah disaat butuh pendengar dan motivasi serta doa,
terimakasih kalian selalu ada.
Atas bantuan, bimbingan dan fasilitas yang telah diberikan, diharapkan dalam
menyusun skripsi ini kritik dan saran yang sifatnya membangun demi kesempurnaan
skripsi ini. Akhirnya berharap semoga Allah SWT dapat membalas semua kebaikan
dan bantuan yang telah diberikan, semoga skripsi ini dapat berguna bagi pembaca
yang memerlukannya.
Wassalamu’alaikum Warahmatullahi Wabarakatuh.
Medan, 2023
Penulis
Gita Safitri
vii
DAFTAR ISI
PERSETUJUAN SKRIPSI..........................................................................................i
PENGESAHAN SKRIPSI..........................................................................................ii
SURAT PERNYATAAN SKRIPSI .........................................................................iii
ABSTRAK ..................................................................................................................iii
ABSTRACT................................................................................................................iv
KATA PENGANTAR................................................................................................vi
DAFTAR ISI.............................................................................................................viii
DAFTAR TABEL........................................................................................................x
DAFTAR GAMBAR..................................................................................................xi
BAB I PENDAHULUAN..........................................................................................1
1.1. Latar Belakang Masalah................................................................................1
1.2. Rumusan Masalah.........................................................................................5
1.3. Batasan Masalah...........................................................................................6
1.4. Tujuan Penelitian..........................................................................................6
1.5. Manfaat Penelitian........................................................................................6
BAB II TINJAUAN PUSTAKA................................................................................8
2.1 Estimasi.........................................................................................................8
2.2 Estimasi Produksi..........................................................................................8
2.3 Estimator Nadaraya-Watson.........................................................................9
2.3.1 Regresi Kernel...................................................................................10
2.3.2 Fungsi Kernel....................................................................................13
2.3.3 Pemilihan Bandwidth Optimum........................................................14
2.3.4 Pemilihan Bandwidth Optimal...........................................................15
2.4 Metode Cross Validation............................................................................16
2.5 Analisis Korelasi.........................................................................................17
2.6 Kubis/Kol....................................................................................................18
2.7 Penelitian Terdahulu..................................................................................18
viii
2.8 Wahdatul Ulum..........................................................................................19
BAB III METODOLOGI PENELITIAN..............................................................22
3.1 Tempat dan Waktu Penelitian..................................................................22
3.2 Jenis Penelitian dan Sumber Data............................................................22
3.3 Variabel Data.............................................................................................22
3.4 Prosedur Penelitian....................................................................................23
3.5 Diagram Alur Penelitian...........................................................................23
BAB IV HASIL DAN PEMBAHASAN..................................................................24
4.1. Pengumpulan Data......................................................................................24
4.2. Scatter Plot..................................................................................................24
4.2.1. Scatter Plot Produksi dengan Luas Tanam........................................25
4.2.2. Scatter Plot Produksi dengan Luas Panen.........................................25
4.3. Analisis Korelasi.........................................................................................26
4.3.1. Korelasi Produksi dengan Luas Tanam.............................................26
4.3.2. Korelasi Produksi dengan Luas Panen..............................................26
4.4. Pemilihan Bandwidth Optimum dengan Cross Validation (CV)................27
4.5. Estimasi Nadaraya-Watson dengan Metode Cross Validation (CV)..........33
BAB IV PENUTUP...................................................................................................36
5.1. Kesimpulan.................................................................................................36
5.2. Saran............................................................................................................36
DAFTAR PUSTAKA................................................................................................37
LAMPIRAN...............................................................................................................40
ix
DAFTAR TABEL
Tabel 4.1 Data Produksi, Luas Tanam, Luas Panen Pada Kabupaten Karo........................22
Tabel 4.2 Analisis Korelasi.................................................................................................24
x
DAFTAR GAMBAR
Gambar 3.1 Diagram Alur Penelitian.................................................................... 28
Gambar 4.1 Plot Produksi Kubis/Kol dengan Luas Tanam............................................ 23
Gambar 4.2 Plot Produksi Kubis/Kol dengan Luas Panen............................................. 23
Gambar 4.3 Plot CV Bandwidth h10 ............................................................................... 30
xi
BAB I
PENDAHULUAN
1
2
Kabupaten Karo dibandingkan dengan kabupaten lain, disamping jarak yang relatif
dekat dengan sentra pemasaran domestik dan ekspor. Hal ini merupakan peluang
yang ditawarkan pasar dunia dari komoditi sayuran Indonesia khususnya di
Kabupaten Karo.
Produk hortikultura khususnya sayur-sayuran di Kabupaten Karo, tumbuh
subur. Syarat tumbuh sayur-mayur agar mendapatkan hasil panen yang maksimal
yaitu dengan menanam di dataran tinggi. Daerah penanaman yang paling cocok
adalah mulai dari ketinggian 5 meter sampai dengan 1.200 meter dpl. Namun
biasanya sayur-mayur dapat di budidayakan pada daerah dengan ketinggian 100
meter sampai 500 meter dpl. Selain itu, sayur-mayur cocok ditanam di tanah yang
gembur, banyak humus, serta memiliki pembuangan air yang baik. (Aninomous,
2014). Kabupaten Karo salah satu kabupaten penghasil tanaman hortikultura terbesar
di Sumatera Utara hal ini dikarenakan iklim dan lahan pertanian dikabupataen ini
sangat mendukung untuk pertanian hortikultura termasuk komoditas sayuran kubis
atau sering juga disebut kol.
Saat ini provinsi Sumatera Utara masih rutin mengekspor kubis (kol) ke
mancanegara, seperti Malaysia dan Taiwan. Hingga awal September 2021 sudah ada
ekspor kubis sebanyak 9,3 ton dengan total nilai Rp28,67 miliar’’ ujar Kepala Balai
Besar Karantina Pertanian Belawan kubis yang diekspor itu berasal dari sentra
produksi Kabupaten Karo. Permintaan ekspor kubis ini masih ada terus ke negara
Malaysia dan Taiwan. Kubis yang diekspor memiliki standar tinggi, termasuk dalam
jumlah berat kubis per buahnya. Dengan sudah memasuki pasar ekspor, maka kubis
Sumut berarti cukup bagus.
Di tahun pertama yakni 2012, ekspor kubis sebesar 11,7 ton dengan nilai Rp.
35 miliar, tahun 2013 sebesar 13 ton dengan nilai Rp. 39,4 miliar, tahun 2014 sebesar
8.933 ton dengan nilai Rp. 2,6 triliun, tahun 2015 sekitar 17 ribu ton dengan nilai Rp.
5,1 triliun, pada 2016 sebesar 32.680 ton dengan nilai Rp. 9,8 triliun. Namun pada
tahun 2017 dan 2018 volume ekspor komoditas ini mengalami penurunan yakni 2017
hanya sebesar 18,459 ton dengan nilai Rp. 5,5 triliun dan 2018 sebesar 15.228 ton
dengan nilai Rp. 4,6 triliun. Penurunan selama dua tahun ini dikarenakan semakin
3
ketat nya persyaratan keamanan pangan dari Negara tujuan ekspor, terutama Jepang,
Korea Selatan, dan Singapura yang memiliki standar syarat keamanan pangan yang
cukup tinggi. Untuk mengatasi hal ini, di awal tahun 2019 kementrian pertanian
melalui Barantan melakukan pendampingan kepada para eksportir guna memenuhi
persyaratan ekspor.
Berdasarkan kinerja ekspor pertanian asal Sumatera Utara, dari data
sertifikasi mengalami peningkatan nilai ekspor sebesar 43,3 persen dibandingkan
periode sama tahun sebelumnya. Pentingnya mengekspor bahan pangan karena dapat
memberikan kontribusi positif terhadap perekonomian negara, juga dapat
meningkatkan pendapatan dan lapangan kerja bagi petani dan pekerja di sektor
pertanian, juga meningkatkan citra Indonesia di pasar internasional. Selain itu jumlah
eksportir dan jumlah negara tujuan mengalami peningkatan, hal ini tentunya dapat
menambah semangat pelaku agribisnis para petani di Sumatera Utara.
Dengan adanya pengeksporan ini warga Karo Sumatera Utara belum
merasakan kekurangan bahan pangan kubis/kol degan ekspor yang semakin
meningkat dan akan mengekspor ke negara tujuan lainnya melihat dari Badan Pusat
Statistik pertanian Sumatera Utara bahwa tidak ada masalah penurunan drastis dari
Kabupaten Karo tersebut.
Banyaknya permintaan dari negara luar mengharuskan dilakukan estimasi
produksi kubis/kol untuk menentukan berapa lama produksi pangan yang dapat
dihasilkan dan berapa perkiraan besaran hasil produksi sebagai gambaran umum.
Estimasi merupakan suatu metode dimana kita dapat memperkirakan nilai Populasi
dengan menggunakan nilai sampel. Misalnya rata-rata sampel digunakan untuk
menaksir rata-rata pupolasi proporsi sampel untuk menaksir proporsi populasi dan
jumlah ciri tertentu sampel untuk menaksir jumlah ciri tertentu populasi. Nilai
penduga disebut dengan estimator, sedangkan hasil estimasi disebut dengan estimasi
secara statistik. Melihat dengan cara estimasi produksi yang pernah dilakukan oleh
beberapa penelitian salah satu nya adalah ‘’Estimator Nadaraya-Watson Dengan
Pendekatan Cross Validation Dan Generalized Cross Validation Untuk Mengestimasi
Produksi Jagung’’ yang dilakukan oleh Universitas Gorontalo dari Fakultas
4
Matematika dan Ilmu Pengetahuan Alam memiliki hasil yang baik untuk
memperkirakan estimasi produksi. Oleh karena itu penelitian ini akan menggunakan
metode cross validation untuk mengestimasi kubis/kol dengan nadaraya-watson
estimator.
Dengan menggunakan metode cross validation estimasi rotasi, atau
pengujian di luar sampel adalah sebuah teknik validasi model untuk menilai
bagaimana hasil statistik analisis akan menggeneralisasi kumpulan data independen.
Teknik ini utamanya digunakan untuk melakukan prediksi model dan memperkirakan
seberapa akurat sebuah model prediktif ketika dijalankan dalam praktiknya. Dalam
sebuah masalah prediksi, sebuah model biasanya diberikan kumpulan data yang
diketahui untuk digunakan dalam menjalankan pelatihan serta kumpulan data yang
tidak diketahui (atau data yang pertama kali dilihat) terhadap model yang diuji.
Tujuan dari cross validation adalah untuk mendefinisikan dataset untuk "menguji"
model dalam tahap pelatihan yaitu (validasi data), dalam rangka untuk membatasi
masalah seperti terjadinya over fitting.
Salah satu alasan utama untuk menggunakan validasi silang dari pada
menggunakan validasi konvensional (misalnya mempartisi kumpulan data menjadi
dua set, yaitu 70% untuk pelatihan dan 30% untuk pengujian) adalah bahwa tidak ada
cukup data yang tersedia untuk mempartisinya menjadi pelatihan terpisah dan data
pengujian tanpa kehilangan pemodelan atau kemampuan pengujian yang signifikan.
Dalam kasus ini, cara yang adil untuk memprediksi model prediksi dengan tepat
adalah dengan menggunakan validasi silang sebagai teknik umum yang kuat. Validasi
silang menggabungkan (rata-rata) ukuran kecocokan (prediksi error) dengan melihat
nilai rata-rata pada setiap putaran untuk mendapatkan perkiraan kinerja model
prediksi yang lebih akurat.
Dalam estimasi Nadaraya-Watson estimator melalui pendekatan cross
validation mempunyai kelebihan yaitu membantu menentukan seberapa baik
performa model pada data baru, menguji kestabilan suatu model di luar data training ,
mengevaluasi performa model secara komperehensip, dan mampu menggeneralisasi
dengan baik pada data yang sebenarnya. Alasan menggunakan metode ini karena
5
dapat mengatasi overfiting, dan efisien dalam penggunaan data. Beberapa metode
pendekatan yang paling popular digunakan dalam regresi nonparametrik adalah
spline, fourier, wavelet dan kernel. Pada penelitian ini menggunakan kernel karena
memiliki kemampuan yang baik dalam memodelkan data yang tidak mempunyai pola
tertentu. Selain itu regresi kernel lebih fleksibel, bentuk matematisnya mudah, dan
dapat mencapai tingkat konvergen yang relatif cepat. Regresi kernel memiliki
beberapa fungsi, diantaranya fungsi Gaussian, fungsi Epanechnikov, fungsi triangle,
fungsi uniform, fungsi cosinus, dan fungsi kuadratik. Fungsi kernel yang biasa
digunakan adalah fungsi Gaussian, karena fungsi Gaussian lebih umum digunakan
dan lebih smooth dibandingkan dengan fungsi kernel yang lain. Pada regresi kernel
salah satu estimator yang sering digunakan yaitu estimator Nadaraya-Watson.
Beberapa penelitian sebelumnya tentang estimator Nadaraya-Watson telah dilakukan
oleh Nurul et al.. Nadaraya-Watson estimator dengan pendekatan kernel tergantung
pada dua parameter yaitu fungsi kernel dan pemilihan bandwidth yang digunakan.
Namun diantara keduanya pemilihan bandwidth memiliki pengaruh yang paling kuat
terhadap estimasi yang dihasilkan. Metode yang digunakan untuk mendapatkan
bandwidth yang optimal adalah dengan menggunakan metode Cross Validation (CV).
Berdasarkan latar belakang tersebut maka dilakukan penelitian dengan judul
“Estimasi Produksi Kubis/Kol Kabupaten Karo Dengan Nadaraya- Watson
Estimator Melalui Pendekatan Cross Validation”.
1. Metode yang digunakan dalam penelitian ini yaitu metode Cross Validation
2. Data yang digunakan adalah produksi kubis/kol pada tahun 2012-2021
a. Bagi Peneliti
Sebagai media untuk mengaplikasikan dan mengembangkan pengetahuan
statistik, keterampilan riset dan keterampilan pengolahan data khususnya
mengenai estimator kernel dalam mengestimasi sebaran data statistik
pertanian juga melatih berpikir kritis dalam menyelesaikan permasalahan
sesuai dengan bidang keilmuan yang ditekuni, yaitu matematika dan
menambah wawasan keilmuan yang berhubungan dengan Salah satu
metode untuk menentukan nilai bandwidth adalah Cross Validation (CV).
Metode Cross Validation atau sering disebut CV.
b. Bagi pembaca
7
c. Bagi universitas
Hasil penelitian ini dapat dijadikan bahan tambahan untuk informasi
penelitian kedepannya dan sebagai tambahan referensi perpustakaan.
BAB II
TINJAUAN PUSTAKA
2.1 Estimasi
perkiraan, penilaian atau pendapat. Estimasi dapat diartikan sebagai sebuah kegiatan
l l l l l l l l l l l l l l l l l l
berarti menaksirkan nilai populasi melalui gambaran nilai atau data-data sampelnya.
l l l l l l l l l l l l l l l l l l
Karena estimasi dapat memperkirakan sesuatu yang akan terjadi dimasa yang datang
l l l l l l l l l l l l l l l l l
berdasarkan data-data sebelumnya. Hasil dari estimasi tidak selalu benar tetapi
l l l l l l l l l l l l l l l
timbul dari suatu masalah yang terjadi, bukan untuk menghindari resiko. l l l l l l l l l
Salah satu jenis dari kegiatan ekonomi ialah produksi. Dalam pengertian
l l l l l l l l l l l
merupakan tolak ukur yang riil dalam keberhasialn pengelolaan tanaman yang
l l l l l l l l l l l l l l
bervariasi sesuai dengan kondisi lingkungan (iklim, kondisi lahan), kondisi genetik,
l l l l l l l
(bahan tanaman dan umur tanaman) dan interaksi di antara kedua nya yang berupa
l l l l l l l l l l l l l l l l l l
dari berbagai input atau sumber daya menjadi output berupa barang dan jasa. Untuk
l l l l l l l l l l l l l l
8
9
dan Watson. Estimator ini untuk memperkirakan sebagai rata-rata tertimbang secara
l l l l l l l l l l l l l l
meletakkan titik-titik data ke dalam suatu bin atau kelas. Setiap bin dinyatakan secara
l l l l l l l l l l l l l l l l
grafik oleh segiempat dengan lebar sama dan tinggi proporsional dengan banyaknya
l l l l l l l l l l l l
titik-titik data yang terletak dalam bin tersebut. Estimator kernel ini umum digunakan
l l l l l l l l l
mudah dikerjakan. l l l
karena dikenalkan pertama kali oleh Parzen (1962) dan Rosenblatt (1956)
l l l l l l l l l l
sama dengan estimator linier lainnya hanya saja metode kernel lebih khusus
l l l l l l l l l l
Menurut Halim dan Bisono estimator kernel dibagi menjadi tiga macam, yaitu:
l l l l l l l l l
a. Estimator Nadaraya-Watson l l l l l l
n
X −X
∑ K( h i)
^ = i=1
m n
Yi (2.1)
X −X i
∑ K( h )
l=1
b. Estimator Priestley-Chao l l
n
X−X i
m =∑ K (
^ )YK (2.2)
i=1 h
c. Estimator Gasser-Muller l l
1
n
X −X i
^=
m ∑
n i=1
S i , Si−1 K (
h
)Y i (2.3)
10
Dimana : l l
𝑖 = 1, … , 𝑛 − 1 dan 𝑠𝑛 = 1 l
Keterangan: l l
𝐾 = fungsi kernel
𝑛 = ukuran sampel/banyak pengamatan l l l l l l l
persamaan (2.1) adalah regresi kernel. Regresi kernel merupakan teknik statistik
l l l l l l l l l
nonparametrik untuk menaksir nilai ekspektasi bersyarat dari suatu variabel acak.
l l l l l l l l l l l l l
Nilai ekspektasi umumnya dinotasikan dengan (𝑌|𝑋). Regresi kernel bertujuan untuk
l l l l l l l
yf ( x , y )
E ( YIX ) =^
m(X ) ^ ( x ) =∫
atau m dy (2.4)
f (x )
l l
dimana 𝑓(𝑥, 𝑦) = fungsi kepadatan bersama dari (𝑋,𝑌) (𝑥) = fungsi kepadatan
l l l l l l l l l l l
marginal 𝑋
l l
kurva regresi pembobotan tidak dilakukan pada frekuensi 𝑋 tetapi pada variabel
l l l l l l l l l l l l
n
1
^ ( x ) = ∑ W i ( x : X n )Y i
m (2.5)
n i=1
dimana 𝑊 adalah bobot penghalusan yang dipengaruhi oleh penghalus dan variabel
l l l l l l l l l l l l l
sebagai berikut : l l
n
1
^ ( x ) = ∑ W i ( X)Y i
m (2.6)
n i=1
dengan 𝑊𝑖 (𝑥) = 𝑊(𝑥: 𝑋1, … , 𝑋𝑛) (Musholawati, 2002 dalam Indrayanti, 2014).
l l l l l l l
a. Regresi Parametrik l l
antar variabel yaitu satu atau beberapa variabel predictor dengan variabel rediston.
l l l l l l l l l l l l l l l
Dalam regresi parametrik untuk variabel respon disebut juga variabel dependent
l l l l l l l l l
(variabel terikat) yang dinotasikan dengan variabel Y dan variabel prediktorr yang
l l l l l l l l l l l l l
Secara umum bentuk model regresi linier berganda dalam hal ini linier dalam
l l l l l l l l l
(2.7)
Dalam bentuk notasi matriks, model regresi linier berganda untuk p parameter
l l l l l l l l
(2.8)
Dengan dikatakan sebagai variabel respon berupa vektor kolom ukuran x ,
l l l l l l l l l l
jumlah parameter sehingga ukurannya x , dan ε adalah vektor dari variabel acak yang
l l l l l l l l l l l l l l l l
regresi linier, salah satu metode yang biasa digunakan adalah metode Ordinary Least l l l l l l l l l l l l l
Square (OLS). Meminimalkan kuadrat residual adalah prinsip dasar dari penggunaan
l l l l l l l l l l l l l l
metode ini. Estimator kuadrat terkecil dapat diperoleh melalui bentuk sebagai berikut l l l l l l l l
(2.9)
12
b. Regresi Nonparametrik l l
variabel prediktor. Pada model ini, bentuk dari fungsi regresi tidak diketahui dan
l l l l l l l l
kurva regresi tidak diketahui atau kurva regresi nonparametric tidak membentuk pola
l l l l l l l l l l
^ ( x i + Si )
Y i= m (2.10)
Dengan 𝑌𝑖 adalah variabel respon pengamatan ke-ί, 𝑥𝑖 adalah variabel prediktor
l l l l l l l l l l l l l l
diketahui dan 𝜀𝑖 adalah residual ke-ί dengan asumsi residual regresi bersifat acak
l l l l l l l l l l l l
satunya adalah estimator Least Square Spline (LS-Spline). Pada estimator LS-Spline,
l l l l l l l l l l l
terdapat potongan polinomial pada segmen berbeda yang disatukan pada knot
l l l l l l l l l l l l
Salah satu teknik regresi nonparametrik yang sering digunakan untuk menaksir
l l l l l l l l l
kernel. Fungsi densitas peluang bersama ƒ (𝑥, 𝑦) diduga dengan perkalian kernel l l l l l l l l
sebagai berikut :
l l
(2.11)
(2.12)
Dimana ʃ(sℎ2 + 𝑌𝑖) K (S) ds = 𝑌𝑖 (Kartika, 2000 dalam Indrayanti, 2014).
l l l l l l l l
(2.4) Sehingga dari kombinasi kedua taksiran probabilitas bersyarat pada persamaan
l l l l l l l l l l l l l l l
n
1
∑ K h1 ( X−X i )Y i
n i=1
^=
m n
1
∑ K h1 (X −X i )
n l=1
(2.13)
dimana
l l
(2.14)
Sehingga l
1 X −X i n
∑
n i=1
K(
h
)
^= n
m Yi (2.15)
1 X −X i
∑ K( h )
n l=1
dengan 𝐾 adalah fungsi kernel dan h adalah bandwidth atau smoothing parameter dan
l l l l l l l l l l l l l l
Kemudian l persamaan
l l l (2.15) disubstitusikan l dalaml l persamaan l l l (2.1)
sehingga menjadi: l l
14
(2.16)
dan terbatas. Menurut Hardle (1994), secara umum fungsi kernel didefinisikan
l l l l l l l
sebagai berikut:
l l
(2.17)
dengan: l
𝐾 = fungsi kernel
(ii) ∫ K ( x ) dx=1
−∞
(iv) ∫ K ( x ) dx=0
−∞
dari kurva taksiran regresi. Dengan memilih bandwidth yang mendekati 0 maka
l l l l l l l l l l
taksiran yang didapatkan tidak mulus bahkan akan menonjolkan plot datanya saja.
l l l l l l l l l l l l l l l l l
15
Pada regresi kernel pemilihan bandwidth jauh lebih penting daripada pemilihan
l l l l l l l l l
fungsi kernel. Jika bandwidth yang dipilih terlalu kecil maka akan menghasilkan l l l l l l l l l l
besar maka akan menghasilkan estimasi kurva sangat mulus (over-smoothing) yang
l l l l l l l l l l l l
tidak sesuai dengan pola sebaran data. Sehingga harus dipilih nilai bandwidth yang
l l l l l l l l l l l l l
(2.18)
n = Banyaknya data l l l l l
I = Matrix identitas l l
h = Bandwidth l
Menurut komang dan gusti (2012), kebaikan suatu estimator dapat dilihat dari l l l l l l l l l l
terbaik dipilih berdasarkan nilai MSE terkecil. Mean square eror (MSE) l l l l l l l
(Nisa, 2016) l
kemulusan dari kurva yang diestimasi dan sebagai ukuran kesesuaian fungsi pada l l l l l l l l l l l l l
data, sehingga dalam memilih nilai bandwidth diharapkan nilai optimal. Bandwidth
l l l l l l l l l l l l l
yang optimal diperoleh dengan menghitung nilai cross validation (CV). Pemilihan
l l l l l l l
(2.19)
cv = Cross Validation l l
h = Bandwidth, l
Cross validation adalah salah satu metode resampling data yang paling l l l l l l l l l l l l l
menyetel parameter model. Cross validation atau dapat disebut estimasi notasi l l l l l l l l l l
adalah sebuah teknik validasi model untuk menilai bagaimana hasil statistik
l l l l l l l l l l l l l
sebuah model prediktif ketika dijalankan dalam praktiknya. Cross validation juga
l l l l l l l l l l l l
salah satu metode untuk menentukan nilai bandwindth. Metode cross validation
l l l l l l l l
atau sering disebut CV adalah metode pendugaan data untuk menunjukan apa
l l l l l l l l l l l l
(2.20)
cv = Cross Validation l l
h = Bandwidth, l
= Estimasi. l
pengambilan sampel dilakukan sedemikian rupa sehingga tidak ada dua set tes yang
l l l l l l l l l l l l l
tumpang tindih. Di dalam k-fold cross validation, set pembelajaran yang tersedia
l l l l l l l l l l
sama. Di sini ‘’fold’’ mengacu pada jumlah himpunan bagian yang dihasilkan.
l l l l l l l l l l l l
Partisi ini dilakukan dengan pengembalian sampel kasus secara acak dari set
l l l l l l l l l l l l l
angka hubungan kuatnya antara dua variabel atau lebih. Menurut sugiyono
l l l l l l l l l l l l l
mencari hubungan dan membuktikan hubungan dua variabel bila data dari dua
l l l l l l l l l l l l l
variabel atau tersebut adalah sama. Analisis korelasi dalam regresi nonparametric
l l l l l l l l l l l l l l l l
mnegukur keeratan hubungan dua variabel disebut koefisien korelasi. Nilai koefisien l l l l l l l l
−1 ≤r ≤ 1
Dimana : l l
18
(2.21)
2.6 Kubis/Kol
Kubis adalah sayuran yang tumbuh dalam bentuk kepala dan berwarna hijau l l l l l l l l l l l l l l
atau ungu. Kubis memiliki daun yang tebal dan keras serta tekstur yang lembut saat
l l l l l l l l l l l
folat, potassium, dan serat. Kubis mempunyai rasa yang gurih, krispi dan kaya akan
l l l l l l l l l l l l l
nutrisi yang baik untuk kesehatan. Kubis telah menjadi salah satu sayuran yang
l l l l l l l l l l l l
populer di seluruh dunia, terutama di negara-negara Eropa, Amerika Utara, dan Asia. l l l l l l l l l l l l l l l
Oleh karena itu, kubis adalah salah satu sayuran yang sangat baik untuk kesehatan
l l l l l l l l l l l l l l l l
cross validation (CGV) lebih baik dari pada metode cross validation (CV)
l l l l l l l l
202583,9.
Berdasarkan penelitian yang dilakukan pada oleh Nurul.,et al pada tahun 2019
l l l l l l l l l l l l l
Watson,maka disimpulkan
l l l l bahwa l l untuk data indeks pembangunan manusia l l l l l l
determinasi sebesar 63,2% dan mengasilkan nilai MAPE sebesar 2,5% yang berarti
l l l l l l l l l l
tahun 2010 dengan judul ‘’On The Adaptive Nadaraya-Watson Kernel Regression
l l l l l l l l l
Estimators’’ hasil dari studi simulasi yang dilakukan untuk mengevaluasi kinerja
l l l l l l l l l l
estimasi yang lebih baik dari pada estimator Nadaraya-Watson dengan bandwidth
l l l l l l l l l l l l l l
geometrik, menghasilkan kerja yang lebih baik. Terakhir estimasi regresi kernel l l l l l l l
non- parametrik. l l
َو ُهَو ٱَّلِذٓى َأنَز َل ِم َن ٱلَّس َم ٓاِء َم ٓاًۭء َفَأْخ َر ْج َنا ِبِهۦ َنَباَت ُك ِّل َش ْى ٍۢء َفَأْخ َر ْج َنا ِم ْنُه َخ ِض ًۭر ا
ُّنْخ ِر ُج ِم ْنُه َح ًّۭب ا ُّم َتَر اِكًۭب ا َو ِم َن ٱلَّنْخ ِل ِم ن َطْلِع َها ِقْنَو اٌۭن َد اِنَيٌۭة َو َج َّنٰـ ٍۢت ِّم ْن َأْعَناٍۢب
َو ٱلَّز ْيُتوَن َو ٱلُّر َّم اَن ُم ْش َتِبًۭه ا َو َغْيَر ُم َتَش ٰـ ِبٍهۗ ٱنُظُر ٓو ۟ا ِإَلٰى َثَم ِرِهٓۦ ِإَذ ٓا َأْثَم َر َو َيْنِع ِهٓۦۚ ِإَّن
)٩٩( ِفى َٰذ ِلُك ْم َلَٔـاَيٰـ ٍۢت ِّلَقْو ٍۢم ُيْؤ ِم ُنوَن
20
Firman Allah Swt dalam Alqur’an Surah Al-An’am ayat 99 Yang artinya : “Dan
l l l l l l l l l l l l l l l l l
dialah yang menurunkan air hujan dari langit, lalu kami tumbuhkan dengan air itu
l l l l l l l l l l l l l
tanaman yang menghijau. Kami keluarkan dari tanaman yang menghijau itu butir
l l l l l l l l l l l l l l
yang banyak dan dari mayang korma mengurai tangkai-tangkai yang menjulai, dan
l l l l l l l l l l l l l l l l
kebun-kebun anggur, dan (kami keluarkan pula) zaitun dan delima yang serupa dan l l l l l l l l l l l l
Sepintas ayat tersebut sepertinya tidak sejalan dengan apa yang akan l l l l l l l l l l l l l
dikembangkan dan dikaji lebih lanjut dalam penelitian ini. Akan tetapi ada hal l l l l l l l l l l l l l l
menarik dan perlu disoroti dari ayat tersebut. Dalam ayat tersebut dikatakan bahwa
l l l l l l l l l l l l l l
Allah SWT mengeluarkan dari tanaman yang menghijau itu butir yang banyak dan
l l l l l l l l l l l l l l
anggur dan (kami keluarkan pula) zaitun dan delima yang serupa dan yang tidak
l l l l l l l l l l l l l l
serupa. Konteks yang ditentukan dalam penelitian ini berawal dari tanaman yang
l l l l l l l l l l l l l
menghijau (tanaman yang mempunyai nilai guna), sesungguhnya Allah SWT telah l l l l l l l l l l l l
yang menghijau dapat diartikan bahwa Allah SWT telah menumbuhkan ribuan jenis
l l l l l l l l l l l l l
tanaman dan buah-buahan dalam segala bentuk, warna, bau dan rasa. Kekuasaan
l l l l l l l l l l l l l l l l l l l l
Islam memberikan jalan yang sangat luas bagi manusia dalam mencari
l l l l l l l l l l l l l l
penghidupan di dunia, bumi yang dipusakakan oleh Allah Swt ini agar dikelola l l l l l l l l l l l
hari. Dalam hal perdagangan Allah Swt telah memberikan keterangan dalam
l l l l l l l l l l l l l l l
sebuah ayat Wa’ahllallaahul bai’a wa haraamar ribaa’, dan Allah menghalalkan jual-
l l l l l l l l l l l l l l l l l l l l l l l l
beli dan mengharamkan riba. Maka jelaslah bahwa perdagangan, perniagaan atau
l l l l l l l l l l l l l l l l l l l
jual-beli sangat dianjurkan dan merupakan jalan yang diperintahkan olah Allah.
l l l l l l l l l l l l l l l l
21
menghindarkan manusia dari jalan yang bathil dalam pertukaran sesuatu yang l l l l l l l l l l l l l l l
َأْم َٰو َلُك م َبْيَنُك م ِبٱْلَبٰـ ِط ِل ِإٓاَّل َأن َتُك وَن َيٰٓـَأُّيَها ٱَّلِذ يَن َء ا ُنو۟ا اَل َتْأُك ُلٓو ۟ا
َم
( َتْقُتُلٓو ۟ا َأنُفَس ُك ْم ۚ ِإَّن ٱَهَّلل َك اَن ِبُك ْم َر ِح يًۭم ا ِتَجٰـَر ًة َع ن َتَر اٍۢض ِّم نُك ْم ۚ َو اَل
)٢٩
Yang Artinya : “Hai orang-orang yang beriman, janganlah kamu saling memakan
l l l l l l l l l l l l l l l
harta sesamamu dengan jalan yang batil, kecuali dengan jalan perniagaan yang
l l l l l l l l l l l l l l l l l
berlaku dengan suka sama-suka di antara kamu.” (Q.S. An- Nisa’: 29)
l l l l l l l l l l l l
Dalam melakukan perniagaan, Allah juga telah mengatur adab yang perlu
l l l l l l l l l l l l l l l
permainan dan perniagaan’, dan Allah sebaik-baik pemberi rezki.” (Q.S. Al-
l l l l l l l l l l l l
Jumu’ah:11). l
اَّلِذ ْي َج َعَل َلُك ُم اَاْلْر َض َم ْهًد ا َّو َس َلَك َلُك ْم ِفْيَها ُس ُباًل َّو َاْنَز َل ِم َن
۵۳ ﴿ ﴾الَّس َم ۤا ِء َم ۤا ًء ۗ َفَاْخ َر ْج َنا ِبٖٓه َاْز َو اًجا ِّم ْن َّنَباٍت َش ّٰت ى
Artinya : “(Tuhan yang telah menjadikan bumi sebagai hamparan bagimu, dan
l l l l l l l l l l l l l l
menjadikan jalan-jalan di atasnya bagimu, dan yang mnurunkan air (hujan) dari
l l l l l l l l l l l l l l l l
langit.” Kemudian kami tumbuhkan dengannya (air hujan itu) berjenis-jenis aneka
l l l l l l l l l l
22
berikutnya, dan tanda-tanda itu semua merupakan kekuasaan Allah SWT sebagai
l l l l l l l l l l l l l l l l
nikmat untuk makhluknya. Seperti halnya Allah SWT menciptakan beberapa aksesi
l l l l l l l l l l l l
METODOLOGI PENELITIAN l
Holtikultura Provinsi Sumatera Utara Medan. Jl. Jenderal Besar A.H. Nasution l l l l l l l l l l
No. Pangkalan Mahsyur, Kec. Medan Johor, Kota Medan, Sumatera Utara.
l l l l l l l l l l l
data yang terkumpul sesuai dengan konsepnya. Penelitian ini menggunakan data dari
l l l l l l l l l l l l
Dinas Tanaman Pangan dan Hotlikultura dan data yang digunakan data sekunder.
l l l l l l l l l l l l l l l l
Data tersebut adalah data produksi kubis/kol luas panen, dan luas tanam.
l l l l l l l l l l l l l
dan variabel prediktor yang disebut variabel independen (variabel bebas) dan
l l l l l l l l l l
keputusan yang akan di buat. Adapun variable keputusan pada penelitian ini
l l l l l l l l l l l l l
x1 : Kubis
𝑥2 : Luas Tanam l l l
𝑥3 : Luas Panen l l
y1 : jumlah tahun l l
n : banyaknya data l l l l l
h : bandwidth l
23
24
cv : cros validation l l
Mulai
Mengumpulkan Data
Selesai
BAB IV l
Data yang digunakan dalam penelitian ini data sekunder. Data tersebut adalah
l l l l l l l l l l l l l l l
data produksi kubis/kol, luas tanam, luas panen yang didapat dari dinas tanaman
l l l l l l l l l l l l l l l
pangan dan holtikultura pada tahun 2012-2021. Berikut data produksi kubis/kol, luas
l l l l l l l l l l
Tabel 4.1 Data Produksi, Luas Tanam, Luas Panen Pada Kabupaten Karo
l l l l l l l l l l l l l
adalah membuat scatter plot antara variabel dependen dan variabel independen.
l l l l l l l l l l l l l
25
26
Gambar 4.1 menunjukkan hubungan antara produksi dengan luas tanam yang
l l l l l l l l l l l l
membntuk garis tidak beraturan dan tidak membentuk pola apapun. Akan tetapi data
l l l l l l l l l l l l l l
menyebar, ada data yang berdekatan dan data lainnya cukup jauh berbeda sehingga
l l l l l l l l l l l l l l l l
Gambar 4.2 menunjukkan hubungan antara produksi dengan luas tanam yang
l l l l l l l l l l l l
membntuk garis tidak beraturan dan tidak membentuk pola apapun. Akan tetapi data l l l l l l l l l l l l l l
menyebar, ada data yang berdekatan dan data lainnya cukup jauh berbeda sehingga
l l l l l l l l l l l l l l l l
Pada Gambar 4.1 dan Gambar 4.2 data menyebars ecara acak sehingga tidak
l l l l l l l l l l l l l l l l
jelas hubungan antara produksi dengan luas tanam dan hubungan antara produksi
l l l l l l l l l l l l l l
dengan luas panen. Oleh karena itu, pola data seperti ini sangat cocok untuk didekati
l l l l l l l l l l l
untuk menghitung korelasi variabel independen (X) dengan variabel dependen (Y) l l l l l l
Luas Lahan
l l l 0,9117
Luas Panen
l l 0,796
Pemilihan bandwdith optimum sangat penting dalam regresi kernel, karena nilai
l l l l l l l l l
bandwdith memiliki pengaruh yang paling kuat terhadap hasil estimasi. Berikut
l l l l l l l l l
Untuk menentukan estimasi pada produksi berdasarkan luas lahan, digunakan model :
l l l l l l l l l l l l
29
Untuk menentukan estimasi pada produksi berdasarkan luas lahan, digunakan model :
l l l l l l l l l l l l
Hasil estimasi produksi berdasarkan luas tanam dan luas panen adalah :
l l l l l l l l l l l l l l
30
1. Untuk h=1
31
2. Untuk h=2
3. Untuk h=3
4. Untuk h=4
5. Untuk h=5
6. Untuk h=6
7. Untuk h=7
8. Untuk h=8
9. Untuk h=9
32
dipilih berdasarkan nilai CV terkecil, yaitu 23677469013 dengan nilai MSE adalah
l l l l l l l l l l
12
10
0
0 2 4 6 8 10 12
Dengan : l
Dimana :
l l
K : fungsi kernel
Xi : nilai amatan variabel prediktor ke-i
l l l l l l
x : nilai random variabel X atau nilai tertentu dari variabel X, untuk penelitian ini
l l l l l l l l l l l
35
Maka :l l
Validation (CV)
l l
a. Pada X1 l l
b. Pada X2 l l
c. Pada X3 l l
36
d. Pada X4
l l
e. Pada X5
l l
f. Pada X6
l l
g. Pada X7
l l
h. Pada X8
l l
i. Pada X9
l l
37
j. Pada X10 l l
Nadayara Watson dengan hasil produksi berdasarkan aktual dapat dilihat pada tabel
l l l l l l l l l l l l l l l l l l
4.3.
Tabel 4.3 Hasil Estimasi dengan Nadayara-Watson
l l l l l l l l l
Aktual l l Estimasi l
249 183,01
79732 195,35
64305 106,26
69530 189,48
92551 207,20
98235 2884,51
93970 258,05
147860 361,99
134718 342,56
167952 412,44
lahan dan luas tanam dipeproleh bahwa produksi paling tinggi terjadi pada tahun
l l l l l l l l l l l l l
2021 yaitu sebesar 2884 ,51kg. Sehingga dapat disimpulkan bahwa penggunaan
l l l l l l l l l l
estimasi hasil produksi kubis/kol dapat efektif digunakan dengan bandwidth optimum
l l l l l l l l
pada estimasi haisl produksi kubis/kol dengan menggunakan Cross Validation dan
l l l l l l l l l l
4.6 Pembahasan l l l
Pengumpulan data dalam penelitian ini dilakukan guna mendapatkan data aktual l l l l l l l l l l l l l l l l
hasil produksi kubis/kol di Kabupaten Karo yang diperoleh dari Dinas Tanaman
l l l l l l l l l l
Pangan Sumatera Utara. Selanjutnya dilakukan uji hubungan variabel, yaitu hasil
l l l l l l l l l l l l l l l
produksi kubis/kol dengan luas tanam dan luas lahan menggunakan scatter plot. l l l l l l l l l l l
Scatter plot hubungan antara hasil produksi dengan luas lahan didapatkan model
l l l l l l l l l l l l l
produksi dengan luas tanam yang membntuk garis tidak beraturan dan tidak l l l l l l l l l l l
dengan luas tanaman didapatkan model. Hal imi menunjukkan hubungan antara
l l l l l l l l l l l l l l
produksi dengan luas tanam yang membntuk garis tidak beraturan dan tidak l l l l l l l l l l l
membentuk pola apapun. Data yang menyebar antara hasil produksi, luas lahan dan l l l l l l l l l l l l l l l
luas tanam secara acak sehingga tidak jelas hubungan antara produksi dengan luas
l l l l l l l l l l l l l l l l
tanam dan hubungan antara produksi dengan luas panen. Oleh karena itu, pola data
l l l l l l l l l l l l l l l
seperti ini sangat cocok untuk didekati dengan pendekatan regresi nonparamterik. l l l l l l l l
analisis korelasi antar variabel independen (X) dengan variabel dependen (Y).
l l l l l l l l l l
Korelasi antara produksi dengan luas lahan adalah 0,79 dan korelasi antara produksi
l l l l l l l l l l l l l l l l
dan luas tanam adalah 0,91.Kemudian dilakukan Pemilihan bandwdith optimum yang
l l l l l l l l l l l l l
sangat penting dalam regresi kernel, karena nilai bandwdith memiliki pengaruh yang
l l l l l l l l l l
dapat efektif digunakan dengan bandwidth optimum pada h10 yaitu sebesar
l l l l l l l l l l
penggunaan bandwith ini memiliki pengaruh yang kuat terhadap hasil estimasi. l l l l l l l l l l
terjadi pada tahun 2021 yaitu sebesar 2884 ,51 kg. Sehingga dapat disimpulkan
l l l l l l l l l l
validation pada estimasi hasil produksi kubis/kol dapat efektif digunakan dengan
l l l l l l l l l l l
bandwidth optimum pada h10 yaitu sebesar 23677469013. Penggunaan bandwitdh ini
l l l l l l l l
efektif digunakan pada estimasi haisl produksi kubis/kol dengan menggunakan Cross
l l l l l l l l l
Validation dan dengan bandwith optimum pada h10, karena dengan menggunakan
l l l l l l l l l l l l
bandwith ini dianggap memiliki pengaruh yang kuat terhadap hasil estimasi.
l l l l l l l l l l
BAB IV l
PENUTUP
5.1. Kesimpulan l
optimum dipilih berdasarkan nilai CV terkecil, yaitu 13761739057 dengan nilai MSE l l l l l l l
adalah sebesar 2625406797 dan bandwidth optimum adalah h10 dan didapatkan model
l l l l l l l l l l l l l
5.2. Saran l l
40
LDAFTAR PUSTAKA l l l l
Makassar. l l l
Badan Pusat Statistik (BPS) Provinsi Sumatera Utara. Statistik Hortikultura Provinsi
l l l l l l l l l l
Sumatera Utara l l l l
Barer, Daniel. Cross Validation . Laboraturium Sains Data, Institut Teknologi Tokyo
l l l l l l l l l
Validation Pada Data Pasien Pengidap Penyakit Jantung. Ilkom Jurnal Ilmiah.
l l l l l l l l l l l l
https://pakdosen.co.id/pengertian-estimasi/ l l l
https://scikit-learn.org/stable/modules/cross_validation.htm l l l l
41
42
https://www.pertanian.go.id/home/?show=news&act=view&id=4682 l l l
Watson Dalam Data Time Series. Jurnal Penelitian, Vol. 1 No. 1. 49-56. 2019.
l l l l l l l
Watson Dengan Tipe Kernel Gaussian Pada Data Time Series. Jurnal
l l l l l l l l l
LAMPIRAN
l l