Pengujian Hipotesis Simultan Pada Regresi Nonparametrik Campuran Kernel Dan Deret Fourier (Studi Kasus : Tingkat Pengangguran Terbuka Kabupaten/Kota Di Pulau Jawa)

Tujuan utama dalam analisis regresi adalah untuk mengestimasi kurva regresi. Terdapat tiga bentuk pendekatan untuk mengestimasi kurva regresi yaitu pendekatan regresi parametrik, nonparametrik dan semiparametrik. Dalam regresi parametrik terdapat banyak asumsi yang harus dipenuhi, salah satunya adalah bentuk kurva regresi yang harus diketahui. apabila bentuk kurva regresi tidak diketahui polanya, maka analisis regresi nonparametrik lebih disarankan untuk digunakan. Pendekatan regresi nonparametrik yang sering mendapat perhatian dari para peneliti adalah Kernel, Spline, Deret Fourier dan Wavelets. Dalam penerapannya, tidak semua variabel prediktor memiliki pola data yang sama, sehingga diperlukan estimator campuran untuk menyelesaikan permasalahan perbedaan pola data antara variabel prediktor. Sebagai pengembangan penelitian sebelumnya, dilakukan estimasi parameter terhadap model regresi nonparametrik campuran kernel dan deret fourier menggunakan metode Ordinary Least Square (OLS). Selanjutnya, dilakukan pengujian hipotesis secara simultan terhadap estimator yang dihasilkan. Statistik uji yang digunakan dalam pengujian hipotesis secara simultan pada regresi nonparametrik campuran kernel dan deret fourier diperoleh menggunakan metode Likelihood Ratio Test (LRT). Estimasi parameter dan pengujian hipotesis simultan pada regresi nonparametrik campuran kernel dan deret fourier diaplikasikan pada data Tingkat Pengangguran Terbuka (TPT) kabupaten/Kota di Pulau Jawa tahun 2020. Model terbaik yang diperoleh pada data tingkat pengangguran terbuka (TPT) yaitu dengan menggunakan bandwith 0.004 dengan 1 osilasi, dihasilkan nilai GCV sebesar 8.211 dan koefisien determinasi sebesar 78.203 persen. Uji hipotesis dengan menggunakan uji F menunjukkan bahwa terdapat pengaruh yang signifikan dari variabel prediktor terhadap variabel respon dengan nilai F-Hitung sebesar 102.2548. ====================================================================================================== The main objective in regression analysis is to estimate the regression curve. There are three approaches to estimating the regression curve, namely the parametric, nonparametric and semiparametric regression approaches. In parametric regression there are many assumptions that must be met, one of which is the shape of the regression curve that must be known. if the shape of the regression curve is not known, then nonparametric regression analysis is recommended to be used. Nonparametric regression approaches that often receive attention from researchers are Kernel, Spline, Fourier Series and Wavelets. In its application, not all predictor variables have the same data pattern, so a mixed estimator is needed to solve the problem of differences in data patterns between predictor variables. As a development of previous research, parameter estimation was carried out on a mixed kernel nonparametric regression model and Fourier series using the Ordinary Least Square (OLS) method. Furthermore, simultaneous hypothesis testing is carried out on the resulting estimator. The test statistics used in simultaneously testing the hypothesis on a mixed kernel nonparametric regression and Fourier series were obtained using the Likelihood Ratio Test (LRT) method. Parameter estimation and simultaneous hypothesis testing on mixed kernel nonparametric regression and Fourier series were applied to district/city Open Unemployment Rate (TPT) data in Java Island in 2020. The best model obtained from the open unemployment rate (TPT) data is using a bandwidth of 0.004 with 1 oscillation, resulting in a GCV value of 8.211 and a coefficient of determination of 78.203 percent. Hypothesis testing using the F test shows that there is a significant effect of the predictor variable on the response variable with an F-Count value of 102.2548