A PHP Error was encountered
Severity: Warning
Message: fopen(/home/rama/public_html/application/cache/sessions/rama_sessionldb70sqk4clikk6ucoggnep2rr5qdv3b): failed to open stream: No space left on device
Filename: drivers/Session_files_driver.php
Line Number: 174
Backtrace:
File: /home/rama/public_html/application/core/MY_Controller.php
Line: 8
Function: __construct
File: /home/rama/public_html/application/controllers/Document.php
Line: 6
Function: __construct
File: /home/rama/public_html/index.php
Line: 296
Function: require_once
@thesis{thesis,
author={MUNA NAILIL},
title ={PEMODELAN PERSENTASE PENDUDUK MISKIN DI JAWA TIMUR MENGGUNAKAN REGRESI NONPARAMETRIK DENGAN PENDEKATAN KERNEL GAUSSIAN},
year={2024},
url={https://repository.unugiri.ac.id:8443/id/eprint/5728/},
abstract={Kemiskinan menjadi masalah utama yang ingin dituntaskan oleh berbagai negara di seluruh dunia. Begitu juga di Negara Indonesia yang memiliki grafik kemiskinan yang berbanding lurus dengan Jawa Timur. Namun kemiskinan di Jawa Timur masih melebihi angka kemiskinan di Indonesia. Sehingga perlu dilakukan suatu penelitian untuk menganalisis persentase penduduk miskin di Jawa Timur dengan harapan bisa menjadi suatu acuan untuk pemerintah terkait dalam mengatasi kemiskinan di Jawa Timur. Penelitian ini, menggunakan regresi nonparametriK kernel dengan estimator Nadaraya-Watson untuk data Persentase penduduk miskin di Jawa Timur. Fungsi kernel yang digunakan dalam penelitian ini adalah fungsi kernel Gaussian. Data yang digunakan bersumber dari data Survei Sosial Ekonomi Nasional (Susenas) Modul Konsumsi dan Pengeluaran yang dipublikasikan oleh Badan Pusat Statistik (BPS) Provinsi Jawa Timur. Meliputi data Persentase penduduk miskin dan faktor yang mempengaruhi Persentase penduduk miskin yaitu Tingkat pengangguran terbuka (TPT), Angka Harapan Hidup (AHH), serta Tingkat partispasi angkatan kerja (TPAK) pada tahun 2023. Berdasarkan hasil penelitian menunjukkan bahwa model regresi nonparametrik kernel dengan estimator Nadaraya-Watson dan fungsi Gaussian menghasilkan Generalized Cross Validation (GCV) optimal sebesar 0.139558 dengan nilai bandwidth ?1=?2=?3=5. Keakuratan model terbaik yang diperoleh dari nilai (Mean Absolute Error) MAE sebesar 0,187 yang menunjukkan bahwa semua model prediktor yang diperoleh memiliki akurasi yang baik karena nilainya mendekati 0.}
}