Electronic Theses and Dissertation

Penelitian ini dilatarbelakangi oleh keterbatasan model linier dan generalized linear models (GLM) dalam mengatasi gap, smooth, dan hubungan nonlinier antara variabel prediktor dan variabel respon. Oleh karena itu, Generalized Additive Models (GAM) dikembangkan untuk memodelkan hubungan yang kompleks antara variabel dengan menggabungkan fungsi penghalus nonparametrik. Basis Penalized spline (P-spline) dan generalized Kernel Regularized Least Square (gKRLS) digunakan untuk mengestimasi komponen nonparametrik dalam model. Kedua basis GAM ini akan dibandingkan kinerjanya dalam memodelkan Anomali Suhu Permukaan Laut (AnoSPL) dititik 0°N90°E. AnoSPL merupakan suatu fenomena meningkat atau menurunnya Suhu Permukaan Laut (SPL) dari rata-rata SPL. Penelitian ini bertujuan untuk membandingkan dua basis dari GAM yaitu P-spline dan gKRLS dalam memodelkan AnoSPL. Data yang digunakan merupakan data sekunder yang diperoleh dari website NOAA mulai tanggal 01 Januari 2010 hingga 31 Desember 2019 yang terdiri dari 1 variabel respon dan 5 variabel prediktor dengan jumlah pengamatan sebanyak 3652 hari. Hasil penelitian menunjukkan bahwa sebelum dilakukan imputasi, basis gKRLS menghasilkan model terbaik berdasarkan evaluasi nilai AIC, GCV, dan R^2Adjusted berturut-turut sebesar 924,931, 0,105, dan 0,732. Setelah proses imputasi, basis gKRLS juga yang menghasilkan model terbaik dengan nilai AIC, GCV, R^2Adjusted berturut-turut sebesar 2640,228, 0,121, dan 0,732. Sehingga dapat disimpulkan bahwa basis gKRLS secara konsisten memberikan performa terbaik dalam memodelkan AnoSPL.
Kata kunci: Model linier, GLM, GAM, P-spline, gKRLS, AnoSPL

This research is motivated by the limitations of linear models and Generalized Linear Models (GLM) in handling gap, smooth, and nonlinear relationships between predictor variables and response variables. Therefore, Generalized Additive Models (GAM) were developed to model complex relationships between variables by incorporating nonparametric smoothing functions. The basic Penalized spline (P-spline) and generalized Kernel Regularized Least Square (gKRLS) are used to estimate the nonparametric components of the model. Both of these GAM bases will compare their performance in modelling the Sea Surface Temperature Anomaly (SSTA) at the point 0°N90°E. SSTA is a phenomenon of the increase or decrease in Sea Surface Temperature (SST) from the average SST. This study aims to compare two bases of GAM, namely P-spline and gKRLS on SSTA. The data used is secondary data obtained from the NOAA website from January, 01 2010 to December, 31 2019 which consists of 1 response variable and 5 predictor variables with a total of 3652 observations. The results showed that before imputation, the gKRLS basis produced the best model based on the evaluation of the AIC, GCV, R^2Adjusted values of 924.931, 0.105 and 0.732 respectively. After the imputation process, the gKRLS basis also produced the best model with AIC, GCV, R^2Adjusted values of 2640.228, 0.121, and 0.732 respectively. So it can be concluded that the gKRLS basis consistently provides the best performance in SSTA modelling. Keywords: Linear Models, GLM, GAM, P-spline, gKRLS, SSTA