PROPOSAL SKRIPSI

ESTIMATOR DERET FOURIER DALAM REGRESI

SEMIPARAMETRIK UNTUK ANGKA KRIMINALITAS DI
PAMEKASAN

FOURIER SERIES ESTIMATORS IN SEMIPARAMETRIC REGRESSION

FOR CRIME RATES IN PAMEKASAN

Oleh:
Rini Kustianingsih
2014.01.01.0.0003

HALAMAN JUDUL

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM MADURA
PAMEKASAN
2018

i
 LEMBAR PENGESAHAN

PROPOSAL SKRIPSI

ESTIMATOR DERET FOURIER DALAM REGRESI

SEMIPARAMETRIK UNTUK ANGKA KRIMINALITAS DI
PAMEKASAN

FOURIER SERIES ESTIMATORS IN SEMIPARAMETRIC REGRESSION

FOR CRIME RATES IN PAMEKASAN

RINI KUSTIANINGSIH
2014.01.01.0.0003

Telah disetujui untuk diuji pada Sidang Proposal Skripsi

Pada tanggal ……..

Susunan
PEMBIMBING

Pembimbing I Pembimbing II

KUZAIRI, [Link] M. FARIZ FADILLAH M.

NIDN. 0703067802 NIP. 19910306 201611 3 101

Mengetahui,
Kaprodi Si Jurusan Matematika
FMIPA UIM

FAISOL, [Link]

ii
 NIDN. 07010486

KATA PENGANTAR

Bismillahirrohmanirrohim

Puji syukur penulis panjatkan kepada Allah SWT atas segala rahmat dan
karunia-Nya sehingga dapat terselesaikannya Proposal Skripsi dengan judul
“Estimator Deret Fourier dalam Regresi Semiparametrik untuk Angka
Kriminalitas di Pamekasan”. Sholawat beserta salam semoga senantiasa tetap
mengalir deras kepadanya, Baginda Muhammad SAW beserta kepada para
sahabat dan seluruh pengikut Beliau yang insyaAllah tetap istiqomah hingga akhir
zaman, Amin.

Dalam penyusunan Proposal Skripsi ini penulis mendapatkan kemudahan

dan kelancaran berkat dukungan serta dorongan dari berbagai pihak, dan tidak
lupa penulis ucapkan banyak terimakasih yang tak terhingga kepada:

1. Bapak Ahmad, [Link]., [Link] selaku Rektor Universitas Islam Madura

Pamekasan.
2. Bapak Kuzairi, [Link] selaku Dekan FMIPA Universitas Islam Madura
sekaligus Dosen Pembimbing I yang senantiasa mengarahkan dan
membimbing penulis dalam menyelesaikan Proposal Skripsi ini.
3. Bapak Faisol, [Link] selaku Ketua Program Studi Matematika FMIPA
Universitas Islam Madura yang memberikan motivasi dan kemudahan
pengurusan persyaratan-persyaratan selama penulis menyelesaikan
Proposal Skripsi.
4. Bapak M. Fariz Fadillah Mardianto, [Link] selaku Dosen Pembimbing II
yang senantiasa meluangkan waktunya guna memberikan arahan dan
saran bagi penulis dalam menyelesaikan Proposal Skripsi ini.
5. Bapak dan Ibu tercinta yang kasih sayangnya sepanjang masa, terimakasih
atas dukungan yang selalu mendoakan penulis untuk menuju kesuksesan.
Semoga penulis dapat membalas semua keringat Bapak dan Ibu selama
ini. Dan semoga Allah senantiasa menjaga dan melindungimu, Amin.

iii
 6. Bapak Seluruh Dosen FMIPA, terimakasih atas segala pengetahuan yang
telah diberikan, semoga menjadi ilmu yang bermanfaat, yang berguna.
Semoga Allah menjadikan ilmu yang engkau berikan menjadi amal di
akhirat.
7. Untuk Mas Faris, terimakasih atas dukungan, inspirasi serta semangat
yang selalu kau berikan untuk adek selama ini.
8. My dear fellow, terimakasih untuk kalian yang selalu mendukung dan
terimakasih atas kebersamaan ini.

Penulis menyadari banyaknya kekurangan dan kelemahan dari Proposal

Skripsi ini, untuk itu penulis memohon kritik dan saran dari berbagai kalangan
dalam rangka menyempurnakan Proposal Skripsi ini. Semoga Proposal Skripsi ini
bermanfaat bagi para pembaca dalam mencetak generasi bangsa yang intelektual,
aktif dan kreatif.

Pamekasan, 14 Desember 2017

Penulis

iv
 DAFTAR ISI

HALAMAN JUDUL...............................................................................................i

LEMBAR PENGESAHAN...................................................................................ii

KATA PENGANTAR..........................................................................................iii

DAFTAR ISI...........................................................................................................v

DAFTAR TABEL................................................................................................vii

DAFTAR GAMBAR..........................................................................................viii

DAFTAR SIMBOL...............................................................................................ix

BAB I PENDAHULUAN.......................................................................................1

1.1 Latar Belakang...........................................................................................1

1.2 Rumusan Masalah......................................................................................4

1.3 Batasan Masalah........................................................................................5

1.4 Tujuan Penelitian.......................................................................................5

1.5 Manfaat Penelitian.....................................................................................5

BAB II TINJAUAN PUSTAKA............................................................................6

2.1 Tingkat Kriminalitas dan Faktor yang Mempengaruhi..............................6

2.2 Analisis Demografi Pamekasan.................................................................7

2.3 Analisis Regresi.........................................................................................8

2.4 Analisis Regresi Nonparametrik................................................................9

2.5 Analisis Regresi Semiparametrik...............................................................9

2.6 Estimator Deret Fourier dalam Regresi Semiparametrik.........................10

2.7 Pemilihan Parameter Osilasi Optimal dan Ukuran Kebaikan Model......11

2.8 Estimator OLS (Ordinary Least Square).................................................12

2.9 Teorema – Torema Dasar........................................................................12

2.9.1 Tranpose...........................................................................................12

v
 2.9.2 Invers Matriks..................................................................................15

2.9.3 Trace.................................................................................................16

2.9.4 Turunan Fungsi Vektor dan Matriks................................................17

BAB III METODELOGI PENELITIAN...........................................................20

3.1 Langkah-Langkah Penelitian...................................................................20

3.2 Diagram Alir Penelitian...........................................................................22

3.3 Diagram Alir Pemodelan Estimasi Regresi Semiparametrik dengan

Pendekatan Deret Fourier........................................................................23

3.4 Diagram Alir Prediksi Angka Kriminalitas di Pamekasan......................24

3.5 Rencana Jadwal Kegiatan Penelitian.......................................................25

DAFTAR PUSTAKA...........................................................................................26

vi
vii
 DAFTAR TABEL

Tabel 3.1 Rencana Jadwal kegiatan Penelitian......................................................25

viii
ix
 DAFTAR GAMBAR

Gambar 3.1 Flow Chart Penelitian........................................................................22

Gambar 3.2 Flow Chart Penentuan Estimasi Regresi Semiparametrik dengan
Pendekatan Deret Fourier.......................................................................................23
Gambar 3.3 Flow Chart Prediksi Angka Kriminalitas di Pamekasan...................24

x
 DAFTAR SIMBOL

yi : Respon ke – i

ti : Prediktor ke – i

f ( zi ) : Kurva regresi

f ( ti ) :Komponen nonparametrik dimana fungsinya belum

diketahui

εi : Error random yang diasumsikan identik, independen dan

berdistribusi normal dengan mean nol dan varian σ 2.

2
σ : Varian

∑ β ij x ij :Komponen parametrik yang merupakan fungsi polynomial

j=0

hingga derajat k

K : Parameter osilasi
n : Jumlah data
I : Matriks identitas
A [K ] : Matriks hat

y : Vektor yang memuat rata-rata data respon

xi
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Kemiskinan sering diasosiasikan sebagai masalah bagi negara-negara
berkembang termasuk Indonesia. Kemiskinan menyangkut kondisi kekurangan
dari sebuah tuntutan kehidupan yang paling minimum, khususnya dari aspek
konsumsi dan pendapatan. Kemiskinan di negara berkembang sering dikaitkan
dengan pengangguran, dengan adanya kondisi tersebut maka taraf kehidupan
semakin memprihatinkan yang akan memberikan dampak bagi masyarakat
sehingga melakukan tindak kriminalitas. Tindak kriminalitas akan sangat
merugikan bagi setiap individu maupun kelompok masyarakat karena
menimbulkan keresahan dan ketidak-amanan, padahal rasa aman sangat penting
untuk kehidupan manusia. Sosiologi berpendapat bahwa kejahatan disebabkan
karena kondisi-kondisi dan proses-proses sosial yang sama, yang menghasilkan
perilaku-perilaku sosial lainnya. Menurut [Link] yang mengatakan
bahwa seseorang berperilaku jahat dengan cara yang sama dengan perilaku yang
tidak jahat, artinya perilaku jahat dipelajari dalam interaksi dengan orang lain, dan
orang lain tersebut mendapat perlakuan jahat sebagai hasil interaksi yang
dilakukan dengan orang yang berperilaku dengan kecendrungan melawan norma
hukum yang ada. Dengan demikian, pengertian kriminalitas adalah segala macam
bentuk tindakan dan perbuatan yang merugikan secara ekonomis dan psikologis
yang melanggar hukum yang berlaku dalam negara Indonesia serta norma-norma
sosial dan agama (Marina dan Budiantara, 2013).

Kemiskinan juga menyebar di berbagai wilayah, termasuk Kabupaten

Pamekasan. Pamekasan adalah sebuah kabupaten yang ada di Provinsi Jawa
Timur. Kabupaten Pamekasan berbatasan dengan Laut Jawa di utara dan Selat
Madura di selatan. Kabupaten ini terdiri dari 13 kecamatan yang terbagi lagi atas
178 desa dan 11 kelurahan. Sebagian besar penduduk Kabupaten Pamekasan
bermata pencaharian di sektor pertanian, yang terdiri dari pertanian tanaman
bahan makanan, perkebunan, peternakan, kehutanan dan perikanan. Pada tahun
2013, peranan sektor pertanian terhadap PDRB Kabupaten Pamekasan mencapai

1
 2

47,71 persen. Persentase tersebut terus mengalami penurunan dari tahun ke tahun
tergeser oleh sektor perdagangan dan jasa-jasa (Badan Pusat Statistik, 2017). Dari
hasil mata pencaharian tersebut terkadang tidak bisa memenuhi kebutuhan
ekonomi mereka, sehingga seringkali masyarakat cenderung melakukan tindakan
yang melanggar hukum, seperti: perampokan, pencurian, judi, penggunaan obat
terlarang, minum keras, dan lain- lain. Kasus kriminalitas menjadi berita hangat
yang dibicarakan dalam media elektronik ataupun di surat kabar. Jumlah kasus
kriminalitas yang terjadi disetiap wilayah rata-rata hampir sama tindak
kejahatannya. Jawa Timur merupakan salah satu provinsi dengan tingkat
kriminalitas yang tinggi di Indonessia. Jumlah kasus kriminalitas yang dilaporkan
(crime total) di Jawa Timur pada tahun 2013 adalah sebesar 34.260 kasus. Jumlah
ini mengalami peningkatan 5,67% dibandingkan dengan tahun 2012 (Badan Pusat
Statistik, 2014). Berdasarkan data tersebut Pamekasan juga termasuk di dalamnya
yang berisiko melakukan tindak kriminalitas. Risiko ini dapat dinyatakan dengan
sebuah pengukuran yang disebut tingkat kriminalitas (crime rate). Tingkat
kriminalitas merupakan angka yang menunjukkan resiko penduduk menjadi
korban tindak kriminalitas per 100.000 penduduk (Badan Puasat Statistik, 2013).
Tingginya tingkat kriminalitas di suatu wilayah sering kali dihubungkan dengan
faktor-faktor ekonomi, sosial dan demografi dimasyarakat (Badan Puasat Statistik,
2011). Selama periode tahun 2012, berdasarkan catatan Polres di 37 Kabupaten
atau Kota se-Jawa Timur jumlah tindak kejahatan mengalami fluktuasi yang
terbagi menjadi tiga jenis tindak kejahatan diantaranya adalah yang pertama,
tindak kejahatan terhadap fisik manusia meliputi pembunuhan, pemerkosaan,
penganiayaan ringan, penganiayaan berat, penculikan, dan KDRT. Kedua, tindak
kejahatan terhadap hak milik yang meliputi kebakaran, pencurian dengan
pemberatan, pencurian dengan kekerasan, pencurian kendaraan bermotor,
pencurian kawat telepon, pencurian kayu jati, dan pencurian hewan. Ketiga,
tindak kejahatan jenis lainnya yang meliputi narkotika, uang palsu, dan lainnya.
Berdasarkan tingkat Kabupaten di Madura, dari tiga jenis tindak kejahatan
tersebut rasio kejadian tidak kejahatan terhadap fisik, Pamekasan menempati
urutan ke-2, tindak kejahatan terhadap hak milik no urut ke-3, dan tindak
kejahatan jenis lainnya Pamekasan menempati no urut ke-1. Selain dari tiga jenis
 3

tindak kejahatan crime rate menunjukkan bahwa Pamekasan masuk kedalam

urutan ke- 1 (Badan Pusat Statistik, 2013).

Berdasarkan fakta- fakta tersebut seluruh jajaran polsek se-Pamekasan

menggalakkan patroli, utamanya di tempat-tempat rawan terjadinya tindak
kriminalitas. Salah satu faktor terjadinya tindak kriminalitas adalah pengangguran,
hal yang demikian dapat ditanggulangi dengan menyediakan lapangan pekerjaan
dengan kapasitas yang sesuai dengan angka pengangguran dan pekerjaan yang
sesuai dengan potensi yang dimiliki. Dengan demikian analisis tentang faktor-
faktor yang mempengaruhi tingkat kenaikan tindak kriminalitas sangat
diperlukan.

Data tindak kriminalitas dalam penelitian nantinya akan dimodelkan dengan

menggunakan estimator deret Fourier dalam regresi semiparametrik. Metode
tersebut dipilih karena sebagian variabel-variabel yang mempengaruhi angka
kriminalitas di Pamekasan polanya diketahui bentuknya dan sebagian lagi tidak
diketahui bentuk polanya. Regresi semiparametrik adalah kombinasi antara regresi
parametrik dan nonparametrik. Dalam keadaan dimana bentuk kurva regresi
terdiri dari pola komponen parametrik yang diketahui dan komponen
nonparametrik yang tidak diketahui polanya.

Analisis regresi merupakan salah satu analisis statistik yang digunakan untuk
menyelidiki pola hubungan fungsional antara satu atau lebih variabel. Ada tiga
pendekatan analisis regresi untuk memperkirakan kurva regresi, yaitu pendekatan
regresi parametrik, regresi nonparametrik, dan regresi semiparametrik (Asrini dan
Budiantara, 2014). Dalam pendekatan regresi parametrik, ada asumsi yang sangat
kuat dan kaku yaitu bentuk kurva regresi yang diketahui, misalnya linier, kuadrat,
kubik, polinomial pangkat p, eksponen, dan lain-lain. pada regresi nonparametrik,
bentuk regresi kurva diasumsikan tidak diketahui dan terkandung dalam ruang
fungsi tertentu. Asumsi ini bergantung pada kelancaran properti yang dimiliki
oleh fungsi pola yang tidak diketahui (Budiantara, 2005). Regresi semiparametrik
muncul karena adanya kasus-kasus pemodelan dimana hubungan antar
variabelnya sebagian berpola linier, dan sebagian lainnya tidak diketahui bentuk
polanya (Salam, 2013).
 4

Penelitian menggunakan deret Fourier dalam regresi nonparametrik maupun

semiparametrik telah banyak dikembangkan diantaranya oleh Bilodeau (1992),
estimator deret Fourier untuk kurva regresi nonparametrik oleh Tripena dan
Budiantara (2006), estimator deret Fourier dalam regresi nonparametrik yang
dibobot oleh Tjahjono (2009), dan estimator deret Fourier untuk kurva regresi
nonparametrik birespon oleh Semiati (2010), pendekatan regresi nonparametrik
deret Fourier pada data pengangguran terbuka di Jawa Timur oleh Prahutma
(2013). Bidermann, Datte, dan Hoffmann (2009) dalam jurnalnya meneliti
rancangan optimal untuk mendapatkan suatu constrained dalam model regresi
deret Fourier. Regresi semiparametrik satu respon menggunakan deret Fourier
telah diteliti oleh Asrini (2012). Asrini (2014) menerapkan penelitiannya pada
data produksi irigasi padi sawah di Jawa Tengah.

Penelitian-penelitian yang disebutkan di atas belum ada yang meneliti

pendekatan deret Fourier dalam regresi semiparametrik dengan menggunakan
estimator OLS (Ordinary Least Square) untuk kasus angka kriminalitas di
Pamekasan dengan variabel prediktor jumlah penduduk tiap kecamatan tahun
2016 berhubungan secara parametrik dengan variabel respon jumlah kejadian
kriminalitas. Sementara itu, variabel prediktor jumlah penduduk yang
menganggur tahun 2016 serta variabel prediktor jumlah penduduk yang miskin
tahun 2016 berhubungan secara nonparametrik dengan variabel respon.
Pemodelan bertujuan untuk menduga besarnya pengaruh variabel prediktor
terhadap variabel respon yaitu jumlah kejadian kriminalitas yang ada di
Pamekasan.

1.2 Rumusan Masalah

Berdasarkan latar belakang diatas, rumusan masalah dalam penelitian ini
adalah sebagai berikut :

1. Bagaimana estimator deret Fourier untuk regresi semiparametrik dalam

angka kriminalitas di Pamekasan tahun 2016?
2. Bagaimana model regresi semiparametrik dengan pendekatan deret Fourier
untuk angka kriminalitas di Pamekasan tahun 2016?
 5

1.3 Batasan Masalah

Mengacu pada permasalahan diatas, ruang lingkup dalam penelitian ini
dibatasi dalam beberapa hal, antara lain:

1. Estimator yang digunakan tidak hanya berdasarkan pada deret cosinus

Fourier saja, melainkan berdasarkan deret sinus Fourier, serta deret Fourier
dengan basis sinus dan cosinus (selanjutnya disebut deret Fourier umum),
kemudian ketiganya dibandingkan berdasarkan ukuran kebaikan model.
2. Data yang digunakan adalah data sekunder yaitu angka kriminalitas di
Pamekasan tahun 2016.

1.4 Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah:

1. Untuk mengetahui estimator deret Fourier untuk regresi semiparametrik

dalam angka kriminalitas di Pamekasan tahun 2016.
2. Untuk mengetahui model regresi semiparametrik dengan pendekatan deret
Fourier untuk angka kriminalitas di Pamekasan tahun 2016.

1.5 Manfaat Penelitian

Melalui penelitian diharapkan dapat memberi manfaat sebagai berikut:

1. Sebagai informasi kepada para masyarakat mengenai faktor tindak

kriminalitas di Kabupaten Pamekasan tahun 2016.
2. Memperluas wawasan keilmuan terutama dalam penggunaan metode
regresi semiparametrik dengan pendekatan deret Fourier untuk mengetahui
faktor- faktor yang dapat mempengaruhi angka kriminalitas di Pamekasan
tahun 2016.
 BAB II

TINJAUAN PUSTAKA

2.1 Tingkat Kriminalitas dan Faktor yang Mempengaruhi

Kriminalitas atau tindak kejahatan atau pelanggaran merupakan perbuatan
seseorang yang dapat diancam hukuman berdasarkan KUHP atau undang-undang
serta peraturan lainnya yang berlaku di Indonesia (Badan Pusat Statistik, 2014).
Jumlah kasus kriminalitas yang terjadi disetiap wilayah rata- rata hampir sama
tindak kejahatannya.

Kriminalitas juga menyebar di berbagai wilayah, termasuk Kabupaten

Pamekasan. Pamekasan memiliki tingkat kriminalitas yang sangat tinggi
berdasarkan jenis-jenis tindak kejahatan yang terbagi menjadi 3, diantaranya:

a. Tindak kejahatan terhadap fisik manusia yang meliputi pembunuhan,

pemerkosaan, penganiayaan ringan, penganiayaan berat, penculikan dan
KDRT.
b. Tindak kejahatan terhadap hak milik yang meliputi kebakaran, pencurian
dengan pemberatan, pencurian dengan kekerasan, pencurian kendaraan
bermotor, pencurian kawat telpon, pencurian kayu jati dan pencurian
hewan.
c. Tindak kejahatan jenis lainnya meliputi narkotika, uang palsu dan lainnya

Berdasarkan jenis tindak kejahatan tersebut, Pamekasan menempati urutan

ke-2 pada jenis tindak kejahatan terhadap fisik, tindak kejahatan terhadap hak
milik Pamekasan menempatiurutan ke-3, dan tindak kejahatan jenis lainnya
Pamekasan menempati urutan ke-1 se-Kabupaten di Madura (Badan Pusat
Statistik, 2013).

Pada dasarnya setiap individu akan dipengaruhi oleh beberapa faktor baik
intern maupun ekstern yang menyebabkan seseorang melakukan tindakan
kriminal. Tingginya tingkat kriminalitas di suatu wilayah sering kali dihubungkan
dengan faktor-faktor ekonomi, sosial dan demografi dimasyarakat, diantaranya:

6
 7

a. Kemiskinan
Kemiskinan adalah keadaan dimana terjadi ketidakmampuan untuk
memenuhi kebutuhan dasar seperti makanan, pakaian, tempat berlindung,
pendidikan, dan kesehatan. Kemiskinan juga terjadi di Indonesia, pada
bulan september 2016 jumlah penduduk miskin (penduduk dengan
pengeluaran per kapita per bulan di bawah garis kemiskinan) mencapai
27,76 juta orang (10,70 persen) (Badan Pusat Statistik, 2017).
b. Jumlah Penduduk
Jumlah penduduk Jawa Timur dari hasil proyeksi yaitu sebesar 39.075.152
jiwa pada tahun 2016 atau naik sebesar 0,59 % dibandingkan tahun 2015
sebesar 38.847.561. Provinsi Jawa Timur merupakan jumlah penduduk
terbesar ke 2 di Indonesia (Badan Pusat Statistik, 2017)
c. Pengangguran
Jumlah pengangguran biasanya dipengaruhi oleh pertambahan jumlah
penduduk serta tidak didukung oleh tersedianya lapangan kerja baru.
Pengangguran juga terjadi di berbagai wilayah termasuk di Pamekasan.
Pada tahun 2015 jumlah penduduk yang menganggur di Pamekasan
sebanyak 18.948 jiwa. Tingkat pengangguran terbuka pada tahun 2015
sebesar 4,26 %, dimana angka tersebut mengalami kenaikan dari tahun
sebelumnya sebesar 2,12 % (Badan Pusat Statistik, 2016)

2.2 Analisis Demografi Pamekasan

Pamekasan terdiri dari 13 kecamatan yang terbagi lagi atas 178 desa dan 11
kelurahan. Menurut Badan Pusat Statistik tahun 2016, data yang dihimpun dari
Dinas Kependudukan dan Catatan Sipil Kabupaten Pamekasan, menunjukkan
bahwa jumlah penduduk sampai dengan akhir tahun 2015 sebanyak 910.140 jiwa.
Angka tersebut naik sebesar 7.183 jiwa dari data awal tahun yaitu 902.957 jiwa.
Pertambahan penduduk karena kelahiran dan kematian sebesar 8.6693 jiwa
sedang pertambahan karena mutasi sebesar 1.486 jiwa. Dari data tersebut bisa
disimpulkan bahwa penduduk Pamekasan lebih banyak melakukan mutasi keluar
dari pada yang masuk. Dari kebiasaan masyarakat Madura yang suka merantau,
maka ada kemungkinan mereka pindah karena pekerjaan atau karena alasan
pendidikan (Badan Pusat Statistik, 2016)
 8

Berdasarkan hal tersebut semakin bertambahnya penduduk dapat

mempengaruhi tindak kriminalitas, selain bertambahnya penduduk faktor lainnya
seperti pengangguran dan kemiskinan juga sangat mempengaruhi terjadinya
tindak kriminalitas. Tingkat pengangguran Kabupaten Pamekasan dilihat dari
profil ketenagakerjaan pada tahun 2015 sebesar 18.948 jiwa yang mengalami
peningkatan dari tahun sebelumnya sebesar 8.913 jiwa dari data awal pada tahun
2014 sebesar 10.035 jiwa. Sedangkan penduduk miskin menurut Kabupaten di
Madura pada tahun 2015, Pamekasan menempati urutan ke-4 sebesar 146,92 ribu
jiwa (Badan Pusat Statistik, 2016). Berdasarkan data tersebut semakin
bertambahnya penduduk dan tingginya tingkat pengangguran serta kemiskinan
mempengaruhi tingkat kriminalitas yang ada di Pamekasan.

2.3 Analisis Regresi

Analisis regresi merupakan salah satu metode statistika yang digunakan untuk
mengetahui pola hubungan antara dua atau lebih variabel. Terdapat dua jenis
variabel dalam analisis regresi yaitu variabel prediktor yang biasa dilambangkan x
dan variabel respon yang dilambangkan dengan y . Selain untuk mengetahui pola
hubungan, analisis regresi juga dapat digunakan peramalan atau prediksi.
Misalkan terdapat sekumpulan data (z i , y i ) yang secara umum dapat dimodelkan
dengan model regresi sebagai berikut.

y i=f ( z i )+ ε i , ε i N ( 0 , σ 2 ) , i=1 , 2 ,… n (2.1)

dalam hal ini:

yi : Respon ke – i
f ( zi ) : Kurva regresi
εi : Error random yang diasumsikan identik, independen dan berdistribusi
normal dengan mean nol dan varian σ 2.
terdapat 3 pendekatan dalam analisis regresi, yaitu regresi parametrik, regresi
nonparametrik dan regresi semiparametrik (Pratiwi, 2016)
 9

2.4 Analisis Regresi Nonparametrik

Regresi nonparametrik merupakan regresi yang pola hubungan antar
avariabel respon dan variabel prediktor tidak diketahui bentuknya. Model
regresi nonparametrik secara umum sebagai berikut:

y i=f ( t i ) + ε i , ε i N ( 0 , σ 2) , i=1 , 2 ,… n (2.2)

dengan y i merupakan variabel respon, t i merupakan variabel prediktor, dan ε i

adalah error random yang independen dan berdistribusi normal dengan mean nol
dan variansi σ 2, sedangkan f ( t i ) merupakan fungsi regresi yang tidak diketahui
bentuk polanya.

Pada pendekatan regresi nonparametrik ini akan menggunakan asumsi yang

longgar sehingga peneliti tidak memaksakan memakai bentuk kurva yang kaku
namun membiarkan data sendiri yang akan mencari bentuk estimasi dari kurva
regresinya. Dengan kata lain, regresi nonparametrik memiliki fleksibilitas yang
lebih baik dalam memodelkan pola data. Kurva regresi dalam regresi
nonparametrik diasumsikan halus dan termuat dalam suatu ruang fungsi tertentu
(Ishaq, [Link]., 2016)

2.5 Analisis Regresi Semiparametrik

Model semiparametrik dalam beberapa literatur disebut juga dengan model
linear yang memuat dua komponen sekaligus, yaitu komponen parametrik dan
nonparametrik. Model ini lebih fleksibel dari pada model linear karena
keberadaan dua komponen ini akan mengakomodasi hubungan antara respon
dengan prediktor yang bersifat linear, dan hubungan antar respon dengan
prediktor yang bersifat nonlinear. Adapun model regresi semiparametrik adalah
sebagai berikut:
k
y i=∑ β ij x ij+ f ( t i ) +ε i ,ε i N ( 0 , σ 2 ) , i=1 , 2 ,… n (2.3)
j=0

dalam hal ini:

 10

∑ β ij x ij : Komponen parametrik yang merupakan fungsi polynomial hingga

j=0

derajat k

f ( ti ) : Komponen nonparametrik dimana fungsinya belum diketahui

εi : Error yang independen dan berdistribusi normal dengan mean 0, dan

variansi σ 2 (Poerwanto, 2014)

2.6 Estimator Deret Fourier dalam Regresi Semiparametrik

Estimator deret Fourier adalah polinomial trigonometri yang memiliki
fleksibilitas, sehingga bisa beradaptasi secara efektif dengan sifat data lokal.
Estimator deret Fourier digunakan untuk menggambarkan kedua kurva yaitu
gelombang sinus dan kosinus. Diberikan data: t i , y i ,i=1, 2 , … , n dan hubungan
antara t i dan y i diasumsikan mengikuti model regresi sebagai berikut:

y i=f ( t i ) + ε i , ε i N ( 0 , σ 2) , i=1 , 2 ,… n (2.4)

dengan f adalah kurva regresi yang diasumsikan terkandung di dalam ruang

C (0 , π ), ε i adalah kesalahan acak yang diasumsikan secara independen dengan
mean nol dan varianσ 2 (Asrini dan Budiantara, 2014)

Jika f (t) fungsi genap, atau jika f (−t )=f ( t ) , maka koefisien Fourier b n=0.
Dengan demikian deret Fouriernya disebut deret cosinus Fourier. Jika f (t) dapat
diintegralkan pada interval [0 , L], maka deret cosinus Fouriernya sebagai berikut

a0 ∞
f ( t )= + ∑ a cos k ¿ t (2.5)
2 n=1 n

¿ nπ
dimana k ≈ :n=1 , 2 ,3 , … adapun koefisien Fourier ditentukan oleh formula
L
berikut

L
2
a 0=
L0
∫ f ( t ) dt
L
2
a n= ∫ f ( t ) cos k t dt
¿
L 0
 11

Diberikan model regresi semiparametrik deret Fourier dalam persamaan

berikut:

( )
P K
α0 p
y i=β 0 + β 1 x i 1 +…+ β p xip + ∑ + γ p t ip + ∑ αk p cos k t ip + ε i (2.6)
p=1 2 k=1

Estimator deret Fourier dalam regresi semiparametrik yaitu

(
α^ 0 p
)
P K
^y i= β 0 + β 1 x i 1 +…+ β p xip + ∑
^ ^ ^ + γ^ p t ip + ∑ α^ k p cos k t ip (2.7)
p=1 2 k=1

2.7 Pemilihan Parameter Osilasi Optimal dan Ukuran Kebaikan Model

Pada estimator deret Fourier, parameter K adalah kontrol keseimbangan
antara fungsi kehalusan. Jika K besar, maka estimator yang didapat dari fungsinya
akan mulus, namun kemampuan untuk memetakan data kurang baik. Sebaliknya,
jika K kecil maka estimator yang didapat dari fungsi akan kasar. Oleh karena itu,
kita membutuhkan nilai yang tidak terlalu besar dan tidak terlalu kecil untuk
mendapatkan fungsi estimator terbaik. Dengan demikian nilai K adalah nilai K
optimal (Asrini dan Budiantara, 2014)

Untuk memperoleh model yang baik harus memperhatikan beberapa hal yaitu
nilai R2, GCV dan nilai MSE. Model yang baik adalah model yang dapat
meminimumkan GCV, menjelaskan variabilitas dari variabel respon dengan baik (
2
R tinggi) dan nilai MSE nya rendah.

Indikator ukuran kebaikan model dalam regresi semiparametrik dapat dilihat

dari ukuran berikut ini:

 Mean Square Error (MSE) dan Generalized Cross Validation (GCV)

Mean Square Error (MSE) adalah nilai dugaan dari variansi residual. Mean
Square Error (MSE) ditentukan oleh persamaan berikut:
1 T T
MSE [ K ] = y ( I −A [ K ] ) ( I − A [K ]) y (2.8)
n

Pada pemodelan regresi semiparametrik dengan menggunakan deret Fourier,

hal yang perlu diperhatikan adalah menentukan nilai K . Penentuan K optimal
bisa menggunakan metode GCV (Generalized Cross Validation). Penentuan K
 12

optimal akan menghasilkan nilai yang tinggi. Nilai GCV dinyatakan dalam
persamaan berikut (Yani, et al., 2017):

MSE (K )
GCV ( K )= −1
(n trace(I − A [K ]))2
(2.9)

dengan,
K : Parameter osilasi
n : Jumlah data,
I : Matriks identitas,
A [K ] : Matriks hat
 Koefisien Determinasi ( R2)
Salah satu kriteria yang digunakan dalam pemilihan model terbaik adalah
dengan menggunakan koefisien determinasi R2. Koefisien determinasi ( R2)
adalah besaran yang menggambarkan besarnya persentase variasi dalam
variabel respon yang dijelaskan oleh variabel prediktor (Nisa, 2017).
Diberikan rumus koefisien determinasi sebagai berikut:
( ^y − y )T (^y − y)
R 2= (2.10)
( y− y )T ( y− y )

dimana y merupakan vektor yang memuat rata-rata data respon. Model yang
baik dapat diukur dari nilai R2 yang besar (Mardianto, [Link]., 2017)

2.8 Estimator OLS (Ordinary Least Square)

Metode OLS adalah suatu metode penaksiran parameter model regresi yang
meminimumkan jumlah kuadrat error. Metode OLS harus memenuhi asumsi-
asumsi yang ada sehingga hasil estimasinya memenuhi sifat Best Linear Unbiased
Estimator (BLUE). Namun metode OLS sangat peka terhadap adanya
penyimpangan asumsi pada data. Beberapa asumsinya antara lain adalah residual
harus berdistribusi normal, variansnya homogen dan tidak terjadi autokorelasi.
Jika data tidak memenuhi salah satu asumsi misalnya disebabkan adanya outlier,
maka penduga OLS yang diperoleh menjadi tidak efisien (Maharani, [Link]., 2014).
 13

Tujuan utama dari metode ini adalah mengestimasi koefisien regresi untuk
meminimumkan jumlah kuadrat error (Irwan, 2015). Penaksir OLS diperoleh
dengan meminimumkan jumlah kuadrat error yaitu:

min min T min

R ( β , f )= ε ε= ( y−T β−F )T ( y−T β−f ) (2.11)
β ,f ϵ R β ,f β ,f

2.9 Teorema – Torema Dasar

Berikut ini akan diberikan beberapa teorema dasar yang akan digunakan
dalam mengkaji estimator Ordinary Least Square (OLS).

2.9.1 Tranpose
Jika A dilambangkan dengan A=( aij ) kemudian A' didefinisikan sebagai

' '
A =( aij ) =( a ji ) (2.12)

Notasi ini menunjukkan bahwa elemen dari barisidan kolom j dari A menjadi
baris j dan kolom i dari A' . Jika matrik A adalah n × p , maka A' adalah p ×n. Jika
sebuah matriks ditranpose dua kali, maka hasilnya matriks itu sendiri.

Teorema 2.9.1a
Jika A adalah semua matriks, maka
'
( A' ) = A (2.13)

Bukti
' ' '
Dari (2.12), A =( aij ) =( a ji ). Maka ( A' ) =( a ji )' =( aij )= A .
Adapun beberapa sifat transpose matriks:

a) ( A+ B)'= A '+ B '

Bukti:

[ ][ ]
a 11 a12 … a1 n b11 b 12 … b1 n
a21 a22 … a2 n b 21 b 22 … b2 n
¿ +
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
am 1 a m 2 … amn bm 1 bm 2 … b mn
 14

[ ]
a11 + b11 a12 +b12 … a1 n +b1 n
a21+ b21 a22 +b22 … a2 n +b2 n
¿
⋮ ⋮ ⋱ ⋮
am 1+ bm 1 am 2 +bm 2 … amn +b mn

[ ]
a11 + b11 a21+ b21 … a m 1+ bm 1
a12+ b12 a22+ b22 … a m 2+ bm 2
¿
⋮ ⋮ ⋱ ⋮
a1 n+ b1 n a 2 n+ b2 n … a mn+ bmn

[ ][ ]
a11 a 12 … a1 n a 11 a21 … am 1
a21 a 22 … a2 n a21 a22 … am 2
→
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
am 1 am 2 … amn a1 n a 2n … a mn

[ ][ ]
b11 b 12 … b1 n b11 b21 … bm 1
b 21 b 22 … b2 n b21 b22 … bm 2
→
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
bm 1 bm 2 … b mn b 1 n b2 n … b mn

Terbukti bahwa sifat matriks transpose berlaku pada( A+ B)'= A ' + B ' dengan
syarat A , B berordo sama (m ×n).

b) (k A) '=k ( A)' , dengan k sembarang skalar

Bukti:

[ ][ ]
a 11 a12 … a1 n k . a11 k . a12 … k . a1 n
a 21 a22 … a2 n k . a21 k . a22 … k . a2 n
¿k =
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
am 1 a m 2 … a mn k . a m 1 k . am 2 … k .a mn

[ ]
k . a11 k . a21 … k . a m 1
k . a12 k . a22 … k . a m 2
¿
⋮ ⋮ ⋱ ⋮
k . a 1n k . a2 n … k . amn

[ ]
a 11 a21 … am 1
a12 a22 … am 2
¿k
⋮ ⋮ ⋱ ⋮
a1 n a 2n … a mn
 15

Terbukti transpose matriks (k A) '=k ( A)' , dengan k sembarang skalar

c) ( AB )' =B ' A'

Bukti:

[ ][ ]
a 11 a12 … a1 n b11 b 12 … b1 n
a21 a22 … a2 n b21 b 22 … b2 n
¿ ∙
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
am 1 a m 2 … amn b m1 bm 2 … b mn

[ ]
a11 b11 + a12 b 21+ a1 n b m 1 a 11 b12+ a12 b 22+ a1 n b m 2 … a 11 b1 n+ a12 b2 n+ a1 n bmn
a 21 b11 + a22 b 21+ a2 n bm 1 a21 b12+ a22 b22+ a2 n bm 2 … a21 b1 n +a22 b2 n +a2 n bmn
¿
⋮ ⋮ ⋱ ⋮
am 1 b 11 +a m 2 b 21+a mn b m 1 a m 1 b12 +a m 2 b 22+a mn b m 2 … a m 1 b1 n +a m 2 b 2 n+ amn bmn

[ ]
a 11 b11 + a12 b 21+a 1n b m 1 a21 b 11 +a 22 b21 +a2 n bm 1 … a m 1 b 11 +a m 2 b 21+a mn b m 1
a11 b 12+ a12 b 22+ a1 n b m 2 a21 b 12+a 22 b22 +a 2n b m 2 … a m 1 b12 +a m 2 b 22+ amn b m 2
¿
⋮ ⋮ ⋱ ⋮
a11 b1 n +a12 b2 n +a1 n bmn a21 b1 n+ a22 b2 n+ a2 n bmn … am 1 b 1 n+ am 2 b2 n +a mn b mn

[ ]
b 11 a11 +b 21 a 12+b m 1 a 1n b11 a21 +b 21 a22 +bm 1 a2 n … b 11 am 1 +b21 am 2 +b m 1 a mn
b12 a11 + b22 a 12+b m 2 a1 n b 12 a 21+b 22 a22 +b m 2 a 2n … b12 am 1 +b 22 am 2 +b m 2 amn
¿
⋮ ⋮ ⋱ ⋮
b 1 n a 11 +b2 n a12 +bmn a1 n b1 n a21+ b2 n a22+ bmn a2 n … b 1 n a m 1+ b2 n am 2 +bmn a mn

[ ][ ]
b 11 b21 … bm 1 a11 a21 … am 1
b12 b22 … bm 2 a 12 a22 … am 2
¿ ∙
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
b 1 n b2 n … b mn a1 n a 2 n … amn

Terbukti transpose matriks ( AB )' =B ' A' , dengan syarat A , B berordo sama
(m ×n)

2.9.2 Invers Matriks

Sebuah matriks berpangkat dikatakan nonsingular. Sebuah matriks
nonsingular A memiliki invers yang unik dilambangkan dengan A−1 dengan milik
itu

−1 −1
AA = A A=I (2.14)
 16

jika A persegi dan kurang dari pangkat penuh, maka tidak memiliki invers dan
dikatakan tunggal (singular). Perhatikan matriks persegi panjang pangkat penuh
tidak memiliki invers pada (2.14) dari definisi (2.14), jelas bahwa A adalah invers
dari A−1;

−1
( A−1 ) = A (2.15)

Teorema 2.9.2a
Jika A adalah nonsingular, maka A' adalah nonsingular dan invers dapat
diperoleh sebagai berikut:
−1 '
( A' ) =( A−1 ) (2.16)

Teorema 2.9.2b
Jika A dan B adalah matriks nonsingular dengan ukuran yang sama, maka AB
adalah matriks nonsingular.
( AB )−1=B−1 A−1 (2.17)

Ada pengecualian untuk invers pada beberapa matrik spesial , jika A simetri
dan nonsingular dan dipartisi sebagai berikut:

A=
( A 11 A 12
A 21 A 22 )
dan jika B= A 22 −¿
A21 A 11−1 A 12, , ¿ maka dengan syarat A11−1 dan B−1 ada. Invers dari A
diberikan oleh:

( )
−1 −1 −1 −1 −1 −1
A 11 + A 11 A 12 B A 21 A11 − A11 A12 B
A−1= −1 −1 −1 (2.18)
−B A21 A 11 B

Sebagai kasus khusus (2.18) perhatikan matriks simetri nonsingular berikut:

A=
( A 11 a12
a 21 a22 )
dimana A adalah persegi a 22 adalah matriks 1 ×1 dan a 12adalah vektor maka jika
−1
A12 ada, A−1 dapat dinyatakan sebagai berikut:
 17

( )
−1 −1 ' −1 −1
1 b A 11 + A11 a 12 a12 A 11 − A 11 a12
A−1= (2.19)
b '
−a12 A11
−1
1

dimana b=a 22−a'12 A−1

11 a12. Seperti pada persamaan (2.18) kita mempunyai:

( ) ( )
−1
A 11 O −1 A 11 O
= −1 (2.20)
O A 22 O A 22

Jika matriks persegi dari bentuk B+c c ' adalah nonsingular, dimana c adalah
vektor dan B adalah matriks nonsingular, maka:

−1 ' −1
( B+c c ' ) =B−1− B c' c −1
B
−1
(2.21)
1+ c B c

Secara umum, jika A , B dan A+ PBQ merupakan nonsigular, maka:

−1
( A+ PBQ )−1= A−1− A−1 PB ( B+ BQA−1 PB ) BQA−1 (2.22)

2.9.3 Trace
Trace dari n × n matrik A=( aij ) adalah fungsi skalar yang didefinisikan
n
sebagai jumlah elemen diagonal dari A ; dimana tr ( A )=∑ a ii.
i=1

Sifat-sifat dari trace diberikan pada teorema berikut:

Teorema 2.9.3a
i. Jika A dan B adalah n × n, maka:
tr ( A ± B )=tr ( A ) ± tr ( B ) (2.23)

ii. Jika A adalah n × p dan B adalah p ×n , maka:

tr ( AB )=tr ( BA ) (2.24)
Catatan dari (2.24) n bisa kurang dari, sama dengan atau lebih dari p

iii. Jika A adalah n × p , maka:

p
tr ( A ' A ) =∑ a 'i a i , (2.25)
i=1

dimana a i, i adalah kolom dari A

 18

iv. Jika A adalah n × p , maka:

n
tr ( A A ' ) =∑ a 'i a i (2.26)
i=1

dimana a 'i, i adalah baris dari A

v. Jika A=( aij ) adalah n × p matriks dengan elemen representatif a ij, maka:
n p
tr ( A ' A ) =tr ( A A' ) =∑ ∑ a 2ij (2.27)
i=1 j=1

vi. Jika A adalah n × n matriks dan P adalah n × n matriks nonsingular,

maka:
tr ( P−1 AP )=tr ( A ) (2.28)
vii. Jika A adalah n × n matriks dan C adalah n × n matriks ortogonal, maka:
tr ( C ' AC ) =tr ( A ) (2.29)

2.9.4 Turunan Fungsi Vektor dan Matriks

Misalkan u=f ( x ) menjadi fungsi dari variabel x 1 , x 2 ,... , x p dimana
'
x=( x 1 , x 2 ,... , x p ) , dan misalkan ∂ u/∂ x 1 , ∂ u/∂ x 2 ,… ,∂ u /∂ x p menjadi turunan
parsial. Didefinisikan ∂ u/∂ x sebagai:

()
∂u
∂ x1
∂u
∂u
= ∂ x2 (2.31)
∂x
⋮
∂u
∂xp

Dua fungsi khusus adalah u=a' x =x' a, dan u=x' Ax . Turunan ini
berhubungan dengan x , diberikan dalam dua terorema berikut.

Teorema 2.9.4a
'
Misalkan u=a' x =x' a dimana a =( a1 , a2 , … , a p ) adalah vector konsanta. Maka:

∂ u ∂ (a x ) ∂( x a)
' '
= = =a (2.32)
∂x ∂x ∂x

Bukti:
 19

∂u ∂ ( a1 x 1+ a2 x 2 +…+ a p x p )
= =ai
∂ xi ∂ xi

Dari persamaan (2.12) didapatkan:

()
a1
∂u a2
= =a
∂x ⋮
ap

Teorema 2.9.4b
Misalkan u=( x ' Ax ), dimana A adalah matriks simetris dari konstanta. Maka:

∂ u ∂ ( x Ax )
'
= =2 Ax (2.33)
∂x ∂x

Bukti:
Ditunjukkan dari persamaan (2.33) berlaku untuk kasus khusus dimana A
adalah matriks 3 ×3 . Ilustrasi ini dapat digeneralisasi ke simetris A dari berbagai
ukuran. Misalnya

() ( )( )
x1 a11 a 12 a13 a'1
x= x 2 dan A= a12 a 22 a23 = a'2
x3 a13 a 23 a33 a'3

' 2 2 2
maka x Ax=x1 a11 + 2 x 1 x2 a12 +2 x1 x 3 a 13+ x 2 a22+ 2 x 2 x3 a23 + x 3 a33, dan
mempunyai:

∂(x ' Ax)

=2 x 1 a 11 +2 x2 a12 +2 x3 a13 =2a '1
∂ x1

∂(x ' Ax)

=2 x 1 a 12+2 x 2 a 22+2 x 3 a23=2 a'2
∂ x2

∂ ( x' Ax ) '
=2 x 1 a 13+2 x 2 a 23+2 x 3 a33=2 a3 x
∂ x3

Berdasasarkan dari ¿ ( ca ij ) =¿,

 20

( )( )()
'
a1 ( b1 , b2 , … , b p )
a '1 B a'1
a' b , b , … , b p ) ' '
AB= 2 ( 1 2 = a 2 B = a2 B , dan persamaan (2.31), dihasilkan
⋮ ⋮ ⋮
' '
a ( b 1 , b2 , … , b p )
n a B n a'n

( )
∂ ( x ' Ax )
∂ x1

()
'
a1 x
∂ ( x Ax ) ∂ ( x Ax )
' '
= =2 a '2 x =2 Ax
∂x ∂ x2 '
a3 x
∂ ( x Ax )
'

∂ x3

Misalkan u=f ( X ) menjadi fungsi dari variabel x 11 , x 12 , … , x pp dalam p × p

matrik X , dan misalkan ( ∂ u /∂ x 11 ) , ( ∂ u/∂ x 12) , … , ( ∂ u /∂ x pp ) menjadi turunan
parsial, dengan persamaan (2.31), dapat didefinisikan ∂ u/∂ X sebagai:

( )
∂u ∂u
∂u ⋯ ∂u
= ∂ x 11 ∂ x1 p ⋯ ¿ ¿
∂X ∂ x pp
⋮ ¿ ¿
(2.34)

Dua fungsi dari jenis tersebut adalah u=tr ( XA ) dan u=ln |X| untuk matriks
definit positif X (Rencher dan Schaalje, 2007).
 BAB III

METODELOGI PENELITIAN

Bab ini menjelaskan mengenai tahapan-tahapan beserta jadwal kegiatan yang

dilakukan selama pengerjaan Skripsi.

2.2 Langkah-Langkah Penelitian

Berikut ini merupakan langkah-langkah penelitian dalam Skripsi sebagai
berikut:

1. Studi Literatur
Studi literatur yang dilakukan penulis yaitu dengan mengkaji sumber-
sumber pustaka melalui jurnal-jurnal dan penelitian-penelitian sebelumnya
yang berhubungan dengan metode estimator deret Fourier dalam regresi
semiparametrik untuk dijadikan sebagai landasan.
2. Pencarian Data
Data yang digunakan dalam penelitian ini adalah data sekunder tahun
2016 yang diperoleh dari Polres Pamekasan. Unit observasi merupakan
seluruh Kecamatan atau Polsek yaitu sebanyak 13 Kecamatan atau Polsek
di Kabupaten Pamekasan.
3. Penentuan Variabel Penelitian
Variabel-variabel yang digunakan dalam penelitian ini terbagi menjadi
dua yaitu variabel respon dan variabel prediktor. Variabel-variabel
tersebut sebagai berikut:
Variabel Respon:
y : Jumlah kejadian kriminalitas (kasus)
Variabel Prediktor:
x : Jumlah penduduk tiap Kecamatan (jiwa)
t1 : Jumlah penduduk yang menganggur (jiwa)
t2 : Jumlah penduduk yang miskin (jiwa)
4. Analisis Deskriptif Data
Analisis deskriptif dilakukan dengan tujuan untuk mengetahui faktor-
faktor yang mempengaruhi angka kriminalitas di Pamekasan. Analisis

21
 22

deskriptif dilakukan berdasarkan nilai maksimum, minimum, rata-rata, dan

variansi data pada variabel yang digunakan.
5. Estimasi Regresi Semiparametrik dengan Pendekatan Deret Fourier
Pada tahap ini dilakukan estimasi parameter dari model yang didapat
menggunakan metode OLS (Ordinary Least Square) untuk
meminimumkan jumlah kuadrat error, dengan bentuk estimasinya sebagai
berikut:
min min T min
R ( β , f )= ε ε= ( y−T β−F )T ( y−T β−f )
β ,f ϵ R β ,f β ,f
6. Penerapan Estimator Deret Fourier dalam Regresi Semiparametrik
Pada tahapan ini, dilakukan pemodelan regresi semiparametrik dengan
pendekatan deret Fourier untuk memprediksi angka kriminalitas di
Pamekasan berdasarkan faktor-faktor yang mempengaruhi.
7. Prediksi dan Penarikan Kesimpulan
Pada tahap ini dilakukan prediksi dari hasil analisis dan mengambil
kesimpulan. Pemilihan model terbaik dengan melihat nilai MSE dan GCV
yang kecil dan koefisien determinasi (R2 ) yang tinggi.
 23

2.3 Diagram Alir Penelitian

Langkah-langkah penerapan metode regresi semiparametrik dengan
pendekatan deret Fourier untuk memprediksi angka kriminalitas di Pamekasan
berdasarkan faktor-faktor yang mempengaruhi dengan diagram alir yang
ditampilkan pada gambar 3.1 sebagai berikut:

Mulai

Studi Literatur

Pencarian Data

Statistik Deskriptif

Estimasi Deret Fourier dalam Regresi Semiparametrik

Penerapan Estimator Deret Fourier

Prediksi dan Penarikan Kesimpulan

Selesai

Gambar 3.1 Flow Chart Penelitian

 24

2.4 Diagram Alir Pemodelan Estimasi Regresi Semiparametrik dengan

Pendekatan Deret Fourier
Berikut ini disajikan diagram alir estimasi regresi semiparametrik dengan
pendekatan deret Fourier sebagai berikut:

Mulai

Membentuk Model Estimator Deret Fourier dalam Regresi Semiparametrik

Menentukan Komponen Matriks

Menetukan Ukuran Goodness of Fit untuk Optimasi

Menyelesaikan Optimasi OLS

Menentukan Vektor Estimator untuk Parameter

Menentukan Estimator Model

Selesai

Gambar 3.2 Flow Chart Penentuan Estimasi Regresi Semiparametrik dengan

Pendekatan Deret Fourier
 25

2.5 Diagram Alir Prediksi Angka Kriminalitas di Pamekasan

Berikut ini disajikan diagram alir untuk memprediksi angka kriminalitas
berdasarkan faktor-faktor yang mempengaruhi sebagai berikut:

Mulai

Menetukan Ukuran Peghalus Optimal Parameter Osilasi dengan Metode GCV

Membentuk Model Prediksi Berdasarkan Ukuran Parameter

Osilasi yang Optimal

Menetukan Ukuran Kebaikan Model

Melakukan Prediksi Angka Kriminalitas di Pamekasan

Selesai

Gambar 3.3 Flow Chart Prediksi Angka Kriminalitas di Pamekasan

 26

2.6 Rencana Jadwal Kegiatan Penelitian

Penelitian ini akan dilakukan sesuai dengan rencana jadwal kegiatan
penelitian yang telah direncanakan pada tabel sebagai berikut:

Tabel 3.1 Rencana Jadwal kegiatan Penelitian

Bulan
Jenis
No Januari Februari Maret April
Kegiatan
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1 Studi
literatur
2 Pencarian
data
3 Statistik
Deskriptif
4 Estimasi
Regresi
Semiparamet
rik dengan
pendekatan
deret Fourier
5 Penerapan
estimator
deret Fourier
dalam regresi
semiparametr
ik
6 Prediksi dan
penarikan
kesimpulan
7 Membuat
laporan hasil
penelitian
 DAFTAR PUSTAKA

Badan Pusat Statistik. (2013). Pengelompokan Kabupaten/Kota dalam Perspektif

Tindak Kejahatan Tahun 2012. Jawa Timur: Badan Pusat Statistik
Provinsi Jawa Timur.

Badan Pusat Statistik. (2013). Pengelompokan Wilayah dalam Perspektif Tindak

Kejahatan Jawa Timur 2012. Jawa Timur: Badan Pusat Statistik Provinsi
Jawa Timur.

Badan Pusat Statistik, . (2011). Laporan Studi Perempuan Pelaku Tindak

Kriminalitas 2008.

Badan Pusat Statistik, . (2014). Statistik Kriminalitas 2013. Jakarta: Badan Pusat
Statistik Indonesia.

Badan Pusat Statistik, . (2016). Pamekasan dalam Angka. Pamekasan: Badan

Pusat Statistik Kabupaten Pamekasan.

Badan Pusat Statistik, . (2017). Profil Kemiskinan di Indonesia September 2016.

Badan Pusat Statistik, . (2017). Provinsi Jawa Timur dalam Angka. Jawa Timur:
Badan Pusat Statistik Provinsi Jawa Timur.

Budiantara, I. N. (2005). MODEL KELUARGA SPLINE POLINOMIAL

TRUNCATED DALAM REGRESI SEMIPARAMETRIK.

Irwan, M. (2015). Least Square and Ridge Regression Estimation. Jurnal MSA
Vol. 3 No.2. ISSN: 2355-083X.

Ishaq, M., Rumiati, A. T., & Permatasari, E. O. (2016). Analisis Faktor-Faktor

yang Mempengaruhi Produksi Padi di Provinsi Jawa Timur Menggunakan
Regresi Semiparametrik Spline. JURNAL SAINS DAN SENI ITS Vol. 5 No.
2 (2016) 2337-3520 .

Maharani, I. F., Satyahadewi, N., & Kusnandar, D. (2014). Metode Ordinary

Least Squares dan Least Trimmed Squares dalam Mengestimasi Parameter
Regresi ketika Terdapat Outlier. Volume 03, No. 3 (2014), hal 163-168.

Mardianto, M. F., Kartiko, S. H., & Utami, H. (2017). Model Regresi

Nonparametrik Berdasarkan Estimator Deret Cosinus Fourier untuk
Tingkat Kemiskinan.

Marina, S. M., & Budiantara, I. N. (2013). Pemodelan Faktor-Faktor yang

Mempengaruhi Persentase Kriminalitas di Jawa Timur dengan Pendekatan
Regresi Semiparametrik Spline. JURNAL SAINS DAN SENI POMITS Vol.
2, No. 2, (2013) 2337-3520.

27
 28

Nisa, K. (2017). MODEL REGRESI SEMIPARAMETRIK CAMPURAN SPLINE

TRUNCATED DAN DERET FOURIER (Studi Kasus : Angka Harapan
Hidup Provinsi Jawa Timur). Surabaya: Institut Teknologi Sepuluh
Nopember.

Poerwanto, B. (2014). PEMODELAN REGRESI SEMIPARAMETRIK DENGAN

PENDEKATAN SPLINE TRUNCATED UNTUK DATA LONGITUDINAL
(PADA DATA KADAR TROMBOSIT PENDERITA DEMAM BERDARAH
DENGUE). Surabaya: Institut Teknologi Sepuluh Nopember.

Pratiwi, D. A. (2016). PENDEKATAN REGRESI SEMIPARAMETRIK SPLINE

UNTUK MEMODELKAN RATA-RATA UMUR KAWIN PERTAMA (UKP)
DI PROVINSI JAWA TIMUR. Surabaya: Institut Teknologi Sepuluh
Nopember.

Rencher, C. A., & Schaalje, B. G. (2007). Linear Models in Statistics. Brigham

Young University.

Salam, N. (2013). ESTIMASI LIKELIHOOD MAXIMUM PENALIZED DARI

MODEL REGRESI SEMIPARAMETRIK. PROSIDING SEMINAR
NASIONAL STATISTIKA. ISBN: 978-602-14387-0-1.