APPLICATION OF MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) TO MODEL THE FACTORS AFFECTING THE PERCENTAGE OF POOR POPULATION IN INDONESIA
Keywords:
Poverty, GCV, MARS, Nonparametric Regression
Abstract
Poverty is one of the social and economic problems that Indonesia continues to face today. The Multivariate Adaptive Regression Spline (MARS) is a nonparametric regression model that estimates the functional relationship between the response variable and predictor variables when the relationship form is unknown. This study aims to estimate the parameters of the Multivariate Adaptive Regression Spline (MARS) method for the percentage of poor population in Indonesia and to identify the factors that significantly affect the percentage of poor population. The results of this study found that the best model was obtained with a combination of BF = 21, MI = 1, and MO = 3, with GCV = 0,3102717. Based on the MARS model, the variables that significantly affect the percentage of the poor population are the percentage of formal workers (x3), percentage of households with access to proper sanitation (x4), and Gini Ratio (x7) with a coefficient of determination (????²) of 81,44%.
References
Anam, S., Sugiman, & Sunarmi. (2017). Ketepatan Klasifikasi dengan Menggunakan Metode Multivariate Adaptive Regression Spline (MARS) pada Data Kelompok Rumah Tangga Kabupaten Cilacap. Unnes Journal of Mathematics, 6(1), 92–101. http://journal.unnes.ac.id/sju/index.php/ujmUJM6
Astiti, D. A. W., Sumarjaya, I. W., & Susilawati, M. (2016). Analisis Regresi Nonparametrik Spline Multivariat Untuk Pemodelan Indikator Kemiskinan Di Indonesia. E-Jurnal Matematika, 5(3), 111–116. https://doi.org/10.24843/mtk.2016.v05.i03.p129
Aswi & Sukarna. (2006). Analisis Data Deret Waktu : Teori dan Aplikasi (1st ed.). Andira Publisher.
BPS. (2023). Profil kemiskinan di Indonesia 2023. https://www.bps.go.id
Budiantara, I. N., Suryadi, F., Otok, B. W., & Guritno, S. (2006). Pemodelan B-Spline Dan Mars Pada Nilai Ujian Masuk Terhadap Ipk Mahasiswa Jurusan Disain Komunikasi Visual Uk. Petra Surabaya. Jurnal Teknik Industri, 8(1), 1–13. https://doi.org/10.9744/jti.8.1.1-13
Darma, I. G. P. S., Ratna, M., & Budiantara, I. N. (2019). Pemodelan Faktor yang Memengaruhi Angka Kasus Tuberculosis di Kota Surabaya Menggunakan Regresi Nonparametrik Spline Truncated. Jurnal Sains Dan Seni ITS, 8(2), 216–222. https://doi.org/10.12962/j23373520.v8i2.45404
Eubank, R. L. (1999). Nonparametric Regression and Spline Smoothing, 2nd ed. New York: Marcel Dekker.
Fadila, F., Ulhaq, N., Khoir, R., & Fatih, S. (2023). Analisis Data Panel Dalam Memprediksi Faktor determinan Kemiskinan di Provinsi Kalimantan Selatan. JIEP: Jurnal Ilmu Ekonomi Dan Pembangunan, 6(1), 303–314.
Fajriyyah, N., & Budiantara, I. N. (2015). Pemodelan indeks pembangunan gender dengan pendekatan regresi nonparametrik spline di Indonesia. Jurnal Sains Dan Seni ITS, 4(2), 217–222.
Friedman, J. H. (1991). Multivariate Adaptive Regression Splines. The Annals of Statistics, 19(1), 1–141.
Hutabarat, J. A. R., & Sitepu, S. (2024). Model Multivariate Adaptive Regression Spline ( MARS ) Pada Persamaan Regresi Nonparametrik ( Studi Kasus : Pertumbuhan Ekonomi di Sumatera Utara ) Suryati Sitepu menyelesaikan suatu masalah dalam berbagai bidang baik dalam bidang sosial , bahkan Salah sa. Jurnal Riset Rumpun Matematika Dan Ilmu Pengetahuan Alam (JURRIMIPA), 3(1), 186–196.
Iskandar, A., & Subekan, A. (2016). Analisis Determinan Kemiskinan Di Sulawesi Selatan (Determinant Analysis of Poverty in South Sulawesi). Jurnal Tata Kelola Dan Akuntabilitas Keuangan Negara, 2(1), 1–25. https://doi.org/10.28986/jtaken.v2i1.36
Mahmud, F., Olilingo, F. Z., & Akib, F. H. Y. (2020). Faktor-Faktor Yang Mempengaruhi Kemiskinan di Pulau Sulawesi. Oikos Nomos: Jurnal Kajian Ekonomi Dan Bisnis, 13(2), 130–147. https://doi.org/10.37479/jkeb.v13i2.11872
Mar’ah, Z., Ruliana, & Septiana, M. (2024). Pemodelan Multivariate Adaptive Regression Spline ( Mars ) Pada Indeks Harga Saham Gabungan ( IHSG ) Tahun 2018 – 2023. VARIANSI: Journal of Statistics and Its Application on Teaching and Research Vol., 6(1), 1–10. https://doi.org/10.35580/variansiunm151
Mattalunru, M. R., Annas, S., & Aidid, M. K. (2022). Aplikasi Multivariate Adaptive Regression Splines (Mars) Untuk Mengetahui Faktor Yang Mempengaruhi Curah Hujan Di Kota Makassar. VARIANSI: Journal of Statistics and Its Application on Teaching and Research, 4(1), 9–19. https://doi.org/10.35580/variansiunm2
Ni’matuzzahroh, L., & Dani, A. T. R. (2022). Pemodelan Rata-Rata Lama Sekolah Di Provinsi Nusa Tenggara Timur (Ntt) Menggunakan Pendekatan Regresi Nonparametrik Spline …. Prosiding Seminar Nasional …, 289–301.
Oktora, S. I. (2015). Analisis Multivariate Adaptive Regression Splines (Mars) Pada Prediksi Ketertinggalan Kabupaten Tahun 2014. Jurnal Aplikasi Statistika & Komputasi Statistik, 7(2), 1–7.
Otok, B. W. (2010). Pendekatan Multivariate Adaptive Regression Spline ( MARS ) pada Pengelompokkan Zona Musim Suatu Wilayah. Statistika, 10(2), 107–120.
Otok, B. W., Guritno, S., & Subanar. (2012). Asimtotik Model Multivariate Adaptive Regression Spline. Jurnal Natur Indonesia, 10(2), 112–119. https://doi.org/10.31258/jnat.10.2.112-119
Pangestu, I. M. (2019). Fenomena Pekerja Miskin dan Faktor-Faktor yang Memengaruhi Persentase Pekerja Miskin di Indonesia Tahun 2015-2018. Jurnal Ekonomi Dan Kebijakan Pembangunan, 8(1), 62–74. https://doi.org/10.29244/jekp.v8i1.26691
Pintowati, W., & Otok, B. W. (2012). Pemodelan Kemiskinan di Propinsi Jawa Timur dengan Pendekatan Multivariate Adaptive. Jurnal Sains Dan Seni ITS, 1(1), 283–288. http://www.ejurnal.its.ac.id/index.php/sains_seni/article/view/2072
Putra, R. Y., Roza, A., & Putri, H. M. (2021). Pendekatan Multivariate Adaptive Regression Splines Untuk Memodelkan Tingkat Kemiskinan Di Provinsi Sumatera Barat. MAp (Mathematics and Applications) Journal, 3(2), 92–98. https://doi.org/10.15548/map.v3i2.3143
Rositawati, A. F. D., & Budiantara, I. N. (2020). Pemodelan Indeks Kebahagiaan Provinsi di Indonesia Menggunakan Regresi Nonparametrik Spline Truncated. Jurnal Sains Dan Seni ITS, 8(2), 113–120. https://doi.org/10.12962/j23373520.v8i2.45160
Septa, A., Fairuzani, A., Yasmin, C., Hutagaol, G., & Hutabarat, V. (2025). Analisis Variabel Kemiskinan di Indonesia dengan Model Linear Regresi dan Algoritma K-Means pada Tahun 2020-2023 Gambar 1 . Perkembangan Kemiskinan Nasional dan Ekstrem di Indonesia seseorang untuk memenuhi kebutuhan pokok hidupnya . Garis kemiskinan ini. Profit: Jurnal Manajemen, Bisnis Dan Akuntansi, 4(2), 28–52.
Sitorus, A. L. T., & Simamora, E. (2023). Metode Geographically Weighted Panel Regression (GWPR) Untuk Menganalisis Faktor Yang Mempengaruhi Kemiskinan Di Provinsi Sumatera Utara. Ranah Research : Journal of Multidisciplinary Research and Development, 6(1), 155–167. https://doi.org/10.38035/rrj.v6i1.808
Tiro, M. A. (2008). Analisis Regresi dengan Data Kategori (Edisi Ketiga). Andira Publisher.
Ulfitasari, Yonita, A., Siswanto, & Kalondeng, A. (2025). Pemodelan Indeks Kebahagiaan Negara Dengan Metode Multivariate Adaptive Regression Spline. Jurnal Ilmiah Matematika, 13(1), 209–216. https://media.neliti.com/media/publications/249234-model-infeksi-hiv-dengan-pengaruh-percob-b7e3cd43.pdf
WHO. (2023). Tracking universal health coverage 2023 global monitoring report. https://doi.org/https://doi.org/10.1596/40348
Wicaksono, W., Wilandari, Y., Suparti, & Pengajar Jurusan Statistika, S. (2014). Pemodelan Multivariate Adaptive Regression Splines (Mars) Pada Faktor-Faktor Resiko Angka Kesakitan Diare (Studi Kasus : Angka Kesakitan Diare Di Jawa Tengah, Jawa Timur Dan Daerah Istimewa Yogyakarta Tahun 2011). Jurnal Gaussian, 3(2), 253–262. http://ejournal-s1.undip.ac.id/index.php/gaussian
Wulandari, G., Febriyanti, N. A., Anwar, K., & Nohe, D. A. (2022). Pemodelan Persentase Penduduk Miskin Di Indonesia Menggunakan Regresi Probit Dan Regresi Logistik. Prosiding Seminar Nasional Matematika, Statistika, Dan Aplikasinya Terbitan II, 2, 354–368.
Zhang. H. & Singer. B. H. (2010). Recursive Partitioning and Applications 2^nd Edition. New York: Springer
Astiti, D. A. W., Sumarjaya, I. W., & Susilawati, M. (2016). Analisis Regresi Nonparametrik Spline Multivariat Untuk Pemodelan Indikator Kemiskinan Di Indonesia. E-Jurnal Matematika, 5(3), 111–116. https://doi.org/10.24843/mtk.2016.v05.i03.p129
Aswi & Sukarna. (2006). Analisis Data Deret Waktu : Teori dan Aplikasi (1st ed.). Andira Publisher.
BPS. (2023). Profil kemiskinan di Indonesia 2023. https://www.bps.go.id
Budiantara, I. N., Suryadi, F., Otok, B. W., & Guritno, S. (2006). Pemodelan B-Spline Dan Mars Pada Nilai Ujian Masuk Terhadap Ipk Mahasiswa Jurusan Disain Komunikasi Visual Uk. Petra Surabaya. Jurnal Teknik Industri, 8(1), 1–13. https://doi.org/10.9744/jti.8.1.1-13
Darma, I. G. P. S., Ratna, M., & Budiantara, I. N. (2019). Pemodelan Faktor yang Memengaruhi Angka Kasus Tuberculosis di Kota Surabaya Menggunakan Regresi Nonparametrik Spline Truncated. Jurnal Sains Dan Seni ITS, 8(2), 216–222. https://doi.org/10.12962/j23373520.v8i2.45404
Eubank, R. L. (1999). Nonparametric Regression and Spline Smoothing, 2nd ed. New York: Marcel Dekker.
Fadila, F., Ulhaq, N., Khoir, R., & Fatih, S. (2023). Analisis Data Panel Dalam Memprediksi Faktor determinan Kemiskinan di Provinsi Kalimantan Selatan. JIEP: Jurnal Ilmu Ekonomi Dan Pembangunan, 6(1), 303–314.
Fajriyyah, N., & Budiantara, I. N. (2015). Pemodelan indeks pembangunan gender dengan pendekatan regresi nonparametrik spline di Indonesia. Jurnal Sains Dan Seni ITS, 4(2), 217–222.
Friedman, J. H. (1991). Multivariate Adaptive Regression Splines. The Annals of Statistics, 19(1), 1–141.
Hutabarat, J. A. R., & Sitepu, S. (2024). Model Multivariate Adaptive Regression Spline ( MARS ) Pada Persamaan Regresi Nonparametrik ( Studi Kasus : Pertumbuhan Ekonomi di Sumatera Utara ) Suryati Sitepu menyelesaikan suatu masalah dalam berbagai bidang baik dalam bidang sosial , bahkan Salah sa. Jurnal Riset Rumpun Matematika Dan Ilmu Pengetahuan Alam (JURRIMIPA), 3(1), 186–196.
Iskandar, A., & Subekan, A. (2016). Analisis Determinan Kemiskinan Di Sulawesi Selatan (Determinant Analysis of Poverty in South Sulawesi). Jurnal Tata Kelola Dan Akuntabilitas Keuangan Negara, 2(1), 1–25. https://doi.org/10.28986/jtaken.v2i1.36
Mahmud, F., Olilingo, F. Z., & Akib, F. H. Y. (2020). Faktor-Faktor Yang Mempengaruhi Kemiskinan di Pulau Sulawesi. Oikos Nomos: Jurnal Kajian Ekonomi Dan Bisnis, 13(2), 130–147. https://doi.org/10.37479/jkeb.v13i2.11872
Mar’ah, Z., Ruliana, & Septiana, M. (2024). Pemodelan Multivariate Adaptive Regression Spline ( Mars ) Pada Indeks Harga Saham Gabungan ( IHSG ) Tahun 2018 – 2023. VARIANSI: Journal of Statistics and Its Application on Teaching and Research Vol., 6(1), 1–10. https://doi.org/10.35580/variansiunm151
Mattalunru, M. R., Annas, S., & Aidid, M. K. (2022). Aplikasi Multivariate Adaptive Regression Splines (Mars) Untuk Mengetahui Faktor Yang Mempengaruhi Curah Hujan Di Kota Makassar. VARIANSI: Journal of Statistics and Its Application on Teaching and Research, 4(1), 9–19. https://doi.org/10.35580/variansiunm2
Ni’matuzzahroh, L., & Dani, A. T. R. (2022). Pemodelan Rata-Rata Lama Sekolah Di Provinsi Nusa Tenggara Timur (Ntt) Menggunakan Pendekatan Regresi Nonparametrik Spline …. Prosiding Seminar Nasional …, 289–301.
Oktora, S. I. (2015). Analisis Multivariate Adaptive Regression Splines (Mars) Pada Prediksi Ketertinggalan Kabupaten Tahun 2014. Jurnal Aplikasi Statistika & Komputasi Statistik, 7(2), 1–7.
Otok, B. W. (2010). Pendekatan Multivariate Adaptive Regression Spline ( MARS ) pada Pengelompokkan Zona Musim Suatu Wilayah. Statistika, 10(2), 107–120.
Otok, B. W., Guritno, S., & Subanar. (2012). Asimtotik Model Multivariate Adaptive Regression Spline. Jurnal Natur Indonesia, 10(2), 112–119. https://doi.org/10.31258/jnat.10.2.112-119
Pangestu, I. M. (2019). Fenomena Pekerja Miskin dan Faktor-Faktor yang Memengaruhi Persentase Pekerja Miskin di Indonesia Tahun 2015-2018. Jurnal Ekonomi Dan Kebijakan Pembangunan, 8(1), 62–74. https://doi.org/10.29244/jekp.v8i1.26691
Pintowati, W., & Otok, B. W. (2012). Pemodelan Kemiskinan di Propinsi Jawa Timur dengan Pendekatan Multivariate Adaptive. Jurnal Sains Dan Seni ITS, 1(1), 283–288. http://www.ejurnal.its.ac.id/index.php/sains_seni/article/view/2072
Putra, R. Y., Roza, A., & Putri, H. M. (2021). Pendekatan Multivariate Adaptive Regression Splines Untuk Memodelkan Tingkat Kemiskinan Di Provinsi Sumatera Barat. MAp (Mathematics and Applications) Journal, 3(2), 92–98. https://doi.org/10.15548/map.v3i2.3143
Rositawati, A. F. D., & Budiantara, I. N. (2020). Pemodelan Indeks Kebahagiaan Provinsi di Indonesia Menggunakan Regresi Nonparametrik Spline Truncated. Jurnal Sains Dan Seni ITS, 8(2), 113–120. https://doi.org/10.12962/j23373520.v8i2.45160
Septa, A., Fairuzani, A., Yasmin, C., Hutagaol, G., & Hutabarat, V. (2025). Analisis Variabel Kemiskinan di Indonesia dengan Model Linear Regresi dan Algoritma K-Means pada Tahun 2020-2023 Gambar 1 . Perkembangan Kemiskinan Nasional dan Ekstrem di Indonesia seseorang untuk memenuhi kebutuhan pokok hidupnya . Garis kemiskinan ini. Profit: Jurnal Manajemen, Bisnis Dan Akuntansi, 4(2), 28–52.
Sitorus, A. L. T., & Simamora, E. (2023). Metode Geographically Weighted Panel Regression (GWPR) Untuk Menganalisis Faktor Yang Mempengaruhi Kemiskinan Di Provinsi Sumatera Utara. Ranah Research : Journal of Multidisciplinary Research and Development, 6(1), 155–167. https://doi.org/10.38035/rrj.v6i1.808
Tiro, M. A. (2008). Analisis Regresi dengan Data Kategori (Edisi Ketiga). Andira Publisher.
Ulfitasari, Yonita, A., Siswanto, & Kalondeng, A. (2025). Pemodelan Indeks Kebahagiaan Negara Dengan Metode Multivariate Adaptive Regression Spline. Jurnal Ilmiah Matematika, 13(1), 209–216. https://media.neliti.com/media/publications/249234-model-infeksi-hiv-dengan-pengaruh-percob-b7e3cd43.pdf
WHO. (2023). Tracking universal health coverage 2023 global monitoring report. https://doi.org/https://doi.org/10.1596/40348
Wicaksono, W., Wilandari, Y., Suparti, & Pengajar Jurusan Statistika, S. (2014). Pemodelan Multivariate Adaptive Regression Splines (Mars) Pada Faktor-Faktor Resiko Angka Kesakitan Diare (Studi Kasus : Angka Kesakitan Diare Di Jawa Tengah, Jawa Timur Dan Daerah Istimewa Yogyakarta Tahun 2011). Jurnal Gaussian, 3(2), 253–262. http://ejournal-s1.undip.ac.id/index.php/gaussian
Wulandari, G., Febriyanti, N. A., Anwar, K., & Nohe, D. A. (2022). Pemodelan Persentase Penduduk Miskin Di Indonesia Menggunakan Regresi Probit Dan Regresi Logistik. Prosiding Seminar Nasional Matematika, Statistika, Dan Aplikasinya Terbitan II, 2, 354–368.
Zhang. H. & Singer. B. H. (2010). Recursive Partitioning and Applications 2^nd Edition. New York: Springer
Published
2025-12-31
How to Cite
Shanty, N., Ruliana, & Aidid, M. K. (2025). APPLICATION OF MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS) TO MODEL THE FACTORS AFFECTING THE PERCENTAGE OF POOR POPULATION IN INDONESIA. VARIANSI: Journal of Statistics and Its Application on Teaching and Research, 7(03), 228-240. https://doi.org/10.35580/variansiunm518
Issue
Section
Articles
