| dc.description.abstract | Penelitian ini dilatarbelakangi oleh adanya heterogenitas pola hubungan antarunit pengamatan yang sering kali tidak dapat dijelaskan secara memadai oleh satu model regresi global. Pendekatan dua tahap, yaitu pengelompokan terlebih dahulu kemudian pemodelan regresi, juga memiliki keterbatasan karena pembentukan gerombol tidak mempertimbangkan langsung kesesuaian model regresinya. Selain itu, pengembangan clusterwise regression masih didominasi data cross section dan proses optimasinya berisiko terjebak pada optimum lokal. Penelitian ini mengembangkan metode Stochastic Residual Selection–Clusterwise Linear Regression–Simulated Annealing (SRS-CLR-SA) berbasis kuadrat terkecil, dengan kebaruan berupa pemilihan kandidat perpindahan unit secara stokastik dari sejumlah sisaan terbesar serta perluasan metode ke data panel fixed effect dengan keanggotaan gerombol tetap pada level unit sepanjang waktu. Hasil simulasi menunjukkan bahwa konfigurasi stokastik, terutama , secara umum menghasilkan kinerja lebih baik dibandingkan pendekatan deterministik , ditunjukkan oleh adjusted yang lebih tinggi, AIC dan BIC yang lebih rendah, serta ARI dan akurasi gerombol yang lebih baik, terutama pada struktur gerombol yang tumpang tindih. Implementasi pada data kemiskinan kabupaten/kota di Indonesia dan data panel akses sanitasi layak di Pulau Jawa tahun 2021–2023 juga menunjukkan adanya perbedaan pola hubungan antar gerombol; pada data panel diperoleh model optimal sebanyak 10 gerombol dengan adjusted sebesar 0,926. Temuan ini menunjukkan bahwa SRS-CLR-SA mampu memberikan pemodelan yang lebih fleksibel dalam menangkap heterogenitas hubungan pada data cross section maupun data panel. | |
