Regresi nonparametrik merupakan pendekatan regresi yang digunakan untuk mengetahui pola hubungan antara variabel prediktor terhadap variabel respon ketika bentuk kurva regresinya tidak diketahui. Salah satu estimator yang dapat digunakan pada regresi nonparametrik adalah estimator Kernel. Estimator Kernel memiliki bentuk yang lebih fleksibel dan perhitungan matematisnya mudah dikerjakan. Estimator Kernel sangat bergantung pada fungsi Kernel dan parameter penghalus (bandwidth). Pada penelitian ini, estimator Kernel akan diaplikasikan pada studi simulasi dengan membandingkan antara fungsi Kernel Gauss dan fungsi Kernel kuartik, untuk pemilihan bandwidth menggunakan metode Generalized Cross Validation (GCV). Tujuan penelitian ini adalah untuk mengetahui hasil studi simulasi dengan kombinasi ukuran sampel dan varians yang dicobakan, dan perbandingan fungsi Kernel Gauss dan kuartik terhadap studi simulasi pada model regresi nonparametrik Kernel. Hasil penelitian menunjukkan berdasarkan fungsi Kernel Gauss dan fungsi Kernel kuartik diperoleh bahwa seiring dengan bertambahnya ukuran sampel, maka akan menurunkan nilai Mean Square Error (MSE) dan GCV serta meningkatkan nilai koefisien determinasi. Selain ukuran sampel, varians juga sangat berpengaruh seiring dengan meningkatnya varians, maka akan meningkatkan nilai MSE dan GCV serta menurunkan nilai koefisien determinasi. Hasil perbandingan terhadap studi simulasi yang digunakan dapat diketahui bahwa fungsi Kernel Gauss menunjukkan hasil yang lebih baik dibandingkan fungsi Kernel kuartik. Dapat terlihat pada data dengan ukuran sampel yang berbeda-beda maupun pada data dengan tingkat varians yang bervariasi, fungsi Kernel Gauss memberikan estimasi yang lebih baik. Terlihat dari ukuran akurasi seperti MSE, GCV, dan koefisien determinasi yang dihasilkan yang menunjukkan bahwa pemilihan fungsi Kernel Gauss lebih baik dalam berbagai kombinasi data dibandingkan dengan fungsi Kernel kuartik.