BAB 2 LANDASAN TEORI

Transkripsi

1 BAB 2 LANDASAN TEORI Dalam bab ini diuraikan beberapa tinjauan pustaka sebagai landasan teori pendukung penulisan penelitian ini. 2.1 Analisis Regresi Suatu pasangan peubah acak seperti (tinggi, berat) mempunyai suatu sebaran peluang dua peubah (bivariate probability distribution). Bila ditaruh perhatian pada ketergantungan suatu peubah acak Y terhadap suatu besaran atau kuantitas X yang bervariasi namun bukan merupakan peubah acak, maka suatu persamaan yang menghubungkan Y dan X disebut persamaan regresi (Draper dan Smith, 1966). Analisis regresi merupakan metode yang banyak digunakan untuk mengetahui hubungan antara sepasang variabel atau lebih. Misalkan Y adalah variabel terikat dan X adalah variabel bebas, maka hubungan variabel X dan Y dalam bentuk linier dapat dinyatakan sebagai berikut: (2.1) atau dapat ditulis dalam bentuk umum dengan lebih dari satu variabel : (2.2) keterangan: = variabel terikat = variabel bebas = parameter model

2 artinya, untuk suatu nilai X tertentu, nilai Y padanannya terdiri atas nilai ditambah besaran yang membuat nilai menyimpang dari garis regresinya. 2.2 Regresi Nonparametrik Regresi nonparametrik merupakan metode pendekatan regresi yang sesuai untuk pola data yang tidak diketahui bentuk kurva regresinya atau tidak terdapat informasi masa lalu yang lengkap tentang bentuk pola data. Menurut Eubank (1988) dalam Tripena (2011) bentuk model regresi nonparametrik adalah sebagai berikut: (2.3) dengan adalah variabel terikat sedangkan fungsi merupakan kurva regresi yang tidak diketahui bentuknya, dan adalah variabel bebas, serta diasumsikan berdistribusi. Pendekatan regresi nonparametrik memiliki fleksibilitas yang tinggi, karena data yang diharapkan mencari sendiri bentuk estimasi kurva regresinya tanpa dipengaruhi oleh faktor subyektifitas peneliti. Ada beberapa teknik estimasi dalam regresi nonparametrik antara lain pendekatan histogram, estimator spline, estimator Kernel, estimator deret ortogonal, analisis Wavelet dan lain-lain. Spline adalah salah satu jenis piecewise polinomial, yaitu polinomial yang memiliki sifat tersegmen. Sifat tersegmen ini memberikan fleksibilitas lebih dari polinomial biasa, sehingga memungkinkan untuk menyesuaikan diri secara lebih efektif terhadap karakteristik lokal suatu fungsi atau data. Pendekatan estimator spline ada bermacam-macam antara lain spline original, spline type M, spline relaxed, spline terbobot dan lain-lain. Pendekatan spline mempunyai suatu basis fungsi. Basis fungsi yang biasa dipakai antara lain spline truncated dan B-spline (Lyche dan Morken, 2004, dalam Budiantara, 2006). Spline mempunyai kelemahan pada saat orde Spline tinggi, knot yang banyak dan knot yang terlalu dekat akan membentuk matrik dalam

3 perhitungan yang hampir singular, sehingga persamaan normal tidak dapat diselesaikan (Schuemaker, 1981, dalam Budiantara, 2006). Pengunaan spline difokuskan kepada adanya perilaku atau pola data, yang pada daerah tertentu, mempunyai karakteristik yang berbeda dari daerah lain. Pencocokan data dapat dilakukan dengan melihat titik-titik pada data yang mengalami suatu perubahan ekstrim pada suatu daerah sehingga pola data pada masing-masing daerah mengalami perbedaan. 2.3 Fungsi Spline Polynomial Truncated Bentuk fungsi spline yang biasa dipergunakan adalah fungsi basis spline polinomial truncated. } merupakan basis untuk ruang spline berorde m (Budiantara, 2001, dalam Stepanus, 2011) dengan fungsi sepenggal (truncated) adalah sebagai berikut: (2.4) Secara umum, fungsi spline berorde m adalah sembarang fungsi yang dinyatakan sebagai berikut: (2.5) keterangan: s(x) = potongan polinomial berorde m pada subinterval (K r, K r+1 ) m = orde N = banyaknya knot β = konstanta riil x = variabel bebas K r = knot ke-r yang memperlihatkan pola perubahan perilaku dari fungsi pada sub-sub interval yang berbeda

4 Berdasarkan bentuk matematis fungsi spline, dapat dikatakan bahwa spline merupakan model polinomial yang sepotong-sepotong (piecewise polynomial) dan spline masih bersifat kontinu pada knot-knotnya. Knot diartikan sebagai suatu titik fokus dalam fungsi spline, sehingga kurva yang dibentuk tersegmen pada titik tersebut dan untuk setiap fungsi m, titik knot dapat dinyatakan dengan kombinasi linier. Fungsi spline merupakan suatu gabungan fungsi polinomial dimana penggabungan beberapa polinomial tersebut pada knot-knot dengan suatu cara yang menjamin sifat kontinuitas. Spline adalah potongan polinomial mulus yang masih memungkinkan memiliki sifat tersegmen (Eubank, 1988, dalam Tripena, 2011). 2.4 Fungsi Spline Linier Fungsi spline linier merupakan fungsi spline dengan satu orde. Fungsi spline linier dengan satu titik knot ( ) dapat disajikan dalam bentuk: Fungsi ini dapat pula disajikan menjadi (Tripena, 2005, dalam Tripena, 2011): Grafik spline linier satu titik knot pada dapat disajikan sebagai berikut: Gambar 2.1. Fungsi Spline Linier dengan Satu Titik Knot pada

5 2.5 Regresi Spline Menurut Eubank (1988) dalam Tripena (2011), estimasi terhadap adalah yakni estimator yang mulus. Dengan mempertimbangkan sifat-sifat fungsi spline yang merupakan modifikasi dari regresi polinomial, maka untuk mendapatkan model estimasi dari digunakan regresi spline. Regresi spline adalah suatu pendekatan kearah pengepasan data dengan tetap memperhitungkan kemulusan kurva. Regresi spline memungkinkan untuk berbagai macam orde sehingga dapat dibentuk regresi spline linier, kuadrat, kubik maupun orde m. Regresi spline linier biasanya diaplikasikan pada data dengan pola yang masih sederhana sedangkan spline kuadrat dan kubik biasanya diaplikasikan pada data dengan pola yang lebih kompleks. Namun, dalam penyelesaiannya masalah utama menentukan model regresi spline terbaik adalah letak titik knot yang optimal. Sasmitoadi (2005) dalam Tripena (2011) menyebutkan bahwa terdapat 2 strategi untuk menyelesaikan permasalahan yaitu pertama memilih banyaknya knot yang relatif sedikit, sedangkan strategi yang kedua adalah kebalikannya, yakni menggunakan knot yang relatif banyak. 2.6 Pemilihan Model Regresi Spline dengan yang Optimal Pada pendekatan nonparametrik fitting kurva regresi dilakukan dengan memperhatikan peubah dependen (y) secara terbatas di sekitar x pada selang tertentu, tidak pada keseluruhan pengamatan x. Pada spline pendekatan dilakukan pada segmentasi x untuk membangun fungsi s(x) dengan membagi pengamatan x berdasarkan titik-titik x yang disebut knot. Pendekatan ini merupakan piecewise polynomial, yaitu polinomial yang memiliki sifat tersegmen pada selang x yang terbentuk oleh titik-titik knot (Wang dan Yang, 2009, dalam Herawati, 2011 ).

6 Dalam fungsi spline terdapat titik knot yang merupakan titik perpaduan yang menunjukkan perubahan perilaku kurva pada selang berbeda, sehingga kurva terbentuk tersegmen pada titik tersebut (Hardle, 1990, dalam Ismi, 2011). Pemilihan λ (pemulus) optimal dalam Regresi spline pada hakekatnya merupakan pemilihan lokasi titik knot. Pemilihan knot pada Regresi Spline dilakukan secara trial error. Pemilihan knot ini sangat penting karena fungsi spline sangat tergantung pada titik knot (Ismi, 2011) Sesuai tujuan dari pendekatan regresi nonparametrik, yakni ingin didapatkan kurva mulus yang mempunyai λ optimal menggunakan data amatan sebanyak n, maka diperlukan ukuran kerja atas estimator. Ukuran kinerja atas penduga kurva regresi dapat ditentukan dari MSE, fungsi loss dan fungsi resiko, serta GCV. MSE merupakan ukuran kinerja yang paling sederhana, yaitu: (2.6) keterangan: MSE = Mean Square Error λ = n = banyak data y = variabel dependen = estimator pemulus Menurut Wahba (1990) dan Wang (1998) dalam Oktaviana (2011), salah satu metode yang paling banyak dipakai dan disukai karena kelebihan yang dimilikinya adalah GCV. Dibanding metode lain, misal CV (Cross Validation), metode GCV mempunyai sifat optimal asimtotik (Wahba, 1990). Sementara menurut Budiantara (2005, dalam Tripena, 2011), GCV merupakan modifikasi dari Cross-Validation (CV) adalah metode untuk memilih λ yang meminimumkan. Fungsi GCV sebagai berikut: (2.7)

7 keterangan: GCV = Generelized Cross Validation MSE = Mean Square Error λ = n = banyak data tr = trace I = matriks identitas = bersifat simetris dan idempoten Kriteria dan diharapkan memiliki nilai yang minimum, sehingga model regresi spline dapat dikatakan memiliki nilai yang optimal. 2.7 Metode Kuadrat Terkecil Pada umumnya spline adalah suatu estimator yang diperoleh dengan meminimumkan kuadrat terkecil terpenalti (penalized least square). Namun penyelesaian optimasi ini secara matematika relatif sulit. Untuk mengatasi hal ini maka digunakan optimasi kuadrat terkecil (least square) (Budiantara, 2007, dalam Oktaviana dan Budiantara, 2011). Metode kuadrat terkecil merupakan metode yang sangat lazim dipergunakan dalam regresi linier. Metode ini digunakan untuk memperoleh parameter koefisien dari persamaan regresi. Prinsip metode ini adalah meminimumkan kuadrat residual. Misalkan terdapat persamaan (2.1) dengan estimasi persamaan regresinya sebagai berikut: (2.8) Keterangan: = penduga titik bagi = penduga titik bagi = penduga titik bagi

8 Nilai dan diperoleh dengan menggunakan metode kuadrat terkecil. Metode kuadrat terkecil merupakan satu cara memperoleh dan dengan meminimumkan jumlah kuadrat sisa. (2.9) syarat optimum adalah: (210) (2.11) dari dua persyaratan optimum diperoleh persamaan normal sebagai berikut: (2.12) (2.13) 2.8 Matriks Defenisi Matriks Sianipar (2008) menyatakan bahwa, matriks ialah susunan berbentuk empat persegi panjang dari elemen-elemen (bilangan-bilangan) yang terdiri dari beberapa baris dan kolom dibatasi dengan tanda kurung, seperti bentuk: atau disingkat dengan:

9 Matriks A disebut matriks tingkat, atau disingkat matriks, karena terdiri dari m baris dan n kolom. Setiap disebut elemen (unsur) dari matriks itu, sedang indeks i dan j berturut-turut menyatakan baris dan kolom. Jadi elemen terdapat pada baris ke-i, kolom ke-j. Pasangan bilangan (m, n) disebut dimensi (ukuran atau bentuk) dari matriks itu. Suatu matriks tidak mempunyai harga numerik. Biasanya tanda kurang dapat dipakai seperti: atau Pada umumnya matriks disingkat dan dinyatakan dengan huruf besar, sedang elemen-elemen matriks dengan huruf kecil. Untuk membeda-bedakan matriks ditulis dengan atau misalnya untuk matriks Trace Matriks Jika, matriks disebut kuadrat atau disingkat n. Dalam hal ini elemen-elemen disebut elemen-elemen pada. Jumlah elemenelemen pada diagonal suatu matriks disebut trace dari matriks itu yang disingkat dengan, jadi: Tranpos Matriks Jika baris-baris dan kolom-kolom dari suatu matriks dipertukarkan (baris pertama dengan kolom pertama dan seterusnya), maka diperoleh suatu matriks yang disebut transpos yang disingkat atau. Jadi, bilamana: menjadi sehingga.

10 2.8.4 Matriks Identitas Hakim (1994) menyatakan bahwa suatu matriks bujur sangkar berordo n x n dikatakan matriks identitas apabila elemen diagonalnya bernilai 1 dan elemen lainnya bernilai nol. Matriks identitas berordo disimbolkan dengan I n. Beberapa matriks identitas adalah sebagai berikut:, Matrik identitas dapat pula dituliskan dalam bentuk sebagai berikut: k, j = 1,2,, n Matriks Idempoten Suatu matriks dikatakan matriks idempoten bila atau Matriks Simetri Matriks yang berukuran disebut matriks simetri jika dan hanya jika untuk semua dan. teorema-teorema di bawah ini berhubungan dengan transpos matriks untuk r>0. 6. Jika adalah matriks bujur sangkar, maka adalah matriks simetri. 7. Untuk sembarang matriks, maka dan adalah matriks simetri.

11 2.8.7 Invers Matriks Jika adalah matriks yang berukuran, maka invers matriks adalah matriks yang berukuran yang disimbolkan dengan dengan sifat bahwa: dan jelas bahwa adalah matriks identitas berukuran Matriks Invertible Matriks disebut matriks invertible jika mempunyai invers.