10e00372 PDF

PERBANDINGAN METODE MARQUARDT COMPROMISE
DAN METODE GAUSS NEWTON DALAM PENAKSIRAN

PARAMETER REGRESI NONLINIER
SKRIPSI
SRIDEWI NAINGGOLAN
070823007
FAKULTAS MATEMATIKA
ILMU PENGETAHUAN ALAM DEPARTEMEN
MATEMATIKA UNIVERSITAS SUMATERA UTARA
MEDAN
2009
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam
Penaksiran Parameter Regresi Nonlinier, 2010.
PERBANDINGAN METODE MARQUARDT COMPROMISE DAN

METODE GAUSS NEWTON DALAM PENAKSIRAN PARAMETER
REGRESI NONLINIER
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai Sarjana Sains
SRIDEWI NAINGGOLAN
070823007
FAKULTAS MATEMATIKA
ILMU PENGETAHUAN ALAM DEPARTEMEN MATEMATIKA
UNIVERSITAS SUMATERA UTARA
MEDAN
2009
3ii
PERSETUJUAN
Judul
: PERBANDINGAN METODE MARQUARDT

COMPROMISE DAN METODE GAUSS NEWTON
DALAM PENAKSIRAN PARAMETER REGRESI
NONLINIER
Kategori
: SKRIPSI
Nama
: SRIDEWI NAINGGOLAN
Nomor Induk Mahasiswa : 070823007
Program Studi
: SARJANA (S1) MATEMATIKA
Departemen
: MATEMATIKA
Fakultas
: MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA
UTARA
Diluluskan di
Medan, 15 Juli 2009
Komisi Pembimbing
Pembimbing 2
Pembimbing 1
Drs. H. Haluddin Panjaitan

NIP 130701888
Dra. Rahmawati Pane, M.Si.

NIP 131474682
Diketahui/Disetujui oleh
Departemen Matematika FMIPA USU
Ketua,
Dr. Saib Suwilo, M.Sc.

NIP 131796149
iii
4
PERNYATAAN
PERBANDINGAN METODE MARQUARDT COMPROMIE DAN METODE

GAUSS NEWTON DALAM PENAKSIRAN PARAMETER REGRESI
NONLINIER
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan,
Juli 2009
SRIDEWI NAINGGOLAN
070823007
iv5
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Tuhan yang Maha Kuasa yang telah
memberikan anugerahnya sehingga skripsi ini dapat diselesaikan dengan sebaikbaiknya.
Ucapan terimakasih saya sampaikan kepada Ibu Dra. Rahmawati Pane, M.Si
dan Bapak Drs.H.Haluddin Panjaitan selaku pembimbing pada penyelesaian
skripsi ini dan juga kepada Drs. Pengarapen Bangun M.Si dan Drs. Ramli Barus
M.Si selaku penguji skripsi yang telah mengarahkan saya serta telah meluangkan
waktu, tenaga, pikiran, dan bantuannya sehingga skripsi saya ini dapat selesai
tepat waktu.
Ucapan terima kasih juga kepada ketua dan sekretaris departemen Dr. Saib
Suwilo, M.Sc dan Drs. Henri Rani Sitepu, M.Si., dan kepada ketua Program Studi
Ekstensi Matematika Bapak Drs. Marwan harahap, M.Eng, Dekan dan Pembantu
dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera
Utara, semua dosen pada Departemen Matematika FMIPA USU, pegawai di
FMIPA USU, dan rekan-rekan kuliah. Akhirnya, tidak terlupakan kepada Orang
Tua saya dan semua keluarga yang selama ini memberikan bantuan dan dorongan
yang diperlukan. Semoga segala bentuk bantuan yang telah diberikan mendapat
balasan yang jauh lebih baik dari Tuhan Yang Maha Kuasa.
v6
ABSTRAK
Regresi Nonlinier adalah regresi yang memuat parameter nonlinier, artinya

jika parameter tersebut diturunkan terhadap parameter itu sendiri maka hasil
turunannya masih mengandung parameter itu sendiri (masih tetap nonlinier).
Estimasi regresi dilakukan untuk menentukan estimator parameter regresi. Metode
yang digunakan mengestimasi parameter model regresi nonlinier adalah nonlinear
least square dimana secara konseptual sama dengan metode least square pada
model regresi linear. Skripsi ini bertujuan untuk membandingkan penaksiran
parameter
regresi
nonlinear
dengan
menggunakan
metode
Marquardt
Compromise dan metode Gauss Newton. Dari analisa yang dilakukan didapat
bahwa metode Marquardt dan metode Gauss Newton dapat menaksir parameter
dalam kasus nonlinier dan menghasilkan galat ke nilai yang paling minimum.
vi7
ABSTRACT
Nonlinear Regression is regression that contain nonlinear parameter, it means

that if the parameter is derivated to parameter it self, hence the result of it is
derivative still contain that parameter (Intrisically nonlinear). Regression
estimation is done to detemine estimator of regression parameter. One of the
method that used to estimate nonlinear regression model parameter is nonlinear
least square where conceptually its equal to least square method at linear
regression model. The skripsi purpose to compare estimate with the Marquardt
Compromise and Gauss Newton method. Both of the method can use to implies
estimator nonlinear least square and minimizes sum square error.
vii8
DAFTAR ISI
Halaman
Persetujuan
iii
Pernyataan
iv
Penghargaan
Abstrak
vi
Abstract
vii
Daftar Isi
viii
Bab 1 Pendahuan
1.1 Latar belakang

1.2 Perumusan Masalah
1.3 Pembatasan Masalah
1.4 Tujuan Penelitian
1.5 Kontribusi Penelitian
1.6 Metodologi Penelitian
1.7 Tinjauan Pustaka
Bab 2 landasan Teori
2.1 Penaksiran Parameter
2.2 Turunan Parsial
2.3 Deret Taylor
2.4 Regresi Nonlinier
2.5 Kuadrat Terkecil dalam Kasus Nonlinier
10
2.6 Metode Marquardt Compromise
13
2.7 Metode gauss Newton
13
xiii9
Bab 3 Pembahasan
14
3.1 Pendugaan Parameter suatu Sistem Nonlinear
14
3.2 Jumlah Kuadrat Galat
16
3.3 Algoritma Marquardt Compromise
17
3.4 Algoritma Gauss Newton
17
3.5 Penyelesaian contoh
18
Bab 4 Kesimpulan dan Saran
30
Daftar Pustaka
31
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Pada umumnya dalam suatu penelitian tidak diketahui secara tepat nilai-nilai
parameter dari distribusi teoritis dimana sampel diambil. Hal ini terjadi karena
tidak terambilnya seluruh unsur populasi yang akan diteliti. Intinya ditemukan
kesulitan untuk menentukan sampel yang representatif yang dapat mewakili
populasi dengan metode dan cara yang efektif. Adapun sampel yang digunakan
untuk menduga parameter disebut penaksir parameter dan angka yang merupakan
hasilnya disebut penaksiran secara statistik.
Misalkan sebuah variabel acak X berdistribusi normal dengan parameter
. Parameter dapat berupa mean populasi, simpangan baku populasi, koefisien

regresi populasi dan sebagainya. Parameter adalah parameter yang akan
ditaksir. Penaksiran dapat digolongkan menjadi dua bagian, yaitu penaksiran titik
dan penaksiran selang. Sedangkan cara untuk melakukan penaksiran ada
bermacam-macam diantaranya, momen, simpangan kuadrat terkecil, kemungkinan
maksimum ataupun sifat penaksiran takbias linear terbaik. Salah satu dari
beberapa metode yang digunakan untuk menaksir parameter adalah metode
kuadrat terkecil nonlinier yang secara konseptual sama dengan metode kuadrat
terkecil linier. Dalam penelitian ini metode yang digunakan untuk menaksir
parameter adalah dengan metode kuadrat terkecil pada model regresi nonlinier.
Regresi nonlinier digunakan apabila dalam kasus tidak tersedianya informasi yang
pasti tentang bentuk hubungan antara peubah responden peubah bebas. Ada
beberapa model regresi nonlinier diantaranya:1) Model Parabola, 2) Model
Eksponensial, 3) Model Logistik. Dalam Skripsi ini Penulis membicarakan

Regresi Nonlinier pada model Eksponensial.
Penaksiran parameter model nonlinier akan menghasilkan nilai yang
berbeda untuk penaksir yang sama karena galat acaknya mempunyai fungsi
pembangkit. Oleh karena itu, berbeda dengan kuadrat terkecil pada model linier,
penaksir atau estimator metode kuadrat terkecil yang diterapkan pada model
nonlinier ditentukan dengan melakukan suatu prosedur atau algoritma yang dapat
menjamin bahwa penaksir tersebut secara nyata memenuhi kriteria dari fungsi
tujuan, yaitu memberikan jumlah kuadrat galat pada nilai yang paling minimum.
Dengan perkatan lain, dalam penentuan penaksir pada model nonlinier

diperlukan pengetahuan mengenai teori titik optimum secara statis. Berdasarkan
teori, untuk menentukan titik optimum yang diyakini sebagai solusi dalam
penentuan penaksir model nonlinier akan digunakan operasi turunan pertama dan
kedua. Turunan yang pertama digunakan dalam prosedur itersasi diterapkan
didalam algoritma Gauss Newton dan model iterasi jalan tengah marquardt.
Algoritma Gauss Newton digunakan untuk menyelesaikan penaksiran kuadrat
terkecil. Metode ini sering disebut metode linearisasi yang menggunakan expansi
deret Taylor untuk menghampiri model regresi nonlinier menjadi bentuk linier.
Sedangkan metode marquardt juga merupakan suatu metode penyelesaian
penaksiran kuadrat terkecil yang merupakan kompromi atau jalan tengah antara
metode linierisasi dengan metode Stepest descent (turunan tercuram).
Dari
uraian
diatas
penulis
tertarik
memilih
judul
penelitian:
Perbandingan metode Marquardt Compromise dan metode Gauss Newton dalam

penaksiran parameter regresi Nonlinier.
1.2 Perumusan Masalah
Masalah yang akan dibahas dalam penelitian ini adalah bagaimana cara menaksir
parameter dalam regresi nonlinier menggunakan metode Marquardt dan metode
Gauss Newton serta membandingkan kedua metode tersebut.
1.3 Batasan Masalah
Ruang lingkup dari penelitian ini dibatasi pada penaksiran parameter model
regresi nonlinier pada model Eksponensial dengan menggunakan metode iterasi
jalan tengah Marquardt dan metode gauss Newton dan hanya mendapatkan
penaksiran parameter saja.
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah untuk membandingkan penaksir parameter pada

model regresi nonlinier melalui iterasi Marquardt dan iterasi Gauss Newton
sehingga dapat diketahui metode mana yang lebih efisien menyelesaikan
penaksiran parameter regresi nonlinier.
1.5 Kontribusi Penelitian
Kontribusi penelitian ini adalah menambah pengetahuan dalam regresi nonlinier

dan bagaimana menaksir parameternya.
1.6 Metode Penelitian
Dalam penelitian ini penulis melakukan studi literatur dengan mengumpulkan

bahan yang membahas mengenai regresi nonlinier dan metode kuadrat terkecil
pada kasus nonlinier. Adapun langkah-langkah penelitian ini adalah sebagai
berikut:
1. Membahas regresi nonlinier dengan metode kuadrat terkecil
2. Menaksir parameter pada model eksponensial dalam regresi nonlinier

dengan metode kuadrat terkecil
3. Melakukan iterasi dengan iterasi jalan tengah Marquardt dan iterasi Gauss
Newton.
4. Kedua iterasi dilakukan sampai hasilnya konvergen
5. Menyelesaikan contoh kasus dengan menggunakan metode Marquardt dan
metode Gauss Newton.
6. Membandingkan penaksiran yang dilakukan melalui iterasi jalan tengah
Marquardt dan iterasi Gauss Newton.
1.7 Tinjauan Pustaka
(Draper and Smith, 1966)

Secara umum model nonlinier dapat ditulis sebagai berikut:
Y = f (1 , 2 , , k ;1 , 2 , , p ) +
Dengan
Y = peubah respon
= peubah bebas
= parameter
= galat
Persamaan dapat diperingkas menjadi:
Y = f ( , ) +
Atau
E ( y ) = f ( , )
Jika diasumsikan bahwa
E ( ) = 0 dan diasumsikan galat-galatnya tidak
berkorelasi, yang berarti V ( ) = 2
Pada umumnya ~ N 0, 2
yang berarti galat-galatnya berdistribusi normal
serta saling bebas satu sama lain.

Bila n data amatannya berbentuk:
Yu , 1u , 2u , , ku
5
Untuk u = 1,2, , n dapat dituliskan dalam bentuk alternatifnya
Yu = f ( , ) + u
Dengan u adalah galat ke u = 1,2, n dapat diperingkas menjadi
Yu = f ( , ) + u
dengan
u = (1u , 2u , , ku )
Asumsi kenormalan dan kebebasan galat dapat dituliskan sebagai :
~ N (0, I 2 )
= ( 1 , 2 , , n )
0 = Vektor nol
I = Matriks Identitas
Dan keduanya berukuran sama
Jumlah kuadrat galat untuk model nonlinier didefenisikan sebagai:
n
S ( ) = {Yu f ( u , )}
u =1
(Gallant, 1942)
2
Atau SSE ( ) = {Yu f ( u , )}

u =1
(Steven C Chapra)
Terdapat banyak kasus dalam rekayasa dimana model-model taklinear harus
dicocokkan pada data. Dalam konteks yang sekarang model-model ini
didefenisikan sebagai model yang mempunyai ketergantungan taklinier pada
parameter-parameternya.
Misalnya: f ( x ) = a 0 1 e a1x
Tidak terdapat cara untuk memanipulasi persamaan ini sehingga sesuai dengan
bentuk umum persamaan:
y = a0 z 0 + a1 z1 + a 2 z 2 + + a m z n + e
(Mohammad Ehsanul Karim)

Metode Gauss Newton atau yang sering disebut metode linearisasi menggunakan
expansi deret Taylor untuk menghampiri model regresi nonlinier menjadi bentuk
linier dan menggunakan kuadrat terkecil untuk menaksir parameter. Misalkan
modelnya berbentuk
Yu = f ( , ) + u
dan
10 , 20 , , p
adalah nilai-nilai awal bagi parameter-parameter 1 , 2 , p
Nilai-nilai awal itu mungkin merupakan dugaan kasar belaka atau mungkin pula
merupakan nilai-nilai dugaan awal bersasarkan informasi yang tersedia. Nilainolai awal itu diharapkan akan diperbaiki dalam proses iterasi.
(Sanjoyo,2006)
Metode Jalan Tengah Marquardt mengaplikasikan metode iterasi seperti halnya
pada Metode Gauss Newton yaitu bertujuan menghasilkan jumlah kuadrat galat
yang paling minimum.
BAB 2
LANDASAN TEORI
2.1. Penaksiran Parameter
Dengan statistika dapat disimpulkan karakteristik populasi yang dapat dipelajari

berdasarkan data yang diambil baik secara sampling ataupun sensus. Sehingga
dengan keperluan tersebut diambil sampel yang representatif, dan berdasarkan
hasil analisis terhadap sampel tersebut dapat diambil kesimpulan mengenai
populasi yang diteliti. Adapun sampel yang digunakan untuk menduga parameter
disebut penaksir parameter, dan angka yang merupakan hasilnya disebut
penaksiran secara statistik. Penaksir sendiri juga merupakan peubah acak. Teori
penaksiran dibagi dalam dua golongan yaitu penaksiran titik dan penaksiran
selang. Sedangkan cara melakukan penaksiran ada bermacam-macam diantaranya
adalah cara momen, simpangan kuadrat terkecil, kemungkinan maksimum
ataupun sifat penaksiran tak bias linear yang terbaik.
Suatu penaksiran akan menghasilkan bermacam-macam penaksir.Diantara

penaksir-penaksir itu haruslah dipilih mana yang terbaik yang dapat dipakai
sebagai penghampir parameter populasi. Oleh karena itu perlu diketahui ciri-ciri
penaksir yang baik. Penaksir yang baik harus memenuhi beberapa syarat,
tergantung kepada besar ukuran sampelnya. Akan diuraikan beberapa defenisi
yang berkaitan dengan kriteria penaksir yang baik. Kriteria penaksir yang baik
meliputi ketakbiasan, efisiensi, dan konsistensi.
(1) Ketakbiasan
()
merupakan penduga tak bias (unbias estimator) dari jika E = .

Sebuah penduga dikatakan tak bias kalau rata-rata dari seluruh
kemungkinan sampel akan sama dengan nilai parameter dari populasi yang
diduga.
Tetapi kritria tak bias saja tak cukup selama variansi sebagai ukuran
penyebaran suatu penaksir tak bias diketahui. Yang diinginkan penaksir
takbias dengan variansi terkecil yang merupakan kriteria efisiensi.
(2) Efisiensi
merupakan penduga yang efisien (efficient estimator) bagi apabila

nilai memiliki varians atau standar deviasi yang lebih kecil
dibandingkan dengan penduga lainnya. Kalau ada penduga yang takbias
1 dan 2 dimana varians atau standar deviasi dari penduga 1 lebih kecil
dibandingkan varians atau standar deviasi penduga 2 , maka 1 relative
lebih efisien dibandingkan dengan 2 .
(3) Konsistensi
merupakan penduga konsisten (consistent estimator) bagi apabila

nilai cenderung mendekati nilai parameter untuk n (besarnya sampel)
yang semakin besar mendekati tak hingga (n ) . Jadi ukuran sampel
yang besar cenderung memberikan penduga titik yang lebih baik
dibandingkan ukuran sampel kecil. X merupakan penduga konsisten dari
, sebab apabila n N , maka X .

Dari contoh ini jelas, kalau n = N maka X = . S 2 =
merupakan penduga konsisten dari
2 =
1
(X i X )2
1
( X i )2
(4) Penduga yang cukup
merupakan penduga yang cukup (sufficient estimator) bagi apabila

mencakup seluruh informasi tentang yang terkandung didalam sampel.
2.2. Turunan Parsial

Misalkan z = f ( x, y ) fungsi 2 variabel yang terdfenisi disekitar titik
(x, y ) ,
turunan parsial dari f terhadap x adalah turunan z terhadap x dan y tetap

konstan
Turunan parsial z = f ( x, y ) terhadap x ditulis:
z=
f ( x, y ) = f (x, y ) didefenisikan sebagai berikut:
x
x
f (x + h, y ) f ( x, y )
f ( x, y ) = f x (x, y ) = lim
h 0
x
h
Turunan parsial z = f ( x, y ) terhadap y ditulis:
f ( x, y + k ) f ( x, y )
f (x, y ) = f y (x, y ) = lim

k 0
k
y
2.3 Deret Taylor
Deret Taylor dapat memberikan nilai hampiran bagi suatu fungsi pada suatu titik,
berdasarkan nilai fungsi dan derivatifnya pada titik yang lain. Suku pertama dari
deret Taylor adalah f (xi +1 ) f ( X i ) dan disebut aproksimasi orde nol. Hubungan
ini hendak menunjuk bahwa nilai fungsi f pada titik yang baru, f ( X i +1 ) adalah
sama dengan nilai fungsi pada titik yang lama f ( X i ) . Bila fungsi mengalami
perubahan
suku,
sehingga
dikembangkan
aproksimasi
orde
yaitu:
f ( X i ) + f ' ( X i )( X i +1 X i )
Dan secara umum deret Taylor dirumuskan sebagai berikut:
f ( X i +1 ) f ( X i ) + f ' ( X i )( X i +1 X i ) +
(n )
( )
f "(X i )
(x I +1 x I )2 + + f X i ( X i +1 X i )n + Rn
n!
2!
Dan suku tambahan Rn adalah:

10
Rn =
f (n +1) ( ) n +1
h
(n 1)
Dengan indeks n menyatakan aproksimasi orde ke n dan adalah suatu nilai X

dalam selang interval X i hingga X i +1 . Dan h adalah X i +1 X i .
2.4 Regresi Nonlinier
Model nonlinier (yaitu nonlinier dalam parameter yang akan diduga) dapat dibagi
menjadi dua bagian yaitu model linier intrinsik dan model nonlinier Intrinsik.
(1) Model linier Intrinsik
Jika suatu model adalah linier intrinsik, maka model ini dapat dinyatakan
melalui transformasi yang tepat terhadap peubahnya kedalam bentuk linier
baku. Contoh:
Y = eks 1 + 2 t 2 + e
Persamaan ini dapat ditransformasi melalalui pelogaritmaan dengan

basis e , menjadi bentuk, ln Y = 1 + 2 t 2 + e
Yang bersifat linier dalam parameter-parameternya.
(2) Model nonlinier intrinsik
Jika suatu model nonlinier intrinsik maka model ini tidak dapat diubah
menjadi bentuk baku. Contoh:
Y=
1
[e t e t ] + e
1 2
2
Model ini tidak mungkin dapat diubah kedalam suatu bentuk linier dalam
parameternya.
Regresi nonlinier adalah regresi yang memuat parameter nonlinier, artinya jika
parameter tersebut diturunkan terhadap parameter itu sendiri maka hasil
turunannya masih mengandung parameter itu sendiri. Estimasi dilakukan untuk
menentukan estimator parameter regresi. Salah satu metode yang digunakan untuk
mengestimasi parameter model regresi nonlinier adalah kuadrat terkecil nonlinier
dimana secara konseptual sama dengan metode kuadrat terkecil pada model
regresi linier.
11
Terdapat banyak kasus dalam rekayasa dimana model-model nonlinier harus

dicocokkan pada data. Dalam konteks ini model-model ini didefenisikan sebagai
model yang mempunyai ketergantungan nonlinier pada parameter-parameternya.
Seperti halnya dengan kuadrat terkecil, regresi nonlinier didasarkan pada
penentuan nilai-nilai parameter yang meminimumkan jumlah kuadrat galatnya.
Namun dalam kasus nonlinier, penyelesaian haruslah berjalan dengan cara iterasi
dan bergantung pada nilai-nilai dugaan awal.
2.5 Metode Kuadrat Terkecil dalam Kasus Nonlinier
Metode kuadrat terkecil atau seing disebut dengan metode OLS (Ordinary Least
Square) diperkenalkan oleh Carl Friedrich Gauss, seorang matematikawan
Jerman. Penaksir- penaksir yang dihasilkan berdasarkan metode kuadrat terkecil
adalah bersifat tak bias dan konsisten. Didalam kenyataannya, salah satu penaksir
tak bias linier memiliki varians yang minimum, sehingga disebut penaksir takbias
linier terbaik (Best Linear Unbiased Estimator/BLUE). Sifat ini merupakan dasar
dari dalil Gauss- markov theorem yaitu sebagai berikut:
Dalil
Gauss Markov : Berdasarkan sejumlah asumsi tertentu pendugaan
berdasarkan metode kuadrat terkecil akan menghasilkan penduga takbias linier

terbaik (Best Linear Unbiased Estimator/ BLUE), dengan koefisien regresi
memiliki varians yang minimum.
Namun demikian berbeda dengan kuadrat terkecil dalam model linier,

penaksiran parameter pada kuadrat terkecil dalam model nonlinier ditentukan
dengan melakukan suatu prosedur atau algoritma yang dapat menjamin bahwa
penaksir tersebut secara nyata memenuhi kriteria dari fungsi tujuan yaitu
memberikan jumlah kuadrat galat pada nilai yang paling minimum atau
memberikan nilai maksimum pada fungsi likelihood. Notasi Baku yang digunakan
untuk kuadrat terkecil nonlinier berbeda dengan yang digunakan untuk kasus
kuadrat terkecil linier. Misalkan model yang diberikan berbentuk sebagai berikut:
12
Y = f (1 , 2 , k ;1 2 , p ) + e
Dilambangkan dengan
= (1 , 2 ,, k )
= (1 , 2 , , p )'
Maka persamaannya dapat ditulis menjadi
Y = f ( , ) + e
Atau
E (Y ) = f ( , )
Bila data amatannya berbentuk
Yu , 1u , 2u , , ku
Untuk u = 1, 2 , n maka dapat dituliskan modelnya kedalam bentuk:
Yu = f (1u , 2u , k ;1 , 2 , p ) + eu
dan dapat diperingkas bentuknya menjadi:

Yu = f ( u , ) + eu
Jumlah kuadrat galat untuk persamaan nonlinier ditulis sebagai berikut:
n
S ( ) = {Yu f ( u , )}
u =1
Karena y u dan u merupakan amatan, dan bersifat tetap, maka jumlah kuadrat
tersebut merupakan fungsi dari . Nilai taksiran kuadrat terkecil bagi akan
dilambangkan dengan . Nilai taksiran ini tidak lain adalah nilai yang
meminimumkan S ( ) . Untuk menemukan nilai taksiran kuadrat terkecil ,
terlebih dahulu persamaan jumlah kuadrat galat dideferensialkan terhadap . Ini
akan menghasilkan
p persamaan normal, yang harus diselesaikan untuk
memperoleh . Persamaan normal tersebut berbentuk :
f ( u , )
S ( )
= {Yu f ( u , )}
( i )
i =
Untuk i = 1, 2, , p sedangkan besaran dalam kurung adalah turunan dari
f ( u , ) terhadap i dengan semua i diganti dengan yang bersubskrip sama,
jika f ( u , ) merupakan fungsi linier, maka nilai dugaan f ( u , ) tersebut
13
merupakan fungsi dari u saja dan tidak mengandung sama sekali. Misalnya
jika
f ( u , ) = 1 u + 2 2u + pm
Maka
f
= iu
i
i = 1, 2 ,, p
dan tidak bergantung pada . Ini mengakibatkan persamaan normalnya terdiri

atas persamaan- persamaan linier dalam 1 , 2 , p . Bila modelnya tidak linier
dalam , maka sama halnya dengan persamaan normalnya. Sekarang akan
diilustrasikan dengan suatu contoh sederhana berupa penaksiran suatu parameter
didalam sebuah moel nonlinier. Misalnya akan diperoleh persamaan normal

untuk mendapatkan nilai taksiran kuadrat terkecil bagi parameter dalam
model Y = f ( , t ) + dengan f ( , t ) = e t misalkan n pasangan amatan yang
tersedia adalah (Y1 , t1 ), (Y2 , t 2 ), , (Yn , t n ) . Melalui pendifrensialan parsial terhadap
f
= te t
diperoleh
yang menghasilkan persamaan normal tunggal.
Selanjutnya persamaan normal tunggal dapat ditulis sebagai berikut:
[Y
n
u =1
][
e t t u e tu = 0
Atau
n
Y t e
u =1
t
u
u u
t u e 2t u = 0
Perhatikan bahwa dengan hanya satu parameter dan suatu model nonlinier
yang relatif sederhana , penentuan nilai melalui penyelesaian persaman normal
tidaklah mudah.
Bila parameternya lebih banyak dan modelnya lebih rumit,
penyelesaian persamaan- persamaan normalnya bisa sangat sulit, dan hampir

dalam semua kasus, pemecahannya harus menggunakan metode iteratif yang
dapat dijumpai pada metode iterasi Marquardt dan metode iterasi Gauss Newton.
14
2.6 Metode Marquardt Compromise (Jalan tengah Marquardt)
Metode ini dikembangkan oleh D.W Marquardt atau sering juga disebut metode
Levenberg Marquardt adalah salah satu metode didalam pendugaan nonlinier.
Metode Marquardt merupakan kompromi atau jalan tengah antara metode
linearisasi (atau deret Taylor) dengan metode turunan tercuram (Stepest Descent).
Metode Marquardt mengaplikasikan metode iterasi seperti halnya pada metode
Gauss Newton yaitu meminimumkan jumlah kuadrat galat, bedanya hanya
terletak pada penambahan perkalian skalar dan matriks identitas I k . Secara
umum metode Marquardt Compromise dinyatakan sebagai berikut:
1 S ( )
n +1 = n t n (D( n )' D( n ) + n I k )
( ) =
(( ) ( )
p n = Z n ' Z n + n I k
Dengan
= Nilai dugaan awal parameter
n +1
= Parameter yang ditaksir
( ) ( )
D n ' D n = Matriks yang dihasilkan dari data
= Perkalian skalar
tn
= Panjang langkah
Ik
= Matriks Identitas
S ( )
( )
= Persamaan Normal
15
2.7 Metode Gauss Newton
Metode Gauss Newton merupakan suatu algoritma untuk meminimumkan jumlah

kuadrat galat. Konsep kunci yang mendasari teknik tersebut adalah uraian deret
Taylor yang digunakan untuk menyatakan persamaan nonlinier semula dalam
suatu bentuk hampiran yang linier. Dengan demikian, teori kuadrat terkecil dapat
digunakan untuk memperoleh taksiran-taksiran baru dari parameter yang bergerak
kearah yang meminimumkan galat tersebut.
Secara umum iterasi gauss Newton dinyatakan sebagai berikut:
n +1 = n + [D( (n ) )' D( (n ) )] D( (n ) )' (Yt f ( , ))

1
Dengan
= Nilai dugaan awal parameter
n +1
= Parameter yang akan ditaksir
( )
D (n )
= Matrik yang dihasilkan dari data
(Yt f ( , ))
= Vektor yang dihasilkan dari perbedaan antara pengukuran dan
prediksi
Metode Gauss Newton dimulai dengan nilai awal untuk parameter regresi yaitu
0 ,1 , p 1 dan didalam penaksirannya dirobah menjadi g 0(0 ) , g1(0 ) ,, g (p0)1
BAB 3
PEMBAHASAN
3.1 Pendugaan Parameter suatu Sistem Nonlinier
Pada sebagian masalah nonlinier,cara yang sering dilakukan dan ternyata berhasil
adalah menuliskan persamaan normal secara terinci dan mengembangkan suatu
teknik iteratif untuk memecahkannya.Apakah cara ini berhasil atau tidak
bergantung pada persamaan normalnya dan metode iterasi yang digunakan, dalam
memperoleh taksiran parameter. Diantaranya adalah :1) Metode Gauss Newton
(metode linearisasi), 2) Metode Stepest Descent (Turunan tercuram), 3)
Marquardt Compromise ( jalan tengah Marquardt). Dan metode-metode ini dapat
diselesaikan dengan menggunakan program komputer.
Metode Gauss Newton menggunakan hasil-hasil kuadrat terkecil dalam

beberapa tahap. Misalkan model yang ditentukan berbentuk:
Yu = f ( , ) + u
Dan 10 , 20 ,, p 0 adalah nilai-nilai awal bagi parameter-parameter 0 ,1 ,, p
Nilai-nilai awal itu merupakan taksiran kasar belaka atau mungkin pula
merupakan nilai-nilai dugan awal berdsarkan informasi yang tersedia. (Misalnya
perkiraan berdasarkan informasi yang diperoleh dari perhitungan lain yang serupa
atau yang diperkirakan benar oleh peneliti berdasarkan pengalaman dan
pengetahuannya). Nilai-nilai awal itu diharapkan akan diperbaiki dalam proses
iterasi.
17
Bila
dilakukan
penguraian
deret
Taylor
bagi
f ( , )
disekitar
titik
0 = (10 , 20 , p 0 ) dan membatasi penguraian sampai turunan pertama, maka dapat

dikatakan bahwa, bila dekat pada 0 maka
p
f ( u , )
f ( u , ) = f ( u , 0 ) +
( i i 0 )
i =
i =1
Bila ditetapkan
f u0 = f ( u , 0 )
i0 = i i 0
f ( u , )
Z iu0 =
i = 0
Maka bentuknya menjadi

p
Yu f u0 i0 Z iu0 + u
i =1
Dengan kata lain persamaan tersebut sudah berbentuk linier. Oleh karena
itu dapat ditaksir parameter-parameter i0 , i = 1, 2, , p dengan cara menerapkan
teori kuadrat terkecil. Bila ditetapkan
Z 110
0
Z 12
Z = 0
Z
1u
0
Z 1n
b10
0
b
b0 = 2

b p0
0
Z 21
Z p01
0
Z 22
Z p0 2

= Z0 , pn
iu
0
0
Z 2u Z pu
0
0
Z 2 n Z pn
Y1 f10
Y2 f 2

=Y f 0
y0 =
0
Yu f u

Y f 0
n
n
18
Misalnya, dengan notasi yang sudah jelas maksudnya, maka taksiran bagi
0 = (10 , 20 , , p0 ) diberikan oleh b0 = (Z 0 ' Z 0 )1 Z 0 ' (Y f 0 )

dengan demikian vektor bo akan meminimumkan jumlah kuadrat galat.
3.2 Jumlah Kuadrat Galat (Sum Square Error)

Penaksiran Kuadrat terkecil dari adalah meminimumkan jumlah kudrat galat
dari parameter yaitu , didefenisikan sebagai:
n
S ( ) = {Yi f ( , )}
i =1
Untuk menghitung jumlah kuadrat galat dapat juga dilakukan dengan

menggunakan matrik sebagai berikut:
S ( ) = [Y f ( )] [Y f ( )]
f ( ) = f (1 , ), f ( , ),, f ( , )
Y = [Y1 , Y2 ,, Yn ]
Untuk menemukan nilai dugaan kuadrat terkecil , persamaan
S ( ) = [Y f ( )] [Y f ( )] dideferensialkan terhadap dan akan menghasilkan

p persamaan normal. Persamaan normal itu berbentuk:
n
f ( i , )
f ( i , )
f ( , )
= i =1
=
Y
i =1
Dan selanjutnya dapat dilakukan penaksiran parameter model nonlinier dengan

menggunakan kuadrat terkecil dan melakukan pengiterasian dengan menggunakan
iterasi Gauss Newton dan iterasi jalan tengah Marquardt.
19
3.3 Algoritma Marquardt Compromise

Menentukan nilai awal yaitu 00 , 10 , , p01 dan didalam pengiterasiannya notasi
awal berubah menjadi g 00 , g10 , , g 0p 1 . Selanjutnya menyelesaiakan persamaaan
normal dari suatu model regresi nonlinier yang akan ditaksir, dan kemudian
menentukan nilai perkalian skalar dinotasikan dengan dengan 0 < 1 dan
matriks identitas I . Iterasi pada metode ini akan berhenti pada saat nilai iterasi
tersebut sudah konvergen.
Persamaan iterasi ditulis sebagai berikut:
1 S ( )
n +1 = n t n (D( n )' D( n ) + n I k )
( ) =
Dan pada proses iterasi notasi parameter yang ditaksir akan menjadi
( ( ) ( )
g n +1 = g n t n D g n ' D g n + n I k
( )
S g n
( )
g gn
3.4 Algoritma Gauss Newton
Pada umumnya proses iterasi Gauss Newton dilakukan dengan langkah sebagai
berikut:
1) Dianggap (0 ) sebagai estimasi awal untuk
2) Hitung (i +1) = (0 ) + bi
3) Nilai (i +1) digunakan sebagai nilai untuk menghampiri model linier
4) Kemudian kembali lagi ke langkah pertama dan menghitung nilai b untuk
setiap iterasi, nila b yang baru ditambahkan kepada penaksiran yang
didapat dari iterasi sebelummya.
5) Iterasi dilanjutkan untuk melihat apakah hasilnya konvergen atau tidak.
20
3.5 Penyelesaian Contoh
Contoh
Pernyatan masalah: Cocokkan fungsi f ( X i ; 0 , 1 ) = 0 (1 exp( 1 X i )) pada data
sebagai berikut:
Tabel 3.5.1 Data yang harus dicocokkan pada fungsi

y
x
0,25
0,28
0,75
0,57
1,25
0,68
1,75
0,74
2,25
0,79
(Sumber: Buku Metode Numerik oleh Steven C Chapra halaman 318-319)

Gunakan dugaan-dugaan awal 0 = 1,00 dan 1 =1,00 untuk parameterparameter.
Penyelesaian
Dengan Bentuk
f ( X i ; 0 , 1 ) = 0 (1 exp( 1 , X i )) yang terdiri dari dua
parameter. Digunakan kuadrat terkecil untuk meminimumkan kuadrat galat

dengan terlebih dahulu menaksir parameter pada model tersebut dan selanjutnya
menyelesaikan persamaan normalnya dengan iterasi jalan tengah Marquardt dan
iterasi Gauss Newton.
21
Model tersebut akan dibentuk kedalam regresi nonlinier yaitu sebagai berikut:
Yi = f ( X i , ) + i
Dengan Kuadrat terkecil Q adalah

2
Q = [Yi f ( X i , k )]
k = 0,1, , p 1
i =1
Turunan parsial dari Q terhadap k adalah

n
f ( X i , )
Q
= 2[Yi f ( X i , )]
=0
k i =1
k = g
g adalah vektor dari taksiran kuadrat terkecil g k yaitu:
g0
g
1
g=

g p 1
Dari contoh diatas dapat diselesaikan sebagai berikut:
f ( X i ; ) = 0 (1 exp( 1 X i ))
Sehingga untuk contoh diatas turunan-turunan parsial fungsi terhadap parameterparameter adalah:
f ( X i , )
= 1 exp( 1 X i )
0
f ( X i , )
= 0 X i exp( 1 X i )
1
Ubahlah simbol 0 dan 1 untuk menaksir parameter dengan g 0 dan g1 . Akan
didapat persamaan normal dari turunan parsial diatas yaitu sebagai berikut:
Y (1 exp( g X )) g (1 exp( g Xi ))(1 exp( g X )) = 0

Y g X exp( g X ) g (1 exp( g X ))g X exp( g X ) = 0
i
Persamaan normal dapat diubah menjadi:

=0
Y (1 exp( g X )) g (1 exp( g X ))
Y X exp( g X ) g X exp( g X ) exp( 2 g X ) = 0
2
22
Karena persamaan normal diatas tidak linier didalam parameter g 0 dan
g1 maka cara yang tepat untuk menyelesaikan persamaan normal diatas adalah
dengan menggunakan metode numerik untuk melakukan penaksiran secara iterasi.
Metode numerik yang sering kali dipakai untuk menyelesaikan permasalahan
didalam penaksiran parameter model nonlinier adalah Metode Gauss Newton dan
Metode Marquardt compromise.
Dengan menggunakan algoritma Gauss Newton, langkah awal adalah

menentukan nilai awal terlebih dahulu kemudian dihampiri dengan rata-rata
respon f ( X i , ) untuk n pengamatan oleh bentuk linier mengunakan ekspansi
deret Taylor disekitar nilai awal g k0 diperoleh pengamatan ke i
p 1
f ( X i , )
(0 )
f ( X i , ) f X i , g (0 ) +
k g0
k =0
k
= g
Dan
g 0(0 )
(0 )
g
g= 1
g (p0)1
adalah vektor dari parameter nilai awal
Sekarang akan disederhanakan notasi:
f i 0 = f X i , g (0 )
k(0 ) = k g k(0 )
f ( X i , )
Dik(0 ) =
k ( 0 ) = g ( 0 )
23
Hampiran
deret
p 1
f ( X i , )
(0 )
f ( X i , ) f X i , g (0 ) +
k g0
k = g
k =0
Taylor
untuk rata-rata respon pengamatan ke i notasinya akan disederhanakan menjadi

p 1
f ( X i , ) f i (0 ) + Dik(0 ) k(0 )
k =0
Dan hampiran untuk model regresi nonlinier Yi = f ( X i , ) + i akan menjadi

p 1
Yi f i (0 ) + Dik(0 ) k(0 ) + i
k =0
Dari bentuk diatas f i (0 ) digeser kekiri akan menjadi Yi f i (0 ) dengan
akan
diperoleh pendekatan model regresi linier sebagai berikut:

p 1
Yi Dik(0 ) k(0 ) + i
i = 1,, n
k =0
Karena
Yi (0 ) = Yi f i (0 )
Maka akan didapat pendekatan didalam bentuk matriks seperti dibawah ini:
Y (0 ) D (0 ) (0 ) +
Yn(01)
Y1 f 1(0 )
Y f (0 )
n
n
D (0 )
D10(0 ) D1(,0p)1

=
D (0 ) D (0 )
n , p 1
n0
(0 )
0(0 )
=
(0 )
p 1
n p
p1
24
Selanjutnya parameter (0 ) dapat ditaksir dari persamaan normal pada model
regresi linier sederhana dan diperoleh:
b (0 ) = D (0 ) ' D (0 )
Dimana b (0 )
D (0 ) ' Y (0 )
adalah vektor dari koefisien regresi kuadrat terkecil yang akan
ditaksir. Dan dapat digunakan untuk memperoleh taksiran parameter regresi

berikutnya dengan koefisien regresi g k(1) .
g k(1) = g k(0 ) + bk(0 ) .
Kriteria perhitungan kuadrat terkecil untuk koefisien regresi awal g (0 ) dinotasikan

SSE
(0 )
= Yi f X i , g
(0 )
)]
i =1
dengan
= Yi f i (0 )
i =1
Dari contoh sebelumnya dapat diselesaikan dengan iterasi Gauss Newton sebagai
berikut
Untuk lebih memudahkan pengiterasian dapat dilakukan dengan penerapan
matriks:
D5(02)
(
(
(
(
(
1 exp g1(0 ) X 1
(0 )
1 exp g1 X 2
= 1 exp g1(0 ) X 3
1 exp g1(0 ) X 4
(0 )
1 exp g1 X 5
0,2212
0,5276
= 0,7135
0,8262
0,8946
)
)
)
)
)
(
(
(
(
(
)
)
)
)
)
g 0(0 ) X 1 exp g1(0 ) X 1
g 0(0 ) X 2 exp g1(0 ) X 2

g 0(0 ) X 1 exp g1(0 ) X 3
g 0(0 ) X 1 exp g1(0 ) X 4
g 0(0 ) X 1 exp g1(0 ) X 5
0,1947
0,3543
0,3581
0,3041
0,2371
25
f X 1 , g (0 ) = f1(0 )
))
))
))
))
))
= g 0(0 ) 1 exp g1(0 ) X i
=1(1 exp( 1(0,25)))

= 0,2212
f X 2 , g (0 ) = f 2(0 )
= g 0(0 ) 1 exp g1(0 ) X 2
= 0,5276
f X 3 , g (0 ) = f 3(0 )
= g 0(0 ) 1 exp g1(0 ) X 3

= 0,7153
f X4, g
(0 )
)= f ( )
0
= g 0(0 ) 1 exp g1(0 ) X 4
= 0,8264
f X 5 , g (0 ) = f 5(0 )
= g 0(0 ) 1 exp g1(0 ) X 5

= 0,8946
Untuk : Yi = 0,28
maka penyimpangannya dapat dihitung sebagai berikut:
Y1(0 ) = Yi f1(0 ) = 0,28 0,2212 = 0,0588

Sehingga vektor Y (0 ) terdiri dari perbedaan antara pengukuran dan prediksi
model:
Y5(01)
(
(
(
(
(
(
(
(
(
(
))
))
))
))
))
Y1 g 0(0 ) 1 exp g1(0 ) X 1
(0 )
(0 )
Y2 g 0 1 exp g1 X 2
Y g (0 ) 1 exp g (0 ) X
0
1
3
3
(
)
(
)
0
0
Y4 g 0 1 exp g1 X 4
(0 )
(0 )
Y5 g 0 1 exp g1 X 5
0,28 0,2212 0,0588
0,57 0,5276 0,0424
= 0,68 0,7153 = 0,0335
0,74 0,8262 0,0862

0,79 0,8946 0,1046
Y1 f 1(0 )
(0 )
Y2 f 2
= Y3 f 3(0 ) =
Y4 f 4(0 )
(0 )
Y5 f 5
26
Sehingga untuk semua data pengamatan akan didapat:
SSE
(0 )
(0 )
= Yi f X i , g
(0 )
)]
i =1
n
= Yi f i
i =1
= (0,0588) + (0,0424) + ( 0,0335) + ( 0,0862 ) + ( 0,1046 )

= 0,0247490
2
b (0 ) = D (0 ) ' D 0
(0 )
D 'D
(0 )
0,2212 0,5276 0,7135 0,8262 0,8946

= 0,1947 0,3543 0,3581 0,3041 0,2731
(D ( ) 'Y ( ) )
0
D (0 ) ' Y (0 )
2,3193
=
0,9489
(D ( ) ' D ( ) )
0,1947
0,3543
0,3581
0,3041
0,2371
0,2212
0,5276
0,7153
0,8262
0,8946
0,9489
0,4404
0,4404
1
(2,3193 . 0,4404) (0,9489 .0,9489) 0,9489
3,6397 7,8421
=
19,1676
7,8421
0,9489
2,3193
0,0588
0,0424
0,2212 0,5276 0,7135 0,8262 0,8946
=
0
,
0335
0,1947 0,3543 0,3581 0,3041 0,2731 0,0862
0,1046
0,1533
=
0,0365
27
Oleh karena itu:

3,6397 7,8421 0,1533
b (0 ) =

7,8421 19,1676 0,0365
0,27172936
=
0,50256923
Maka akan diperoleh penaksiran kuadrat terkecil g (1) :
g (1) = g (0 ) + b (0 )
1 0,27172936
= +
1 0,50256923
0,72826923
=
1,50256923
Dengan cara yang sama seperti diatas dapat diperoleh iterasi berikutnya sehingga
didapat iterasi yang menghasilkan galat yang paling minimum
Iterasi
g0
g1
SSE
1,0000
1,0000
0,0247490
0,7282
1,5025
0,0243422
0,7911
1,6774
0,0006622
0,7921
1,6774
0,0006622
Dari hasil iterasi yang ketiga telah diperoleh iterasi yang konvergen, sehingga
itterasi dapat berhenti dan didapat MSE sebagai berikut:
SSE
n p
0,000662
=
52
= 0,0002206
MSE =
28
Dengan menggunakan algoritma Marquardt, langkah awal yang dilakukan adalah

menentukan nilai awal yaitu 00 , 10 , , p01 dan didalam pengiterasiannya notasi
nilai
awal
tersebut
akan
berubah
menjadi
g 00 , g10 , g 0p 1 ,
selanjutnya
menyelesaikan persamaan normal dari suatu model regresi nonlinier yang akan
ditaksir, setelah itu akan ditentukan nilai skalar dari setiap iterasi yang dinotasikan
dengan dimana 0 < j 1 dan biasanya nilai merupakan faktor dari 10. Dan
iterasi akan berhenti pada saat nilai iterasi tersebut sudah konvergen yaitu
k +1 k Persamaan iterasi ditulis sebagai berikut:

1 S ( )
(n +1) = n t n (D( n )' D( n ) + n I k )
( ) =
Pada proses iterasi notasi parameter yang ditaksir menjadi:
( ( ) ( )
g (n +1) = g n t n D g n ' D g n + n I k
S (g )
(g )
gn
Untuk lebih memahami metode Marquardt kemudian akan diselesaikan contoh

yang
sebelumnya.
Diambil
nilai
awal
taksiran
untuk
model
f ( X i ; ) = 0 (1 exp( 1 X i )) yang sama dengan nilai awal yang diberikan pada

metode Gauss Newton yaitu g 0(0 ) = 1,00 dan g1(0 ) =1,00. Sehingga dapat diketahui
metode mana yang lebih efisien atau metode yang lebih cocok digunakan dalam
contoh ini. Nilai awal tersebut dapat digunakan untuk mencari nilai taksiran
berikutnya.
Dengan menggunakan persamaan iterasi diatas maka dapat dilakukan perhitungan

seperti dibawah ini. Dari matriks sebelumnya yaitu:
3193
(D ( ) ' D ( ) ) = 02,,9489
0
0,9489
0,4404
29
3193
[(D ( ) ' D ( ) ) + I ] = 02,,9489
0
n k
2,3193
=
0,9489
[(D ( ) ' D ( ) ) + I ]
0
n k
0,9489
1
+ 0,00001
0,4404
0
0
1
0,9489
0,4404
3,6397 7,8421
=
7,8421 19,1678
( )
( )
S g (0 )
2
(0 ) = Yi (1 exp( g 1 X i )) g 0 (1 exp( g 1 X i )) = 0
g
0,28(1 exp( 0,25)) + 0,57(1 exp( 0,75)) + 0,68(1 exp( 1,25))

= 0
+ 0,74(1 exp( 1,75)) + 0,79(1 exp( 2,25))

(1 exp( 0,25))2 + (1 exp( 0,75))2 + (1 exp( 1,25))2 + (1 exp( 1,75))2
1
+ 1 exp( 2,25)2
( )
( )
= 0 (2,1659 2,3192)
= 0,1533
S g (1)
(1) = Yi X i exp( g 1 X i ) g 0 X i exp( g 1 X i ) exp( 2 g 1 X i ) = 0

g
= 0 {0,07 exp( 0,25) + 0,47 exp( 0,75) + + 1,77 exp( 2,25)}

1{0,25 exp( 0,25) exp( 0,5) + + 2,25 exp( 2,25) exp( 4,5)}
= 0 (0,9122 0,9487)
= 0,0365
[D ( ) ' D ( ) + I ]
0
n k
( )
3,6397
S g (n )
=
7,8421
g (n )
7,8421 0,1533
19,1369 0,0365
0,27172936
=
0,50256923
30
Sehingga akan didapat:

g 0(1) 1 0,27172936
(1) =
g 0 1 0,50256923
0,72826923
=
1,50256923
n
(0 )
SSE = Yi f X i , g (0 )
)]
i =1
n
= Yi f i
i =1
= (0,0588) + (0,0424) + ( 0,0335) + ( 0,0862 ) + ( 0,1046 )

= 0,0247490
2
(
(
(
(
(
(
(
(
(
(
))
))
))
))
))
Y1 f1(1) Y1 g 0(1) 1 exp g1(1) X 1
(1)
(1)
(1)
Y2 f 2 Y2 g 0 1 exp g1 X 2
Y f (1) = Y g (1) 1 exp g (1) X
3
0
1
3
3
3
(
)
(
)
1
1
1
(
)
Y4 f 41 Y4 g 0 1 exp g1 X 4

(1)
(1)
(1)
Y51 f 51 Y5 g 0 1 exp g1 X 5
0,28 0.2212 0,0588

0,57 0,5276 0,0424
= 0,68 0,7153 = 0,0335
0,74 0,8262 0,0862

0,79 0,8946 0,1046
31
Dengan cara yang sama diatas dapat diperoleh iterasi berikutnya sehingga didapat
iterasi yang menghasilkan galat yang paling minimum dan menjadi konvergen
kenilai 0,001 yaitu sebagai berikut:
Iterasi
g0
g1
SSE
1,0000
1,0000
0,0247490
0,7282
1,5025
0,0243422
0.7911
1,6774
0,0006622
0,7921
1,6774
0,0006622
Dari penyelesaian dengan dua metode ditatas dapat diketahui bahwa dengan
metode Marquardt dan metode Gauss Newton sama-sama menghasilkan galat
yang paling minimum pada iterasi yang ketiga.
BAB 4
KESIMPULAN DAN SARAN
4.1 KESIMPULAN
Dari analisa yang dilakukan didapat bahwa metode Marquardt dan metode Gauss
Newton dapat menyelesaikan penaksiran parameter dalam kasus nonlinier dan
kedua metode itu menghasilkan jumlah kuadrat galat ke nilai yang paling
minimum. Metode Marquardt telah dikembangkan untuk mengatasi kekurangan
kekurangan yang terdapat dalam Metode Gauss Newton seperti kekonvergenan
yang mungkin melambat dan kemungkinan berosilasi secara lebar. Dan dalam
masalah-masalah yang praktis kedua metode lainnya dapat diterapkan sama
baiknya seperti Metode Marquardt.
4.2 SARAN
Dalam tulisan ini penulis hanya membahas tentang penaksiran parameter regresi
non linier model eksponensial dengan operasi turunan pertama yaitu metode
Marquardt dan metode Gauss Newton. Bagi para pembaca yang tertarik untuk
mengembangkan penelitian ini dapat menyelesaikan penaksiran parameter regresi
nonlinier dengan metode lainnya misalnya dengan menggunakan operasi turunan
kedua dan dengan model yang lain.
33
DAFTAR PUSTAKA
Ananth Ranganathan, The Levenberg- Marquardt, 2004

(Jurnal, diakses 20 April2009)
Chapra. C. Steven and Canale. P. Raymond. 1988. Metode Numerik. Pt Gramedia

Pustaka Utama, anggota IKAPI, Jakarta.
Danapriatna, Nana dan Setiawan Rony. 2005. Pengantar Statistika. Penerbit

Graha Ilmu, Yogyakarta.
Draper, N.R. and Smith, H. 1966. Analisis Regresi Terapan. Pt Gramedia Pustaka
Utama, anggota IKAPI, Jakarta.
Davidian, M.1966. Nonlinear Regression. New York.
Gallant, A. Ronald. 1942. Nonlinear Statistical Models. New York:

Jhon Wiley & Son
Mohammad Ehsanul Karim, Nonlinear Models, University of Dhaka.

(Jurnal, diakses 28 Maret 2009)
Neter, Jhon and Wasserman, William. 1985. Applied Linear Statistical Models.
Printed in the United States of America.
Sanjoyo, Nonlinear estimation, 2006 ( Jurnal, diakses 28 Maret 2009)
Soelistiyo. 2001. Dasar-Dasar Ekonometrika. Yogyakarta:BPPE.

Supranto,J .1981. Statistik Teori dan Aplikasi. Erlangga. Jakarta

10e00372 PDF

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

10e00372 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

PERBANDINGAN METODE MARQUARDT COMPROMISE

DAN METODE GAUSS NEWTON DALAM PENAKSIRAN

PERBANDINGAN METODE MARQUARDT COMPROMISE DAN

: PERBANDINGAN METODE MARQUARDT

Drs. H. Haluddin Panjaitan

Dra. Rahmawati Pane, M.Si.

Dr. Saib Suwilo, M.Sc.

PERBANDINGAN METODE MARQUARDT COMPROMIE DAN METODE

Regresi Nonlinier adalah regresi yang memuat parameter nonlinier, artinya

Nonlinear Regression is regression that contain nonlinear parameter, it means

1.1 Latar belakang

1.3 Pembatasan Masalah

1.4 Tujuan Penelitian

1.5 Kontribusi Penelitian

1.6 Metodologi Penelitian

1.7 Tinjauan Pustaka

Bab 2 landasan Teori

2.1 Penaksiran Parameter

2.2 Turunan Parsial

2.3 Deret Taylor

2.4 Regresi Nonlinier

2.5 Kuadrat Terkecil dalam Kasus Nonlinier

2.6 Metode Marquardt Compromise

2.7 Metode gauss Newton

3.1 Pendugaan Parameter suatu Sistem Nonlinear

3.2 Jumlah Kuadrat Galat

3.3 Algoritma Marquardt Compromise

3.4 Algoritma Gauss Newton

3.5 Penyelesaian contoh

Bab 4 Kesimpulan dan Saran

1.1 Latar Belakang

Misalkan sebuah variabel acak X berdistribusi normal dengan parameter

. Parameter dapat berupa mean populasi, simpangan baku populasi, koefisien

Eksponensial, 3) Model Logistik. Dalam Skripsi ini Penulis membicarakan

Dengan perkatan lain, dalam penentuan penaksir pada model nonlinier

Perbandingan metode Marquardt Compromise dan metode Gauss Newton dalam

1.2 Perumusan Masalah

1.3 Batasan Masalah

1.4 Tujuan Penelitian

Tujuan penelitian ini adalah untuk membandingkan penaksir parameter pada

1.5 Kontribusi Penelitian

Kontribusi penelitian ini adalah menambah pengetahuan dalam regresi nonlinier

1.6 Metode Penelitian

Dalam penelitian ini penulis melakukan studi literatur dengan mengumpulkan

2. Menaksir parameter pada model eksponensial dalam regresi nonlinier

1.7 Tinjauan Pustaka

(Draper and Smith, 1966)

E ( ) = 0 dan diasumsikan galat-galatnya tidak

berkorelasi, yang berarti V ( ) = 2

yang berarti galat-galatnya berdistribusi normal

serta saling bebas satu sama lain.

Atau SSE ( ) = {Yu f ( u , )}

(Mohammad Ehsanul Karim)

2.1. Penaksiran Parameter

Dengan statistika dapat disimpulkan karakteristik populasi yang dapat dipelajari

Suatu penaksiran akan menghasilkan bermacam-macam penaksir.Diantara

merupakan penduga tak bias (unbias estimator) dari jika E = .

merupakan penduga yang efisien (efficient estimator) bagi apabila

merupakan penduga konsisten (consistent estimator) bagi apabila

, sebab apabila n N , maka X .

(4) Penduga yang cukup

merupakan penduga yang cukup (sufficient estimator) bagi apabila