3.

Aplikasi
Aplikasi yang akan ditunjukkan tentang regresi semi parametrik adalah hubungan
antara produksi billet (y) dengan scrap (x1) dan POT (x2). Jumlah sampel yang digunakan
adalah 64 produksi billet selama satu minggu (Budiantara, 2005).
Hubungan x dengan y, dapat dituliskan sebagai berikut :
yi f x1 , x2 i , i 1, 2,L ,64
Plot hubungan antara y dengan x1 dan x2 ditunjukkan pada Gambar 1 dan 2 berikut.

3000000

Jumlah.Produksi

Produksi.Billet

3000000

2000000

2000000

1000000

1000000

1000000

2000000
Scrap

3000000

4000000

4000

4200

4400

4600

4800

5000

5200

POT

Gambar 1. Plot hubungan y dengan x1

Gambar 2. Plot hubungan y dengan x2

Plot hubungan y dengan x1 yang ditunjukkan pada Gambar 1 cenderung

mengikuti pola linear, yaitu semakin tinggi scrap maka ada kecenderungan produksi billet
juga meningkat, sehingga model estimasi yang dapat digunakan adalah regresi parametrik
linear. Sedangkan pola hubungan y dengan x2 yang ditunjukkan pada Gambar 2, terlihat
adanya kecenderungan pola hubungan yang tidak jelas melalui pencaran data yang tidak
beraturan sehingga model estimasi regresi parametrik tidak dapat digunakan. Hasil ini
menunjukkan bahwa hubungan y dengan x1 dan x2 secara keseluruhan tidak dapat
menggunakan model regresi parametrik tetapi akan dicobakan dengan regresi semi
parametrik, yaitu hubungan y dengan x1 akan dipolakan dengan regresi parametrik
sedangkan y dengan x2 dipolakan dengan regresi nonparametrik.
Model regresi semiparametrik dinyatakan sebagai berikut :
y 0 1 x1 m x2
Kurva m akan didekati dengan spline trunchated linear dengan penggunaan titik knots
optimal.

3000000

Jumlah.Produksi

Produksi.Billet

3000000

2000000

2000000

1000000

1000000

0
0

1000000

2000000
Scrap

3000000

4000000

Gambar 3. Estimasi regresi parametrik

y dengan x1

4000

4200

4400

4600

4800

5000

5200

POT

Gambar 4. Estimasi regresi parametrik

y dengan x2

Melalui estimasi regresi parametrik linear secara parsial untuk variabel x1 dan x2
masing-masing menunjukkan hubungan antara y dengan x1 adalah suatu hubungan linear
dan positif, artinya semakin tinggi scrap maka produksi billet juga akan mengalami
peningkatan (Gambar 3). Berbeda pada hubungan y dengan x2 yang diestimasi dengan
regresi parametrik linear, pola data tidak terestimasi dengan baik sehingga tidak dapat
digunakan sebagai model estimasi khususnya pada hubungan y dengan x2. Pencaran data
yang menyebar di luar garis estimasi sangat banyak, sehingga sangat sulit untuk
melakukan suatu prediksi terhadap hubungan antara POT dengan produksi billet. Untuk
itu, model estimasi yang akan digunakan adalah regresi nonparametrik spline linear.
Untuk mendapatkan spline optimal maka dipilih titik knots k yang optimal dengan
menggunakan metode GCV, yaitu model spline optimal pada nilai GCV yang terkecil.
Pemilihan titik knots dilakukan dengan memulai dari 1 knots, dan diperoleh GCV
terkecil 693.654.628.934 pada k = 4255. Pada 2 knots, GCV terkecil 687.597.317.004
yang bersesuain dengan k1 = 4300 dan k2 = 4500, pada 3 knots, GCV terkecil
655.927.567.748 yang bersesuain dengan k1 = 4320, k2 = 4500 dan k3 = 4700, dan pada 4
knots, GCV terkecil 655927567748 yang bersesuain dengan k1 = 4320, k2 = 4550,
k3 = 4700 dan k4 = 4740 Dari hasil GCV tersebut, berarti knots optimal terdapat pada
penggunaan 4 titik knots yaitu pada titik 4320, 4550, 4700 dan 4740.
Estimasi pola hubungan produksi billet dengan POT secara parsial ditunjukkan
pada Gambar 5, berupa spline linear dengan 4 knots. Pola estimasi ini sudah
menunjukkan suatu pola estimasi yang cukup optimal untuk memprediksi hubungan POT
dengan produksi billet. Pada nilai terendah hingga 4320 POT, produksi billet mengikuti
pola linear yaitu produksi billet mengalami penurunan. Pada interval 4320 hingga 4550
produksi billet mengalami kenaikan kemudian turun secara tajam hingga 4700 POT. Pada
interval 4700 hingga 4740 produksi billet mengalami kenaikan tetapi setelah itu, produksi
billet terus mengalami penurunan.
Estimasi model regresi semiparametrik yang terbentuk dalam hubungan y dengan
x1 dan x2 (Tabel 2), adalah :
y 14631129,83 0,79 x1 2959,98 x2 8226,84 x2 4320
1

19634,71 x2 4550 53648,81 x2 4700 40227,68 x2 4740

1

2*10^6
5*10^5

10^6

produksi billet

3*10^6

4000

4200

4400

4600

4800

5000

5200

POT

Gambar 5. Estimasi model spline linear dengan 4 knots

Tabel 1. Nilai GCV model spline linear dari beberapa titik knots
titik knots
4255
4300,4500
4320,4500,4700
4320,4550,4700,4740

GCV
693654628934
687597317004
655927567748
608623829883

Tabel 2. Estimasi model semiparametrik spline linear

Parameter
0
1
2
3
4
5
6

Estimasi
14.631.129,83
0,79
-2.959,98
8.226,84
-19.634,71
53.648,81
-40.227,68

4. Kesimpulan
Kesimpulan dari beberapa uraian di atas adalah sebagai berikut :
a. Penggunaan regresi semiparametrik dengan spline linear relatif lebih mudah dan
sederhana dan interpretasi yang sangat baik.
b. Spline linear dengan empat knots cukup baik untuk menjelaskan hubungan billet
dengan POT dibandingkan penggunaan regresi parametrik.