JURUSAN STATISTIKA

Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Teknologi 10 November Surabaya
Surabaya 2010
SEMINAR TESIS

REGRESI NONPARAMETRIK
DERET FOURIER BIRESPON

Oleh :
Ri i Semiati
Rini S i ti
1308 201 009

Pembimbing :
Prof. Dr.Drs. I Nyoman Budiantara,M.Si.
 PENDAHULUAN

Regresi nonparametrik merupakan pendekatan

regresi yg sesuai untuk pola data yang tidak
diketahui bentuk kurva regresinya.

Model regresi nonparametrik

- Deret Fourier (Tripena dan Budiantara,2007,
Antoniadis, et al, 1994, dan Bilodeau,1992)
- Kernel (Speckman, 1998 dan Hardle, 1990)
- Spline (Green dan Silverman
Silverman, 1994; Wahba
Wahba,
1990; Craven dan Wahba, 1979; Budiantara,
2002; dan Budiantara, et al, 1997)
Bentuk estimator nonparametrik
diperoleh dari

Optimasi Penalized, yang menggabungkan

goodness of fit dan penalty

Min {R ( f ) + λ J ( f ) }
f ∈H

(Wahba, 1990;Wang, 1998;Budiantara, 2002)

Yang sering menggunakan Penalized
Spline
D t Fourier
Deret F i

Bilodeau (1992; Tripena dan Budiantara, 2006

Estimator Deret Fourier dalam regresi

nonparametrik satu respon
generalisasi regresi nonparametrik
Deret Fourier Birespon

Aplikasi data kadar gula darah

penderita Diabetes
Mellitus
• PERMASALAHAN
1. Bagaimana bentuk estimator Deret Fourier dalam regresi
nonparametrik birespon
2. Bagaimana sifat-sifat estimator Deret Fourier dalam regresi
nonparametrik birespon
3. Bagaimana menerapkan model yang diperoleh pada data kadar
gula darah penderita Diabetes Mellitus
• TUJUAN
1. Mendapatkan bentuk estimator Deret Fourier dalam regresi
nonparametrik birespon
2. Mengkaji
g j sifat-sifat estimator Deret Fourier dalam regresi
g
nonparametrik birespon
3. Mengaplikasikan model regresi nonparametrik birespon Deret Fourier
pada data kadar gula darah penderita Diabetes Mellitus
• MANFAAT PENELITIAN
1. Memberikan wawasan baru mengenai pemodelan,
khususnya model regresi nonparametrik birespon
g
2. Mengetahui p
penggunaan
gg model regresi
g
nonparametrik birespon Deret Fourier pada kadar
gula darah penderita Diabetes Mellitus
• BATASAN MASALAH
1. Mengkaji estimator kurva regresi nonparametrik
birespon dengan estimator Deret Fourier
2 Mengkaji
2. M k ji sifat-sifat
if t if t estimator
ti t Deret
D t Fourier
F i dalam
d l
regresi nonparametrk birespon
3. Data yyangg digunakan
g adalah data yyang
g diambil dari
penderita DM yang melakukan cek kesehatan di
Laboratorium Klinijk Utama Populer
 TINJAUAN PUSTAKA

• REGRESI NONPARAMETRIK
merupakan regresi yang pola hubungan antara variabel
respon dan variabel prediktor tidak diketahui
y i = g( x i ) + ε i
• REGRESI NONPARAMETRIK BIRESPON
y1j = f1(t1j ) + ε1j
y2 j = f2 (t2 j ) + ε2 j
kurva regresi dihampiri oleh fungsi kontinu dan
diferensiabel 1 K
d1 (t1 j ) = γ1t1 j + α01 + ∑α1k cos kt1 j
2 k=1
1
K
1
d 2 (t 2 j ) = γ 2 t 2 j + α02 + ∑α2k cos kt 2 j
2 k =1
• Pemilihan p parameter penghalus
p g dalam Deret Fourier
Bilodeau (1992) :
jika (λ →0) maka estimator deret Fourier sangat
k
kasar, jik λ →∞) maka
jika ((λ k estimator
ti t d derett F
Fourier
i
sangat mulus.
Craven dan Wahba : CV
Wang (1998) : UBR
Wahba (1990) : GCV
Tripena dan Budiantara (2007) :
perbandingan CV, UBR dan GCV
• DIABETES MELLITUS (DM) ( )
DM merupakan suatu keadaan yang ditandai
oleh kadar gula darah yang melebihi nilai
normal akibat tubuh kekurangan insulin.
Seseorang dikatakan menderita DM jika hasil
pemeriksaan
ik kadar
k d glukosa
l k puasanya 126
mg/dl dan glukosa 2 jam pp 180 mg/dl
Penderita Dm yg berusia 35-55 thn memiliki
kemungkinan meninggal 3 kali lebih besar diban
dingkan
g dengan
g mereka bukan p penderita DM
 METODELOGI PENELITIAN

• DATA : penderita DM dengan

y1 j= kadar gula darah puasa
y 2 j = kadar gula darah 2 jam
setelah puasa
t = usia

STRUKTUR DATA
No t y1 y2
1 t1 y11 y21
2 t2 y12 y22
3 t3 y13 y23
. . . .
. . . .
n tn y1n y2n
• METODE PENELITIAN
1. estimator Deret Fourier diperoleh dgn
a. membangun model regresi birespon
y1j =f1(t1j)+ε1j, j=1,2,...,n
y2j =f2(t2j)+ε2j, j =1,2,...,n
b. menentukan matriks Variance-Coveriance
C dari error
random W −1 (ρ, σ12 , σ22 )
c menghampiri kurva regresi dgn
c.
K
1
d1(t j ) = γ1t1j + α01 +∑α1k coskt1j
2 k=K1
1
d2 (t j ) = γ2t 2j + α02 + ∑α2k coskt2j
2 k=1
d. mencari ukuran goodness of fit untuk PLST
⎛ y − f ⎞' W (ρ, σ 2 , σ 2 ⎛ y− f ⎞
⎜ ~⎟ 2⎜ ⎟
⎝~ ⎠ ⎝~ ~⎠
1

e menentukan penalty untuk PLST

e.
π π

∫[f (t )] dt + ∫[f (t
" 2 "
1 1 1 2 2 )]2 dt2
0 0

f. menyelesaikan optimasi PLST

⎧⎛ ⎞ 2 2⎛ ⎞
π π
⎫
Mi ⎨⎜y−f ' W(ρ,σ1 ,σ2⎜y−f +λ1∫[f1 (t1)] dt
Min " 2
d 1 +λ2 ∫[f2(t2)] dt
" 2
d 2⎬
fk∈C(0,π),k=1,2 ⎝ ~ ~ ⎠ ⎝~ ⎠ 0
⎩ ⎭
~
0
2 Menyelidiki sifat-sifat estimator Deret Fourier dalam
regresii nonparametrik
t ik bi
birespon d dengan llangkah-
k h
langkah sebagai berikut
– Diperlihatkan sifat estimator linier dari estimator
D tF
Deret Fourier
i dalam
d l regresii nonparametrik
t ik
birespon.
– Diperlihatkan sifat bias dari estimator Deret Fourier
dalam regresi nonparametrik birespon
birespon.
– Diperlihatkan distribusi dari estimator Deret Fourier
dalam regresi nonparametrik birespon.
3 Menerapkan estimator Deret Fourier dalam regresi
nonparametrik
t ik birespon
bi pada
d penderita
d it Di
Diabetes
b t
Mellitus dengan variabel respon y1 adalah kadar gula
darah puasa, y2 adalah kadar gula darah 2 jam
setelah puasa dan t adalah usia , dengan langkah-
langkah
langkah sebagai berikut :
– Membuat plot data (t,y1) dan (t,y2)
– Memodelkan data dengan menggunakan deret Fourier dalam
regresi nonparametrik birespon
– Memilih optimal estimator deret Fourier dalam regresi
nonparametrik birespon
– M d
Mendapatkan
tk estimasi
ti i untuk
t k estimator
ti t d derett F
Fourier
i d dalam
l
regresi nonparametrik birespon
– Menghitung MSE model yang diperoleh
 HASIL
S DAN PEMBAHASAN
S

1a. Data berpasangan

p g (t1j, y2j ) dan (t2j,y2j) diasumsikan
mengikuti model regresi nonparametrik birespon
y1j =f1(t1j)+ε1j, j=1,2,L,n
y2j =f2(t2j)+ε2j,j=1,2,L,n (4.1.1)
b. Matriks variance-covariance
⎡ θr 0 L 0 θρ θρ L θρ⎤
⎢0 θr L 0 θρ θρ L θρ⎥⎥
⎢
⎢M M O M M M O M⎥
⎢ ⎥
−1
W (ρ,σ ,σ ) =
2 2 ⎢0 0 L θr θρ θρ L θρ⎥
⎢θρ θ
1 2 θ θ L θρ
θρ θ 0 L 0⎥
⎢ r ⎥
⎢ θ ⎥
⎢θρ θρ L θρ 0 L 0⎥
⎢ r ⎥
⎢M M O M M M O M⎥
⎢θρ θ⎥
θ θ L θρ
θρ θ 0 0 L
⎢⎣ r ⎥⎦
 (4.1.1) dpt dibentuk menjadi
⎛ y 11 ⎞ ⎛ f 1 ( t 11 ) ⎞ ⎛ ε 11 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ y 12 ⎟ ⎜ f 1 ( t 12 ) ⎟ ⎜ ε 12 ⎟
⎜ M ⎟ ⎜ M ⎟ ⎜ M ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ y 1n ⎜ f 1 ( t 1n ) ⎜ ε 1n
⎜ L ⎜ ⎜ (4 1 2)
(4.1.2)
⎜ ⎟ = ⎜ L ⎟+⎜ L ⎟
⎜ y 21 ⎟ ⎜ f 2 ( t 21 ) ⎟ ⎜ ε 21 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ y 22 ⎟ ⎜ f 2 ( t 22 ) ⎟ ⎜ ε 22 ⎟
⎜ M ⎟ ⎜ M ⎟ ⎜ ⎟
⎜⎜ ⎜⎜ ⎜⎜
⎝ y 2n ⎠ ⎝ 1 2n ⎠ ⎝ ε 2n
f ( t ) ⎠ ⎡ 1 K
⎤
⎢ γ 1 t 11 + α 01 + ∑ α 1k cos kt 11 ⎥
c. (4.1.2) dapat ditulis menjadi ⎛ y11 ⎞ ⎢
⎢
2 k =1
K ⎥
⎡ε ⎤
γ 1 t 12 + α 01 + ∑ α 1k cos kt 12 ⎥ ⎢ 11 ⎥
1
⎜ ⎟
⎜ y12 ⎟ ⎢ 2 ⎥ ε12
⎥ ⎢ ⎥
k =1
⎜ M ⎢ M
⎜ ⎟ ⎢ K ⎥ ⎢ M ⎥
1 ⎢ ⎥
⎜ y1n ⎟ ⎢ γ 1 t 1n + 2 α 01 + ∑ α 1k cos kt 1n ⎥ ⎢ ε1n ⎥
⎜L⎟=⎢ k =1 ⎥
⎜ ⎟ ⎢L L L L L L L L L L L L L ⎥ + ⎢L⎥
⎢ ⎥
⎜ y 21 ⎟ ⎢ γ t + 1 α + α cos kt ⎥ ⎢ ε 21 ⎥
K

⎜ ⎟ ⎢ 2 21 01 ∑ 1k 11 ⎥
⎥ ⎢ ε 22 ⎥
2
⎜ y 22 ⎢ k =1
K
⎢ ⎥
⎜ M ⎟ ⎢ γ 2 t 22 + α 01 + ∑ α 1k cos kt 11 ⎥ ⎢ M ⎥
1
⎜⎜ ⎟⎟ ⎢ 2 ⎥
⎥ ⎣⎢ε 2 n ⎥⎦
k =1
⎝ n⎠
y ⎢ M
⎢ 1 K ⎥
⎢ γ 2 t 2 n + α 01 + ∑ α1k cos kt 11 ⎥
⎣ 2 k =1 ⎦
 1⎛ ⎞' W(ρ, σ2 , σ2 )⎛ y−B(t , t )β⎞
β = − β
2n⎜⎝ ~ ⎟ 2 ⎜ ⎟
d. Goodness of fit : R( ) y B(t , t )
~⎠ ⎝~ ~⎠
1 2 1 1 2
~

e. Penalty J(f) = β1 λ*D*β

~

f. Dengan menyelesaikan optimasi PLST, Min {R (f ) + J (f )}

f k ∈C ( 0 , π ), k =1, 2

di
diperoleh
l h estimator
ti t
−1
⎛1 ⎞
βˆ = ⎜ B' (t1, t 2 )W(ρ, σ12 , σ22 )B(t1, t 2 ) + λ*D*⎟ 1 B' (t1, t 2 )W(ρ, σ12 , σ22 ) y (4.1.9)
~ ⎝N ⎠ N ~
~

dan f̂ λ= H(λ1,λ2)y
~ ~
2. Sifat-sifat :
a. Estimator (4.1.9) merupakan kelas estimator linier, karena dapat
dinyatakan sebagai
⎛ y1 ⎞
f̂ˆλ(t1,t2) = H ( λ1 , λ 2 )⎜ ~
⎜ y2 ⎟
~ ⎝ ~ ⎠
b. merupakan estimator yang bias karena
⎡^ ⎤
E⎢fλ (t1 , t 2 )⎥ ≠ ⎛⎜ f
1
~
( t1 ) ⎞
⎟
⎣~ ⎦ ⎜ f 2(t 2 ) ⎟
⎝~ ⎠
c. distribusi dari βˆ λ adalah normal karena error random adalah
normal ~
4. APLIKASI
Plot data Plot Data Aktual Respon 2
Plot Data Aktual Respon 1

350
3
250

300
yk[[, i]
yk[[, i]
00
20

250
150

200
2

50 55 60 65 70 75
50 55 60 65 70 75
tk[, i]
tk[, i]
 Nilai fungsi G(λ1,λ2 ) untuk nilai-nilai λ1 , λ 2

No λ1 λ2 G(λ1,λ2 )
1 0,0002241661 0,00004429235 8727,855
2 0,0002689993 0,00005315082 8720,917
3 0,0003138325 0,00006200928 8716,759
4 0,0003586657 0,00007086775 8714,407
5 0,0004034990 0,00007972622 8713,264
6 0,0004483322 0,00008858469 8712,944
7 0 0004931654
0,0004931654 0 00009744316
0,00009744316 8713 195
8713,195
8 0,0005379986 0,00010630163 8713,841
9 0,0005828318 0,00011516010 8714,761
10 0,0006276651 0,00012401857 8715,869
11 0,0006724983 0,00013287704 8717,105
Terlihat dari tabel

λ opt = (λ1(opt) = 0,0004483322, λ 2(opt) = 0,00008858469)

~

Nilai G(λ1 , λ 2) = 872,944 yang sesuai dengan λ optimal

~

B d
Berdasarkan
k λ optimal
ti l di
diperoleh
l h
~
βˆ1=(γˆ1,α
ˆ 01,α
ˆ11,α
ˆ12,α
ˆ13,α
ˆ14) = (1,490375; 79,380917; 2,397902;
~
- 0,28218385; 0,0003539463; 0,07487596)
βˆ 2=(γˆ2,α
ˆ 02,α
ˆ 21,α
ˆ 22,α
ˆ 23,α
ˆ 24) = (2,566980; 86,447412; 6,652173;
~
- 0,2812492;
0 2812492; 0
0,6188612;
6188612; 0
0,4202362)
4202362)
Plot fungsi taksiran untuk λ optimal
~
Plot Fungsi Taksiran Lamda Optimal Respon 2
Plot Fungsi Taksiran Lamda Optimal Respon 1

o Data aktual
o

350
Data aktual Fungsi taksiran

3
Fungsi taksiran
250

300
ft[, i]
200
fft[, i]

250
150

200

50 55 60 65 70 75 50 55 60 65 70 75

t t
Estimator Deret Fourier untuk respon 1 :

f̂λ1(opt)(t) = 79,381 +1,490t +2,398cos t -0,282cos 2t + 0,004cos 3t+

0 075 cos 4t
0,075
Estimator Deret Fourier untuk respon 2 :

ff̂λ2(opt) (t) = 86,447 2,567t +6,652cos

86,447+
+ 0,420cos 4t
6,652cos t – 0,281cos 2t + 0,619cos 3t

Nilai MSE untuk estimator Deret Fourier respon 1 dan respon 2 :

MSE ( f̂ λ1 (opt) (t)) = 4,611184e+004

MSE( f̂λ2 (opt) (t)) =

ˆ 1,206822e005
 KESIMPULAN dan SARAN

KESIMPULAN
1. Untuk model regresi y=B(t1,t2)β+ε
~
diperoleh estimator dari β
~ ~
yaitu ~
−1
⎛1 ⎞ 1
βˆ = ⎜ B' (t1, t 2 )W(ρ, σ12 , σ22 )B(t1, t 2 ) + λ*D* B' (t1, t 2 )W(ρ, σ12 , σ22 ) y
~ ⎝N ⎠ N ~
~
dan f̂ λ= H(λ1,λ2 ) y
~
2 Sif
2. Sifat-sifat ti t ~ Deret
t if t estimator F i fˆ λ dalam
D t Fourier d l regresii nonparametric
ti
~
birespon adalah
a. merupakan kelas estimator linear
b. merupakan estimator yang bias untuk kurva f
~
c. apabila error random berdistribusi normal, maka distribusi dari
adalah normal
3. estimator Deret Fourier dalam regresi nonparametrik
birespon, berkaitan dengan λ opt = (λ1(opt) , λ 2(opt) ) diberikan oleh
~

λ opt = ( λ 1( opt ) = 0,0004483322 , λ 2 ( opt ) = 0,0000885846 9 )

~

4. Estimator Deret Fourier untuk respon 1 :

fˆλ1(opt)(t) = 79,381 +1,490t + 2,398cos t - 0,282cos 2t +
0,004cos 3t + 0,075 cos 4t
Estimator Deret Fourier untuk respon 2 :

f̂λ2(opt)(t)= 86,447 + 2,567t + 6,652cos t – 0,281cos 2t +

0,619cos 3 + 0,420cos 4t
SARAN
• Dalam model Deret Fourier perlu dilakukan
penelitian lebih lanjut
p j tentanggp
pemilihan nilai K
optimal secara bersama-sama dengan
pemilihan optimal
• Perlu dilakukan penelitian lebih lanjut untuk
estimator Deret Fourier dalam regresi
nonparametrik
t ik multirespon.
lti
 DAFTAR PUSTAKA

Antoniadis, A., Bigot, J., dan Spatinas, T., (2001), Wavelets Estimator in
Nonparemetric Regression : A Comparative Simulation Study, Journal of
Statistical Software, 6, 1-83.
Bilodeau, M., (1992), Fourier Smoother and Additive Models, The Canadian
Journal of Statistics, 3, 257 – 259.
Budiantara, I.N.,(1999), Estimator Spline Terbobot Dalam Regresi Semiparametrik,
Majalah Ilmu Pengetahuan dan Teknologi (IPTEKS),
(IPTEKS) 10
10, 103-109
103-109.
Budiantara, I.N., (2000), Optimasi dan Proyeksi Dalam Regresi Nonpara metrik
Spline, Majalah Berkala Matematika dan Ilmu Pengetahuan Alam (BMIPA),
Universitas Gajah Mada, 10, 35-44.
Budiantara, I.N.,(2001), Regresi Nonparametrik dan Semipara metrik
S
SertaPerkembangannya,
P k b M k l h Pembicara
Makalah P bi Ut
Utama padad SSeminar
i N
Nasional
i l
Alumni Pasca Sarjana Matematika Universitas Gajah Mada, Yogjakarta.
Budiantara, I.N., (2002), Estimator Tipe Penalized Likelihood, Jurnal Natural
FMIPA Unibraw, Edisi Khusus, 231-235.
Budiantara II.N.,(2005),
Budiantara, N (2005) Model Keluarga Spline Polinomial Truncated Dalam
Regresi Semiparametrik, Makalah Seminar Nasional Matematika, Jurusan
Matematika Universitas Diponegoro, Semarang.
Budiantara, I.N.,(2006), Model Spline Dengan Knots Optimal, Jurnal Ilmu Dasar,
FMIPA Universitas Jember,, 7,, 77-85
Dalimarta, S, (2004), Diabetes Mellitus, Edisi IX, Jakarta Penebar, Swadaya
Diabetic Medicine, (2006), Umur Panjang dengan Diabetic yang Terkontrol,
Diabetic Sweetner, Infotech.
Draper, N., dan Smith, H., (1996), Applied Regression Analysis, John Wiley
&Sons New York
Eubank, R.L., (1988), Spline Smoothing and Nonparametric Regression,
Marcel Dekker, New York
Lehman, R., (1983), Theory of Point Estimation, John Wiley & Sons, New York
Perkeni, (1998), Konsesus Pengelolaan Diabetes Indonesia
S l S
Searle, S.R.,
R (1982)
(1982), Linear
Li M
Models,
d l Second
S d Editi
Edition, John
J h Wil
Wiley & S
Sons, IInc.,
New Jersey, Canada
Soegondo, S., (1999), Diagnosis dan Klasifikasi Diabetes MellitusTerkini, Dalam rangkuman,
AB. Slamet Suyono, Sutrisno Waspadji(dkk), Jakarta, Pusat Diabetes, Dr. Tjiptomangunkusumo,
FKUI.
Tj k
Tjokroprawiro,
i A.,
A (2007),
(2007) Hidup
Hid S
Sehat
h t d
dan B Berbahagia
b h i B Bersama DiabetesMellitus,
Di b t M llit P
Penerbit
bit PT
Gramedia Pustaka Utama, Jakarta.
Tantra, H., (2008), Segala Sesuatu yang Harus Anda Ketahui Tentang Diabetes, Penerbit PT
Gramedia Pustaka Utama, Jakarta.
Tripena, A., Budiantara, I.N., (2006), Fourier Estimator in Nonparametric Regressio ,
I t
International
ti l Conference
C f On
O Natural
N t lS Sciences
i anddA Applied
li d Natural
N t l Scienes,
S i
Ahmad Dahlan University, Yogjakarta.Vitahealth, (2004), Informasi Lengkap untuk
Penderita dan Keluarga Diabetes, Jakarta, Gramedia Pustaka Utama.
Wahba, G., (1990), Spline Models For Observation Data, SIAM Pnsylvania
Wang, Y., (1998), Spline Smoothing Models with Correlated Errors, Journal of The
A
American
i St
Statistical
ti ti l AAssociation,
i ti 93
93, 341
341-348.
348
Wu, H., dan Zhang, J.T., (2006), Nonparametric Regression Methods for Longitudinal
Data Analysis, John Wiley & Sons, Inc., Canada
TERIMAKASIH