SKRIPSI
Oleh:
AMINATUS SAKDIYAH
NIM. 04510027
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI (UIN) MALANG
MALANG
2009
i
ii
SKRIPSI
Diajukan Kepada:
Universitas Islam Negeri Malang
Untuk Memenuhi Salah Satu Persyaratan Dalam
Memperoleh Gelar Sarjana Sains (S.Si)
Oleh:
AMINATUS SAKDIYAH
NIM. 04510027
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI (UIN) MALANG
MALANG
2009
ii
iii
SKRIPSI
Oleh :
AMINATUS SAKDIYAH
NIM. 04510027
Mengetahui,
Ketua Jurusan Matematika
iii
iv
SKRIPSI
OLEH:
AMINATUS SAKDIYAH
NIM. 04510027
Tanggal:
19 Januari 2009
iv
v
Aminatus Sakdiyah
NIM. 04510027
v
vi
Motto
vi
vii
HALAMAN PERSEMBAHAN
Ayah&Ibu (H. Abd Munif & Hj. Sulamiyah), terima kasih atas kasih sayang, do’a,
perhatian, semoga Allah membalas semua kebaikan yang telah Ayah&Ibu lakukan
pada ananda karena hanya Allah yang bisa membalas kebaikan Ayah&Ibu
vii
i
KATA PENGANTAR
Assalamu’alaikum Wr.Wb.
Teriring ucapan puja dan puji syukur kehadirat Allah SWT. yang telah
dari dosen pembimbing, bapak dan ibu dosen serta bantuan dari semua pihak.
Menyadari dengan sepenuhnya, bahwa penulisan skripsi ini tidak lepas dari
banyak pihak. Oleh karena itu, tidak lupa penulis ucapkan banyak-banyak terima
kasih kepada:
1. Bapak Prof. Dr. H. Imam Suprayogo, selaku Rektor Universitas Islam Negeri
Malang
2. Bapak Prof. Drs. Sutiman B. Sumitro, SU., DSc, selaku Dekan Fakultas Sains
3. Ibu Sri Harini, M.Si, selaku Dosen pembimbing dan ketua Jurusan
i
ii
4. Bapak Abdul Aziz, M.Si selaku dosen pembimbing, terima kasih atas
masukan dan arahannya sehingga penulis dapat menyelesaikan tugas akhir ini.
5. Seluruh Dosen Fakultas Sains dan Teknologi UIN Malang yang telah
6. Kedua orang tua (Bapak Abd Munif dan Ibu Sulamiyah), keiklasan beliau
memberikan dukungan moril dan sprituil, sehingga penulisan tugas akhir ini
dapat terselesaikan
8. Terimakasih yang amat sangat kepada Sofyan Hadi dengan sabar engkau telah
menemani sampai skripsi ini selesai dan Teman-teman Pagar Nusa Koms.
kompak).
10. Semua pihak yang tidak mungkin penulis sebut satu persatu, atas keiklasan
sempurna. Untuk itu, kritik dan saran yang bersifat membangun dari berbagai
pihak selalu dinantikan demi kesempurnaan skripsi ini. Dan untuk itu, dengan
segala kerendahan hati, penulis mengharapkan semoga skripsi ini dapat diterima.
ii
iii
Semoga ikhtiar ini senantiasa mendapat ridho dan berkah dari Allah SWT.
sekaligus sebagai ibadah sosial yang bermanfaat. Akhir kata, semoga skripsi ini
Amiiiiin.........
Wassalamu’alaikum Wr.Wb
Penyusun
iii
iv
DAFTAR ISI
HALAMAN SAMPUL
KATA PENGANTAR ..................................................................................... i
DAFTAR ISI .................................................................................................... iv
DAFTAR SIMBOL.......................................................................................... vi
DAFTAR GAMBAR ....................................................................................... ix
ABSTRAK ....................................................................................................... x
BAB I : PENDAHULUAN .............................................................................. 1
1.1. Latar belakang .................................................................................... 1
1.2. Rumusan Masalah .............................................................................. 5
1.3. Tujuan Penelitian ............................................................................... 5
1.4. Batasan Masalah ................................................................................ 6
1.5. Manfaat Penelitian ............................................................................. 6
1.6. Metode Penelitian .............................................................................. 6
1.7. Sistematika Penulisan ...................................................................... 7
BAB II : KAJIAN PUSTAKA ......................................................................... 9
2.1. Outlier ................................................................................................ 9
2.2. Distribusi Normal............................................................................... 12
2.3. Pendugaan Parameter ......................................................................... 13
2.4. Maksimum Likelihood ....................................................................... 15
2.5. Model Regresi Nonlinier Eksponensial ............................................. 19
2.6. Model Regresi dalam Pendekatan Matrik ......................................... 21
2.7. Kajian Outlier dan Estimasi dalam Al-Quran .................................... 23
BAB III : PEMBAHASAN .............................................................................. 30
3.1. Langkah-Langkah dalam Mendeteksi Parameter Outlier pada Model
Regresi Eksponensial ........................................................................ 30
3.2. Menentukan Bentuk Regresi Linier dari Model Regresi Nonlinier
Eksponensial dengan Pendekatan Matrik .......................................... 31
3.3. Menentukan Penduga Parameter Model Regresi Nonlinier
Eksponensial ...................................................................................... 32
iv
v
v
vi
DAFTAR GAMBAR
No Judul Halaman
2.1 Bivariate yang menunjukkan tiga titik data outlier ......................................... 9
2.2 Model regresi nonlinier eksponensial ............................................................. 21
vi
vii
DAFTAR SIMBOL
Lambang Matematika
: Berdistribusi
∞ : Tak berhingga
∏ : Untuk perkalian
∑ : Untuk penjumlahan
Abjad Yunani
µ : Mu
Θθ : Theta
σ : Sigma
λ : Lambda
π : Pi
φ : Phi
∂ : Dho
ε : Epsilon
vii
viii
ψ : Psi
β : Bheta
Lambang Khusus
→ : Menuju
β 0 , β1 , β 2 ,..., β n
ψ 0 ,ψ 1 ,ψ 2 ,...,ψ n
viii
ix
T : Transpose
N : Normal
ix
x
ABSTRAK
Aziz, M. Si.
Secara umum outlier (pencilan) dapat diartikan data yang tidak mengikuti
pola umum model dan secara kasar dapat diambil patokan yaitu yang sisanya
berjarak tiga kali simpangan baku atau lebih dari rata-ratanya (yaitu nol). Outlier
merupakan salah satu faktor yang dapat mempengaruhi pendugaan parameter pada
model regresi nonlinier eksponensial. Untuk mengetahui apakah outlier
berpengaruh terhadap pendugaan parameter pada model regresi nonlinier
eksponensial dilakukan dengan jalan mendeteksi parameter model regresi
nonlinier eksponensial yang tidak terdapat outlier dengan yang terdapat outlier.
Penelitian ini bertujuan untuk mendeteksi parameter outlier pada model regresi
nonlinier eksponensial, dan diharapkan dapat mempermudah para peneliti dalam
mendeteksi parameter outlier pada model regresi eksponensial yang mengandung
outlier.
Metode yang digunakan untuk mendeteksi parameter outlier model regresi
nonlinier eksponensial adalah metode maximum likelihood estimation. Untuk
membuktikan pengaruh outlier terhadap suatu pendugaan parameter pada model
regresi nonlinier eksponensial dilakukan suatu pengujian terhadap pendugaan
parameter yang dihasilkan dari metode maximum likelihood estimation yaitu
dengan cara menentukan sifat-sifat pendugaan parameter yang tidak mengandung
outlier dengan yang mengandung outlier sesuai sifat-sifat pendugaan parameter
yang baik yaitu unbias, efisien, dan konsisten.
Hasil penelitian ini menujukkan bahwa pendugaan parameter yang
dihasilkan model regresi eksponensial yang tidak mengandung outlier ternyata
lebih baik dari pada yang mengandung outlier dikarenakan pendugaan parameter
yang dihasilkan model regresi eksponensial yang tidak mengandung outlier
memenuhi sifat-sifat dari pendugaan parameter yang baik yaitu unbias, efisien dan
konsisten. Sedangkan pendugaan parameter yang dihasilkan model regresi
eksponensial yang mengandung outlier tidak memenuhi sifat-sifat dari pendugaan
parameter tersebut. Oleh karena itu outlier dapat mempengaruhi hasil dari suatu
pendugaan parameter.
x
1
BAB I
PENDAHULUAN
digunakan adalah statistik. Statistik yaitu metode atau ilmu yang mempelajari cara
dua atau lebih peubah atau variabel yang ada, atau diduga ada, dalam suatu
hubungan tertentu. Bentuk hubungan ini dikenal dengan nama regresi untuk satu
peubah atas peubah lain. Regresi merupakan bentuk hubungan antara peubah
respon atau peubah terikat atau peubah tak bebas dan peubah prediktor atau
peubah bebas.
Suatu model regresi linier ataupun nonlinier tidak akan terlepas dari
persamaan regresi (Draper dan Smith, 1992: 135). Sisaan tersebut seringkali tidak
dihiraukan atau biasanya dihilangkan, apalagi jika nilai sisaan tersebut sangat
besar dibandingkan dengan sisaan lainnya. Sisaan tersebut biasa disebut dengan
pencilan (outlier).
1
2
jauh lebih besar dari pada sisaan-sisaan lainnya dan bisa jadi terletak tiga atau
empat kali simpangan baku atau lebih jauh lagi dari rata-rata sisaannya. Pencilan
merupakan suatu keganjilan dan menandakan suatu titik data yang sama sekali
tidak tipikal dibandingkan data lainnya. Oleh karenanya, suatu pencilan patut
diperiksa secara seksama, barangkali saja ada alasan dibalik keganjilan itu dapat
digunakan dalam menganalisis data. Model regresi ini mempunyai 2 bentuk yaitu
bentuk linier dan tak linier dalam parameternya. Model yang linier dalam
parameternya adalah yang dapat didekati dengan teknik regresi berganda, seperti
model-model polinom. Model yang tak linier dalam parameternya dikatakan linier
dan eksponensial termasuk golongan ini. Model yang tak dapat dilinierkan
berhubungan dengannya disebut regresi tak linier (Steel dan Torrie, 540:1993).
Salah satu model regresi nonlinier (yang secara instrinsik linier) adalah model
dari model mean shift yang berasal dari model regresi eksponensial yang telah
3
akan tetapi salah satu metode klasik untuk menduga model regresi nonlinier
Maka dari itu diperlukan suatu cara untuk mengatasinya yaitu melakukan suatu
metode. Dan metode tersebut haruslah memberikan hasil yang baik, metode
pendugaan. Untuk permasalahan outlier yaitu terdapat pada Surat Al-Jinn ayat 14:
Artinya:” Dan sesungguhnya di antara kami ada orang-orang yang taat dan ada
maka mereka itu benar-benar telah memilih jalan yang lurus”. ( Qs. Al-Jinn,
72:14)
Pada Qs. Al-Jinn ayat 14 tersebut dijelaskan bahwa terdapat suatu kaum
jin yang taat dan patuh kepada Allah SWT dan ada pula para penyimpang. Dari
penjelasan ayat tersebut terdapat kata penyimpang, dalam ilmu statistika para
sebagai data yang tidak mengikuti pola umum model atau data yang menyimpang
(Sembiring, 1995:62).
ayat 147:
Artinya: Dan Kami utus dia kepada seratus ribu orang atau lebih (Qs. Ash-
Shaffaat/37:147)
Pada Qs. Ash Shaffaat ayat 147 tersebut dijelaskan bahwa Nabi Yunus di
utus kepada umatnya yang jumlahnya 100.000 orang atau lebih. Pada ayat tersebut
harus menyatakan 100.000 atau lebih? Mengapa tidak menyatakan dengan jumlah
sebenarnya? Bukankah Allah SWT mengetahui yang ghaib dan yang nyata?
Bukankah Allah SWT Maha mengetahui segala sesuatu termasuk jumlah umat
lebih perlu belajar hal-hal yang disajikan Al-Quran dari pada zaman dahulu agar
Oleh karena itu, dalam tugas akhir ini penulis mengkaji dan membahas
Likelihood Estimation”.
Estimation?
yang tidak mengandung outlier lebih baik dari pada yang mengandung
outlier?
Estimation.
regresi eksponensial yang tidak mengandung outlier lebih baik dari pada
pada asumsi yaitu ε ~ N (0, σ 2 ) dimana estimasi parameter β dan σ 2 akan dicari
dan konsisten.
Manfaat dari penelitian ini adalah untuk mempermudah para peneliti dalam
outlier.
estimation.
penulisan yang terdiri dari empat bab, dan masing-masing bab dibagi dalam
BAB II : Kajian pustaka, kajian yang berisi tentang teori-teori yang ada
dan estimasi pada Al- Quran dan beberapa definisi yang diambil
BAB III : Pembahasan, pada bab ini berisi tentang uraian cara mendeteksi
BAB IV : Penutup, pada bab ini penulis mengkaji tentang kesimpulan yang
BAB II
TINJAUAN PUSTAKA
diartikan data yang tidak mengikuti pola umum model dan secara kasar, dapat
diambil patokan yaitu yang sisanya berjarak 3 kali simpangan baku atau lebih dari
rata-ratanya (yaitu nol) (Sembiring, 1995:62). Menurut Draper (1992: 146), sisaan
yang merupakan outlier adalah yang nilai mutlaknya jauh lebih besar dari pada
sisaan-sisaan lainnya dan bisa jadi terletak tiga atau empat kali simpangan baku
Pada gambar 2.1 di atas dapat dilihat bahwa terdapat tiga titik data yang terpisah
sangat jauh dari data lainnya yaitu data yang diberi nomor 1, 2, dan 3 dan bisa jadi
9
10
ketiga titik data tersebut terletak tiga atau empat kali simpangan bakunya. Ketiga
namun itu tidak berarti bahwa pengamatan itu berpengaruh besar dalam
pendugaan koefisien regresi. Akan tetapi dalam situasi yang pendugaan terhadap
mungkin saja timbul. Salah satu cara mengatasi masalah ini adalah dengan
memeriksa apakah pembuangan satu atau dua pengamatan kritis mengubah secara
halnya, maka kesimpulan-kesimpulan itu berarti tidak kokoh dan oleh karenanya
⎛Y ⎞ ⎛ X ⎞
E (Y ) = E ⎜⎜ 1 ⎟⎟ = ⎜⎜ 1 ⎟⎟ β
⎝ Y2 ⎠ ⎝ X 2 ⎠
pengamatan (Y1 ) yang tidak. Tentu saja penataan kembali sebagian baris mungkin
⎛ε ⎞ ⎛ I − H 11 I − H 12 ⎞⎛ Y1 ⎞
ε = ⎜⎜ 1 ⎟⎟ = (I − H )Y = ⎜⎜ ⎟⎜ ⎟
⎝ε 2 ⎠ ⎝ I − H 21 I − H 22 ⎟⎠⎜⎝ Y2 ⎟⎠
Dimana
H ij = X i ( X ′X ) X ′j
−1
⎛Y ⎞ ⎛ X 0 ⎞⎛ β ⎞
E ⎜⎜ 1 ⎟⎟ = ⎜⎜ 1 ⎟⎜ ⎟ (2.2)
⎝ Y2 ⎠ ⎝ X 2 1 ⎟⎠⎜⎝ γ ⎟⎠
b = ( X 1′ X 1 ) X 1′Y1 dan c = (I − H 22 ) ε 2
−1 −1
E (Y1 ) = X 1 β dan
E (Y2 ) = X 2 β + Iγ (2.3)
Y = X β + Zψ + ε (2.4)
Dimana Z = I dan ψ = γ .
12
Jumlah kuadrat ekstra yang berasal dari nilai dugaan ψ = γ dalam persamaan
Qk = ε 2′ ( I − H 22 ) −1 ε 2 (2.5)
suatu ukuran bagi pencilan, nilai yang besar merupakan penyimpangan (Draper,
1992: 163-168).
Distribusi yang penting dalam statistika ialah distribusi normal atau sering
⎛ 1 ⎞⎛ ( y − µ ) ⎞
2
1 ⎜ − ⎟⎜
⎝ 2 ⎠⎝ σ ⎠
⎟
f ( yi ) = e (2.6)
2πσ 2
Distribusi ini mempunyai rataan µ dan variansi σ 2 . Grafiknya mirip lonceng dan
dengan lambang Y ~ N ( µ , σ 2 ) .
P( µ − σ ≤ Y ≤ µ + σ ) = 0,6826 ≈ 0,68
P ( µ − 2σ ≤ Y ≤ µ + 2σ ) = 0,9544 ≈ 0,95
Ketiga sifat di atas sering berguna untuk menentukan apakah anggapan normal
dilanggar secara kasar atau tidak pada suatu terok data. Begitupun, dalam
cepat dikenal dari jaraknya dari titik tengah terok. Misalnya, suatu data yang
1995: 4-5).
untuk menduga atau menaksir hubungan parameter populasi yang tidak diketahui.
diketahui berdasarkan populasi dari sampel, dalam hal ini sampel random, yang
diambil dari populasi yang bersangkutan. Jadi dengan pendugaan ini, keadaan
hasil penerapan penduga terhadap data dari semua contoh disebut nilai duga
Satu hal yang menjadi tujuan dalam pendugaan adalah pendugaan harus
()
E θˆ = θ (2.8)
(Yitnosumarto,1990:212)
2) Efisien
apabila penduga tersebut mempunyai varians yang kecil. Apabila terdapat lebih
dari satu penduga, penduga yang efisien adalah penduga yang mempunyai varian
(
R θˆ2 , θˆ1 ) =
(
E θˆ1 − θˆ )
2
(
E θˆ − θˆ
2
2
)
=
( ( ))
E θˆ1 − E θˆ1
2
(
E θˆ − E θˆ
2 ( ))2
2
var θˆ1
= (2.9)
var θˆ2
θˆ1
R= , jika R > 1 maka θˆ1 > θˆ2 artinya secara relatif θˆ2 lebih efisien daripada
ˆ
θ2
θˆ1 , dan jika R < 1 maka θˆ1 < θˆ2 artinya secara relatif θˆ1 lebih efisien daripada
θˆ2 .
15
3) Konsisten
berikut:
hanya jika:
( ( ))
E θˆ − E θˆ
2
→ 0 jika n → ∞ (2.10)
akan mengecil menjadi satu garis tegak lurus di atas parameter yang
Definisi
x1 ,..., x n adalah sampel random dari fungsi kepadatan f ( x;θ ) , maka fungsi
1986:278)
16
Notasi
Contoh
likelihoodnya adalah:
L( x1 , x 2 ,..., x n ;θ ) = f ( x1 ;θ ) f ( x 2 ;θ )... f ( x n ;θ ) , θ ∈ Θ
1
1 − ( xi −θ ) 2
Karena berdistribusi normal, maka fungsi f ( x;θ ) = e 2
2π
L( x1 , x 2 ,..., x n ;θ ) = f ( x1 ;θ ) f ( x 2 ;θ )... f ( x n ;θ )
1 1 1
1 − ( x1 −θ ) 2 1 − ( x2 −θ ) 2 1 − ( xn −θ ) 2
= e 2
e 2
... e 2
2π 2π 2π
n ⎛ 1 2⎞ ⎛ 1 2⎞ ⎛ 1 2⎞
1 ⎜ − ( x1 −θ ) ⎟ + ⎜ − ( x2 −θ ) ⎟ +...+ ⎜ − ( xn −θ ) ⎟
= ∏i =1 2π
e ⎝ 2 ⎠ ⎝ 2 ⎠ ⎝ 2 ⎠
n
1 −
1
(
( x1 −θ ) 2 + ( x2 −θ ) 2 + ( xn −θ ) 2 )
= ∏i =1 2π
e 2
n
n 1
⎛ 1 ⎞ −2∑
2
( xi −θ )
= ⎜⎜ ⎟⎟ e i =1
⎝ 2π ⎠
n
⎛ 1 ⎞ − 1 ∑ ( xi −θ ) 2
n
= ⎜⎜ ⎟ e 2 i =1
⎟⎟
⎜ (2π ) 12
⎝ ⎠
1 n
1 − ∑
2 i =1
( xi −θ ) 2
= n
e
(2π ) 2
17
1 n
1 − ∑ ( xi −θ ) 2
L( x1 , x 2 ,..., x n ;θ ) =
2 i =1
n
e
(2π ) 2
Kita telah membahas sifat baik yang dimiliki dalam pendugaan. Jadi untuk
mengetahui apakah suatu pendugaan bersifat unbias, efisien dan konsisten dan
Metode tersebut sering memberikan hasil yang baik (yaitu sering memberikan
Definisi.
ialah
L(θˆ) = sup{L(θ ) : θ ∈ Θ}
Contoh:
Nilai sampel x1 , x 2 ,..., x n menjadi barisan bernilai nol dan satu, fungsi
likelihoodnya adalah
n
L( p) = ∏ p xi q 1− xi = p ∑ i q ∑ i
x n− x
i =1
Dimisalkan
y = ∑ xi
L ( p ) = p yi q n − yi
ln L( p ) = y ln p + (n − y ) ln q (2.11)
∂ ln L( p ) y n − y
= − (2.12)
∂p p q
∂ ln L( p )
Karena = 0 , persamaan (2.12) menjadi
∂p
y n− y
0= −
p q
Untuk q = 1 − p , maka:
y n− y
− =0
pˆ qˆ
y n− y
=
pˆ 1 − pˆ
19
y − pˆ y = pˆ (n − y )
− pˆ y − pˆ (n − y ) = − y
− pˆ ( y + n − y ) = − y
− pˆ n = − y
− y y ∑ xi 1
pˆ = = = = ∑ xi = x
−n n n n
Model regresi nonlinier dibagi menjadi dua jenis yaitu model linier
intrinsik dan model nonlinier intrinsik. Jika suatu model adalah linier instrinsik,
maka model ini dapat dinyatakan melalui transformasi yang tepat terhadap
peubahnya, kedalam bentuk model linier baku yang dinyatakan dalam bentuk
berikut ini:
y i = β 0 + β 1 x1 + β 2 x 2 + β 3 x3 + ... + β n x n + ε
Dimana
β0 = parameter intersep
ε = galat
Jika suatu model nonlinier tidak dapat dinyatakan dalam bentuk baku ini, berarti
yang tidak diketahui, dan ε adalah galat acak yang bersifat multiplikatif. Dengan
linier.
Model seperti ini adalah model linier dalam bentuk semi log yang dapat berupa
Model (2.14) merupakan model linier dalam bentuk ln ε . ε dalam hal ini
(Steel&Torrie, 1993:541)
Pada gambar 2.2 di atas dapat dilihat bahwa terdapat hubungan antara dua
Model yang paling sederhana adalah model regresi linier. Model regresi
linier sederhana terdiri dari satu variabel. Model tersebut dapat digeneralisasikan
menjadi lebih dari satu atau dalam k variabel. Persamaan bagi model regresi linier
y = β 0 + β 1 x1 + β 2 x 2 + ... + β k x k + ε (2.15)
y i , xi1 , xi 2 ,..., xik dan galatnya ε i . Maka persamaan (2.15) dapat dituliskan
sebagai:
⎛ y1 ⎞ ⎛1 x11 K x1k ⎞ ⎛ β 0 ⎞ ⎛ ε 1 ⎞
⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ y 2 ⎟ ⎜1 x 21 K x 2 k ⎟ ⎜ β 1 ⎟ ⎜ ε 2 ⎟
⎜ M ⎟ = ⎜M M +
M ⎟ ⎜ M ⎟ ⎜ ... ⎟
(2.16)
⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ y ⎟ ⎜1 x K x nk ⎟⎠ ⎜⎝ β k ⎟⎠ ⎜⎝ ε n ⎟⎠
⎝ n⎠ ⎝ n1
Misalkan
⎛ y1 ⎞ ⎛1 x11 K x1k ⎞ ⎛ β0 ⎞ ⎛ ε1 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ y2 ⎟ ⎜1 x 21 K x 2 k ⎟ ⎜ β1 ⎟ ⎜ε ⎟
Y =⎜ ⎟ X =⎜ ⎟ β =⎜ ⎟ ε =⎜ 2 ⎟
M M M M M ...
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜y ⎟ ⎜1 x K x nk ⎟⎠ ⎜β ⎟ ⎜ε ⎟
⎝ n⎠ ⎝ n1 ⎝ k⎠ ⎝ n⎠
Y = Xβ + ε
Dimana
Y = vektor respon n × 1
(Sembiring,1995:134-135)
Sistem (2.16) dikenal sebagai penyajian matrik model regresi linier (k-variabel)
Y = X β + ε
(2.17)
n ×1 n × (k + 1) (k + 1) + 1 n ×1
23
mendalam. Al-Quran bukan hanya berbicara ilmu agama yaitu halal dan haram,
pahala dan dosa, surga dan neraka, lebih dari itu di dalamnya terdapat banyak hal
yang berkaitan dengan masalah keduniawian, mulai masalah sains dan teknologi,
sosial, politik, ekonomi, hukum, dan yang lainnya. Ada banyak sumber kajian
2007:182). Oleh karena itu di sini akan dibuktikan bahwa Al-Quran tidak hanya
membahas tentang ilmu agama saja akan tetapi membahas tentang masalah ilmu
statistik juga.
Salah satu masalah ilmu statistik yang dibahas dalam penelitian ini adalah
tentang outlier dan estimasi dalam ilmu statistik yang ternyata telah disinggung
sejak zaman Nabi Muhammad. Hal tersebut terbukti sebagaimana yang telah
dijelaskan dalam Al-Quran surat Al-Jinn Ayat 14 dan surat Ash-Shaffaat ayat 147.
diambil dari perkataan Al-Jinn yang terdapat pada ayat pertama surat ini. Surat
pembacaan Al Quran dan mereka mengikuti ajaran Al Quran tersebut. Pada surat
tersebut terdapat ayat yang menyinggung masalah pencilan (outlier), yaitu pada
ayat 14:
24
Artinya.” Dan sesungguhnya di antara kami ada orang-orang yang taat dan ada
maka mereka itu benar-benar telah memilih jalan yang lurus”. ( Qs. Al-Jinn,
72:14)
Asal turunnya Surat Al-Jinn Ayat 14 yaitu untuk menampik dugaan bahwa
semua jin baik yang mendengar langsung ayat-ayat Al-Quran maupun yang belum
atau tidak mendengarnya kesemuanya telah patuh kepada Allah. Kemudian pada
ayat tersebut diterangkan bahwa dan sesungguhnya di antara kami masyarakat jin
ada orang-orang muslim yakni yang benar-benar taat dan penuh kepatuhan
kepada Allah dan ada pula para penyimpang yakni mereka yang telah sangat jauh
dari kebenaran lagi sangat mantap kekufurannya. Barang siapa yang patuh, maka
diartikan sebagai suatu outlier. Sebab suatu outlier dikatakan sebagai penyimpang
1. Pencilan (outlier) adalah yang nilai mutlaknya jauh lebih besar dari pada
sisaan-sisaan lainnya dan bisa jadi terletak tiga atau empat simpangan baku
2. Pencilan adalah suatu keganjilan dan menandakan suatu titik data yang sama
sekali tidak tipikal dibandingkan data lainnya (Draper dan Smith, 1992: 146).
25
3. Pencilan (outlier) adalah data yang tidak mengikuti pola umum model
(Sembiring, 1995:62).
penyimpang yakni mereka yang telah sangat jauh dari kebenaran lagi sangat
mempunyai makna yang sama dengan pengertian dari outlier yaitu sama-sama
diantaranya:
Dalam statistika, suatu data yang kemungkinan menjadi outlier biasanya dapat
diduga tidak lebih dari 5% dari data yang ada. Sedangkan dalam Al-Quran
surat Al-Jinn Ayat 14, jumlah penyimpangan dapat diduga kurang dari 50%
Obyek outlier dalam penelitian ini yaitu berupa data yang belum diketahui.
Dalam statistika, bentuk dari suatu data adalah menyebar mengikuti garis
model maka outlier juga mempunyai bentuk menyebar seperti gambar 2.1.
dari 5%).
yakni turun sebelum Nabi Hijrah ke Madinah yang terdiri dari 182 ayat..
147, yaitu:
Artinya: Dan Kami utus dia kepada seratus ribu orang atau lebih. (Qs. Ash-
Shaffaat,37:147)
Asal turunnya ayat diatas yaitu menceritakan tentang kisah Nabi Yunus.
Bahwa Nabi Yunus keluar dari kaumnya ketika akan disiksa oleh kaumnya
sebelum mendapat perintah dari Allah SWT untuk Hijrah. Kemudian Nabi Yunus
mendapatkan balasan dari Allah SWT. Setelah itu, Nabi Yunus diutus kembali
ribu orang atau lebih jika kamu melihat mereka sekali pandang.
(Shihab,2003:83).
Pada kalimat “kepada seratus ribu orang atau lebih jika kamu melihat
mereka sekali pandang” terdapat suatu pendugaan, yaiu pada kata seratus ribu
orang atau lebih. Contoh lain pendugaan yaitu, misalkan pada suatu pertandingan
27
sepak bola dengan banyak sekali penonton seseorang ditanya tentang jumlah
pandangannya. Sama halnya dengan (seratus ribu orang atau lebih) 4χρ߉ƒÌ“tƒ Aρr&
#ø9r& ÷ πs($ÏΒ pada surat Ash Shaffat ayat 147 diatas, jika seseorang menanyakan
berapa jumlah pasti (seratus ribu orang atau lebih) 4χρ߉ƒÌ“tƒ Aρr& #ø9r& ÷ πs($ÏΒ, maka
orang tersebut hanya dapat menduga jumlahnya karena ayat tersebut tidak ada
Maka dari itu terdapat perbedaan dalam menafsirkan (seratus ribu orang
dipahami oleh sementara ulama dalam arti bahkan, ada juga yang memahaminya
dalam arti dan. Jika anda memahaminya dalam arti atau, maka ayat ini bagaikan
ribu atau lebih. Jika anda memahaminya dalam arti dan atau bahkan, maka itu
berarti beliau diutus kepada dua kelompok. Yang pertama berjumah seratus ribu
dan yang satu lagi adalah yang lebih dari itu. Dalam satu riwayat dinyatakan
28
jumlah mereka sebanyak dua puluh ribu. Yang seratus ribu adalah orang-orang
Yahudi penduduk negeri Nainawa, yang ketika itu berada dalam tawanan kerajaan
Asyur, sedang yang lebih adalah selain orang Yahudi yang bermukim juga
dinegeri itu.
Menceritakan bahwa setelah Nabi Yunus sehat dan kuat kembali, dia
mendatangi dan melakukan dakwah kepada kaumnya di negeri Ninive ini, yang
berjumlah 100.000 orang atau lebih, artinya lebih dari 100.000, kurang tidak.
Mausul- A#ø9r&πs($ÏΒ4’n<Î) (kepada seratus ribu orang) bahkan χρ߉ƒÌ“tƒ ρr& (atau
lebih dari itu) yakni lebihnya dua puluh atau tiga puluh atau tujuh puluh ribu
orang.
Para ulama memperkirakan jumlah umat Nabi Yunus dengan jumlah yang
100.000 orang. Dari ketiga penafsiran di atas dapat disimpulkan bahwa terdapat
suatu penggunaan istilah pendugaan pada surat Ash Shaffat ayat 147.
29
berbicara tentang ilmu-ilmu agama saja, akan tetapi juga berbicara tentang ilmu
secara mendalam. Oleh karena itu Allah SWT telah memberi akal dan pikiran
BAB III
PEMBAHASAN
Regresi Eksponensial
Untuk menentukan penduga parameter yang tidak mengandung outlier dan yang
30
31
modelnya menjadi:
⎛ ln y1 ⎞ ⎛1 x11 K x1k ⎞ ⎛ β 0 ⎞ ⎛ ln ε 1 ⎞
⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ ln y2 ⎟ ⎜1 x21 K x2 k ⎟ ⎜ β1 ⎟ ⎜ ln ε 2 ⎟
⎜ M ⎟ = ⎜M M +
M ⎟ ⎜ M ⎟ ⎜ ... ⎟
(3.3)
⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ ln y ⎟ ⎜1 x K x ⎟ ⎜ β ⎟ ⎜ ln ε ⎟
⎝ n⎠ ⎝ n1 nk ⎠ ⎝ k ⎠ ⎝ n⎠
Misalkan
⎛ ln y1 ⎞ ⎛1 x11 K x1k ⎞
⎜ ⎟ ⎜ ⎟
* ⎜ ln y 2 ⎟ ⎜1 x 21 K x 2 k ⎟
Y =⎜ X =⎜
M ⎟ M M M ⎟
⎜ ⎟ ⎜ ⎟
⎜ ln y ⎟ ⎜1 x K x ⎟
⎝ n ⎠ ⎝ n1 nk ⎠
32
⎛ β0 ⎞ ⎛ ln ε 1 ⎞
⎜ ⎟ ⎜ ⎟
⎜β ⎟ * ⎜ ln ε 2 ⎟
β =⎜ 1 ⎟ ε =⎜
M ... ⎟
⎜ ⎟ ⎜ ⎟
⎜β ⎟ ⎜ ln ε ⎟
⎝ k⎠ ⎝ n⎠
Y
*
= X ⋅ β + ε
*
(3.4)
n ×1 n × (k + 1) (k + 1) × 1 n ×1
Persamaan (3.4) merupakan bentuk regresi linier dari model regresi eksponensial
* *
Y = Xβ + ε
*
3.3.1.1. Penduga Parameter β
*
Dari persamaan (3.4) diketahui bahwa Y = ( ln y1 , ln y 2 , …, ln y n ) T ,
*
distribusi peluang dari Y adalah
1
⎛ 1⎞ *
((
⎜ − ⎟ Y −X β σ
−1
) ) ((Y T *
− X β σ −1 ) )
f ( β , σ |Y )
2 * ⎝ 2⎠
= e (3.5)
2πσ 2
peroleh dari fungsi distribusi peluang pada persamaan (3.5) di atas sebagai
berikut:
L( β , σ 2|Y ) = f ( β , σ 2|Y )
* *
n
1
⎛ 1⎞ *
((
⎜ − ⎟ Y −X β σ
−1
) ) ((Y T *
) )
− X β σ −1
=∏ e ⎝ 2⎠
i =1 2πσ 2
=⎢ ⎥ e
⎣ 2πσ ⎦
2
1
⎛ 1 ⎞ ⎛ −1
⎜ − ⎟⎜ σ
2 ⎠⎝
( ) (YT *
−X β ) (Y
T *
)
− X β σ −1 ⎞⎟
⎠
= n
e⎝ (3.6)
( )
n
(2π ) σ 2 2 2
1
1
( ) (Y
− ⎛⎜ σ −1
T *
−X β ) (Y
T *
)
− X β σ −1 ⎞⎟
L( β , σ 2|Y ) =
* 2⎝ ⎠
n
e (3.7)
( )
n
(2π ) σ 2 2 2
ln L( β , σ 2|Y )
*
34
⎛ ⎞
⎜ 1
1
2⎝
( ) (Y
− ⎛⎜ σ −1
T *
−X β ) (Y
T *
)
− X β σ −1 ⎞⎟
⎠
⎟
= ln⎜ n
e ⎟
( )
n
⎜ (2π ) 2 σ 2 ⎟
⎝ 2
⎠
⎛ n 1
( ) (Y
− ⎛⎜ σ −1 ) (Y
T
)
− X β σ −1 ⎞⎟ ⎞
( )
T
− n *
−X β *
−
⎜
= ln (2π ) 2 σ 2 2 e 2⎝ ⎠ ⎟
⎜ ⎟
⎝ ⎠
⎛ − ⎞
n
⎛ ⎞ ⎛ − 1 ⎛⎜ (σ −1 )T (Y * − X β )T (Y * − X β )σ −1 ⎞⎟⎠ ⎞
( )
n
−
= ln⎜⎜ (2π ) 2 ⎟⎟ + ln⎜⎜ σ 2 2 ⎟⎟ + ln⎜ e 2 ⎝ ⎟
⎝ ⎠ ⎜ ⎟
⎝ ⎠ ⎝ ⎠
n n ⎧ 1
= − ln(2π ) − ln σ 2 + ⎨− σ −1
2 2 ⎩ 2
( ) (( ) (YT *
− Xβ ) (YT *
)
⎫
)
− X β σ −1 ⎬ ln e
⎭
n n ⎧ 1
= − ln(2π ) − ln σ 2 + ⎨− σ −1
2 2 ⎩ 2
( ) (( ) (YT *
− Xβ ) (YT *
)
⎫
)
− X β σ −1 ⎬ (1)
⎭
n n 1
= − ln(2π ) − ln σ 2 − σ −1
2 2 2
( ) {( ) (Y
T *T *T
Y − Y X β − Y X β + β X T X β σ −1
* *T T
) }
=−
n
2
n 1
ln(2π ) − ln σ 2 − σ −1
2 2
( ) {( )T
(Y *T *
Y − 2Y
*T
X β + β X T X β σ −1
T
) }
n
2
n
2
1
2
( )
T *T 1
2
T
( )
*T 1
2
T
= − ln(2π ) − ln σ 2 − σ −1 Y Y σ −1 + 2 σ −1 Y X βσ −1 − σ −1 β X T X βσ −1
* T
( ) ( )
n
2
n
2
1
2
( )
T *T T *T
( ) 1
2
T
= − ln(2π ) − ln σ 2 − σ −1 Y Y σ −1 + σ −1 Y X βσ −1 − σ −1 β X T X βσ −1 (3.8)
* T
( ) ( )
β , di peroleh:
∂ ln L( β , σ 2|Y )
*
∂β
= −0 − 0 − 0 + σ −1 Y ( ) T *T
Xσ −1 −
1
2
( )
2 σ −1
T
β X T Xσ −1
T
∂ ln L( β , σ 2|Y )
*
∂β
( )
= σ −1 Y
T *T
Xσ −1 − σ −1 ( ) T
β X T Xσ −1
T
35
∂ ln L( β , σ 2|Y )
*
= 0 , sehingga
∂β
(σˆ ) Y
−1 T *T
Xσˆ −1 − σˆ −1( ) T T
βˆ X T Xσˆ −1 = 0
(σˆ ) Y
−1 T *T
Xσˆ −1 = (σˆ −1 ) βˆ X T Xσˆ −1
T T
*T T
Y X = β̂ X T X
(Y X) = ⎛⎜⎝ βˆ X X ⎞⎟⎠
*T
T
T
T
T
XT Y = X T X βˆ
*
(3.9)
β̂ = (X T X ) X T Y *
−1
(3.10)
*
Dimana Y adalah ln Y maka:
β̂ = (X T X ) X T ln Y
−1
(3.11)
terhadap σ 2 , diperoleh
ln L( β , σ 2|Y )
*
36
n
2
n
2
1
2
( )
T *T T
( )*T 1
= − ln(2π ) − ln σ 2 − σ −1 Y Y σ −1 + σ −1 Y X βσ −1 − σ −1 β X T X βσ −1
*
2
T T
( ) ( )
n n 1 1 T *T * 1 1 1 1 1 T T T 1
= − ln(2π ) − 2 ln (σ ) −
*T
I Y Y I + I T Y Xβ I − I β X Xβ I
2 2 2σ σ σ σ 2σ σ
n 1 1 *T 1
= − ln(2π ) − n ln (σ ) −
*T * T
Y Y + 2 Y Xβ − β XT X β
2 2σ 2
σ 2σ 2
Sehingga
∂ ln L( β , σ 2|Y )
*
∂σ 2
n 1 ⎛ 2 ⎞ *T * ⎛ 2 ⎞ *T 1⎛ 2 ⎞ T
=− 0 − − ⎜ − 4 ⎟Y Y + ⎜ − 4 ⎟Y X β − ⎜ − 4 ⎟ β X T X β
σ 2⎝ σ ⎠
2
⎝ σ ⎠ 2⎝ σ ⎠
n 1 *T * 2 *T 1 T
=− + Y Y − Y Xβ + β XT X β
σ 2
σ 4
σ 4
σ 4
∂ ln L( β , σ 2|Y )
*
= 0 , sehingga
∂σ 2
n 1 *T * 2 *T 1 T
− + 4 Y Y − 4 Y X βˆ + 4 βˆ X T X βˆ = 0
σˆ 2
σˆ σˆ σˆ
n 1 *T * 2 *T 1 T
= 4 Y Y − 4 Y X βˆ + 4 βˆ X T X βˆ
σˆ 2
σˆ σˆ σˆ
n 1
= 4 ⎛⎜ Y Y − 2Y X βˆ + βˆ X T X βˆ ⎞⎟
*T * *T T
σˆ 2
σˆ ⎝ ⎠
n 1
= σˆ 4 4 ⎛⎜ Y Y − 2Y X βˆ + βˆ X T X βˆ ⎞⎟
*T *T T
σˆ 4 *
σˆ 2
σˆ ⎝ ⎠
nσˆ 2 = ⎛⎜ Y X βˆ + βˆ X T X βˆ ⎞⎟
*T * *T T
Y − 2Y
⎝ ⎠
Karena
nσ 2 (*T *T
= Y Y − 2Y X βˆ + β X T X βˆ
* T
)
(
= Y − X βˆ
*
) (Y
T *
− X βˆ )
Maka
37
σˆ 2 =
1 *
n
(
Y − X βˆ ) (Y
T *
− X βˆ ) (3.12)
*
Dimana Y adalah ln Y maka:
σˆ 2 =
1
n
(
ln Y − X βˆ ) (ln Y − X βˆ )
T
(3.13)
menjadi
38
misalkan
⎛ ln y1 ⎞ ⎛1 x11 K x1k ⎞
⎜ ⎟ ⎜ ⎟
* ⎜ ln y 2 ⎟ ⎜1 x 21 K x 2 k ⎟
Y =⎜ X =⎜
M ⎟ M M M ⎟
⎜ ⎟ ⎜ ⎟
⎜ ln y ⎟ ⎜1 x K x nk ⎟⎠
⎝ n⎠ ⎝ n1
⎛ β0 ⎞ ⎛ z10 0 K 0 ⎞
⎜ ⎟ ⎜ ⎟
⎜β ⎟ ⎜ 0 z 21 K 0 ⎟
β =⎜ 1 ⎟ Z =⎜
M M M M ⎟
⎜ ⎟ ⎜ ⎟
⎜β ⎟ ⎜ 0 0 K z nk ⎟⎠
⎝ k⎠ ⎝
⎛ψ 0 ⎞ ⎛ ln ε 1 ⎞
⎜ ⎟ ⎜ ⎟
⎜ψ ⎟ * ⎜ ln ε 2 ⎟
ψ =⎜ 1 ⎟ ε =⎜
M ... ⎟
⎜ ⎟ ⎜ ⎟
⎜ψ ⎟ ⎜ ln ε ⎟
⎝ k⎠ ⎝ n⎠
*
* X β + Z ψ + ε
Y = (3.15)
n × (k + 1) (k + 1) × 1 n × (k + 1) (k + 1) × 1 n ×1
kita gunakan cara yang sama dengan cara menentukan penduga parameter yang
*
Dari persamaan (3.15) diketahui bahwa Y = ( ln y1 , ln y 2 , …, ln y n ) T ,
1 (( (
⎛ 1⎞ *
⎜ − ⎟ Y − X β + Zψ σ)) )T ((Y * −(X β + Zψ ))σ −1 )
−1
f ( β, ψ,σ | Y ) =
2 * ⎝ 2⎠
e (3.16)
2πσ 2
peroleh dari fungsi distribusi peluang pada persamaan (3.16) di atas sebagai
berikut:
L( β , ψ , σ 2 | Y )
*
= f ( β, ψ,σ 2 | Y )
*
n
1 (( (
⎛ 1⎞ *
⎜ − ⎟ Y − X β + Zψ σ)) )T ((Y * − (X β + Zψ ))σ −1 )
−1
=∏ e ⎝ 2⎠
i =1 2πσ 2
=⎢ ⎥ e
⎣ 2πσ ⎦
2
40
1 ⎜ − ⎟⎜ σ ( ) (Y
⎛ 1 ⎞ ⎛ −1 T *
− X β − Zψ ) (YT *
)
− X β − Z ψ σ −1 ⎞⎟
⎝ 2 ⎠⎝ ⎠
= n
e (3.17)
( )
n
(2π ) σ 2 2 2
1
1
− ⎛⎜ σ −1 ( ) (Y T *
− X β − Zψ ) (Y
T *
)
− X β − Z ψ σ −1 ⎞⎟
L( β , ψ , σ | Y ) =
2 * 2⎝ ⎠
n
e (3.18)
(2π ) (σ )
n
2 2 2
ln L( β , ψ , σ 2 | Y )
*
⎛ ⎞
⎜ 1
1
2⎝
( ) (Y
− ⎛⎜ σ −1
T *
− X β − Zψ ) (Y
T *
)
− X β − Z ψ σ −1 ⎞⎟
⎠
⎟
= ln⎜ n
e ⎟
( )
n
⎜ (2π ) 2 σ 2 ⎟
⎝ 2
⎠
⎛ n 1
( ) (Y
− ⎛⎜ σ −1 ) (Y
T
)
− X β − Z ψ σ −1 ⎞⎟ ⎞
( )
T
− n *
− X β − Zψ *
−
= ln⎜ (2π ) 2 σ 2 2 e 2⎝ ⎠ ⎟
⎜ ⎟
⎝ ⎠
⎛ − ⎞
n
⎛ ⎞ ⎛ − 12 ⎛⎜⎝ (σ −1 )T (Y * − X β − Zψ )T (Y * − X β − Zψ )σ −1 ⎞⎟⎠ ⎞
( )
n
−
⎜
= ln⎜ (2π ) 2 ⎟⎟ + ln⎜⎜ σ 2 2 ⎟⎟ + ln⎜ e ⎟
⎝ ⎠ ⎜ ⎟
⎝ ⎠ ⎝ ⎠
n n
= − ln(2π ) − ln σ 2
2 2
( )
⎧ 1
+ ⎨− σ −1
⎩ 2
(( ) (Y
T *
− X β − Zψ ) (Y
T * ⎫
− X β − Zψ σ −1 ⎬ ln e
⎭
) )
n n
= − ln(2π ) − ln σ 2
2 2
( )
⎧ 1
+ ⎨− σ −1
⎩ 2
(( ) (Y
T *
− X β − Zψ ) (YT * ⎫
− X β − Zψ σ −1 ⎬(1)
⎭
) )
n n
= − ln(2π ) − ln σ 2
2 2
( )
41
⎧ 1
+ ⎨− σ −1
⎩ 2
(( ) (Y
T *
− X β − Zψ ) (Y
T * ⎫
⎭
)
− X β − Zψ σ −1 ⎬(1) )
n n 1
= − ln(2π ) − ln σ 2 − σ −1
2 2 2
( ) {( )
T
(Y *T * *T
Y −Y Xβ −Y
*T
Zψ − Y X β
*T
( ) T
+ Xβ Xβ + Xβ ( ) T
Zψ − Y Zψ + X β
*T
( ) T
( )
Zψ + Zψ
T
) }
Zψ σ −1
n n 1
= − ln(2π ) − ln σ 2 − σ −1
2 2 2
( ) {( ) (Y
T *T * *T
Y − 2Y X β − 2Y
*T
Zψ
( ) T
+ Xβ Xβ + 2 Xβ ( ) T
Zψ + Zψ ( ) T
) }
Zψ σ −1
n
2
n
2
1
2
T *T
( )
* T
{(
*T
= − ln(2π ) − ln σ 2 − σ −1 Y Y σ −1 − 2 σ −1 Y X βσ −1 ) ( )
( )
− 2 σ −1 Y
T *T
Zψσ −1 + σ −1 ( ) (X β )
T T
X βσ −1 + 2 σ −1 ( ) (X β )
T T
Zψσ −1
( ) (Zψ )
+ σ −1
T T
Zψσ −1 }
n
2
n
2
1
2
T *T
( )
* 1
2
T
( )
*T
= − ln(2π ) − ln σ 2 − σ −1 Y Y σ −1 + 2 σ −1 Y X βσ −1 ( )
+
1
2
( ) T *T 1
2 σ −1 Y Zψσ −1 − σ −1
2
( ) (X β )T T 1
X βσ −1 − 2 σ −1
2
( ) (X β )T T
Zψσ −1
−
2
( ) (Zψ )
1 −1
σ
T T
Zψσ −1
n
2
n
2
1
2
T *T
( )
* T *T
( )
= − ln(2π ) − ln σ 2 − σ −1 Y Y σ −1 + σ −1 Y X βσ −1 ( )
( )
+ σ −1 Y
T *T
Zψσ −1 −
2
( ) (X β )
1 −1
σ
T T
X βσ −1 − σ −1( ) (X β )
T T
Zψσ −1
−
2
( ) (Zψ )
1 −1
σ
T T
Zψσ −1
n
2
n
2
1
2
T *T
( )
* T *T
( )
= − ln(2π ) − ln σ 2 − σ −1 Y Y σ −1 + σ −1 Y X βσ −1 ( )
42
( )
+ σ −1 Y
T *T
Zψσ −1 −
2
( ) (X β )
1 −1
σ
T T
X βσ −1 − σ −1 ( ) (Zψ )T T
X βσ −1
−
2
( ) (Zψ )
1 −1
σ
T T
Zψσ −1 (3.19)
terhadap β , di peroleh:
∂ ln L( β , ψ , σ 2 | Y )
*
∂β
T *T
( ) 1
= − 0 − 0 − 0 + σ −1 Y Xσ −1 + 0 − 2 σ −1
2
( ) (X β )
T T
Xσ −1 − σ −1 ( ) ( Zψ )
T T
Xσ −1 − 0
= (σ −1 ) Y Xσ −1 − (σ −1 ) X β Xσ −1 − (σ −1 )
T *T T
( ) T T
( Zψ ) T
Xσ −1
∂ ln L( β , ψ , σ 2 | Y )
*
= 0 , sehingga
∂β
(σˆ ) Y
−1 T *T
Xσˆ −1 − σˆ −1 ( ) (X βˆ ) Xσˆ
T T
−1
( ) ( Zψˆ )
− σˆ −1
T T
Xσˆ −1 = 0
(σˆ ) Y
−1 T *T
( ) (X βˆ )
Xσˆ −1 = σˆ −1
T T
Xσˆ −1 + σˆ −1 ( ) ( Zψˆ )
T T
Xσˆ −1
T T T
( )
σˆ T (σˆ −1 ) Y * Xσˆ −1σˆ = σˆ T (σˆ −1 ) X βˆ Xσˆ −1σˆ + σˆ T (σˆ −1 ) ( Zψˆ )T Xσˆ −1σˆ
T T
*T
( )
Y X = X βˆ X + Zψˆ X
T
( ) T
X T X βˆ = X T Y − X T Zψˆ
*
β̂ = (X T X ) X T Y − Zψˆ
−1
( *
) (3.20)
*
Dimana Y adalah ln Y maka:
43
(
β̂ = (X T X ) X T ln Y − Zψˆ
−1
) (3.21)
terhadap ψ , diperoleh
ln L( β , ψ , σ 2 | Y )
*
n
2
n
2
1
2
T *T *
( ) T *T
( )
= − ln(2π ) − ln σ 2 − σ −1 Y Y σ −1 + σ −1 Y X βσ −1 ( )
( )
+ σ −1 Y
T *T
Zψσ −1 −
2
( ) (X β )
1 −1
σ
T T
X βσ −1 − σ −1( ) ( Xβ)
T T
Zψσ −1
−
2
( ) (Zψ )
1 −1
σ
T T
Zψσ −1
∂ ln L( β , ψ , σ 2 | Y )
*
∂ψ
= − 0 − 0 − 0 + 0 + (σ −1 ) Y
T *T
Zσ −1 − 0 − σ −1 ( ) (X β )
T T
Zσ −1
1
( ) (Zψ )
− 2 σ −1
2
T T
Zσ −1
( )
= σ −1 Y
T *T
Zσ −1 − σ −1 ( ) (X β )
T T
( ) (Zψ )
Zσ −1 − σ −1
T T
Zσ −1
44
∂ ln L( β , ψ , σ 2 | Y )
*
= 0 , sehingga
∂ψ
(σˆ ) Y
−1 T *T
Zσˆ −1 − σˆ −1 ( ) (X βˆ )
T T
Zσˆ −1 − σˆ −1 ( ) (Zψˆ ) T T
Zσˆ −1 =0
(σˆ ) Y
−1 T *T
Zσˆ −1 = (σˆ −1 ) X βˆ
T
( ) T
Zσˆ −1 + (σˆ −1 ) Zψˆ
T
( ) T
Zσˆ −1
(Zψˆ ) T
Z =Y
*T
( )
Z − X βˆ
T
Z
((Zψˆ ) Z) = ⎛⎜⎝ Y ( )
T
Z ⎞⎟
T *T T
Z − X βˆ
T
ZT Zψˆ = Z T Y − Z T X βˆ
*
−1 *
(
ψ̂ = (Z T Z ) Z T Y − X βˆ ) (3.22)
*
Dimana Y adalah ln Y maka:
(
ψ̂ = (Z T Z ) Z T ln Y − X βˆ
−1
) (3.23)
terhadap σ 2 diperoleh:
ln L( β ,ψ , σ 2 | Y )
*
45
n
2
n
2
1
2
T *T * T
( )
*T
= − ln(2π ) − ln σ 2 − σ −1 Y Y σ −1 + σ −1 Y X βσ −1 ( ) ( )
( )
+ σ −1 Y Zψσ −1 −
T *T 1 −1
2
σ ( ) (X β )T T
( ) (X β )
X βσ −1 − σ −1
T T
Zψσ −1
−
1 −1
2
σ ( ) (Zψ ) T T
Zψσ −1
n n 1 1 T *T * 1 1 1
= − ln(2π ) − 2 ln (σ ) −
*T
I Y Y I + I T Y Xβ I
2 2 2σ σ σ σ
+
σ
1
I T Y Zψ
*T 1
σ
I−
11 T
2σ
T 1
σ
( )
1
σ
T 1
I X β X β I − I T X β Zψ I
σ
( )
−
11 T
2σ
T 1
I Zψ Zψ I
σ
( )
n 1 1 *T 1 *T
= − ln(2π ) − n ln(σ ) −
*T *
Y Y + 2 Y X β + 2 Y Zψ
2 2σ 2
σ σ
−
2σ
1
2
(X β ) T
Xβ −
σ
1
2
(X β ) Zψ − 2σ1 (Zψ ) Zψ
T
2
T
maka
∂ ln L( β ,ψ , σ 2 | Y )
*
∂σ 2
1 1 ⎛ 2 ⎞ *T * ⎛ 2 ⎞ *T ⎛ 2 ⎞ *T
= −0 − n − ⎜ − 4 ⎟Y Y + ⎜ − 4 ⎟Y X β + ⎜ − 4 ⎟Y Zψ
σ 2⎝ σ ⎠
2
⎝ σ ⎠ ⎝ σ ⎠
1⎛ 2 ⎞
2⎝ σ ⎠
T ⎛ 2 ⎞
σ
T
( )1⎛ 2 ⎞
2 σ
T
− ⎜ − 4 ⎟ X β X β − ⎜ − 4 ⎟ X β Zψ − ⎜ − 4 ⎟ Zψ Zψ ( ) ( )
⎝ ⎠ ⎝ ⎠
=−
n
+
1
Y Y −
*T * 2 *T
Y Xβ −
2 *T
Y Zψ +
1
(X β )T
Xβ
σ 2
σ 4
σ 4
σ 4
σ4
+
σ
2
4
(X β ) Zψ + σ1 (Zψ ) Zψ
T
4
T
∂ ln L( β ,ψ , σ 2 | Y )
*
= 0 , sehingga
∂σ 2
46
−
n
σˆ 2
1 *T * 2 *T 2 *T 1 T
+ 4 Y Y − 4 Y X βˆ − 4 Y Zψˆ + 4 X βˆ X βˆ
σˆ σˆ σˆ σˆ
( )
+
2
σˆ 4
T
( ) 1
X βˆ Zψˆ + 4 Zψˆ Zψˆ = 0
σˆ
T
( )
n
2
1 T 2
σˆ
T 2
σˆ
T 1 T
= 4 Y * Y * − 4 Y * X βˆ − 4 Y * Zψˆ + 4 X βˆ X βˆ
σˆ σˆ σˆ
( )
+
2
σˆ 4
T
( ) 1
X βˆ Zψˆ + 4 Zψˆ Zψˆ
σˆ
T
( )
σ
n
ˆ 2
1
σˆ ⎝
T T T T T
( )
= 4 ⎛⎜ Y * Y * − 2Y * X βˆ − 2Y * Zψˆ + X βˆ X βˆ + 2 X βˆ Zψˆ + (Zψˆ )T Zψˆ ⎞⎟
⎠
( )
σˆ 4
n
σˆ 2
σˆ ⎝
T T T
( )
= σˆ 4 4 ⎛⎜ Y * Y * − 2Y * X βˆ − 2Y * Zψˆ + X βˆ X βˆ + 2 X βˆ Zψˆ + (Zψˆ )T Zψˆ ⎞⎟
1 T T
⎠
( )
⎝
T T T
( )
nσ̂ 2 = ⎛⎜ Y * Y * − 2Y * X βˆ − 2Y * Zψˆ + X βˆ X βˆ + 2 X βˆ Zψˆ + (Zψˆ )T Zψˆ ⎞⎟
T
( ) T
Karena
nσˆ 2
⎝
T T T
( )
= ⎛⎜ Y * Y * − 2Y * X βˆ − 2Y * Zψˆ + X βˆ X βˆ + 2 X βˆ Zψˆ + (Zψˆ )T Zψˆ ⎞⎟
T
( ) T
(
= Y * − X βˆ − Zψˆ ) (Y
T *
− X βˆ − Zψˆ )
( (
= Y * − X βˆ + Zψˆ )) (Y − (X βˆ + Zψˆ ))
T *
Maka
σ̂ 2 =
1 *
n
(
Y − X βˆ + Zψˆ( )) (Y − (X βˆ + Zψˆ ))
T *
(3.24)
*
Dimana Y adalah ln Y maka:
σ̂ 2 =
1
n
(
ln Y − X βˆ + Zψˆ ( )) (ln Y − (X βˆ + Zψˆ ))
T
(3.25)
maka diperlukan suatu pengujian sifat-sifat pendugaan yang baik, yaitu: sifat
*
1. Y yang tidak mengandung outlier mempunyai persamaan
* *
Y = Xβ + ε
*
Dan Y berdistribusi normal N ( X β , σ 2 I ) , sehingga E Y ( )
*
= X β dan
Var Y ( )=σ
* 2
I dari persamaan tersebut juga diasumsikan bahwa ε variabel
*
Eε( ) *
(
= E Y − Xβ
*
)
=E Y ( ) − XE (β )
*
= Xβ − Xβ = 0 (3.26)
*
2. Y yang mengandung outlier mempunyai persamaan
* *
Y = X β + Zψ + ε
Dimana Y
*
berdistribusi normal N ( X β + Zψ , σ 2 I ) , sehingga E Y ( )
*
=
X β + Zψ dan var Y ( ) *
= σ 2 I dari persamaan tersebut juga diasumsikan
( )
Eε
*
( *
= E Y − X β + Zψ ( ))
( ) (*
= E Y − E X β + Zψ )
( ) (
= X β + Zψ − X β + Zψ = 0 ) (3.27)
()
Untuk E βˆ yang tidak mengandung outlier
()
E βˆ (
= E (X T X ) X T Y *
−1
)
= (X T X ) X T E Y *
−1
( )
= (X T X ) X T X β
−1
=β (3.28)
()
dari persamaan (3.28) diperoleh E βˆ = β , maka β̂ yang tidak mengandung
( )
outlier merupakan penaksir tak bias. Sedangkan untuk E βˆ out yang mengandung
( )
E βˆ out
(
= E βˆ + ψˆ )
[ −1
( −1
)
= E (X T X ) X T Y * − Zψˆ + (Z T Z ) Z T Y * − X βˆ ( )]
49
[ −1 −1 −1
]
= E (X T X ) X T Y * − (X T X ) X T Zψˆ + (Z T Z ) Z T Y * − (Z T Z ) Z T X βˆ
−1
= E [(X X ) X Y + (Z Z ) Z Y − (X X ) X Zψˆ − (Z Z ) Z X βˆ ]
T −1 T * T −1 T * T −1 T T −1 T
= E [((X X ) X + (Z Z ) Z )Y − (X X ) X Zψˆ − (Z Z ) Z X βˆ ]
T −1 T T −1 T * T −1 T T −1 T
= (X T X ) X T X β + (Z T Z ) Z T X β + (X T X ) X T Zψ + (Z T Z ) Z T Zψ
−1 −1 −1 −1
(
− XT X )
−1
( ) (
X T ZE ψˆ − Z T Z )
−1
Z T XE βˆ ()
= β + (Z T Z ) Z T X β + (X T X ) X T Zψ + ψ − (X T X ) X T ZE (ψˆ )
−1 −1 −1
(
− ZT Z ) −1
ZT XE βˆ ()
(
= β + ψ + (Z T Z ) Z T X β − E βˆ + (X T X ) X T Z ψ − E (ψˆ )
−1 −1
( )) ( ) (3.29)
tidak mengandung outlier lebih baik dari pada penduga parameter β̂ out yang
mengandung outlier.
50
3.4.2. Efisien
varians yang kecil. Apabila terdapat lebih dari satu penduga, penduga yang efisien
var θˆ1
(
R θˆ2 , θˆ1 =) var θˆ 2
sehingga
( ( ))( ( ))
= Var βˆ Var βˆ out
−1
(3.30)
Dari persamaan (3.30) di atas terlebih dahulu ditentukan Var βˆ dan Var βˆ out () ( )
maka
(
Var(βˆ ) = E ⎡ βˆ − E βˆ βˆ − E βˆ
⎢⎣
( ))( ( )) ⎤⎥⎦
T
(
= E ⎡ βˆ − β βˆ − β ⎤
⎢⎣
T
)(
⎥⎦
)
karena
β̂ (
= XT X )
−1
XT Y
*
= (X T X ) X T X β + ε
−1
( *
)
= (X T X ) X T X β + (X T X ) X T ε
−1 −1 *
= β + XT X( )
−1
XT ε
*
β̂ - β (
= XT X )
−1
XT ε
*
51
maka
(
Var(βˆ ) = E ⎡ βˆ − β βˆ − β ⎤
⎢⎣
T
⎥⎦
)( )
⎢⎣
(
= E ⎡ (X T X ) X T ε
−1 *
)((X X) T −1
XT ε
*
) ⎤⎥⎦
T
= E XT X[( ) −1 *
XT ε ε X XT X
*T
( ) −1
]
(
= XT X )
−1
XT E ε ε[ ]X(X X)
* *T T −1
(
= XT X )
−1
X T σ 2 IX X T X ( )−1
(
= XT X ) −1
X T X(X T X ) σ 2
−1
(
= XT X σ 2 ) −1
(3.31)
Dan untuk
( )
Var βˆ out
(
= Var βˆ + ψˆ )
(( ) (
= E ⎡ βˆ + ψˆ − E βˆ + ψˆ
⎢⎣
))(( βˆ + ψˆ ) − E (βˆ + ψˆ )) ⎤⎥⎦ T
(( ) (
= E ⎡ βˆ + ψˆ − E βˆ + ψˆ
⎢⎣
))(( βˆ + ψˆ ) − E (βˆ + ψˆ )) ⎤⎥⎦ T
(
E βˆ + ψˆ ) (
= β + ψ + (Z T Z ) Z T X β − E βˆ + (X T X ) X T Z ψ − E (ψˆ )
−1 −1
( )) ( )
( ) (
E βˆ + ψˆ − β + ψ ) ( ( ))
= (Z T Z ) Z T X β − E βˆ + (X T X ) X T Z ψ − E (ψˆ )
−1 −1
( )
(( ) (
− E βˆ + ψˆ − β + ψ )) = − ((Z Z ) T −1
(
Z T X β − E βˆ + X T X ( )) ( )
−1
(
X T Z ψ − E ψˆ( )))
(β + ψ ) − E (βˆ + ψˆ ) (
= − (Z T Z ) Z T X β − E βˆ − (X T X ) X T Z ψ − E (ψˆ )
−1 −1
( )) ( )
52
( ) ((
Var βˆ out = E ⎡ βˆ + ψˆ − E βˆ + ψˆ
⎢⎣
) ( ))(( βˆ + ψˆ ) − E (βˆ + ψˆ )) ⎤⎥⎦ T
[( (
= E − ZT Z )−1
(
Z T X β − E βˆ − X T X ( )) ( ) −1
(
X T Z ψ − E (ψˆ ) ))
(− (Z Z) T −1
(
Z T X β − E βˆ − X T X ( )) ( )−1
(
X T Z ψ − E (ψˆ ) ⎤
T
⎥⎦
))
[( (
= E − (Z T Z ) Z T X β − E βˆ − (X T X ) X T Z ψ − E (ψˆ )
−1 −1
( )) ( ))
(− (Z Z) T −1
(
Z T X β − E βˆ − X T X ( )) ( ) −1
(
X T Z ψ − E (ψˆ ) ⎤
T
⎥⎦
))
[( (
= E − ZT Z )−1
(
Z T X β − E βˆ − X T X ( )) ( ) −1
(
X T Z ψ − E (ψˆ ) ))
⎝
(
⎛⎜ − β − E βˆ ( )) X Z(Z Z) − (ψ − E (ψˆ )) Z X(X X)
T
T T −1 T T T −1 ⎞⎟⎤
⎠⎥⎦
[(
= E ZT Z ) −1
Z T Xσ 2 IX T Z Z T Z ( )
−1
+ 2 ZT Z ( )−1
( ( ))(
Z T X β − E βˆ ψ − E (ψˆ ) Z T X X T X
T
) ( ) −1
(
+ XT X )
−1
( )(
X T Z ψ − E (ψˆ ) ψ − E (ψˆ ) Z T X X T X ) T
( )
−1
]
(
= ZT Z ) −1
⎝
(
Z T XE ⎛⎜ β − E βˆ β − E βˆ ( ))( ( )) ⎞⎟⎠X Z(Z Z)
T
T T −1
((
+ 2(Z T Z ) Z T XE β − E βˆ ψ − E (ψˆ ) Z T X(X T X )
−1 T −1
( ))( ))
(X X)T −1
((
XT ZE ψ − E ψˆ ψ − E ψˆ ( ))( ( )) )Z X(X X)
T T T −1
)
(
= ZT Z ) −1
Z T Xσ 2 IX T Z Z T Z ( )
−1
+ 2 ZT Z ( )−1
(( ( ))(
Z T XE β − E βˆ ψ − E (ψˆ ) Z T X X T X
T
)) ( ) −1
(
+ XT X )
−1
(( )(
X T ZE ψ − E (ψˆ ) ψ − E (ψˆ ) Z T X X T X ))
T
( ) −1
) (3.32)
(
R βˆ out , βˆ ) ((
= XT X σ 2 ) −1
) ((Z Z)
T −1
Z T Xσ 2 IX T Z(Z T Z )
−1
(
+ 2 ZT Z )−1
(( ( ))( ))
Z T XE β − E βˆ ψ − E (ψˆ ) Z T X X T X
T
( )
−1
(
+ XT X ) −1
(( )( ))
X T ZE ψ − E (ψˆ ) ψ − E (ψˆ ) Z T X X T X
T
( ) −1 −1
) (3.33)
( )
R βˆ out , βˆ < 1
Sehingga
((X X) σ ) ((Z Z)
T −1 2 T −1
Z T Xσ 2 IX T Z Z T Z ( )
−1
(
+ 2 ZT Z )−1
(( ( ))( ))
Z T XE β − E βˆ ψ − E (ψˆ ) Z T X X T X
T
( )
−1
(
+ XT X ) −1
(( )( ))
X T ZE ψ − E (ψˆ ) ψ − E (ψˆ ) Z T X X T X
T
( ) −1 −1
) <1
Maka
((X X) σ ) < (Z Z)
T −1 2 T −1
Z T Xσ 2 IX T Z Z T Z ( )−1
+ 2 ZT Z ( )−1
(( ( ))( ))
Z T XE β − E βˆ ψ − E (ψˆ ) Z T X X T X
T
( )
−1
(
+ XT X ) −1
(( )( ))
X T ZE ψ − E (ψˆ ) ψ − E (ψˆ ) Z T X X T X
T
( ) −1
()
Var βˆ < Var βˆ out ( ) (3.34)
()
Karena Var βˆ dari penduga β̂ yang tidak mengandung outlier lebih kecil dari
( )
pada Var βˆ out dari penduga β̂ out yang mengandung outlier maka β̂ yang tidak
mengandung outlier lebih efisien dari pada β̂ out yang mengandung outlier
54
3.4.3. Konsisten
( ( ))
E θˆ − E θˆ
2
→ 0 jika n → ∞
sehingga
(
E βˆ − E βˆ( )) = E ⎡⎢⎣(βˆ − E (βˆ ))(βˆ − E (βˆ )) ⎤⎥⎦
2 T
(
= E ⎡ βˆ − β βˆ − β ⎤
⎢⎣
T
⎥⎦
)( )
(
= E βˆ − β βˆ − β
T
)( )
( ( ) ( ))(
= E βˆ − E β βˆ − β )T
(
= β − β βˆ − β )(
T
)
(
= (0 ) βˆ − β = 0
T
) (3.35)
( ( )) = E ⎡⎢⎣(βˆ
E βˆ out − E βˆ out
2
out
( ))( ( )) ⎤⎥⎦
− E βˆ out βˆ out − E βˆ out
T
( ) ( ( ))
E βˆ out = β + ψ + (Z T Z ) Z T X β − E βˆ + (X T X ) X T Z ψ − E (ψˆ )
−1 −1
( )
maka
( ( ))( ( )) ⎤⎥⎦ =
E ⎡ βˆ out − E βˆ out βˆ out − E βˆ out
⎢⎣
T
[( (
= E βˆ out − β + ψ + Z T Z ( )
−1
( ( )) (
Z T X β − E βˆ + X T X )
−1
(
X T Z ψ − E (ψˆ ) )))
(βˆ − (β + ψ + (Z Z)
out
T −1
(
Z T X β − E βˆ + X T X ( )) ( ) −1
(
X T Z ψ − E (ψˆ ) ))) ⎤⎥⎦
T
( ( (
= E βˆ out − β + ψ + Z T Z ) −1
( ( )) (
Z T X β − E βˆ + X T X ) −1
(
X T Z ψ − E (ψˆ ) )))
(βˆ − (β + ψ + (Z Z)
out
T −1
(
Z T X β − E βˆ + X T X ( )) ( ) −1
(
X T Z ψ − E (ψˆ ) )))
T
( ) (
= E βˆ out − E β + ψ + Z T Z ( )
−1
( ( ))) (
Z T X β − E βˆ + E X T X )
−1
(
X T Z ψ − E (ψˆ ) )
(βˆ out
(
− β + ψ + ZT Z )
−1
(
Z T X β − E βˆ + X T X ( )) ( )
−1
(
X T Z ψ − E (ψˆ ) ))
T
(3.36)
(
Dari persamaan (3.36) diperoleh E ⎡ βˆ out − E βˆ out βˆ out − E βˆ out
⎢⎣
( ))( ( )) ⎤⎥⎦ ≠ T
0, maka
untuk β̂ yang mengandung outlier atau β̂ out merupakan penduga yang tidak
konsisten.
BAB IV
PENUTUP
3.1. Kesimpulan
β̂ = (X T X ) X T ln Y
−1
dan σˆ 2 =
1
n
(
ln Y − X βˆ ) (ln Y − X βˆ )
T
−1
( ) (
β̂ = (X T X ) X T ln Y − Zψˆ , ψ̂ = (Z T Z ) Z T ln Y − X βˆ dan
−1
)
σ̂ 2 =
1
n
( (
ln Y − X βˆ + Zψˆ )) (ln Y − (X βˆ + Zψˆ ))
T
mengandung outlier ternyata lebih baik dari pada yang mengandung outlier
yang baik yaitu unbias, efisien dan konsisten. Sedangkan pendugaan parameter
56
57
3.2. Saran
eksponensial yang merupakan model linier intrinsik. Bagi pembaca yang ingin
intrinsik
58
DAFTAR PUSTAKA
Draper, Norman dan Harry Smith. 1992. Analisis Regresi Terapan, edisi kedua.
Jakarta: PT Gramedia Pustaka Utama.
Shihab, M Quraish. 2003. Tafsir Al-Mishbah Volume 14. Jakarta: Lentera Hati.
Steel, Robert G.D. and Torri, James H. 1989. Prinsip dan Prosedur Statistika
Suatu Pendekatan Biometrik. Jakarta: Gramedia.
LAMPIRAN I
ANALISIS DATA
Contoh:
Data berikut berasal dari Brownlee (1965), pasal 13.12, dikutip oleh Daniel dan
Wood, table 5.1, Draper dan Smith (1981), bab 6, dan Sembiring (2003), bab 7.
No. Pengamatan x1 x2 x3 y
1 80 27 89 42
2 80 27 88 37
3 75 25 90 37
4 62 24 87 28
5 62 22 87 18
6 62 23 87 18
7 62 24 93 19
8 62 24 93 20
9 58 23 87 15
10 58 18 80 14
11 58 18 89 14
12 59 17 88 13
13 58 18 82 11
14 58 19 93 12
15 50 18 89 8
16 50 18 86 7
17 50 19 72 8
18 50 19 79 8
19 50 20 80 9
20 56 20 82 15
21 70 20 91 15
x1 = Aliran udara
x3 = konsentrasi pendingin
45
40
35
30
x1
25
Y
x2
20
x3
15
10
5
0
0 20 40 60 80 100
X
45
40
35
30
25
X
Y
20
15
10
5
0
0 5 10 15 20 25
X
Dari gambar 2 di atas model yang paling baik digunakan dalam analisis regresi
y i = e β 0 + β1 x1 + β 2 x2 +...+ β k xn ε i
ln y i = β 0 + β1 x1 + β 2 x 2 + ... + β k x n + ln ε i
Tabel 2. Data dari pabrik oksidasi amoniak menjadi asam nitrat dengan y = lny
4
3.5
3
2.5
Y
2 X
1.5
1
0.5
0
0 5 10 15 20 25
X
PEMBAHASAN
ln y i = β 0 + β 1 xi1 + β 2 xi 2 + β 3 xi 3 + ln ε i i = 1,2,...,21
⎛ ln y1 ⎞ ⎛ 3.7377 ⎞
⎜ ⎟ ⎜ ⎟
⎜ ln y 2 ⎟ ⎜ 3.6109 ⎟
Y =⎜ =
M ⎟ ⎜ M ⎟
⎜ ⎟ ⎜ ⎟
⎜ ln y ⎟ ⎜ 2.7081 ⎟
⎝ 21 ⎠ ⎝ ⎠
⎛ β0 ⎞ ⎛ ln ε 1 ⎞
⎜ ⎟ ⎜ ⎟
⎜β ⎟ ⎜ ln ε 2 ⎟
β =⎜ 1⎟ ε =⎜
β M ⎟
⎜ 2⎟ ⎜ ⎟
⎜β ⎟ ⎜ ln ε ⎟
⎝ 3⎠ ⎝ 21 ⎠
βˆ = (X T X ) X T Y
−1
Sehingga
−1
⎛ β 0 ⎞ ⎡⎛1 80 27 89 ⎞ ⎛1 80 27 89 ⎞⎤
T T
⎛1 80 27 89 ⎞ ⎛ 3.7377 ⎞
⎜ ⎟ ⎢⎜ ⎟ ⎜ ⎟⎥ ⎜ ⎟ ⎜ ⎟
⎜ β ⎟ ⎢⎜ 1 80 27 88 ⎟ ⎜1 80 27 88 ⎟⎥ ⎜1 80 27 88 ⎟ ⎜ 3.6109 ⎟
βˆ = ⎜ ⎟ = ⎢⎜
1
β M M M M ⎟ ⎜M M M M ⎟⎥ ⎜M M M M⎟ ⎜ M ⎟
⎜ 2 ⎟ ⎢⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ β ⎟ ⎢⎜1 70 20 91 ⎟ ⎜1 70 20 91 ⎟⎥⎥ ⎜1 70 20 91 ⎟ ⎜ 2.7081⎟
⎝ 3 ⎠ ⎣⎝ ⎠ ⎝ ⎠⎦ ⎝ ⎠ ⎝ ⎠
64
−1
⎡⎛ 1 1 L 1 ⎞⎛1 80 27 89 ⎞⎤ ⎛ 1 1 L 1 ⎞⎛ 3.7377 ⎞
⎢⎜ ⎟⎜ ⎟⎥ ⎜ ⎟⎜ ⎟
⎢ ⎜ 80 80 L 70 ⎟⎜1 80 27 88 ⎟⎥ ⎜ 80 80 L 70 ⎟⎜ 3.6109 ⎟
= ⎜
⎢ 27 27 L 20 ⎟⎜ M M M M ⎟⎥ ⎜ 27 27 L 20 ⎟⎜ M ⎟
⎢⎜⎜ ⎟⎜ ⎟⎥ ⎜ ⎟⎜ ⎟
⎟⎜ ⎟ ⎜ 89 88 L 91 ⎟⎜ 2.7081 ⎟
⎢⎣⎝ 89 88 L 91 ⎠⎝1 70 20 91 ⎠⎥⎦ ⎝ ⎠⎝ ⎠
−1
⎛ 21 1270 443 1812 ⎞ ⎛ 57,244 ⎞
⎜ ⎟ ⎜ ⎟
⎜1270 78482 27240 110076 ⎟ ⎜ 3550,019 ⎟
=⎜
443 27240 9545 38357 ⎟ ⎜ 1236,301 ⎟
⎜ ⎟ ⎜ ⎟
⎜1812 110076 38357 156924 ⎟ ⎜ 4966,384 ⎟
⎝ ⎠ ⎝ ⎠
⎛ - 0,94332 ⎞
⎜ ⎟
⎜ 0,034519 ⎟
=⎜
0,064472 ⎟
⎜ ⎟
⎜ 0,002571 ⎟
⎝ ⎠
Maka
⎛1 80 27 89 ⎞ ⎛ - 0,94332 ⎞
⎜ ⎟⎜ ⎟
⎜ 1 80 27 88 ⎟ ⎜ 0,034519 ⎟
Yˆ = X β̂ = ⎜ ⎟ ⎜
M M M M 0,064472 ⎟
⎜ ⎟⎜ ⎟
⎜1 70 20 91 ⎟ ⎜ 0,002571 ⎟
⎝ ⎠⎝ ⎠
65
estimation yaitu
σˆ 2 =
1
n
(ln Y − X βˆ ) (ln Y − X βˆ )
T
T
⎛ - 0.05015 ⎞ ⎛ - 0.05015 ⎞
⎜ ⎟ ⎜ ⎟
1 ⎜ - 0.17433 ⎟ ⎜ - 0.17433 ⎟ 1
= ⎜ ⎟ ⎜ ⎟ = 21 0,518856
21 M M
⎜ ⎟ ⎜ ⎟
⎜ - 0.28841 ⎟ ⎜ - 0.28841 ⎟
⎝ ⎠ ⎝ ⎠
= 0,051886
66
4
3.5
2.5
2 X
Y
1.5
1
0.5
0
0 5 10 15 20 25
X
LAMPIRAN II
ANALISIS DATA
600
500
400
Y
300 X
200
100
0
0 20 40 60 80 100
X
Dari gambar di atas terdapat data yang menyimpang dari data yang lain yaitu pada
(90 ,415) biasanya disebut dengan pencilan (outlier). Data tersebut bisa saja
masalah ini adalah dengan memerikasa data tersebut yaitu dengan analisis regresi
PEMBAHASAN
y i = β 0 + β 1 xi1 + ε i i = 1,2,...,10
⎛1 x11 ⎞ ⎛1 40 ⎞
⎜ ⎟ ⎜ ⎟
⎜1 x 21 ⎟ ⎜1 50 ⎟
X=⎜ =
M M ⎟ ⎜M M ⎟
⎜ ⎟ ⎜ ⎟
⎜1 x ⎟ ⎜1 50 ⎟
⎝ (10 )1 ⎠ ⎝ ⎠
⎛ y1 ⎞ ⎛ 69 ⎞
⎜ ⎟ ⎜ ⎟
⎜ y 2 ⎟ ⎜175 ⎟
Y =⎜ ⎟=⎜
M M ⎟
⎜ ⎟ ⎜ ⎟
⎜ y ⎟ ⎜180 ⎟
⎝ 10 ⎠ ⎝ ⎠
⎛ ε1 ⎞
⎜ ⎟
⎛β ⎞ ⎜ε ⎟
β = ⎜⎜ 0 ⎟⎟ ε =⎜ 2 ⎟
⎝ β1 ⎠ ⎜ ⎟
M
⎜ε ⎟
⎝ 10 ⎠
69
βˆ = (X T X ) X T Y
−1
Sehingga
−1
⎡⎛1 40 ⎞ T ⎛1 40 ⎞⎤ T
⎛1 40 ⎞ ⎛ 69 ⎞
⎢⎜ ⎟ ⎜ ⎟⎥ ⎜ ⎟ ⎜ ⎟
⎛ β ⎞ ⎢ ⎜ 1 50 ⎟ ⎜ 1 50 ⎟⎥ ⎜1 50 ⎟ ⎜175 ⎟
βˆ = ⎜⎜ ⎟⎟ = ⎢⎜
0
⎟ ⎜ ⎟⎥ ⎜M M ⎟ ⎜ M ⎟
⎝ β 1 ⎠ ⎢⎜ M M ⎟ ⎜ M M ⎟⎥ ⎜ ⎟ ⎜ ⎟
⎢⎣⎜⎝1 50 ⎟⎠ ⎜⎝1 50 ⎟⎠⎥⎦ ⎜1 50 ⎟ ⎜180 ⎟
⎝ ⎠ ⎝ ⎠
−1
⎡ ⎛1 40 ⎞⎤ ⎛ 69 ⎞
⎢ ⎜ ⎟⎥ ⎜ ⎟
⎛ 1 1 L 1 ⎞⎜ 1 50 ⎟ ⎛ 1 1 L 1 ⎞⎜ 175 ⎟
= ⎢⎜⎜ ⎟ ⎥ ⎜ ⎟
⎢⎝ 40 50 L 50 ⎟⎠⎜ M M ⎟⎥ ⎜⎝ 40 50 L 50 ⎟⎠⎜ M ⎟
⎢ ⎜ ⎟ ⎜ ⎟
⎜1 50 ⎟⎥ ⎜180 ⎟
⎢⎣ ⎝ ⎠⎦⎥ ⎝ ⎠
−1
⎛ 10 620 ⎞ ⎛ 2765 ⎞
= ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
⎝ 620 41200 ⎠ ⎝194970 ⎠
Maka
70
⎛1 40 ⎞
⎜ ⎟
⎜ 1 50 ⎟ ⎛ - 252,297 ⎞
Yˆ = X β̂ = ⎜ ⎜ ⎟
M M ⎟ ⎜⎝ 8,529 ⎟⎠
⎜ ⎟
⎜1 50 ⎟
⎝ ⎠
No. x y ŷ = x βˆ ε = y - ŷ
1 40 69 88.863 -19.863
2 50 175 174.153 0.847
3 60 272 259.443 12.557
4 70 335 344.733 -9.733
5 80 490 430.023 59.977
6 90 415 515.313 -100.313
7 40 72 88.863 -16.863
8 60 265 259.443 5.557
9 80 492 430.023 61.977
10 50 180 174.153 5.847
Sedangkan untuk menentukan parameter σ 2 menggunakan rumus penduga
σˆ 2 =
1
n
( T
)(
Y − X βˆ Y − X βˆ )
T
⎛ - 19.863 ⎞ ⎛ - 19.863 ⎞
⎜ ⎟ ⎜ ⎟
⎜ 0.847 ⎟ ⎜ 0.847 ⎟
⎜ 12.557 ⎟ ⎜ 12.557 ⎟
⎜ ⎟ ⎜ ⎟
⎜ - 9.733 ⎟ ⎜ - 9.733 ⎟
⎜ ⎟ ⎜ 59.977 ⎟
1 59.977 ⎟ ⎟ = 1 18498,18
= ⎜ ⎜
10 ⎜ - 100.313 ⎟ ⎜ - 100.313 ⎟ 10
⎜ ⎟ ⎜ ⎟
⎜ - 16.863 ⎟ ⎜ - 16.863 ⎟
⎜ 5.557 ⎟ ⎜ 5.557 ⎟
⎜ ⎟ ⎜ ⎟
⎜ 61.977 ⎟ ⎜ 61.977 ⎟
⎜ 5.847 ⎟ ⎜ 5.847 ⎟
⎝ ⎠ ⎝ ⎠
= 1849,8181
71
600
500
400
300 X
Y
200
100
0
0 20 40 60 80 100
X
600
500
400
Y
300 X
200
100
0
0 10 20 30 40 50 60 70 80 90
X
y i = β 0 + β 1 xi1 + ε i i = 1,2,...,9
⎛1 x11 ⎞ ⎛1 40 ⎞
⎜ ⎟ ⎜ ⎟
⎜1 x 21 ⎟ ⎜1 50 ⎟
X=⎜ =
M M ⎟ ⎜M M ⎟
⎜ ⎟ ⎜ ⎟
⎜1 x ⎟ ⎜1 50 ⎟
⎝ (9 )1 ⎠ ⎝ ⎠
⎛ y1 ⎞ ⎛ 69 ⎞
⎜ ⎟ ⎜ ⎟
⎜ y 2 ⎟ ⎜175 ⎟
Y =⎜ ⎟=⎜
M M ⎟
⎜ ⎟ ⎜ ⎟
⎜ y ⎟ ⎜180 ⎟
⎝ 9⎠ ⎝ ⎠
⎛ ε1 ⎞
⎜ ⎟
⎛β ⎞ ⎜ε ⎟
β = ⎜⎜ 0 ⎟⎟ ε =⎜ 2⎟
⎝ β1 ⎠ ⎜ ⎟
M
⎜ε ⎟
⎝ 9⎠
βˆ = (X T X ) X T Y
−1
Sehingga
−1
⎡⎛1 40 ⎞ T ⎛1 40 ⎞⎤ T
⎛1 40 ⎞ ⎛ 69 ⎞
⎢⎜ ⎟ ⎜ ⎟⎥ ⎜ ⎟ ⎜ ⎟
ˆ ⎛ β 0 ⎞ ⎢⎜1 50 ⎟ ⎜1 50 ⎟⎥ ⎜1 50 ⎟ ⎜175 ⎟
β = ⎜⎜ ⎟⎟ = ⎢⎜ ⎟ ⎜ ⎟⎥ ⎜M M ⎟ ⎜ M ⎟
⎝ β 1 ⎠ ⎢⎜ M M ⎟ ⎜ M M ⎟⎥ ⎜ ⎟ ⎜ ⎟
⎢⎣⎜⎝1 50 ⎟⎠ ⎜⎝1 50 ⎟⎠⎥⎦ ⎜1 50 ⎟ ⎜180 ⎟
⎝ ⎠ ⎝ ⎠
73
−1
⎡ ⎛1 40 ⎞⎤ ⎛ 69 ⎞
⎢ ⎜ ⎟⎥ ⎜ ⎟
⎢ ⎛ 1 1 L 1 ⎞⎜1 50 ⎟⎥ ⎛ 1 1 L 1 ⎞⎜175 ⎟
= ⎜⎜ ⎟ ⎜ ⎟
⎢⎝ 40 50 L 50 ⎟⎠⎜ M M ⎟⎥ ⎜⎝ 40 50 L 50 ⎟⎠⎜ M ⎟
⎢ ⎜ ⎟ ⎜ ⎟
⎜1 50 ⎟⎥ ⎜180 ⎟
⎢⎣ ⎝ ⎠⎥⎦ ⎝ ⎠
−1
⎛ 9 530 ⎞ ⎛ 2350 ⎞
= ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
⎝ 530 33100 ⎠ ⎝157620 ⎠
⎛ - 338.45 ⎞
= ⎜⎜ ⎟⎟
⎝ 10.181 ⎠
Maka
⎛1 40 ⎞
⎜ ⎟
⎜ 1 50 ⎟ ⎛ - 338.45 ⎞
Yˆ = X β̂ = ⎜ ⎜ ⎟
M M ⎟ ⎜⎝ 10.181 ⎟⎠
⎜ ⎟
⎜1 50 ⎟
⎝ ⎠
74
No. x y ŷ = x βˆ ε = y - ŷ
1 40 69 68.8 0.2
2 50 175 170.61176 4.388235
3 60 272 272.42353 -0.423529
4 70 335 374.23529 -39.23529
5 80 490 476.04706 13.95294
6 40 72 68.8 3.2
7 60 265 272.42353 -7.423529
8 80 492 476.04706 15.95294
9 50 180 170.61176 9.388235
Sedangkan untuk menentukan parameter σ 2 menggunakan rumus penduga
σˆ 2 =
1
n
( )(
T
Y − X βˆ Y − X βˆ )
T
⎛ 0.2 ⎞ ⎛ 0.2 ⎞
⎜ ⎟ ⎜ ⎟
⎜ 4.388235 ⎟ ⎜ 4.388235 ⎟
⎜ - 0.423529 ⎟ ⎜ - 0.423529 ⎟
⎜ ⎟ ⎜ ⎟
⎜ - 39.23529 ⎟ ⎜ - 39.23529 ⎟
1 ⎜ 13.95294 ⎟ = 1 2161.553
= ⎜⎜ 13.95294 ⎟⎟ ⎜ ⎟ 9
9
⎜ 3.2 ⎟ ⎜ 3.2 ⎟
⎜ ⎟ ⎜ ⎟
⎜ - 7.423529 ⎟ ⎜ - 7.423529 ⎟
⎜ 15.95294 ⎟ ⎜ 15.95294 ⎟
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
⎝ 9.388235 ⎠ ⎝ 9.388235 ⎠
= 240.1725
75
500
450
400
350
300
250 X
Y
200
150
100
50
0
0 10 20 30 40 50 60 70 80 90
X
KESIMPULAN LAMPIRAN II
Dari pembahasan analisis regresi yang mengandung outlier dengan yang tidak
⎛ - 252,297 ⎞ ⎛ - 338.45 ⎞
β̂ outlier = ⎜⎜ ⎟⎟ , β̂ = ⎜⎜ ⎟⎟
⎝ 8,529 ⎠ ⎝ 10.181 ⎠
No. ε outlier = y - ŷ ε = y - ŷ
1 -19.863 0.2
2 0.847 4.388235
3 12.557 -0.423529
4 -9.733 -39.23529
5 59.977 13.95294
6 -100.313 -
7 -16.863 3.2
8 5.557 -7.423529
9 61.977 15.95294
10 5.847 9.388235
3. Pendugaan parameter σˆ 2 outlier = 1849.8181 yang mengandung outlier lebih