Anda di halaman 1dari 29

TUGAS 1 MATA KULIAH

ANALISIS REGRESI TERAPAN (STK552)

PERBANDINGAN METODE REGRESI LINIER DAN REGRESI


NONPARAMETRIK SPLINE
(Studi Kasus : Pemodelan Jumlah Uang Beredar (JUB) terhadap Inflasi)

OLEH :
ANGGITA RIZKY FADILAH G152180151

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2019

1
DAFTAR ISI
Halaman
HALAMAN JUDUL ....................................................................................................... i
DAFTAR ISI ................................................................................................................... ii
PENDAHULUAN ............................................................................................................ 1
Latar Belakang ........................................................................................................ 1
Rumusan Masalah ................................................................................................... 1
Tujuan Penelitian .................................................................................................... 2
TINJAUAN PUSTAKA ................................................................................................... 2
Regresi Nonparametrik ........................................................................................... 2
Least Square Spline ................................................................................................ 2
Penentuan Titik Knots Optimal............................................................................... 3
Generalized Cross Validation ................................................................................ 4
Koefisien Determinasi ............................................................................................ 4
Kuadrat Tengah Galat ............................................................................................. 5
Langkah – Langkah Analisis................................................................................... 5
HASIL DAN PEMBAHASAN ....................................................................................... 6
Statistik Deskriptif Data ......................................................................................... 6
Hasil Analisis Regresi Linier Sederhana................................................................. 7
Hasil Analisis Regresi Spline .................................................................................. 9
Pemilihan Model Terbaik ....................................................................................... 13

PENUTUP ........................................................................................................................ 13
Kesimpulan ............................................................................................................ 13
Saran ....................................................................................................................... 14
DAFTAR PUSTAKA ...................................................................................................... 14
LAMPIRAN .................................................................................................................... iii

2
PENDAHULUAN

Latar Belakang
Analisis regresi merupakan suatu metode yang mendiskripsikan hubungan fungsional
antara peubah respon dan peubah prediktor. Pada pemodelan regresi ini, dapat diketahui
seberapa besar perubahan nilai peubah respon sebagai fungsi dari perubahan nilai peubah
prediktor. Menurut Eubank (1999), berdasarkan asumsi sebaran data, terdapat dua jenis
pendekatan dalam analisis regresi, yaitu regresi parametrik dan regresi nonparametrik.
Regresi parametrik adalah regresi yang mengansumsikan sebaran data harus berasal dari
sebaran normal. Terkadang pada data yang tidak memiliki sebaran linear atau tidak diketahui
bentuk sebarannya, informasi yang didapatkan dari pemodelan regresi parametrik bisa
menjadi terbatas karena adanya asumsi parametrik ini. Sehingga muncul pendekatan baru
yaitu regresi nonparametrik yang tidak memerlukan asumsi parametrik sehingga lebih
leluasa dibandingkan regresi parametrik.
Regresi nonparametrik merupakan pendekatan yang dapat digunakan apabila tidak
diketahui secara pasti hubungan antara kedua peubah bentuk kurva data sebelumnya (Griggs,
2013). Regresi nonparametrik memiliki fleksibilitas yang baik terhadap perilaku kurva data
dan mampu menghasilkan kurva estimasi yang halus (smooth). Dikarenakan regresi ini
mengikuti perilaku kurva data (data driven) sehingga model yang dihasilkan mampu
mendekati data sebenarnya lebih baik. Salah satu metode dalam regresi nonparametrik yang
cukup sering digunakan adalah regresi spline.
Regresi spline merupakan regresi polinomial yang tersegmen dalam himpunan interval
nilai tertentu. Pada regresi spline dengan derajat p, berisi potongan fungsi polinomial dengan
derajat p yang bergabung untuk membentuk kurva regresi yang mulus (smooth). Pada
penelitian ini akan dilakukan perbandingan hasil metode regresi linier sebagai salah satu
jenis regresi parametrik dan regresi spline sebagai salah satu jenis regresi nonparametric
dalam memodelkan data yang fluktuatif. Studi kasus yang dibahas dalam penelitian ini
adalah pengaruh jumlah uang beredar (triliun rupiah) terhadap inflasi (%) dari Bulan Januari
2011 hingga Bulan Desember 2013.

Rumusan Masalah
Rumusan masalah pada penelitian ini adalah bagaimana perbandingan hasil antara
regresi linear sederhana dengan regresi spline pada data inflasi serta model terbaik yang
dihasilkan.

3
Tujuan Penelitian
Tujuan yang hendak dicapai dalam penelitian ini adalah mengetahui model terbaik dari
hasil perbandingan antara model regresi linier sederhana dan regresi spline pada data inflasi.

TINJAUAN PUSTAKA

Regresi Nonparametrik
Misalkan diperoleh dari pengamatan berupa data berpasangan
(t1 , y1 ),(t2 , y2 ),......,(tn , yn ) maka model regresi secara umum menurut Eubank (1999)
sebagai berikut:
𝑦𝑖 = 𝜇(𝑡𝑖 ) + 𝜀𝑖 , 𝑖 = 1,2, … , 𝑛 (1)
dengan  i adalah error yang diasumsikan independen dengan mean nol dan varians  2 ,
serta 𝜇(𝑡𝑖 ) adalah fungsi regresi yang akan diestimasi pada 𝑡1 , 𝑡2 , … , 𝑡𝑛 . Berdasarkan
persamaan (1), pada regresi nonparametrik fungsi 𝜇 merupakan fungsi regresi nonparametrik
yang bersifat fleksibel dan diasumsikam bahwa bentuk kurva dari fungsi 𝜇 adalah smooth,
yaitu kontinyu dan dapat diturunkan. Pada model regresi nonparametrik, diasumsikan bahwa
kurva regresi mengikuti fungsi dimensional yang tidak terbatas.

Least-Square Spline
Least-Square Spline atau Pemulusan spline merupakan salah satu pendekatan dalam
analisis regresi nonparametrik. Menurut Eubank (1999) dengan orde p dan titik-titik knots
k1 , k2 , , km maka fungsi spline dinyatakan sebagai berikut :

yi    j xi    p  j  xi  k j    i , i  1, 2,
p m
j p
,n (2)

j 0 j 1

dengan  j , j  0,1, , p, p  1, , p  m menunjukkan parameter,  i dengan rataan 0 dan

ragam homogen 𝜎 2 serta  xi  k  memenuhi persamaan :


p

 xi  k    i 
p  x k p
, xi  k

 0 , xi  k
(3)
Pengambilan n sampel berpasangan, fungsi spline pada persamaan (2.7) dapat
dituliskan sebagai berikut :

4
y1   0  x1   1  x1     p  x1    p 1  x1  k1     p  m  x1  km  
0 1 p p p


y2   0  x2   1  x2     p  x2    p 1  x2  k1     p  m  x2  km  
0 1 p p p

 (4)

y3    x 0    x 1  p
  p  xn    p 1  xn  k1     p  m  xn  km  
p p
0 n 1 n

Dalam bentuk matriks fungsi spline pada persamaan (2.9) dapat dituliskan
 y1  1 x11 x12 x1 p ( x1  k1 ) p ( x1  km ) p    0 
 y  1 1  
 2    x2 x2
2
x2 p ( x2  k1 ) p ( x2  km ) p   1 
(5)
    
     
 yn  1 xn xn
1 2
xn p ( xn  k1 )p ( xn  km ) p    p  m 

Sehingga model regresi nonparametrik spline dapat dituliskan y   k    dengan

y   y1 yn  n 1,
T
y2 merupakan vektor peubah respon dengan ukuran

   0  1    p  m  vector parameter dengan ukuran ( p  m  1)  1 ,  k


T
  p   p 1 

merupakan matriks berukuran nx( p  m  1) dengan komponen matriks yang dapat


dituliskan sebagai berikut :
1 x11 x12 x1 p ( x1  k1 ) p ( x1  km ) p 
 
1 x1 x2 x2 p ( x2  k1 ) p ( x2  km ) p 
k   2 2 (6)
 
 
1 xn xn
1 2
xn p ( xn  k1 ) p ( xn  km ) p 

dan    1  2 m  merupakan vector error berukuran n  1 . Sehingga untuk


T

estimator y dapat dituliskan :

yˆ   k ˆ (7)

dengan   ( X k T X k ) 1 X k T y (8)

Penentuan Titik Knots Optimal


Pada pemodelan regresi spline, penentuan jumlah titik knot dan lokasi titik knot bisa
melalui plot data (visual) dan metode matematis kemudian selanjutnya dibandingkan nilai
GCV. Titik knots optimal merupakan titik knots yang memiliki agar diperoleh nilai GCV
minimum. Beberapa metode yang pernah digunakan dalam penentuan lokasi titik knot, yaitu
diantaranya pernah diusulkan oleh Wu dan Zhang (2006). Terdapat dua pendekatan yaitu :

5
1. Titik – titik knot yang secara seragam terletak pada interval [a,b] dan titik titik
waktu
(𝑏−𝑎)𝑗
𝜏𝑗 = 𝑎 + , 𝑗 = 0,1,2, … , 𝑘, 𝑘 + 1 (9)
𝑘+1

dengan 𝜏0 = 𝑎 dan 𝜏𝑘+1 = 𝑏, dengan titik knot = 𝜏1, 𝜏2 , … , 𝜏𝑘 , 𝜏𝑘+!


2. Titik – titik knot adalah sampel kuantil
𝜏𝑗 = 𝑋([ 𝑛𝑗 ]) ,, 𝑗 = 1,2, … , 𝑘 (10)
𝑘+1

Dengan 𝑋(𝑗) menyatakan order statistik ke=j. metode ini memperobolehkan lebih
𝑛 𝑛
banyak knot dengan 𝑗 = [ ] − [ ]
5 3

Berdasarkan dua pendekatan, baik secara visual maupun metode matematis, cara
visual yang paling sering digunakan dalam menentukan nilai titik knots dan lokasi titik knots
dikarenakan lebih fleksibel terhadap perilaku data. Maka dalam penelitian ini, digunakan
cara visual melalui scatterplot data untuk menentukan nilai titik knots dan lokasi titik knots.

Generalized Cross Validation


Salah satu ukuran yang dapat digunakan untuk menentukan jumlah dan lokasi titik
knot optimal adalah Generalized Cross Validation (GCV). Ukuran Generalized Cross
Validation (GCV) dengan k merupakan titik-titik knots k1 , k2 , , km dapat didefinisikan
pada persamaan berikut :
n

1 
 yi  yˆ ( xi ) 
2
KTGk
GCVk   i 1
(11)
n   
2 2
trace   k 
1 n n 1trace    
 k

  X 
1
dengan Ak  X k X k T X k k (12)

1 n
dan MSEk 
n
 i 1
( yi  yˆ (x i ))2 (13)

dengan I adalah matriks identitas, dan n adalah banyaknya pengamatan (Eubank, 1999).

Koefisien Determinasi
Berdasarkan Gujarati (2004), koefisien determinasi atau R 2 menyatakan ukuran
ketepatan kurva regresi guna mengetahui variasi peubah respon (y) yang dapat diterangkan
oleh beberapa peubah prediktor (x) secara bersama-sama. Koefisien determinasi dapat
dihitung melalui rumus berikut (Greene,2003):

6
JKR JKG
R2   1 n
, 0  R2  1 (14)
( y  y)
JKT 2
i
i 1

n
JKG    yi  m( xi ) 
2
dengan (15)
i 1

Apabila nilai R2 bernilai satu menunjukkan bahwa model regresi dapat menjelaskan 100
persen variasi pada peubah respon (y), sedangkan apabila R 2 bernilai nol menunjukkan
bahwa model regresi tidak dapat menjelaskan sedikitpun variasi pada peubah respon (y).

Kuadrat Tengah Galat


Berdasarkan Eubank (1999), Kuadrat Tengah Galat (Mean Square Error) diperoleh
dari rata-rata harapan kuadrat perbedaan estimator disekitar nilai parameter populasi
sebenarnya. Nilai KTG dapat dihitung melalui rumus berikut:
n
KTG  n1   yi  ˆ  ti  
2
(16)
i 1

Nilai KTG menuju 0 merupakan nilai KTG yang diharapkan karena semakin
mendekati 0 menunjukkan bahwa nilai ˆ  ti  mendekati nilai yi .

Langkah – Langkah Analisis


Penjelasan langkah – langkah analisis data pada penelitian ini adalah sebagai berikut:
1. Membuat statistik deskriptif dan scatterplot untuk melihat persebaran data inflasi pada
studi kasus.
2. Memodelkan data inflasi berdasarkan metode regresi linier berganda dengan bantuan
software Minitab dengan urutan tahap sebagai berikut:
a. Mengidentifikasi peubah jumlah uang beredar (M2) sebagai peubah predictor dan
peubah inflasi sebagai peubah respon.
b. Menghitung nilai parameter 𝜷 menggunakan Metode Kuadrat Terkecil (Least
Square).
c. Memodelkan data inflasi (%) berdasarkan peubah jumlah uang beredar (triliun
rupiah) berdasarkan nilai parameter 𝜷 yang diperoleh.
d. Menguji secara serentak dan individu mengenai pengaruh jumlah uang beredar
(triliun rupiah) terhadap inflasi (%).
e. Menghitung nilai koefisien determinasi (R2)

7
f. Melakukan pengecekan asumsi normalitas, homogenitas, dan autokorelasi dari
residual regresi menggunakan plot diagnostic residual.
3. Memodelkan data inflasi berdasarkan metode regresi linier berganda dengan bantuan
software Minitab dengan urutan tahap sebagai berikut:
a. Mengidentifikasi peubah jumlah uang beredar (M2) sebagai peubah predictor dan
peubah inflasi sebagai peubah respon.
b. Menghitung nilai parameter 𝜷 menggunakan Metode Kuadrat Terkecil (Least
Square) estimator spline menggunakan software RStudio.
c. Memodelkan data inflasi (%) berdasarkan peubah jumlah uang beredar (triliun
rupiah) berdasarkan nilai parameter 𝜷 yang diperoleh.
d. Menguji secara serentak dan individu mengenai pengaruh jumlah uang beredar
(triliun rupiah) terhadap inflasi (%)menggunakan software Minitab.
e. Menghitung nilai koefisien determinasi (R2)
f. Melakukan pengecekan asumsi ekpektasi rataan dan ragam dari residual regresi
menggunakan plot residual terhadap dugaan dan analisis deskriptif.
4. Melakukan perbandingan hasil antara kedua model berdasarkan ukuran kebaikan model
(R2 dan KTG) dan asumsi residual untuk memperoleh model terbaik untuk data inflasi
(%) berdasarkan umlah uang beredar (triliun rupiah).

HASIL DAN PEMBAHASAN

Statistik Deskriptif Data


Pada studi kasus ini, data yang digunakan adalah data bulanan jumlah uang beredar
(triliun rupiah) dan inflasi (%) selama tahun 2011 – 2013. Hasil analisis deskriptif pada data
jumlah uang beredar dan inflasi pada bulan Januari 2011 hingga bulan Juli 2016 disajikan
pada Tabel 1 dan boxplot pada Gambar 1.

Tabel 1. Statistik Deskriptif Data Jumlah Uang Beredar (X) dan Inflasi (Y)
Rata – Simpangan
Peubah N Minimum Median Maksimum Modus
rata Baku
3.5812 0.7028 2.4202 3.5841 4.7375
X 67 -
triliun triliun triliun triliun triliun
Y 67 5.667% 1.601% 3.210% 5.470% 8.790% 4.61%

8
Boxplot of X Boxplot of Y
5.0 9

8
4.5

7
4.0

Y
X

3.5

3.0

2.5
3

Gambar 1. Boxplot data jumlah uang beredar (X) dan Inflasi (Y)

Berdasarkan Tabel 1, selama bulan januari 2011 hingga bulan juli 2016 diperoleh nilai rata
– rata jumlah uang beredar (M2) dan inflasi di adalah sebesar 3,5812 triliun juta rupiah dan
5,667%. Keragaman nilai pada jumlah uang beredar sebesar 0,7028 triliun juta rupiah dan
pada inflasi sebesar 1,601%. Selama 5 tahun 7 bulan, telah terjadi inflasi yang sama
sebanyak 3 kali, yaitu saat inflasi sebesar 4,61%. Kemudian pada Gambar 1, terlihat bahwa
tidak ada data outlier, baik pada data jumlah uang beredar maupun inflasi. Sebaran data
jumlah uang beredar memiliki bentuk simetris dikarenakan nilai rata – rata hampir sama
dengan nilai mediannya, sedangkan sebaran data inflasi memiliki sebaran menjulur ke kanan
dikarenakan nilai rata – rata lebih besar dibandingkan nilai mediannya.

Hasil regresi linier sederhana


Dilanjutkan dengan analisis regresi linier sederhana pada data. Diperoleh hasil analisis
regresi menggunakan software Minitab sebagai berikut :
Tabel 2. ANOVA Hasil Analisis Regresi Linier Sederhana
Sumber Jumlah Kuadrat
Db Uji F P-Value
Keragaman Kuadrat Tengah
Regresi 1 14.98 14.979 6.97 0.012
Galat 34 73.01 2.147
Total 35 87.99

Tabel 3. Koefisien Regresi Linier Sederhana


SE VIF
Parameter Koefisien Uji T P-Value
Koefisien
𝛽0 0.52 1.92 0.27 0.786
𝛽1 1.657 0.628 2.64 0.012 1.000

9
Hipoetsis yang digunakan dalam uji serentak menggunakan uji F adalah
𝐻0 : jumlah uang beredar (triliun rupiah) tidak berpengaruh secara serentak terhadap inflasi
(%).
𝐻1 : jumlah uang beredar (triliun rupiah) berpengaruh secara serentak terhadap inflasi (%).
Berdasarkan Tabel 2 terlihat bahwa hasil uji serentak menggunakan uji F adalah tolak
𝐻0 sehingga jumlah uang beredar (triliun rupiah) berpengaruh secara serentak terhadap
inflasi (%). Kemudian nilai kuadrat tengah galat (KTG) diperoleh sebesar 2.147.
Pada Tabel 3, terlihat nilai koefisien regresi, SE koefisien regresi, dan hasil uji individu
menggunakan uji t. Hipoetsis yang digunakan dalam uji individu menggunakan uji t adalah
𝐻0 : jumlah uang beredar (triliun rupiah) tidak berpengaruh secara individu terhadap inflasi
(%).
𝐻1 : jumlah uang beredar (triliun rupiah) berpengaruh secara individu terhadap inflasi (%).
Hasil uji t adalah tolak 𝐻0 sehingga kesimpulan yang diperoleh adalah jumlah uang beredar
(triliun rupiah) berpengaruh secara individu terhadap inflasi (%).
Model yang diperoleh dari analisis regresi linier sederhana adalah sebagai berikut
𝑦̂𝑖 = 0.52 + 1.657𝑥𝑖 , 𝑖 = 1,2,3 … ,36 (17)
dengan 𝑦̂𝑖 adalah nilai dugaan inflasi (%) ke-i dan 𝑥𝑖 adalah nilai jumlah uang beredar (triliun
rupiah) ke-i. berdasarkan model tersebut, diperoleh dugaan kurva regresi untuk data inflasi
Fitted Line Plot
sebagai berikut. Y = 0.523 + 1.657 X
9 S 1.46543
R-Sq 17.0%
R-Sq(adj) 14.6%
8

6
Y

3
2.50 2.75 3.00 3.25 3.50 3.75
X

Gambar 2. Hasil Estimasi Kurva Regresi Linier Sederhana


Berdasarkan Gambar 2, terlihat bahwa sebagian besar titik titik berada sangat jauh dari
kurva regresi linier sehingga kurang mampu menghasilkan nilai dugaan dengan baik. Nilai
koefisien determinasi (R2) diperoleh sebesar 17,02%. Artinya, bahwa keragaman nilai
peubah inflasi yang dapat dijelaskan oleh peubah jumlah uang beredar (triliun rupiah)

10
sebesar 17,02% dan sisanya 82,98% dijelaskan oleh peubah lain yag tidak diikutkan dalam
pemodelan regresi ini.

Gambar 3. Plot Diagnostik Residual Analisis Regresi Linier Sederhana

Berdasarkan Gambar 2, diperoleh kesimpulan untuk asumsi normalitas, heterogenitas,


dan autokorelasi. Pada Plot Kuantil-Kuantil, terlihat bahwa titik – titik data mengikuti garis
referensi normal sehingga dapat disimpulkan bahwa residual menyebar normal. Kemudian
untuk asumsi heterogenitas, pada plot residual dengan nilai dugaan terlihat bahwa titik titik
seperti membentuk pola/kurang menyebar secara acak. Kemudian untuk asumsi
autokorelasi, pada plot residual berdasarkan urutan pengamatan terlihat bahwa titik titik data
tidak menyebar secara acak/membentuk suatu pola. Hasil residual regresi linier sederhana
bisa dilihat pada Lampiran 7.

Hasil Regresi Spline


Hasil regresi spline diperoleh menggunakan bantuan software RStudio. Pada
pemodelan regresi spline ini, diperlukan ordo polinomial (p) dan titik knots. Dicobakan
kombinasi orde polinomial (p) 2 (kuadratik), 3 (kubik), dan 4 (kuartik) serta 6 titik knots,
yaitu 2.6, 2.85, 2.9, 3.3, 3.42, dan 3.5. Pemilihan titik knot ini diperoleh berdasarkan cara
visual, yaitu melalui scatterplot data jumlah uang beredar (triliun rupiah) terhadap inflasi
(%). Scatterplot dapat dilihat pada Gambar 4.

11
Gambar 4. Scatterplot Jumlah Uang Beredar (triliun rupiah) Terhadap Inflasi (%)
Kemudian dilanjutkan dengan membentuk model dengan kombinasi orde polinomial
(p) dan titik knots yang telah diperoleh dari scatterplot untuk menghasilkan model regresi
spline trebaik dengan nilai GCV minimum. Model terbaik diperoleh dari tahap pertama,
yaitu membandingkan nilai GCV pada tiap tiap kombinasi knots untuk masing – masing
orde polinomial (p) untuk memperoleh kombinasi knots optimal untuk masing – masing orde
polinomial (p) (Lampiran 3-5). Kemudian dilakukan perbandingan nilai GCV antar orde
untuk memperoleh model regresi spline terbaik.. Rangkuman nilai GCV minimum, R2, dan
KTG pada orde 2, 3, dan 4 dengan titik knots optimal ditampilkan pada Tabel 4.
Tabel 4. GCV Minimum, R2, dan KTG pada orde 2, 3, dan 4
Orde GCV
Titik Knots Optimal R2 KTG
Polinomial (p) minimum
2 2.90 ; 3.30 ; 3.42 0.2379566 93.23936% 0.1652477
3 2.85 ; 2.90 ; 3.42 0.2728631 92.24763% 0.1894883
4 2.90 ; 3.30 0.2887407 91.79653% 0.2005144

Berdasarkan Tabel 4 di atas, diperoleh model regresi spline terbaik adalah model ordo
(p) 2 dengan 3 titik knot, yaitu 2.90, 3.30, dan 3.42 karena nilai GCV paling minimum
dibandingkan model ordo (p) 3 dan 4. Kemudian pada model (p) 2 dengan 3 titik knot
tersebut juga memiliki nilai R2 paling maksimum dan KTG paling minimum. Maka
diperoleh model regresi spline dengan ordo (p) 2 dengan titik knots 2.90, 3.30, dan 3.42
(Lampiran 6) sebagai berikut
𝑦̂𝑖 = 149.8945 − 103.444𝑥𝑖 + 18.32332𝑥𝑖2 − 19.91359𝑖 (𝑥𝑖 − 2.90)2𝑖 + 91.04965(𝑥𝑖 − 3.30)2𝑖
− 144.8164(𝑥𝑖 − 3.42)2𝑖 , 𝑖 = 1,2,3 … ,36
Jika dituliskan dalam bentuk matriks sebagai berikut

12
1 2.42 5.86 (2.42  2.90) 2 (2.42  3.3) 2 (2.42  3.42) 2 
 
 1 2.43 5.93 (2.43  2.90) 2 (2.43  3.3) 2 (2.43  3.42) 2 
k 
 ... ... ... 
 2
1 3.73 13.90 (3.73  2.90)  (3.73  3.3)  (3.73  3.42)  
2 2

 149.8946 
 103.444 
 
 18.32332 
  
 19.91359 
 91.04965 
 
 144.8165
Dikarenakan terdapat 3 titik knots (titik belok kurva) maka terdapat 4 selang nilai x
(jumlah uang beredar), yaitu kurang dari 2,90 ; antara 2,90 hingga 3,3 ; antara 3,3 hingga
3,42 dan lebih dari 3,42. Penjabaran model pada 4 selang nilai 𝑥 (jumlah uang beredar)
terhadap y (inflasi) sebagai berikut :
- Model untuk selang 0 ≤ 𝑥𝑖 < 2.90 adalah
𝑦̂𝑖 (1) = 149.8945 − 103.444𝑥𝑖 + 18.32332𝑥𝑖2 𝑢𝑛𝑡𝑢𝑘 0 ≤ 𝑥𝑖 < 2.90
- Model untuk selang 2.90 ≤ 𝑥𝑖 < 3.3 adalah
𝑦̂𝑖 (2) = 149.8945 − 103.444𝑥𝑖 + 18.32332𝑥𝑖2 − 19.91359𝑖 (𝑥𝑖 − 2.90)2𝑖
𝑢𝑛𝑡𝑢𝑘 2.90 ≤ 𝑥𝑖 < 3.30
- Model untuk selang 3.3 ≤ 𝑥𝑖 < 3.42 adalah
𝑦̂𝑖 = 149.8945 − 103.444𝑥𝑖 + 18.32332𝑥𝑖2 − 19.91359𝑖 (𝑥𝑖 − 2.90)2𝑖 + 91.04965(𝑥𝑖 −
3.30)2𝑖 𝑢𝑛𝑡𝑢𝑘 3.3 ≤ 𝑥𝑖 < 3.42
- Model untuk selang 𝑥𝑖 ≥ 3.42 adalah
𝑦̂𝑖 (3) = 149.8945 − 103.444𝑥𝑖 + 18.32332𝑥𝑖2 𝑖 − 144.8164(𝑥𝑖 − 3.42)2𝑖 𝑢𝑛𝑡𝑢𝑘 𝑥𝑖 ≥ 3.42

Kemudian diperoleh hasil dugaan kurva regresi spline terhadap data inflasi pada
Gambar 4 berikut.

13
Gambar 5. Hasil Estimasi Kurva Regresi Spline Kuadratik
Berdasarkan Gambar 5, terlihat bahwa kurva dugaan regresi yang dihasilkan mengikuti
perilaku data dengan baik. Hal ini disebabkan adanya parameter penghalus yang digunakan,
yaitu ordo polinomial dan titik knots. Selanjutnya diperoleh hasil uji serentak dan uji
individu menggunakan bantuan software Minitab. Didapati hasil yang sedikit berbeda antara
output RStudio (Lampiran 6) dengan Minitab, yaitu pada nilai Tabel ANOVA dan estimasi
koefisien regresi yang ditampilkan pada Tabel 5 dan Tabel 6 berikut.
Tabel 5. ANOVA dari Hasil Analisis Regresi
Sumber Jumlah Kuadrat
Db Uji F P-Value
Keragaman Kuadrat Tengah
Regresi 1 82.734 16.5469 94.39 0
Galat 34 30 5.259
Total 35 35 87.993
Tabel 6. Koefisien Analisis Regresi Spline
SE VIF
Parameter Koefisien Uji T P-Value
Koefisien
𝛽0 148.6 22.3 6.67 0
𝛽1 -102.4 16.5 -6.21 0 8467.91
𝛽2 18.13 3.04 5.97 0 10500.01
𝛽3 -19.13 6.03 -3.17 0.003 241.11
𝛽4 88.3 18.4 4.8 0 98.77
𝛽5 -142.3 24.9 -5.72 0 38.01
Hipoetsis yang digunakan dalam uji serentak menggunakan uji F adalah
𝐻0 : jumlah uang beredar (triliun rupiah) tidak berpengaruh secara serentak terhadap inflasi
(%).
𝐻1 : jumlah uang beredar (triliun rupiah) berpengaruh secara serentak terhadap inflasi (%).
Berdasarkan Tabel 5 terlihat bahwa hasil uji serentak menggunakan uji F adalah tolak
𝐻0 sehingga jumlah uang beredar (triliun rupiah) berpengaruh secara serentak terhadap
inflasi (%). Kemudian nilai kuadrat tengah galat (KTG) diperoleh sebesar 2.147.
Pada Tabel 6, terlihat nilai koefisien regresi, SE koefisien regresi, dan hasil uji individu
menggunakan uji t. Hipoetsis yang digunakan dalam uji individu menggunakan uji t adalah
𝐻0 : jumlah uang beredar (triliun rupiah) tidak berpengaruh secara individu terhadap inflasi.
𝐻1 : jumlah uang beredar (triliun rupiah) berpengaruh secara individu terhadap inflasi (%).
Hasil uji t adalah tolak 𝐻0 sehingga kesimpulan yang diperoleh adalah jumlah uang beredar
(triliun rupiah) berpengaruh secara individu terhadap inflasi (%).

14
Gambar 6. Plot Residual Terhadap Dugaan Hasil Analisis Regresi Spline Kuadratik

Variable N Mean StDev Variance Minimum Median Maximum


RESI1 36 -0.0000 0.3876 0.1503 -0.7661 0.0538 0.9127
Gambar 7. Statistik Deskriptif Residual Analisis Regresi Spline Kuadratik

Berdasarkan Gambar 6 di atas, terlihat bahwa titik titik pada plot sudah menyebar
secara acak sehingga asumsi kehomogenan dalam ragam residual terpenuhi. Kemudian
berdasarkan hasil statistik deskriptif terhadap residual diperoleh nilai rata – rata sebesar 0
yang merupakan dugaan untuk ekpektasi residual itu sendiri, yaitu 0. Sehingga asumsi rata
– rata residual sama dengan 0 juga terpenuhi. Hasil residual regresi spline kuadratik bisa
dilihat di Lampiran 8.
Pemilihan Model Terbaik
Berdasarkan pemaparan hasil regresi linear dan regresi spline kuadratik, diperoleh
nilai R2, dan KTG pada analisis regresi linear sebesar 17.02% dan 2.147. Kemudian nilai
nilai R2, dan KTG pada analisis regresi spline kuadratik sebesar 93.24% dan 0.16525. Maka
model terbaik yang baik digunakan untuk memodelkan data inflasi (%) berdasarkan jumlah
uang beredar (triliun rupiah) adalah model regresi spline kuadratik (p=2) dengan titik knots
2.90, 3.30, dan 3.42.

KESIMPULAN

Kesimpulan
Kesimpulan yang diperoleh dari penelitian ini adalah sebagai berikut :
1. Pada analisis regresi linier sederhana, hasil uji serentak dan uji individu signifikan
tolak 𝐻0 sehingga jumlah uang beredar (triliun rupiah) berpengaruh terhadap inflasi
(%). Kemudian untuk ukuran kebaikan model, diperoleh nilai R2 dan KTG sebesar

15
17.02% dan 2.147. Asumsi normalitas, homogenitas ragam, dan autokorelasi dari
residual regresi telah terpenuhi berdasarkan plot diagnostic residual.
2. Pada analisis regresi spline kuadratik, hasil uji serentak dan uji individu signifikan
tolak 𝐻0 sehingga jumlah uang beredar (triliun rupiah) berpengaruh terhadap inflasi
(%). Kemudian untuk ukuran kebaikan model, diperoleh nilai R2 dan KTG sebesar
93.24% dan 0.16525. Asumsi ekpektasi dari rataan dan homogenitas ragam dari
residual regresi telah terpenuhi berdasarkan nilai rata – rata residual yaitu 0 pada hasil
analisis statistic deskriptif dan plot residual terhadap nilai dugaan.
3. Model terbaik yang digunakan dalam memodelkan data inflasi (%) berdasarkan jumlah
uang beredar (triliun rupiah) adalah model regresi spline kuadratik (p=2) dengan titik
knots 2.90, 3.30, dan 3.42.

Saran
Saran untuk penelitian selanjutnya adalah melakukan perbandingan regresi parametrik
dengan regresi spline pada data yang ukuran dimensinya lebih besar, yaitu banyaknya
peubah predictor lebih dari 1 maupun peubah respon lebih dari 1, agar diketahui seberapa
kuat kebaikan estimasi dari kedua metode tersebut.

DAFTAR PUSTAKA

Eubank R.L. 1999. Nonparametrik Regression and Spline Smoothing Second Edition.
Marcel Dekker:New York.
Griggs W. 2013. Penalized Spline Regression and Its Application. Whitman College.
Litawati E.K., Budiantara I.N. 2013. Pendekatan Regresi Nonparametrik Spline Untuk
Pemodelan Laju Pertumbuhan Ekonomi (LPE) di Jawa Timur. Jurnal Sains dan Seni
POMITS. Vol 2 No 2 (2013). ITS : Surabaya.
Panjaitan M.N.Y, Wardoyo W. 2016. Faktor – Faktor yang Mempengaruhi Inflasi di
Indonesia. Jurnal Ekonomi Bisnis. Vol 21 No 3 (Desember 2016). Universitas
Gunadarma:Jakarta.
Wu, H. and Zhang, J., 2006, Nonparametric Regression Methods for Longitudinal Data
Analysis, New Jersey: John Wiley & Sons, Inc.

16
LAMPIRAN
Lampiran 1. Tabel data studi kasus
Periode Jub (Triliun) Inflasi (%)
2011-01-01 2.436679 7.02
2011-02-01 2.420191 6.84
2011-03-01 2.451357 6.65
2011-04-01 2.434478 6.16
2011-05-01 2.475286 5.98
2011-06-01 2.552784 5.54
2011-07-01 2.564556 4.61
2011-08-01 2.621346 4.79
2011-09-01 2.643331 4.61
2011-10-01 2.677787 4.42
2011-11-01 2.729538 4.15
2011-12-01 2.87722 3.79
2012-01-01 2.854978 3.65
2012-02-01 2.849796 3.56
2012-03-01 2.91192 3.97
2012-04-01 2.927259 4.5
2012-05-01 2.992057 4.45
2012-06-01 3.050355 4.53
2012-07-01 3.054836 4.56
2012-08-01 3.091568 4.58
2012-09-01 3.128179 4.31
2012-10-01 3.164443 4.61
2012-11-01 3.207908 4.32
2012-12-01 3.307508 4.3
2013-01-01 3.268789 4.57
2013-02-01 3.28042 5.31
2013-03-01 3.322529 5.9
2013-04-01 3.360928 5.57
2013-05-01 3.426305 5.47
2013-06-01 3.413379 5.9
2013-07-01 3.506574 8.61
2013-08-01 3.50242 8.79
2013-09-01 3.584081 8.4
2013-10-01 3.576869 8.32
2013-11-01 3.61452 8.37
2013-12-01 3.727887 8.38

17
Lampiran 2. Syntax Program
data1 <- read.csv("D:S2/Semester 2/Analisis Regresi Terapan/jurnal
spline/data.csv", header=TRUE)
data <- data.frame(data1[1:36,]) #data inflasi 2011-2013
plot(data[,1], data[,2], type="b", main="Scatterplot Jumlah Uang Beredar
Terhadap Inflasi")
prediktor<-data[,1]
dataurut<-data[order(prediktor),1:2]

mp<-function(x,eps=1e-006)
{
x<-as.matrix(x)
xsvd<-svd(x)
diago<-xsvd$d[xsvd$d>eps]
if(length(diago)==1)
{
xplus <- as.matrix(xsvd$v[,1])%*%t(as.matrix(xsvd$u[,1])/diago)
}
else
{
xplus <-
xsvd$v[,1:length(diago)]%*%diag(1/diago)%*%t(xsvd$u[,1:length(diago)
])
}
return(xplus)
}

trun<-function(prediktor,knot,orde)
{
prediktor[prediktor<knot]<-knot
b<-(prediktor-knot)^orde
return(b)
}

GCVspline<-function(data)
{
p<-as.numeric(readline("inputkan orde = ")) #orde polinomial
k<-as.numeric(readline("Jumlah titik knot = "))
w<-rep(0,k)
cat("Jumlah Knot = ",k,"\n")
for(i in 1:k)
{
cat("titik knot ke-[",i,"] = ")
w[i]<-as.numeric(readline(" "))
}
kom<-as.numeric(readline("Banyak kombinasi knot = "))
ww<-list(t(combn(w,1)))
cho<-nrow(ww[[1]])
for(i in 2:kom)
{
ww[[i]]<-t(combn(w,i))
cho[i]<-nrow(ww[[i]])
}
GCVmin<-rep(0,kom)
g<-rep(0,kom)
tabelGCV <- NULL
for (z in 1:kom) #looping tiap kombinasi knot ke z
{
cat("HASIL KOMBINASI",z,"TITIK
KNOT\n================================\n")

18
GCV<-rep(0,nrow(ww[[z]]))
MSE<-rep(0,nrow(ww[[z]]))
for(hh in 1:nrow(ww[[z]])) #looping tiap jumlah kombinasi (hh) ke z
{
k<-length(ww[[z]][1,]) #jumlah knots tiap kombinasi ke z
n<-nrow(data)
prediktor<-data[,1]
dataurut<-data[order(prediktor),1:2]
x<-dataurut[,1]
y<-dataurut[,2]
d1<-rep(0,p+1) #p=8
d2<-rep(1,k) #k=jumlah knots tiap kombinasi ke z
d<-c(d1,d2)
D<-diag(d) #membuat matriks diagonal berdasarkan d
X1<-matrix(0,n,p+1) #membuat matriks X polinomial
X1[,1] <- 1
for(i in 1:p)
{
X1[,i+1] <- x^i
}
X2<-matrix(0,n,k)
for(i in 1:k)
{
X2[,i] <- trun(x,ww[[z]][hh,i],p)
}
X<-cbind(X1,X2)
betatopi<-mp(t(X)%*%X)%*%t(X)%*%y
ytopi<-X%*%betatopi
H<-X%*%mp(t(X)%*%X)%*%t(X)
MSE[hh]<-(t(y-ytopi)%*%(y-ytopi))/n
GCV[hh]<-MSE[hh]/(1-((1/n)*sum(diag(H))))^2
cat("nilai kombinasi",ww[[z]][hh,],"\n")
cat("dengan GCV sebesar ",GCV[hh],"\n")
cat("dan MSE sebesar ",MSE[hh],"\n")
}
tabel1 <- cbind(ww[[z]],GCV)
tabelGCV <- c(tabelGCV, tabel1)
GCVmin[z]<-min(GCV)
g[z]=GCVmin[z]
cat(" Nilai GCV minimum berdasarkan hasil di atas = ",GCVmin[z],
"\n================================\n")
}
cat("\n======================================\n")
print(ww)
cat("\n======================================\n\n")
cat("\n======================================\n")
cat("\t\tNilai GCV berdasarkan kombinasi\t\t\n")
cat("======================================\n")
print(tabelGCV)
ming<-min(g)
cat("GCV Min=",ming,"\n")
}

spline=function(data)
{
p=as.numeric(readline("Inputkan orde="))
k=as.numeric(readline("Inputkan jumlah knot="))
n=nrow(data)
prediktor=data[,1]
dataurut=data[order(prediktor),1:2]
x=dataurut[,1]

19
y=dataurut[,2]
w=rep(0,k)
cat("Jumlah Knot=",k,"\n")
for(i in 1:k)
{
cat("Titik knot[",i,"] =")
w[i]=as.numeric(readline(" "))
}
X1<-matrix(0,n,p+1) #membuat matriks X polinomial
X1[,1] <- 1
for(i in 1:p)
{
X1[,i+1] <- x^i
}
X2<-matrix(0,n,k)
for(i in 1:k)
{
X2[,i] <- trun(x,w[i],p)
}
X<-cbind(X1,X2)
betatopi=mp(t(X)%*%X)%*%t(X)%*%y
ytopi=X%*%betatopi
H=X%*%mp(t(X)%*%X)%*%t(X)
residual <- y-ytopi
MSE=(t(residual)%*%(residual))/n
GCV=MSE/(1-((1/n)*sum(diag(H))))^2
JKT=t(y-(mean(y)))%*%(y-(mean(y)))
JKG=t(residual)%*%(residual)
R2=1-(JKG/JKT)
for(i in 1:(p+1+k))
{
cat("Nilai betatopi[ ",i,"]=",format(betatopi[i]),"\n")
}
cat("Nilai MSE= ",MSE,"\n")
cat("Nilai GCV= ",GCV,"\n")
cat("Nilai R2= ",R2,"\n")
plot(x,y,xlab="Usia",ylab="Inflasi (%)",type="p")
lines(x,ytopi,xlab="Jumlah Uang Beredar (triliun
rupiah)",col="red",lwd=3)
title(main="PLOT JUB TERHADAP INFLASI")
}

20
Lampiran 3. Tabel GCV Berdasarkan Kombinasi Knot dan Orde 2
Kombinasi knots GCV
2.6 0.4378118
2.85 0.4314453
2.9 0.4323638
3.3 0.4186169
3.42 0.3602768
3.5 0.3218524
2.60;2.85 0.4593792
2.60;2.90 0.459375
2.60;3.30 0.4394472
2.60;3.42 0.3806861
2.60;3.50 0.3389236
2.85;2.90 0.4596283
2.85;3.30 0.4438364
2.85;3.42 0.3838925
2.85;3.50 0.3428823
2.90;3.30 0.4451428
2.90;3.42 0.3833318
2.90;3.50 0.342813
3.30;3.42 0.2945063
3.30;3.50 0.2975722
3.42;3.50 0.3112091
2.60;2.85;2.90 0.4904792
2.60;2.85;3.30 0.4671382
2.60;2.85;3.42 0.3957634
2.60;2.85;3.50 0.3526035
2.60;2.90;3.30 0.4655003
2.60;2.90;3.42 0.3912788
2.60;2.90;3.50 0.3489207
2.60;3.30;3.42 0.2694505
2.60;3.30;3.50 0.2823213
2.60;3.42;3.50 0.3116885
2.85;2.90;3.30 0.4578242
2.85;2.90;3.42 0.376613
2.85;2.90;3.50 0.3360914
2.85;3.30;3.42 0.2423809
2.85;3.30;3.50 0.2673549
2.85;3.42;3.50 0.3133427
2.90;3.30;3.42 0.2379566
2.90;3.30;3.50 0.2665005
2.90;3.42;3.50 0.3161413
;3.30;3.42;3.50 0.3129079
2.60;2.85;2.90;3.30 0.4899097
2.60;2.85;2.90;3.42 0.4027899
2.60;2.85;2.90;3.50 0.3594864

21
2.60;2.85;3.30;3.42 0.2582416
2.60;2.85;3.30;3.50 0.2860546
2.60;2.85;3.42;3.50 0.332707
2.60;2.90;3.30;3.42 0.254462
2.60;2.90;3.30;3.50 0.2850331
2.60;2.90;3.42;3.50 0.3331408
2.60;3.30;3.42;3.50 0.288275
2.85;2.90;3.30;3.42 0.2531697
2.85;2.90;3.30;3.50 0.2851908
2.85;2.90;3.42;3.50 0.32998
2.85;3.30;3.42;3.50 0.2587211
2.90;3.30;3.42;3.50 0.2533893
2.60;2.852.9;3.30;3.42 0.2709533
2.60;2.852.9;3.30;3.50 0.3056147
2.60;2.852.9;3.42;3.50 0.3539702
2.60;2.853.3;3.42;3.50 0.2760696
2.60;2.903.3;3.42;3.50 0.2714776
2.85;2.903.3;3.42;3.50 0.269645
2.6;2.85;2.9;3.3;3.42;3.5 0.2892502

22
Lampiran 4. Tabel GCV Berdasarkan Kombinasi Knot dan Orde 3
Kombinasi knots GCV
2.6 0.4197717
2.85 0.4469488
2.9 0.4468123
3.3 0.3850996
3.42 0.3469925
3.5 0.3482599
2.60;2.85 0.4472902
2.60;2.90 0.447207
2.60;3.30 0.3851797
2.60;3.42 0.3472929
2.60;3.50 0.3488896
2.85;2.90 0.4499826
2.85;3.30 0.3828154
2.85;3.42 0.3485444
2.85;3.50 0.3295285
2.90;3.30 0.3205144
2.90;3.42 0.2979556
2.90;3.50 0.3250656
3.30;3.42 0.3132989
3.30;3.50 0.3612513
3.42;3.50 0.3702539
2.60;2.85;2.90 0.4649554
2.60;2.85;3.30 0.3300684
2.60;2.85;3.42 0.3039251
2.60;2.85;3.50 0.3280589
2.60;2.90;3.30 0.3166484
2.60;2.90;3.42 0.2953783
2.60;2.90;3.50 0.3237072
2.60;3.30;3.42 0.3143004
2.60;3.30;3.50 0.3623141
2.60;3.42;3.50 0.3706584
2.85;2.90;3.30 0.2789505
2.85;2.90;3.42 0.2728631
2.85;2.90;3.50 0.3133002
2.85;3.30;3.42 0.3237038
2.85;3.30;3.50 0.3689226
2.85;3.42;3.50 0.3576997
2.90;3.30;3.42 0.3256354
2.90;3.30;3.50 0.3376953
2.90;3.42;3.50 0.3367016
;3.30;3.42;3.50 0.3350765
2.60;2.85;2.90;3.30 0.2745493
2.60;2.85;2.90;3.42 0.2831075
2.60;2.85;2.90;3.50 0.3335533

23
2.60;2.85;3.30;3.42 0.3194816
2.60;2.85;3.30;3.50 0.3449097
2.60;2.85;3.42;3.50 0.30848
2.60;2.90;3.30;3.42 0.3140449
2.60;2.90;3.30;3.50 0.3344439
2.60;2.90;3.42;3.50 0.3009006
2.60;3.30;3.42;3.50 0.3346115
2.85;2.90;3.30;3.42 0.2907416
2.85;2.90;3.30;3.50 0.2987752
2.85;2.90;3.42;3.50 0.2848398
2.85;3.30;3.42;3.50 0.3456527
2.90;3.30;3.42;3.50 0.3147527
2.60;2.852.9;3.30;3.42 0.3089152
2.60;2.852.9;3.30;3.50 0.3338156
2.60;2.852.9;3.42;3.50 0.3140196
2.60;2.853.3;3.42;3.50 0.3316711
2.60;2.903.3;3.42;3.50 0.32405
2.85;2.903.3;3.42;3.50 0.293037
2.6;2.85;2.9;3.3;3.42;3.5 0.3237642

24
Lampiran 5. Tabel GCV Berdasarkan Kombinasi Knot dan Orde 4
Kombinasi knots GCV
2.6 0.4335609
2.85 0.428144
2.9 0.4252488
3.3 0.359514
3.42 0.350551
3.5 0.3642648
2.60;2.85 0.397754
2.60;2.90 0.3874718
2.60;3.30 0.2989327
2.60;3.42 0.3208365
2.60;3.50 0.3498039
2.85;2.90 0.3623801
2.85;3.30 0.2905799
2.85;3.42 0.3204894
2.85;3.50 0.3521869
2.90;3.30 0.2887407
2.90;3.42 0.3215474
2.90;3.50 0.3538822
3.30;3.42 0.3582599
3.30;3.50 0.3593987
3.42;3.50 0.3510921
2.60;2.85;2.90 0.3766256
2.60;2.85;3.30 0.3047916
2.60;2.85;3.42 0.342872
2.60;2.85;3.50 0.3721582
2.60;2.90;3.30 0.3051764
2.60;2.90;3.42 0.3431955
2.60;2.90;3.50 0.3720238
2.60;3.30;3.42 0.3024448
2.60;3.30;3.50 0.3002525
2.60;3.42;3.50 0.3242939
2.85;2.90;3.30 0.2900329
2.85;2.90;3.42 0.3409626
2.85;2.90;3.50 0.3473183
2.85;3.30;3.42 0.2949582
2.85;3.30;3.50 0.2920151
2.85;3.42;3.50 0.3244026
2.90;3.30;3.42 0.2937636
2.90;3.30;3.50 0.2903621
2.90;3.42;3.50 0.3256387
;3.30;3.42;3.50 0.3581783
2.60;2.85;2.90;3.30 0.3049894
2.60;2.85;2.90;3.42 0.3408775
2.60;2.85;2.90;3.50 0.3636962

25
2.60;2.85;3.30;3.42 0.3122105
2.60;2.85;3.30;3.50 0.3075368
2.60;2.85;3.42;3.50 0.3468411
2.60;2.90;3.30;3.42 0.3123805
2.60;2.90;3.30;3.50 0.3077211
2.60;2.90;3.42;3.50 0.3470514
2.60;3.30;3.42;3.50 0.3036484
2.85;2.90;3.30;3.42 0.315035
2.85;2.90;3.30;3.50 0.2914764
2.85;2.90;3.42;3.50 0.3441444
2.85;3.30;3.42;3.50 0.2961728
2.90;3.30;3.42;3.50 0.2951091
2.60;2.852.9;3.30;3.42 0.3120907
2.60;2.852.9;3.30;3.50 0.3075242
2.60;2.852.9;3.42;3.50 0.3446203
2.60;2.853.3;3.42;3.50 0.3136594
2.60;2.903.3;3.42;3.50 0.3138798
2.85;2.903.3;3.42;3.50 0.3161104
2.6;2.85;2.9;3.3;3.42;3.5 0.313581

26
Lampiran 6. Output Regresi Spline Ordo 2, 3, dan 4
Inputkan orde=2
Inputkan jumlah knot=3
Jumlah Knot= 3
Titik knot[ 1 ] =
2.90
Titik knot[ 2 ] =
3.3
Titik knot[ 3 ] =
3.42
Nilai betatopi[ 1 ]= 149.8946
Nilai betatopi[ 2 ]= -103.444
Nilai betatopi[ 3 ]= 18.32332
Nilai betatopi[ 4 ]= -19.91359
Nilai betatopi[ 5 ]= 91.04965
Nilai betatopi[ 6 ]= -144.8164
Nilai MSE= 0.1652477
Nilai GCV= 0.2379566
Nilai R2= 0.9323936
Inputkan orde=3
Inputkan jumlah knot=3
Jumlah Knot= 3
Titik knot[ 1 ] =
2.85
Titik knot[ 2 ] =
2.9
Titik knot[ 3 ] =
3.42
Nilai betatopi[ 1 ]= 105.145
Nilai betatopi[ 2 ]= -46.58158
Nilai betatopi[ 3 ]= -5.498478
Nilai betatopi[ 4 ]= 3.293912
Nilai betatopi[ 5 ]= -246.8757
Nilai betatopi[ 6 ]= 275.456
Nilai betatopi[ 7 ]= -233.2316
Nilai MSE= 0.1894883
Nilai GCV= 0.2728631
Nilai R2= 0.9224763

Inputkan orde=4
Inputkan jumlah knot=2
Jumlah Knot= 2
Titik knot[ 1 ] =
2.90
Titik knot[ 2 ] =
3.30
Nilai betatopi[ 1 ]= 152.5865
Nilai betatopi[ 2 ]= 23.59424
Nilai betatopi[ 3 ]= -126.9318
Nilai betatopi[ 4 ]= 54.62966
Nilai betatopi[ 5 ]= -6.81206
Nilai betatopi[ 6 ]= 60.08963
Nilai betatopi[ 7 ]= -332.9901
Nilai MSE= 0.2005144
Nilai GCV= 0.2887407
Nilai R2= 0.9179653

27
Lampiran 7. Output Residual Analisis Regresi Linier Sederhana
No RESI 1
1 2.458684
2 2.306009
3 2.064358
4 1.602331
5 1.354701
6 0.786266
7 -0.16324
8 -0.07736
9 -0.29379
10 -0.5409
11 -0.89666
12 -1.50141
13 -1.60455
14 -1.68596
15 -1.37892
16 -0.87434
17 -1.03173
18 -1.04834
19 -1.02577
20 -1.06664
21 -1.39732
22 -1.15742
23 -1.51945
24 -1.70451
25 -1.37035
26 -0.64962
27 -0.12941
28 -0.52305
29 -0.73139
30 -0.27997
31 2.27558
32 2.462465
33 1.937131
34 1.869083
35 1.856685
36 1.678805

28
Lampiran 8. Output Residual Analisis Regresi Spline Kuadratik

No RESI 1
1 -0.0261
2 -0.499
3 0.39219
4 0.2259
5 -0.1289
6 0.30782
7 -0.5083
8 0.14997
9 0.12337
10 0.13816
11 0.09399
12 -0.3503
13 -0.2659
14 -0.1612
15 -0.0697
16 0.41779
17 0.19662
18 0.13403
19 0.15352
20 0.08976
21 -0.2595
22 -0.0337
23 -0.4072
24 -0.2641
25 0.45684
26 -0.601
27 0.93517
28 0.25862
29 -0.311
30 -1.0326
31 0.90836
32 0.67156
33 -0.29
34 -0.2479
35 -0.3747
36 0.17749

29