Safarin Zurimi1)
1)
Dosen Prodi Matematika, FKIP Universitas Darussalam Ambon
Email : arhin_masudi@yahoo.co.id
ABSTRAK
PENDAHULUAN
Model regresi merupakan komponen penting dalam beberapa analisis data dengan
menggambarkan hubungan antara variabel respon dengan satu atau beberapa variabel
prediktor. Misalkan adalah variabel respon dan adalah variabel
prediktor, untuk buah pengamatan, secara umum hubungan antara
dan dapat ditulis sebagai berikut :
Dengan adalah kesalahan random dan merupakan
kurva regresi (Otok,dkk., 2006).
Untuk mengestimasi kurva atau parameter regresi, ada dua pendekatan yaitu
pendekatan regresi parametrik dan pendekatan regresi nonparametrik. Beberapa penelitian
menunjukkan model dengan pendekatan regresi nonparametrik secara adaptive banyak
diminati. Salah satunya, yaitu model Multivariate Adaptive Regression Spline (MARS).
Menurut Friedman (1991), model MARS merupakan kombinasi yang kompleks
dari spline dan recursive partition regression (RPR). Model MARS mampu mengatasi
21
Prosiding SEMNAS Matematika & Pendidikan Matematika IAIN Ambon ISBN 9 786025 185700
Ambon, 09 Februari 2018
kelemahan RPR dan regresi spline yaitu mampu menghasilkan model yang kontinyu pada
knot dan secara otomatis mampu menentukan banyaknya knot sekaligus.
Penerapan MARS pada umumnya digunakan untuk menyelesaikan dua
permasalahan utama dalam statistika, yaitu respon kontinu dan respon kategorik (biner).
Pada respon kontinu, beberapa penelitian yang telah dilakukan diantaranya dapat dilihat
pada Leathwik, dkk., (2006), Otok, dkk., (2008), Balshi, dkk.,(2009), Adamoski, dkk.,
(2012). Sedangkan pada respon kategorik (biner) beberapa penelitian yang telah dilakukan
diantaranya dapat dilihat pada Sephton (2001), Xiang & Meullenet (2002), Aziz (2005),
Otok (2009).
Menurut Aziz (2005), model MARS untuk data dengan variabel respon biner saat
ini masih dalam taraf pengembangan karena masih memerlukan sejumlah batasan-batasan.
Aziz (2005) menerapkan MARS untuk data respon biner dalam pemodelan resesi di
Indonesia, dalam mengestimasi koefisien fungsi - fungsi basis digunakan metode least
square (kuadrat terkecil) dan memperlihatkan hasil yang menjanjikan untuk peramalan
resesi di dalam contoh. Sedangkan peramalan di luar contoh model MARS dapat membantu
tetapi secara umum tidak memberikan hasil yang tepat. Metode lain yang dapat digunakan
untuk mengestimasi parameter pada model MARS dengan respon biner adalah maximum
likelihood. Menurut Otok (2009), metode estimasi maximum likelihood pada model MARS
dengan respon biner merupakan salah satu metode penaksiran yang memenuhi kriteria
penaksir yang baik. Sifat-sifat penaksir likelihood antara lain konsisten, berdistribusi
normal, dan efisien. Berdasarkan beberapa penelitian terdahulu dan pendapat yang
dikemukakan Aziz (2005), maka pada penelitian ini akan diteliti estimasi parameter model
MARS dengan respon biner menggunakan metode Generalized Least Square (GLS) dan
Ordinary Least Square (OLS). Adapun tujuan dari penelitian adalah menaksir parameter
model MARS dengan respon biner menggunakan metode GLS dan OLS.
METODE PENELITIAN
22
Prosiding SEMNAS Matematika & Pendidikan Matematika IAIN Ambon ISBN 9 786025 185700
Ambon, 09 Februari 2018
HASIL PENELITIAN
Penaksiran parameter pada Model MARS dengan Respon Biner menggunakan Metode
GLS
dengan asumsi ■
Untuk memenuhi asumsi variansi konstan, maka kedua ruas pada Persamaan (1.1) dikalikan
dari kiri dengan , sehingga menjadi :
(1.3)
(1.4)
dimana
sehingga,
■ (1.5)
Dengan demikian ,
Karena , maka ditulis sebagai berikut :
)
■ (1.6)
Jadi Persamaan (1.1) memiliki variansi konstan ■
Selanjutnya akan dilakukan penaksiran parameter dan penaksiran matriks varians
kovarians dari sebagai berikut :
Penaksir parameter
Berdasarkan Persamaan (1.3),
sehingga diperoleh :
■ (1.7)
Misalkan
23
Prosiding SEMNAS Matematika & Pendidikan Matematika IAIN Ambon ISBN 9 786025 185700
Ambon, 09 Februari 2018
■
Selanjutnya,
(1.8)
kedua ruas pada Persamaan (1.8) dikalikan dengan
(1.9)
Karena , maka Persamaan (1.9) dapat ditulis sebagai berikut :
■
Jadi,
■ (1.10)
Persamaan (1.10) adalah taksiran Generalized Least Square untuk
■ (1.11)
Oleh karena itu,
Sehingga :
(1.12)
Pada Persamaan (1.12), merupakan matriks varians – kovarians dari ■
Untuk menyelidiki sifatnya, pandang kembali model umum MARS dengan respon
biner pada persamaan (1.2). disini dianggap bahwa bebas satu sama lain dan
. Dengan demikian maka
Dengan demikian, sifat dengan metode Generalized Least square adalah :
Tak Bias,
jika maka adalah penduga tak bias untuk
dari persamaan (1.11) dapat dibuktikan :
karena maka :
24
Prosiding SEMNAS Matematika & Pendidikan Matematika IAIN Ambon ISBN 9 786025 185700
Ambon, 09 Februari 2018
Konsisten,
yaitu dengan meningkatnya ukuran sampel secara tak terbatas, penaksir mengarah
ke nilai populasi yang sebenarnya. Jika adalah sebuah estimator berdasarkan
sampel random yang besarnya n, maka adalah konsisten untuk jika :
Varians Minimum,
jika maka matriks kovarians untuk diberikan oleh .
Jika dan maka mempunyai varians minimum diantara
semua penduga tak bias linier.
Bukti :
Penaksiran Parameter pada Model MARS dengan Respon Biner menggunakan Metode
OLS
Misalkan diberikan sejumlah sampel maka untuk mendapatkan nilai taksiran dari
parameter dilakukan dengan meminimumkan nilai dari atau dapat dituliskan
dalam bentuk fungsi sebagai berikut :
yang dapat diminimumkan dengan mencari turunan parsial pertama dari fungsi terhadap
dan menyamakan dengan nol
diperoleh,
Persamaan (1.14) di atas merupakan persamaan normal. Dengan mengalikan kedua ruas
dengan diperoleh estimator OLS untuk parameter sebagai berikut
■ (1.15)
25
Prosiding SEMNAS Matematika & Pendidikan Matematika IAIN Ambon ISBN 9 786025 185700
Ambon, 09 Februari 2018
■ (1.16)
Oleh karena itu,
sehingga :
(1.17)
Pada Persamaan (1.17), merupakan matriks varians – kovarians dari ■
Jadi, sifat dengan metode Ordinary Least square adalah :
Tak Bias,
jika maka adalah penduga tak bias untuk
dari persamaan (1.16) dapat dibuktikan :
karena maka :
Konsisten,
yaitu dengan meningkatnya ukuran sampel secara tak terbatas, penaksir mengarah
ke nilai populasi yang sebenarnya. Jika adalah sebuah estimator berdasarkan
sampel random yang besarnya n, maka adalah konsisten untuk jika :
PEMBAHASAN
26
Prosiding SEMNAS Matematika & Pendidikan Matematika IAIN Ambon ISBN 9 786025 185700
Ambon, 09 Februari 2018
diantaranya adalah tak bias, konsisten dan varians minimum. Dengan demikian, Penaksir
tersebut memenuhi sifat Best Linier Unbiased Estimation (BLUE) sehingga diperoleh
model terbaik. Sedangkan estimasi parameter model MARS dengan respon biner
menggunakan metode OLS dihasilkan sifat-sifat penaksir diantaranya adalah tak bias,
konsisten dan varians tidak lagi minimum, hal ini disebabkan kehadiran heteroskedastisitas
sehingga metode OLS menjadi tidak efisien walaupun parameter yang diperoleh tetap tidak
bias dan konsisten. Tetapi penyimpangan yang muncul dalam analisis regresi pada model
MARS dengan respon bukan hanya terkait dengan pelanggraran asumsi-asumsi dasar OLS
menyangkut variabel-variabel bebas melainkan juga dapat ditimbulkan oleh kekeliruan
dalam menspesifikasikan model yang akan ditaksir dan kesalahan dalam mengukur
variabel. Metode OLS yang mengandung kasus heteroskedastisitas akan menyebabkan
berubahnya beberapa sifat penaksir OLS sehingga tidak lagi bersifat BLUE.
DAFTAR RUJUKAN
Adamowski, J., Hiu Fung Chan., Shivo,Prasher., & Vishwa Nath Sharda. (2012).
Comparison of Multivariate Adaptive Regression Splines with Coupled Wavelet
Transform Artificial Neural Networks for Runoff Forecasting in Himalaya
Micro-Watersheds with Limited Data. Journal of Hydroinformatics.143. IWA
Publishing
Aziz, Azwirda.(2005). Penggunaan regresi spline adaptiv berganda untuk data respon
biner. Tesis. Bogor : Sekolah Pascasarjana Institut Pertanian Bogor
Balshi,M.S., McGuire, A.D., Duffy, P., Flanning, M., Walsh, J., & Melillo, J. (2009).
Assessing the response of area burned to changing climate in western boreal
North America using a Multivariate Adaptive Regression Splines (MARS)
approach. Global Change Biology (15) 2: 578 - 600. www.elsevier.com
Friedman, J.H,.(1991). Multivariate Adaptive Regression Splines, The Annals of Statistics.
19(1) : 1-14
Leathwick,J.R.,Rowe,D., Richardson, J., Elith,J., & Hasti, T. (2006). Using multivariate
adaptive regression spline to predict the distributions of New Zealand’s
freswater diadromous fish. Journal homepage:
www.elsevier.com/locate/ecolmodel. 50, 2034-2052
Otok, B.W., Subanar., & Guritno,S. (2006). Optimize Knot and Basis Function at
Truncated Spline and Multivariate Adaptive Regression Splines. Proceedings of
The First International Conference on Mathematics and Statistics (ICoMS-1).
Bandung, West Java. Indonesia.
Otok, B.W.,Guritno,Suryo & Subanar. (2008). Asimtotik Model Multivariate Adaptive
Regression Spline. Jurnal Natur Indonesia 10(2) : 112-119.
27
Prosiding SEMNAS Matematika & Pendidikan Matematika IAIN Ambon ISBN 9 786025 185700
Ambon, 09 Februari 2018
Otok, B.W. (2009). Konsistensi dan Asimtotik Normalitas Model Multivariate Adaptive
Regression Spline (MARS) Respon Biner. Jurnal Ilmu Dasar, 10(2) : 133-140
Sephton P. (2001). Forecasting recessions: can we do better on MARS ?. Hydrological
sciences Journal 53 (6), 1165-1175.
Xiang R. & Meullenet JF. (2002). Comparasion of Logistic Regression and MARS in
modeling the effects of water activity, pH and potassium sorbate on growth – no
growth of Saccharomyces cerevisiae. Food Science Department. University of
Arkansan. www.elsevier.com
LAMPIRAN
Generalized Least
Square
28