Fungsi atau kode pada lingkungan R adalah case sensitif, artinya penggunaan
huruf besar atau kecil sangat berpengaruh. Misal jika fungsi adalah setwd() ditulis
dengan huruf kecil maka perintah yang ditulis dengan SETWD() atau SetWD() tidak
akan dikenali oleh lingkungan R. Hal ini juga berpengaruh pada penulisan sintaks
program atau penulisan fungsi. Fungsi pada lingkungan R memiliki akhiran (). Tanda ()
dapat berisi parameter, seperti contoh berikut ini:
> setwd("C:/Users/NamaUser/Downloads")
> print("hello world")
R menyediakan bantuan atau manual penggunaan. Untuk mengakses halaman
bantuan atau manual tersebut dapat menggunakan fungsi berikut ini.
> help.start()
Selain itu fungsi help() dapat digunakan untuk memberikan bantuan guna
mengetahui penggunaan suatu perintah.
> help(ls)
R Studio
, , 2
, , 3
> a = c(11,21,30,43)
> b = c("green", "yellow", "white", "red")
> c = c(TRUE,FALSE,TRUE,FALSE)
> data_frame = data.frame(a,b,c)
> names(data_frame) = c("ID","Color","Passed")
> data_frame
ID Color Passed
1 11 green TRUE
2 21 yellow FALSE
3 30 white TRUE
4 43 red FALSE
g. List
Fungsi list() dapat digunakan untuk membuat variabel yang terdiri dari
banyak objek dengan tipe data yang beragam. Contoh pembuatan list seperti di
bawah ini.
> colors = c("green", "yellow", "red")
> int_numbers = c(1,21,3,43)
> list_data <- list(colors, int_numbers, TRUE, 51.23, 119.1)
> print(list_data)
[[1]]
[1] "green" "yellow" "red"
[[2]]
[1] 1 21 3 43
[[3]]
[1] TRUE
[[4]]
[1] 51.23
[[5]]
[1] 119.1
REGRESI NONPARAMETRIK: SPLINE TRUNCATED
A. Regresi Parametrik
Analisis regresi merupakan salah satu teknik statistik yang digunakan secara luas
dalam ilmu pengetahuan terapan. Disamping digunakan untuk mengetahui bentuk
hubungan antara 2 variabel atau lebih, regresi juga dapat dipergunakan untuk
peramalan. Variabel-variabel dalam regresi ada 2 jenis yaitu variabel independen
(variabel prediktor/variabel bebas/variabel yang menerangkan) dan variabel dependen
(variabel respon/variabel terikat/ variabel yang diterangkan).
Jika pola datanya membentuk pola tertentu misalnya berpola garis lurus,
eksponensial, atau yang lainnya, maka pendekatan regresinya menggunakan regresi
parametrik. Dalam kasus parame trik, metode kuadrat terkecil biasa digunakan untuk
mencocokkan garis-garis regresi dengan data sampel yang teramati, dan peng ambilan
kesimpulan yang menyangkut parameter populasi berlandaskan pada asumsi-asumsi
yang harus dipenuhi. Apabila asumsi-asumsi ini dapat dipenuhi, maka prosedur-
prosedur kesimpulan parametrik dapat digunakan. Namun demikian, jika asumsi-
asumsi tersebut dilanggar, penerapan prosedur kesimpulan parametrik akan
menyesatkan. Untuk mengatasi hal tersebut maka prosedur nonparametrik digunakan
sebagai penggantinya. Adapun asumsi yang harus dipenuhi dalam model parametrik
adalah error menyebar NID ¿).
B. Regresi Nonparametrik
Pada prinsipnya pendekatan nonparametrik dilakukan untuk memodelkan data
yang tidak diketahui bentuk fungsinya. Jenis data yang fluktuatif dan tidak
membentuk suatu pola hubungan tertentu akan sulit didekati dengan regresi
parametrik sehingga pendekatan nonparametrik merupakan pendekatan yang paling
tepat digunakan dalam hal ini. Kurva regresi berdasarkan pendekatan nonparametrik
ini diwakili oleh model yang disebut regresi nonparametrik. Dalam regresi
nonparametrik tidak mengharuskan adanya asumsi yang ketat seperti halnya pada
regresi parametrik.
Meskipun regresi nonparametrik merupakan regresi untuk mengatasi pemodelan
data yang tidak membentuk pola hubungan tertentu, akan tetapi model regresi
nonparametrik tetap dapat di gunakan untuk memodelkan data yang berbentuk apa
saja, baik linier maupun nonlinier dikarenakan tidak adanya asumsi yang harus
dipenuhi. Model regresi nonparametrik secara matematis dapat ditulis:
Y i=m ( x i ) +ε i
Dengan ε i adalah galat yang diasumsikan terdistribusi di sekitar 0, m(x) adalah
sebuah fungsi yang mewakili perilaku intrinsik dari data. Ada beberapa teknik
pendugaan m(x) dalam regresi nonparametrik yakni metode Kernel, Spline,
Polinomial Lokal, Deret Fourier, dan Wavelet.
C. Regresi Nonparametrik Spline Truncated
Regresi spline merupakan model regresi yang mempunyai interpretasi statistik
dan visual sangat khusus dan sangat baik disamping itu juga mampu menangani
karakter data yang mulus (smooth). Spline dalam regresi nonparametrik mempunyai
sifat fleksibel dan mempunyai kemampuan mengestimasi perilaku data yang
cenderung berbeda pada interval yang berlainan (Eubank, 1999 dan Budiantara,
2005). Spline merupakan potongan (truncated) polinomial tersegmen yang kontinu,
sehingga memiliki kemampuan menyesuaikan diri lebih efektif dari karakteristik data.
Secara umum fungsi spline keluarga polinomial truncated berorder (m+1)
didefinisikan sebagai fungsi dengan titik-titik knot ξ 1 ,ξ 2 , … , ξk (a<ξ 1 <ξ 2< …<ξ k <b)
yang disajikan dalam bentuk sebagai berikut:
m k
f (x)=∑ β j x + ∑ β j+ m ( x−ξ j )+¿ ¿
j
m
j=0 j =1
Dalam hal ini koefisien β j , merupakan konstanta yang bernilai real dengan
j=0 , 1, … , m−1 , m, m+1 ,… ,k + m. Biasanya a diambil dari nilai minimum x dan b
diambil dari nilai maksimum x. Penyajian fungsi spline dengan titik knot memiliki
interpretasi matematika dan statistika yang baik dan sederhana. Persoalan optimasi
yang digunakan dapat menggunakan metode optimasi least square biasa.
Jika diberikan pilihan untuk knot ∏ ¿ {ξ 1 , … , ξ k }maka f(x) dapat diestimasi
dengan mengestimasi koefisien persamaan fungsi spline. Salah satu metode yang
memenuhi pendekatan ini adalah dengan menggunakan least square spline (Eubank,
1999). Apabila diberikan model nonparametrik:
y i=f ( x i) + ε i
dengan i=1,2 , ...dan ε i merupakan residual dengan mean nol dan varian σ 2, bentuk
umum regresi spline keluarga polinomial truncated order ke-(m+1) dengan satu
variabel prediktor adalah:
m k
y=∑ β j x + ∑ β j+m+1 (x−ξ j )+¿ + ε ¿
j
m
j=0 j=1
Spline Multivariabel
y i=f 1 ( x1 i ) + f 2 ( x 2 i ) +…+ f p ( x pi ) + ε i
p
y i=∑ f l ( x li ) + ε i
l =1
m r
f ( x li )=∑ akl x kli + ∑ βlj ( xli −K jl )+¿ ¿ m
k=0 j=1
p
y i=∑ ¿¿
l =1
p p
y i=∑ a0 l x li +∑ ¿ ¿
0
l =1 l=1
p m p r
y i=a00+ ∑ ∑ a kl xli + ∑ ∑ β lj ( x li −K jl )+¿ +ε i ¿
k
m
Dengan
( x li −K jl )
{( }
m
m xli −K jl ) , xli −K jl ≥0
+¿ = ¿
0 ,x li −K jl <0
Fungsi penduga dari f(x) untuk regresi spline multivariabel dengan p variabel
prediktor, orde setiap variabel adalah (m+1) dan banyaknya titik knot setiap variabel
adalah r.
^f ( x )=X β^
П П П
−1
¿ X П ( X TП X П ) X TП Y =H П Y
−1
Dengan H П =X П ( X TП X П ) X TП matriks simetris dan definit positif (Eubank,
1999).
2. Metode CV
Metode CV adalah suatu metode untuk memilih titik-titik knot dengan
meminimalkan CV.
n
CV ( Π ) =∑ ( y i −f^ Π (i) )
2
i=1
3. Metode GCV
Metode GCV adalah suatu metode untuk memilih titik-titik knot dengan
meminimalkan GCV.
−1
n RSS ( Π )
GCV ( Π )= 2
( n−1 trace [ I −H ( Π ) ] )
Ada beberapa aturan dalam menempatkan posisi knot antara lain:
1. Untuk spline linier (orde 2 atau m-1), tempatkan knot pada titik dimana terjadi
perubahan slope data.
2. Untuk spline kuadratik (orde 3 atau m=2) tempatkan knot dekat maksimum,
minimum atau titik perubahan pada data.
3. Untuk spline kubik (orde 4 atau m=3) , susun knot agar dekat titik perubahan
pada data dan tidak lebih dari satu titik ekstrim (maksimum atau minimum)
dan satu titik perubahan terjadi diantara dua titik knot.
REGRESI SPLINE UNIVARIAT DENGAN R STUDIO
Akan dilakukan pemodelan regresi non parametrik Spline terhadap data harga mobil
Toyota (Price) sebagai variabel Y dan jarak tempuh yang digunakan (Mileage) sebagai
varaibel X yang bersumber dari website https://www.kaggle.com. Data yang digunakan
berjumlah 64 data, yaitu sebagai berikut:
Price Mileage Price Mileage Price Mileage
No No No
(Y) (X) (Y) (X) (Y) (X)
1 16000 24089 23 26995 2680 45 23995 1557
2 15995 18615 24 17000 14345 46 17500 14000
3 13998 27469 25 19995 15525 47 23997 4500
4 18998 14736 26 31000 3000 48 17102 21000
5 17498 36284 27 15995 19460 49 24995 2488
6 15998 26919 28 18490 31231 50 19995 26000
7 18522 10456 29 24990 339 51 29769 999
8 18995 12340 30 13981 30500 52 25850 4442
9 27998 516 31 13991 38126 53 13495 24667
10 13990 37999 32 27060 3348 54 18495 13930
11 10495 72000 33 20695 5260 55 25499 614
12 17990 12597 34 25999 100 56 18621 18544
13 16995 36100 35 11575 50584 57 25121 7056
14 23995 995 36 20995 6445 58 17500 11898
15 18498 35228 37 14999 18389 59 11599 28335
16 23980 1751 38 27000 100 60 17249 10089
17 17995 16444 39 15000 28321 61 25995 3250
18 12998 25499 40 22200 16241 62 13000 39761
19 23495 3934 41 24990 3150 63 17250 19420
20 25780 5123 42 25995 8912 64 27950 489
21 26995 1500 43 19500 9639
22 23998 913 44 18250 20219
HASIL RUNNING
> gcv1(x,y,3)
Untuk spline order 3 dengan 1 titik knot, diperoleh knot optimal= 28335
dengan GCV minimum= 5187775
Berikut nilai GCV dan letak titik knotnya:
No Ttk knot GCV
[,1] [,2]
[1,] 28335 5187775
[2,] 28321 5187895
[3,] 27469 5192200
[4,] 26919 5196115
[5,] 30500 5196786
3. Perhitungan Nilai GCV pada Model 2 Knot
> gcv2(x,y,2)
Untuk spline order 2 dengan 2 titik knot, diperoleh knot optimal=c( 8912
, 10089 ) dengan GCV minimum= 4588999
Berikut 5 nilai GCV terkecil dan letak titik knotnya:
No knot1 knot2 GCV
[,1] [,2] [,3]
[1,] 8912 10089 4588999
[2,] 8912 9639 4589902
[3,] 10456 8912 4688223
[4,] 9639 10089 4769244
[5,] 3000 11898 4870054
> gcv2(x,y,3)
Untuk spline order 3 dengan 2 titik knot, diperoleh knot
optimal=c( 36100 , 35228 ) dengan GCV minimum= 5051193
Berikut 5 nilai GCV terkecil dan letak titik knotnya:
No knot1 knot2 GCV
[,1] [,2] [,3]
[1,] 36100 35228 5051193
[2,] 36284 35228 5052655
[3,] 9639 11898 5060786
[4,] 10456 10089 5061168
[5,] 36284 36100 5062410
> gcv3(x,y,3)
Untuk spline order 3 dengan 3 titik knot, diperoleh knot
optimal=c( 27469 , 516 , 999 ) dengan GCV minimum= 723707.4
Berikut 5 nilai GCV terkecil dan letak titik knotnya:
No knot1 knot2 knot3 GCV
[,1] [,2] [,3] [,4]
[1,] 27469 516 999 723707.4
[2,] 516 30500 4442 831622.9
[3,] 37999 913 5260 873012.3
[4,] 25499 339 7056 992637.3
[5,] 25499 913 7056 1037475.4
Banyak Orde
Letak Titik Knot Nilai GCV
Knot Model
2 12597 5000000
1
3 28335 5187775
2 (8912; 100894) 4588999
2
3 (36100; 35228) 5051193
2 (6445; 8912; 9639) 4550094
3
3 (27469; 516; 999) 723707.4
Dari tabel ringkasan diatas dapat diketahui bahwa nilai GCV terkecil sebesar 723707,4
terletak pada model Spline orde 3 dengan 3 titik knot. Maka model inilah yang akan
digunakan untuk estimasi.
6. Pengestimasian Model dan Penggambaran Model Terbaik
> model.spline(x,y,3,knots = c( 27469 , 516 , 999 ))
Spline orde 3
Titik Knots = c( 27469 516 999 )
Nilai GCV = 723707.4
Nilai MSE = 6884008
Nilai MAPE = 0.1018596
Nilai R-square= 0.7342887
************************
Koefisen Estimasi
**************************
beta[ 0 ] 11070.08
beta[ 1 ] 83.87553
beta[ 2 ] -0.09302043
beta[ 3 ] -1.51405e-05
beta[ 4 ] 0.1047716
beta[ 5 ] -0.01173759
**************************
Dari hasil estimasi diatas, diperoleh model regresi Spline orde 3 dengan 3 titik knot (
27469; 516; 999 ) sebagai berikut:
m k
^y =∑ ^
β j x + ∑ ^β j+m+1 (x−ξ j )+¿ ¿
j
m
j=0 j=1
cat ("\n")
}
else if (h==6)
{
y <- respon
n <- length (y)
kn<-rep (0,h)
cat ("\nOrde polinomial : ",format (m+1))
cat ("\n Titik knots GCV")
for (j in 1:h)
{
for (i in 1:h)
{kn [i]<-knots [i]}
g<-kn [j]+0.1
while (kn [j]<=g)
{
k1<-kn[1]
k2<-kn[2]
k3<-kn[3]
k4<-kn[4]
k5<-kn[5]
k6<-kn[6]
w <-matrix (0,n, 3*m+7)
w[,1]<-1
for (i in 2: (m+1))
{
w[,i] <-x1^(i-1)
w[,m+i]<-x2^(i-1)
w[,2*m+i]<-x3^(i-1)
}
w[, (3*m+2)] <-trun (x1, k1, m)
w[, (3*m+3)] <-trun (x2, k2, m)
w[, (3*m+4)] <-trun (x3, k3, m)
w[, (3*m+5)] <-trun (x1, k4, m)
w[, (3*m+6)] <-trun (x2, k5, m)
w[, (3*m+7)] <-trun (x3, k6, m)
wtw <- t (w) %*% w
beta <- MPL (wtw) %*% t(w) %*% y
H <-w %*% MPL (wtw) %*% t(w)
mu <-w %*% beta
MSE <-t (y -mu) %*% (y -mu)/n
I <- matrix (0, ncol = n, nrow =n)
for (i in 1:n)
{ I[i, i] <-1}
GCV <-(n^2 *MSE) / (sum (diag (I-H))) ^2
cat ("\n", k1, " ", k2, " ", k3," ", k4," ",k5," ", k6," ",
format (GCV))
kn [j]<-kn [j]+0.01
kn [1]<-kn [1]+0.01
}
kn [2]<-kn[2]+0.01
kn [3]<-kn[3]+0.01
}
cat ("\n")
}
}
Akan dilakukan pemodelan regresi non parametrik Spline pada data Usia Harapan Hidup saat
Lahir (X1), Harapan Lama Sekolah (X2), Rata-rata Lama Sekolah (X3), dan Indeks
Pembangunan Manusia (Y) Jawa Tengah yang bersumber dari website
https://jateng.bps.go.id/indicator/26/83/1/indeks-pembangunan-manusia-metode-baru-.html.
Kabupaten x1 x2 x3 y
Kabupaten Cilacap 73 12.50 6.97 69.95
.73
Kabupaten Banyumas 73 12.85 7.52 71.98
.72
Kabupaten Purbalingga 73 11.99 7.24 68.97
.14
Kabupaten Banjarnegara 74 11.46 6.74 67.45
.18
Kabupaten Kebumen 73 13.34 7.54 69.81
.40
Kabupaten Purworejo 74 13.50 8.12 72.68
.72
Kabupaten Wonosobo 71 11.75 6.81 68.22
.82
Kabupaten Magelang 73 12.54 7.78 69.87
.72
Kabupaten Boyolali 75 12.56 7.84 74.25
.95
Kabupaten Klaten 76 13.25 8.58 75.56
.78
Kabupaten Sukoharjo 77 13.83 9.34 76.98
.65
Kabupaten Wonogiri 76 12.49 7.33 70.25
.16
Kabupaten Karanganyar 77 13.68 8.56 75.86
.47
Kabupaten Sragen 75 12.83 7.65 73.95
.71
Kabupaten Grobogan 74 12.30 6.91 69.87
.75
Kabupaten Blora 74 12.20 6.83 68.84
.41
Kabupaten Rembang 74 12.11 7.16 70.02
.55
Kabupaten Pati 76 12.65 7.44 71.77
.22
Kabupaten Kudus 76 13.23 8.75 75.00
.60
Kabupaten Jepara 75 12.75 7.68 71.99
.84
Kabupaten Demak 75 13.31 7.71 72.22
.40
Kabupaten Semarang 75 12.97 8.02 74.10
.73
Kabupaten Temanggung 75 12.14 7.24 69.57
.58
Kabupaten Kendal 74 12.95 7.45 72.29
.43
Kabupaten Batang 74 12.01 6.87 68.65
.69
Kabupaten Pekalongan 73 12.41 6.91 69.63
.69
Kabupaten Pemalang 73 11.95 6.42 66.32
.40
Kabupaten Tegal 71 12.67 6.98 68.39
.60
Kabupaten Brebes 69 12.04 6.21 66.11
.33
Kota Magelang 76 14.14 10.39 78.99
.85
Kota Surakarta 77 14.87 10.69 82.21
.22
Kota Salatiga 77 15.41 10.42 83.14
.40
Kota Semarang 77 15.52 10.53 83.05
.34
Kota Pekalongan 74 12.84 8.96 74.98
.38
Kota Tegal 74 13.05 8.51 75.07
.46
HASIL RUNNING
> plot(x3,y)
Orde Polinomial: 2
Titik knots GCV
0 0 0 0.9784534
0.02 0 0 0.9784534
0.04 0 0 0.9784534
0.06 0 0 0.9784534
0.08 0 0 0.9784534
0.1 0 0 0.9784534
0 0 0 0.9784534
0 0.02 0 0.9784534
0 0.04 0 0.9784534
0 0.06 0 0.9784534
0 0.08 0 0.9784534
0 0.1 0 0.9784534
0 0 0 0.9784534
0 0 0.02 0.9784534
0 0 0.04 0.9784534
0 0 0.06 0.9784534
0 0 0.08 0.9784534
0 0 0.1 0.9784534
Orde Polinomial: 3
Titik knots GCV
1 1 1 2932.454
1.02 1 1 2.587204
1.04 1 1 31.62422
1.06 1 1 15478.86
1.08 1 1 44.61876
1.1 1 1 153.8276
1 1 1 2932.454
1 1.02 1 190.0572
1 1.04 1 12412.87
1 1.06 1 229.1525
1 1.08 1 14.90658
1 1.1 1 1.130247
1 1 1 2932.454
1 1 1.02 115.1886
1 1 1.04 5453.402
1 1 1.06 38.79694
1 1 1.08 8.752773
1 1 1.1 1.327964
Orde Polinomial: 4
Titik knots GCV
2 1 1 11547.58
2.02 1 1 6336.581
2.04 1 1 12.9851
2.06 1 1 997.467
2.08 1 1 339.0425
2.1 1 1 207655.2
2 1 1 11547.58
2 1.02 1 204.1997
2 1.04 1 585.43
2 1.06 1 6592.795
2 1.08 1 305.0508
2 1.1 1 1003.364
2 1 1 11547.58
2 1 1.02 5124.618
2 1 1.04 64977.54
2 1 1.06 5272.75
2 1 1.08 3721.321
2 1 1.1 22990.68
Orde polinomial : 2
Titik knots GCV
0 0 0 0 0 0 0.9784534
0.02 0 0 0 0 0 0.9784534
0.04 0 0 0 0 0 0.9784534
0.06 0 0 0 0 0 0.9784534
0.08 0 0 0 0 0 0.9784534
0.1 0 0 0 0 0 0.9784534
0 0 0 0 0 0 0.9784534
0.01 0.01 0 0 0 0 0.9784534
0.02 0.02 0 0 0 0 0.9784534
0.03 0.03 0 0 0 0 0.9784534
0.04 0.04 0 0 0 0 0.9784534
0.05 0.05 0 0 0 0 0.9784534
0.06 0.06 0 0 0 0 0.9784534
0.07 0.07 0 0 0 0 0.9784534
0.08 0.08 0 0 0 0 0.9784534
0.09 0.09 0 0 0 0 0.9784534
0.1 0.1 0 0 0 0 0.9784534
0 0 0 0 0 0 0.9784534
0.01 0 0.01 0 0 0 0.9784534
0.02 0 0.02 0 0 0 0.9784534
0.03 0 0.03 0 0 0 0.9784534
0.04 0 0.04 0 0 0 0.9784534
0.05 0 0.05 0 0 0 0.9784534
0.06 0 0.06 0 0 0 0.9784534
0.07 0 0.07 0 0 0 0.9784534
0.08 0 0.08 0 0 0 0.9784534
0.09 0 0.09 0 0 0 0.9784534
0.1 0 0.1 0 0 0 0.9784534
0 0 0 0 0 0 0.9784534
0.01 0 0 0.01 0 0 0.9784534
0.02 0 0 0.02 0 0 0.9784534
0.03 0 0 0.03 0 0 0.9784534
0.04 0 0 0.04 0 0 0.9784534
0.05 0 0 0.05 0 0 0.9784534
0.06 0 0 0.06 0 0 0.9784534
0.07 0 0 0.07 0 0 0.9784534
0.08 0 0 0.08 0 0 0.9784534
0.09 0 0 0.09 0 0 0.9784534
0.1 0 0 0.1 0 0 0.9784534
0 0 0 0 0 0 0.9784534
0.01 0 0 0 0.01 0 0.9784534
0.02 0 0 0 0.02 0 0.9784534
0.03 0 0 0 0.03 0 0.9784534
0.04 0 0 0 0.04 0 0.9784534
0.05 0 0 0 0.05 0 0.9784534
0.06 0 0 0 0.06 0 0.9784534
0.07 0 0 0 0.07 0 0.9784534
0.08 0 0 0 0.08 0 0.9784534
0.09 0 0 0 0.09 0 0.9784534
0.1 0 0 0 0.1 0 0.9784534
0 0 0 0 0 0 0.9784534
0.01 0 0 0 0 0.01 0.9784534
0.02 0 0 0 0 0.02 0.9784534
0.03 0 0 0 0 0.03 0.9784534
0.04 0 0 0 0 0.04 0.9784534
0.05 0 0 0 0 0.05 0.9784534
0.06 0 0 0 0 0.06 0.9784534
0.07 0 0 0 0 0.07 0.9784534
0.08 0 0 0 0 0.08 0.9784534
0.09 0 0 0 0 0.09 0.9784534
0.1 0 0 0 0 0.1 0.9784534
Orde polinomial : 3
Titik knots GCV
1 1 1 1 1 1 120.7558
1.02 1 1 1 1 1 53784.24
1.04 1 1 1 1 1 6464.437
1.06 1 1 1 1 1 5522.371
1.08 1 1 1 1 1 4492.666
1.1 1 1 1 1 1 9458.899
1 1 1 1 1 1 120.7558
1.01 1.01 1 1 1 1 4533.04
1.02 1.02 1 1 1 1 506.7102
1.03 1.03 1 1 1 1 134.2398
1.04 1.04 1 1 1 1 429.0429
1.05 1.05 1 1 1 1 716.8649
1.06 1.06 1 1 1 1 1126.941
1.07 1.07 1 1 1 1 4713.808
1.08 1.08 1 1 1 1 178195.1
1.09 1.09 1 1 1 1 17563.02
1.1 1.1 1 1 1 1 12573.23
1 1 1 1 1 1 120.7558
1.01 1 1.01 1 1 1 14938.85
1.02 1 1.02 1 1 1 79996.55
1.03 1 1.03 1 1 1 167.9769
1.04 1 1.04 1 1 1 349026
1.05 1 1.05 1 1 1 18294.47
1.06 1 1.06 1 1 1 1549.891
1.07 1 1.07 1 1 1 3827.135
1.08 1 1.08 1 1 1 4907.352
1.09 1 1.09 1 1 1 1366.427
1.1 1 1.1 1 1 1 4915.559
1 1 1 1 1 1 120.7558
1.01 1 1 1.01 1 1 4.583201
1.02 1 1 1.02 1 1 57.86339
1.03 1 1 1.03 1 1 3.071309
1.04 1 1 1.04 1 1 509.1652
1.05 1 1 1.05 1 1 326.6233
1.06 1 1 1.06 1 1 1858.796
1.07 1 1 1.07 1 1 26.91195
1.08 1 1 1.08 1 1 19050.82
1.09 1 1 1.09 1 1 353.4012
1.1 1 1 1.1 1 1 111.0855
1 1 1 1 1 1 120.7558
1.01 1 1 1 1.01 1 5.643675
1.02 1 1 1 1.02 1 4773.459
1.03 1 1 1 1.03 1 1100.836
1.04 1 1 1 1.04 1 290027.1
1.05 1 1 1 1.05 1 2343.766
1.06 1 1 1 1.06 1 4395.879
1.07 1 1 1 1.07 1 2.621496
1.08 1 1 1 1.08 1 275.8801
1.09 1 1 1 1.09 1 4970.87
1.1 1 1 1 1.1 1 1236.447
1 1 1 1 1 1 120.7558
1.01 1 1 1 1 1.01 7717.795
1.02 1 1 1 1 1.02 13801.46
1.03 1 1 1 1 1.03 54.5188
1.04 1 1 1 1 1.04 1024.068
1.05 1 1 1 1 1.05 13929.25
1.06 1 1 1 1 1.06 180.5254
1.07 1 1 1 1 1.07 27.65002
1.08 1 1 1 1 1.08 37.63795
1.09 1 1 1 1 1.09 133581.9
1.1 1 1 1 1 1.1 420.4413
Orde polinomial : 4
Titik knots GCV
2 1 1 2 1 1 7245.772
2.02 1 1 2 1 1 19871.36
2.04 1 1 2 1 1 55.68647
2.06 1 1 2 1 1 15065.46
2.08 1 1 2 1 1 43195.08
2.1 1 1 2 1 1 2867.324
2 1 1 2 1 1 7245.772
2.01 1.01 1 2 1 1 111960.2
2.02 1.02 1 2 1 1 143.6711
2.03 1.03 1 2 1 1 269.1024
2.04 1.04 1 2 1 1 27148.48
2.05 1.05 1 2 1 1 23558.6
2.06 1.06 1 2 1 1 286.0452
2.07 1.07 1 2 1 1 2415.271
2.08 1.08 1 2 1 1 18176.61
2.09 1.09 1 2 1 1 8389.94
2.1 1.1 1 2 1 1 60640.89
2 1 1 2 1 1 7245.772
2.01 1 1.01 2 1 1 46768865
2.02 1 1.02 2 1 1 1555.202
2.03 1 1.03 2 1 1 1786.451
2.04 1 1.04 2 1 1 2425.519
2.05 1 1.05 2 1 1 1738997
2.06 1 1.06 2 1 1 3380.055
2.07 1 1.07 2 1 1 121488.8
2.08 1 1.08 2 1 1 1809.663
2.09 1 1.09 2 1 1 835.2379
2.1 1 1.1 2 1 1 8151.681
2 1 1 2 1 1 7245.772
2.01 1 1 2.01 1 1 3517.28
2.02 1 1 2.02 1 1 10076.34
2.03 1 1 2.03 1 1 452.0002
2.04 1 1 2.04 1 1 92.33617
2.05 1 1 2.05 1 1 3212.017
2.06 1 1 2.06 1 1 58.88691
2.07 1 1 2.07 1 1 38683.25
2.08 1 1 2.08 1 1 1044
2.09 1 1 2.09 1 1 3.382985
2.1 1 1 2.1 1 1 19849.35
2 1 1 2 1 1 7245.772
2.01 1 1 2 1.01 1 12248.16
2.02 1 1 2 1.02 1 3311.238
2.03 1 1 2 1.03 1 14921.15
2.04 1 1 2 1.04 1 10061.37
2.05 1 1 2 1.05 1 377.5353
2.06 1 1 2 1.06 1 11472.29
2.07 1 1 2 1.07 1 1166.762
2.08 1 1 2 1.08 1 8193.276
2.09 1 1 2 1.09 1 10944.24
2.1 1 1 2 1.1 1 5222.323
2 1 1 2 1 1 7245.772
2.01 1 1 2 1 1.01 21653.08
2.02 1 1 2 1 1.02 42220.17
2.03 1 1 2 1 1.03 5103.943
2.04 1 1 2 1 1.04 29086.48
2.05 1 1 2 1 1.05 13386.28
2.06 1 1 2 1 1.06 21874.29
2.07 1 1 2 1 1.07 1164.248
2.08 1 1 2 1 1.08 220977.6
2.09 1 1 2 1 1.09 2605.214
2.1 1 1 2 1 1.1 22132.02
MSE= 0.7675867
MAPE= 0.009929302
R-Square = 0.9596374
MSE= 0.7233095
MAPE= 0.009815711
R-Square = 0.9621437
MSE= 33.00648
MAPE= 0.07110983
R-Square = 0.9537169
MSE= 0.7675867
MAPE= 0.009929302
R-Square = 0.9596374
MSE= 1.632965
MAPE= 0.01440127
R-Square = 0.9621192
MSE= 1.749641
MAPE= 0.01496109
R-Square = 0.9596918