ROSALINA SALHUTERU
NRP.1313 201 040
Dosen Pembimbing:
Prof. Dr. Drs. I Nyoman Budiantara, M.Si.
Dr. Dra. Ismaini Zain, M.Si.
PROGRAM MAGISTER
JURUSAN STATISTIKA
PROGRAM PASCA SARJANA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2015
ROSALINA SALHUTERU
NRP.1313 201 040
SUPERVISOR:
Prof. Dr. Drs. I Nyoman Budiantara, M.Si.
Dr. Dra. Ismaini Zain, M.Si.
PROGRAM OF MAGISTER
DEPARTMENT OF STATISTICS
FACULTY OF MATHEMATICS AND NATURAL SCIENCES
INSTITUT OF TECHNOLOGY SEPULUH NOPEMBER
SURABAYA
2015
ESTIMASI KURVA REGRESI NONPARAMETRIK
SPLINE TRUNCATED MULTIRESPON
(Aplikasi Pada Kasus Nilai UNAS SMKN 3 Buduran Sidoarjo)
ABSTRAK
iii
NONPARAMETRIC REGRESSION SPLINE
CURVE ESTIMATION TRUNCATED MULTIRESPON
(Application on a case UNAS SMKN 3 Buduran Sidoarjo)
ABSTRACT
v
KATA PENGANTAR
Puji syukur dan terima kasih Tuhan untuk nafas kehidupan dan kekuatan
yang Engkau anugerahi sehingga tesis yang berjudul “Estimasi Kurva Regresi
memberikan kasih sayang, motivasi, arahan, bimbingan dan dukungan doa maka
kendala tersebut mampu dilewati dengan baik. Oleh karena itu, melalui
kepada :
1. Bapak Prof. Dr. Drs. I Nyoman Budiantara, M.Si dan Ibu Dr. Dra. Ismaini
Zain, M.Si selaku dosen pembimbing yang telah memberikan banyak
masukan serta dengan sabar menuntun saya dalam menyelesaikan Tesis
ini.
2. Bapak Dr. Purhadi, M.Sc dan Ibu Dr. Vita Ratnasari,S.Si, M.Si selaku
dosen penguji yang telah memberikan banyak saran, kritik, serta masukan
FMIPA ITS
vii
6. Bapak dan Ibu dosen pengajar Jurusan Statistika ITS, terima kasih atas
ilmu yang telah diberikan selama ini.
7. Staf pegawai Jurusan Statistika, terlebih khusus Bapak Irul terima kasih
atas segala bantuan kepada penulis dalam segala pengurusan
penyelesaian tesis.
8. Papa tercinta yang selama ini memberikan perhatian, doa dan cinta kasih
serta motivasi yang berharga sehingga penelitian ini dapat diselesaikan
9. Teman seperjuangan Lab SOSPEM ( Safitri) terima kasih atas bantuan dan
kebersamaannya selama ini.
10. Teman-teman terbaik saya Sanlly Joanne, Cici dan Aya terima kasih
atas bantuan dan dukungan dalam penyelesaian Tesis ini
11. Teman-teman seperjuangan di Pascasarjana S2 Statistika 2013 yang tidak
bisa saya sebutkan satu persatu, terima kasih atas bantuan dan
kebersamaannya selama ini.
12. Pihak-pihak lain yang telah membantu dan mendukung dalam penyusunan
Tesis ini yang tidak dapat disebutkan satu persatu.
Akhirnya selaku manusia yang penuh dengan keterbatasan, Tesis ini pun
masih jauh dari kesempurnaan. Oleh karena itu, segala masukan yang membangun
baik kritik maupun saran sangatlah diharapkan dari semua pihak. Semoga Tesis
viii
DAFTAR ISI
LEMBARAN PENGESAHAN......................................................................... i
ABSTRACT....................................................................................................... v
BAB 1 PENDAHALUAN
ix
2.6 Pola Hubungan Nilai UNAS dengan Varibel Prediktor................ 10
5.1 Kesimpulan.................................................................................... 43
5.2 Saran.............................................................................................. 44
DAFTAR PUSTAKA........................................................................................ 47
LAMPIRAN...................................................................................................... 51
x
DAFTAR TABEL
xi
DAFTAR GAMBAR
xiii
DAFTAR LAMPIRAN
xv
BAB 1
PENDAHULUAN
1
Carrol (2004) dengan menggunakan pendekatan smoothing spline. Pendekatan
smoothing spline juga dilakukan oleh Oehlert (1992), Eubank, dkk (2004), Gao
dan Shi (1997) dengan m-type smoothing spline. Untuk mendapatkan model
regresi spline terbaik maka titik optimal dicari yang paling sesuai dengan data.
Salah satu metode yang banyak dipakai dalam memilih titik knot optimal adalah
Generalized Cross Validation (GCV) Budiantara (2000). Untuk memperoleh titik
knot optimum dapat dilihat dari nilai GCV yang paling minimum.
Pada penelitian tersebut, variabel respon yang digunakan adalah tunggal
atau hanya melibatkan satu variabel respon. Menurut Rencher (2002), regresi
dapat dibedakan dari jumlah variabel, baik variabel respon maupun variabel
prediktor. Regresi linier sederhana yaitu terdiri dari satu variabel respon dan satu
variabel prediktor yang polanya linier. Regresi linier berganda (multiple
regression) jika terdiri dari satu variabel respon dengan lebih dari satu variabel
prediktor dan berpola linier. Selanjutnya regresi multirespon terdiri dari beberapa
variabel respon dan beberapa variabel prediktor dengan variabel respon saling
yang berkorelasi.
Banyak kasus pada dunia nyata yang tidak dapat diselesaikan dengan
analisis regresi sederhana satu respon. Misal, jika ada korelasi antara variabel
respon, jika dianalisis secara terpisah atau parsial maka tidak akan menghasilkan
model yang optimal. Model regresi nonparametrik multirespon adalah model
regresi dengan lebih dari satu variabel respon yang saling berkorelasi dengan satu
atau lebih variabel prediktor (Johnson et.al, 2002). Model regresi nonparametrik
multirespon telah diteliti oleh beberapa penelitian (Wang et.al, (2000) meneliti
tentang Spline Smoothing for Bivariate Data With Applications to Assocation
Between Hormones dan Adyana (2010) tentang estimator spline dalam regresi
nonparametrik multirespon. Namun dalam penelitian Adyana (2010) estimasi
parameter hanya melibatkan dua variabel respon saja. Oleh karena itu perlu
dilanjutkan parameter multirespon. Salah satu pendekatan yang dapat digunakan
untuk estimasi parameter dalam model regresi nonparametrik multirespon adalah
regresi spline truncated. Pendekatan regresi spline truncated mempunyai
beberapa kelebihan diantaranya adalah lebih mudah secara matematis dan
interpretasinya hampir sama pada regresi parametrik. Dalam penelitian ini regresi
2
spline truncated akan digunakan untuk memodelkan Nilai UNAS. Salah satu
aplikasi dapat diterapkan pada sistem nilai Ujian Nasional karena variabel respon
lebih dari satu yang dapat dikaitkan dengan multirespon dan multivariabel
prediktor.
Nilai ujian nasional adalah sebuah sistem target evaluasi standar
pendidikan dasar dan menengah yang diselanggarakan menyeluruh secara
nasional. Dengan persamaan mutu tingkat pendidikan setiap daerah yang
dilakukan oleh Pusat Penilaian Pendidikan, departemen pendidikan nasional
(Depdiknas) di Indonesia yang menyatakan bahwa dalam rangka pengendalian
mutu pendidikan secara nasional dilakukan evaluasi sebagai bentuk akuntabilitas
penyelenggara pendidikan kepada pihak-pihak yang berkepentingan berdasarkan
Undang-undang Republik Indonesia nomor 20 tahun 2003.
Ada beberapa penelitian tentang hasil belajar siswa atau nilai ujian
Nasional. Beberapa penelitian yang telah dilakukan untuk melihat faktor-faktor
yang mempengaruhi prestasi belajar siswa diantaranya oleh Krusdayanti (1999)
tentang faktor-faktor yang mempengaruhi prestasi belajar siswa menggunakan
metode regresi logistik. Ernawati (2008) menggunakan multigroup structural
equation model untuk membandingkan hasil belajar siswa yang berasal dari
sekolah negeri dan sekolah swasta. Sutarsih (2008) telah melakukan penelitian
tentang pemodelan nilai UNAS SMK Negeri 3 Buduran Sidoarjo dengan
pendekatan regresi Spline. Henaulu (2009) melakukan pemodelan nilai UNAS
SMAN 11 Ambon dengan pendekatan regresi Nonparametrik Spline,
Fathurahman (2011) melakukan penelitian estimasi parameter model regresi
Spline.
3
1.3 Tujuan Penelitian
Berdasarkan permasalahan penelitian maka penelitian ini dilakukan
dengan sebagai berikut.
1. Mengkaji bentuk estimasi kurva regresi nonparametrik spline truncated
multirespon
2. Mengaplikasikan regresi nonparametrik spline truncated multirespon pada
kasus nilai UNAS SMKN 3 Buduran Sidoarjo
4
BAB 2
TINJAUAN PUSTAKA
5
2.3 Regresi Nonparametrik Spline
Menurut Rencher (2002), regresi dapat dibedakan dari jumlah
variabelnya, baik variabel respon maupun variabel prediktor yaitu regresi linier
sederhana, regresi linier berganda (multiple regression) dan regresi multirespon.
Regresi linier sederhana terdiri dari variabel respon dan satu variabel prediktor
yang polanya linier. Regresi linier berganda (multiple regression) jika terdiri dari
satu variabel respon dengan lebih dari satu variabel prediktor dan berpola linier.
Sedangkan regresi multirespon terdiri dari beberapa variabel respon dan beberapa
variabel prediktor dengan variabel respon saling berkorelasi.
6
Apabila diasumsikan berdistribusi normal independen dengan mean nol dan
variansi , maka juga berdistribusi normal dengan mean dan variansi
.
2.4 Regresi Nonparametrik Multirespon
Model regresi nonparametrik multirespon disajikan sebagaimana persamaan
(2.7).
(2.7)
Dimana merupakan variabel respon ke-j pada data ke-i, merupakan
fungsi regresi yang tidak diketahui bentuknya, merupakan variabel prediktor
dan adalah error random i=1,2,...,n dan j= 1,2,...,p. Jika dengan fungsi
spline maka akan diperoleh model regresi nonparametrik multirespon spline.
2.4.1 Korelasi antara Variabel-Variabel Respon
Sebelum melakukan pemodelan, terlebih dahulu perlu diketahui besar
hubungan atau korelasi antar variabel-variabel tersebut. Ini sesuai dengan definisi
regresi birespon yaitu regresi dengan variabel respon dua dan diantara variabel-
variabel respon harus memiliki korelasi antara satu dengan lainnya. Untuk
mengetahui nilai korelasinya dapat digunakan koefisien korelasi Pearson yang
secara umum memiliki persamaan sebagaimana persamaan (2.8).
y ,y )
cov(
r ( y1 , y2 ) 1 2
1
(2.8)
y )var(
{(var( y )) 2 }2
1 2
7
2.4. 2 Korelasi antara variabel prediktor (Multikolinieritas)
Salah satu syarat yang harus terpenuhi dalam pemodelan regresi yang
baik adalah tidak adanya korelasi antar variabel independen. Multikolinearitas
adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi antara
masingmasing variabel independen dalam model regresi. Multikolinearitas
biasanya terjadi ketika sebagian besar variabel yang digunakan saling terkait
dalam suatu model regresi. Adanya kasus multikolinearitas dapat dilihat dari Nilai
variance inflation factor (VIF) lebih dari 10. VIF dapat dirumuskan sebagai beriku
8
menghasilkan nilai estimasi parameter yang bersifat tak bias. Statistik dikatakan
estimator tak bias untuk parameter jika . Jika terdapat dua atau lebih
estimator yang tak bias maka, penduga paling efisien adalah penduga yang
memiliki ragam terkecil (Walpole, 1982). Pada metode OLS, error diasumsikan
identik (homogenitas dalam variansi error). Error tidak identik mengakibatkan
var ε tidak sama untuk setiap i, dinotasikan var . Agar memenuhi
asumsi identik maka dilakukan transformasi dengan cara mengalikan dengan
/
atau vektor dengan matriks dari sisi kiri. P adalah matriks diagonal
/
dengan elemen dan komponen kolom W. Matriks diagonal yang
elemennya terdiri dari komponen vektor W disebut matriks pembobot. Metode
Weighted Least Square (WLS) mengestimasi parameter dengan meminimumkan:
dengan:
9
2.5 Pemilihan Titik Knot Optimal
Pemilihan titik knot yang optimal sangat penting dalam regresi spline.
Titik knot merupakan titik perpaduan bersama dimana terdapat perubahan
perilaku fungsi pada interval yang berlainan (Budiantara, 2006). Salah satu
metode pemilihan titik knot optimal adalah Generalized Cross Validation (GCV)
(Budiantara, 2000). Model Spline yang sesuai berkaitan dengan titik knot optimal
didapat dari nilai GCV terkecil.
Fungsi GCV didefinisikan sebagaimana persamaan (2.11).
(2.11)
10
dan masukan bagi guru dalam memperbaiki strategi pembelajaran, dan sebagai
acuan untuk menentukan ketercapaian kompetensi siswa. Meliputi empat mata
pelajaran, yaitu Matematika, Bahasa Inggris, Bahasa Indonesia, dan Teori
Kejuruan.
Rata-rata nilai tryout adalah jumlah keseluruhan nilai tryout dibagi dengan
banyaknya mata pelajaran yang ditryoutkan.
d nilai rata-rata UN SMP
Nilai UN SMP adalah nilai yang diperoleh peserta didik setelah mengikuti
kegiatan pembelajaran selama tiga tahun pada jenjang SMP yang
diselenggarakan secara nasional meliputi tiga mata pelajaran yaitu, Bahasa
Indonesia, Bahasa Inggris, dan Matematika.
Rata-rata nilai UN SMP adalah jumlah nilai UN SMP dibagi dengan
banyaknya mata pelajaran yang diUNkan.
11
Halaman ini sengaja dikosongkan
12
BAB 3
METODOLOGI PENELITIAN
13
3.3 Struktur Data
Adapun struktur data penelitian dapat dilihat pada Tabel 3.1 sebagai berikut.
Tabel 3.1 Struktur Data
Respon yj Prediktor
y kj x ( x K )1
m U
ji
k 1
kji
u 1
kju kji kU
14
Langkah-langkah penelitian Tujuan 1 secara ringkas dapat dilihat pada Gambar
3.1
MULAI
y kj x ( x K )1
m U
ji
k 1
kji
u 1
kju kji kU
15
f. Memilih titik knot optimal dengan menggunakan metode GCV.
g. Membentuk model regresi nonparametrik multirespon spline truncated
optimal
h. Mencari estimasi model regresi .
Langkah-langkah penelitian untuk menyelesaikan Tujuan 2 diberikan dalam
Gambar 3.2
KESIMPULAN
16
BAB 4
m
y ji f k ( xkji ) ji , i 1, 2,..., n; j 1, 2,..., p
k 1
Selanjutnya kurva regresi f k ( xkji ) dihampiri dengan fungsi Spline truncated linier
17
m
U
1
Untuk i = 1 dan j = 1 : y11 k1 xk11 k1u ( xk11 KkU ) 11
k 1 u 1
m
U
1
i = 1 dan j = p : y p1 kp xkp1 kpu ( xkp1 KkU ) p1
k 1 u 1
m
U
1
i = 2 dan j = 1 : y12 k1 xk12 k1u ( xk12 K kU ) 12
k 1 u 1
m
U
1
i = 2 dan j = p : y p 2 kp xkp 2 kpu ( xkp 2 KkU ) p 2
k 1 u 1
m
U
1
i = n dan j = 1 : y1n k1 xk1n k1u ( xk1n KkU ) 1n
k 1 u 1
m U
1
i = n dan j = p : y pn kp xkpn kpu ( xkpn KkU ) pn
k 1 u 1
Model regresi multirespon diatas dapat disajikan dalam bentuk matriks berikut:
Y X[ K ]β ε
y1
y2
y
y p
y11 y21 y p1
y y y p2
y1 12 , y 2 22 ,..., y p
y1n y2 n y pn
1 11 21 p1
2 12 22 p 2
ε ,ε ,ε ,..., ε p
1 2
p 1n 2 n pn
18
X1[ K ] 0 0 0
0 X2 [ K ] 0 0
X[ K ]
0 0 X p [ K ]
derivatif parsial terhadap β. Dalam proses derivatif ini digunakan suatu Teorema
dari (Rencher dan Schaalje, 2008). Diberikan vektor β dan matriks A, maka:
(β' A)
(i) A
β
(ii)
β ' Aβ 2Aβ.
β
Sebagai konsep dasar kemudian hasilnya disamakan dengan nol maka diperoleh:
19
(εT Wε )
0 2 XT [ K ]WY 2 XT [ K ]WX[ K ]β
β
0 2 XT [ K ]WY 2 XT [ K ]WX[ K ]βˆ
2 XT [ K ]WY 2 XT [ K ]WX[ K ]βˆ
XT [ K ]WY XT [ K ]WX[ K ])βˆ
Kemudian kedua ruas dikalikan dari kanan dengan (XT [ K ]WX[ K ])1
Y X[ K ]β
X[ K ]( X[ K ]T WX[ K ]) 1 X[ K ]T WY
A[ K ]Y
Dimana,
A[ K ] X[ K ]( X[ K ]T WX[ K ])1 X[ K ]T W
Dengan W matriks varian kovarian dari Y
Berdasarkan hasil yang diperoleh terlihat bahwa estimator ini tergantung pada
titik knot. Pemilihan titik knot optimal dengan metode Generalized Cross
Validation (GCV).
MSE ( K )
GCV ( K ) 1
( N trace(I A[ K ])) 2
Dimana MSE[ K ] N 1 (Y X )T (Y X ) , A[ K ] X ( X T WX ) 1 X T W
20
Bahasa Inggris, Bahasa Indonesia dan Teori Kejuruan.Variabel respon terdiri dari
nilai UNAS Bahasa Indonesia, Bahasa Inggris, Matematika dan Teori Kejuruan
sedangkan variabel prediktornya adalah nilai rata-rata rapor kelas III dan nilai
Ujian Akhir Sekolah.
Sebelum memodelkan nilai UNAS di SMKN 3 Buduran Sidoarjo maka
perlu dilihat deskripsi statistik dari data untuk masing-masing variabel seperti
tabel berikut ini. Statistik deskriptif yang ditampilkan digunakan dalam program
terutama inisialisasi titik knot.
Tabel 4.1 Statistik Deskriptif Variabel Respon dan Variabel Prediktor
Variabel Observasi Minimum Maksimum Range Mean Variansi
y1 50 5,60 9,20 3,60 79,404 0,515
y2 50 5,40 9,00 3,60 7,724 0,625
y3 50 3,75 9,00 5,25 6,810 1,792
y4 50 5,25 8,50 3,25 6,940 0,690
x11 50 7,98 8,56 0,58 81,822 0,0148
x21 50 8,54 9,18 0,64 89,080 0,0256
x12 50 7,66 8,66 1,00 80,104 0,0661
x22 50 8,54 9,20 0,60 87,080 0,0297
x13 50 7,52 8,18 0,66 77,518 0,0259
x23 50 8,50 9,50 1,00 85,360 0,0260
x14 50 7,57 8,25 0,68 7,887 0,0239
x24 50 8,50 9,50 1,00 86,730 0,0850
Untuk melihat pola hubungan antara variabel respon yang satu dengan
variabel respon yang lain, maka dapat dilihat pada grafik scatter plot pada
Gambar 4.1
y 1 _ B a h a s a in d o n e s ia * y 2 _ B a h a s a I n g g r is y 1 _ B a h a s a in d o n e s ia * y 3 _ m a t e m a t ik a y 1 _ B a h a s a i n d o n e s i a * y 4 _ t e o r i k e ju r u a n
9 9 9
8 8 8
7 7 7
6 6 6
6 ,0 7 ,5 9 ,0 4 6 8 6 7 8
y 2 _ B a h a s a I n g g r is * y 3 _ m a t e m a t ik a y 2 _ B a h a s a I n g g r i s * y 4 _ t e o r i k e ju r u a n y 3 _ m a t e m a t i k a * y 4 _ t e o r i k e ju r u a n
9 9 9 ,0
8 8 7 ,5
7 7 6 ,0
6 6 4 ,5
5 5 3 ,0
4 6 8 6 7 8 6 7 8
21
Berikut ini adalah matriks r dengan berisikan nilai koefisien korelasi untuk
masing-masing variabel respon.
1 0, 273 0,195 0, 273
0, 273 1 0,194 0, 243
r
0,195 0,194 1 0, 383
0273, 0, 243 0, 383 1
Selanjutnya untuk melihat pola hubungan antara nilai UNAS Bahasa Indonesia
dengan nilai rata-rata rapor Bahasa Indonesia, nilai UNAS Bahasa Indonesia
dengan nilai Ujian Akhir Sekolah Bahasa Indonesia, nilai UNAS Bahasa Inggris
dengan nilai rata-rata rapor Bahasa Inggris, nilai UNAS Bahasa Inggris dengan
nilai Ujian Akhir Sekolah Bahasa Inggris, nilai UNAS Matematika dengan nilai
rata-rata rapor Matematika, nilai UNAS Matematika dengan nilai Ujian akhir
Sekolah Matematika, nilai UNAS Teori Kejuruan dengan nilai rata-rata rapor
Teori Kejuruan, nilai UNAS Teori Kejuruan dengan nilai Ujian Akhir Sekolah
Teori Kejuruan tampak seperti plot yang disajikan pada gambar-gambar dibawah
ini. Oleh karena itu untuk memodelkan pola data tersebut digunakan regresi
nonparametrik.
Hubungan antara nilai UNAS Bahasa Indonesia dengan nilai rata-rata
rapor dan nilai UAS mata pelajaran Bahasa Indonesia, Bahasa Inggris,
Matematika, dan Teori Kejuruan dapat dilihat pada Gambar 4.2. Berdasarkan
gambar tersebut diperoleh kesimpulan bahwa setiap hubungan variabel respon dan
prediktor menunjukkan tidak adanya pola tertentu. Pada grafik antara nilai UNAS
Bahasa Indonesia dengan nilai rata-rata rapor Bahasa Indonesia dan Bahasa
Inggris menunjukkan sebaran yang acak. Sedangkan pada grafik nilai UNAS
Bahasa Indonesia terhadap nilai UAS Bahasa Inggris, Matematika dan Teori
Kejuruam menunjukkan adanya pengelompokan pada nilai tertentu. Oleh karena
itu antara nilai UNAS Bahasa Indonesia dengan dengan Nilai rata-rata rapor dan
Nilai UAS Mata Pelajaran Bahasa Indonesia, Bahasa Inggris, Matematika, dan
Teori Kejuruan akan dimodelkan dengan regresi nonparametrik.
22
Scatterplot of y1 vs x11; x12; x13; x14; x21; x22; x23; x24
x11 x12 x13
9,0
7,5
6,0
7,5
6,0
7,5
6,0
Gambar 4.2 Plot antara Nilai UNAS Bahasa Indonesia dengan Nilai rata-rata
rapor dan Nilai UAS Mata Pelajaran Bahasa Indonesia, Bahasa
Inggris, Matematika, dan Teori Kejuruan
Selanjutnya untuk nilai Hubungan antara nilai UNAS Bahasa Inggris dengan nilai
rata-rata rapor dan nilai UAS mata pelajaran Bahasa Indonesia, Bahasa Inggris,
Matematika, dan Teori Kejuruan dapat dilihat pada Gambar 4.3. Berdasarkan
gambar tersebut diperoleh kesimpulan bahwa setiap hubungan variabel respon dan
prediktor menunjukkan tidak adanya pola tertentu. Pada grafik antara nilai UNAS
Bahasa Inggris dengan nilai rata-rata rapor Bahasa Indonesia, Bahasa Inggris,
Matematika, Teori Kejuruan dan nilai UAS Bahasa Indonesia menunjukkan
sebaran yang acak. Sedangkan pada grafik nilai UNAS Bahasa Inggris terhadap
nilai UAS Bahasa Inggris, Matematika, dan Teori Kejuruan menunjukkan adanya
pengelompokan pada nilai tertentu. Oleh karena itu antara nilai UNAS Bahasa
Inggris dengan dengan Nilai rata-rata rapor dan Nilai UAS Mata Pelajaran Bahasa
Indonesia, Bahasa Inggris, Matematika, dan Teori Kejuruan akan dimodelkan
dengan regresi nonparametrik.
23
Scatterplot of y2 vs x11; x12; x13; x14; x21; x22; x23; x24
x11 x12 x13
9,0
7,5
6,0
7,5
6,0
7,5
6,0
Gambar 4.3 Plot antara Nilai UNAS Bahasa Inggris dengan Nilai rata-rata rapor
dan Nilai UAS Mata Pelajaran Bahasa Inggris, Bahasa Indonesia,
Matematika, dan Teori Kejuruan
Selanjutnya untuk nilai Hubungan antara nilai UNAS Matematika dengan nilai
rata-rata rapor dan nilai UAS mata pelajaran Bahasa Indonesia, Bahasa Inggris,
Matematika, dan Teori Kejuruan dapat dilihat pada Gambar 4.4. Berdasarkan
gambar tersebut diperoleh kesimpulan bahwa setiap hubungan variabel respon dan
prediktor menunjukkan tidak adanya pola tertentu. Pada grafik antara nilai UNAS
Matematika dengan nilai rata-rata rapor Bahasa Indonesia, Bahasa Inggris,
Matematika, Teori Kejuruan dan nilai UAS Bahasa Indonesia menunjukkan
sebaran yang acak. Sedangkan pada grafik nilai UNAS Matematika terhadap nilai
UAS Bahasa Inggris, Bahasa Indonesia, dan Teori Kejuruan menunjukkan
adanya pengelompokan pada nilai tertentu. Oleh karena itu antara nilai UNAS
Matematika dengan dengan Nilai rata-rata rapor dan Nilai UAS Mata Pelajaran
Bahasa Indonesia, Bahasa Inggris, Matematika, dan Teori Kejuruan akan
dimodelkan dengan regresi nonparametrik.
24
Scatterplot of y3 vs x11; x12; x13; x14; x21; x22; x23; x24
x11 x12 x13
4
8,0 8,2 8,4 7,6 8,0 8,4 7,50 7,75 8,00
x14 x21 x22
8
y3
4
7,5 7,8 8,1 8,50 8,75 9,00 8,60 8,85 9,10
x23 x24
4
8,5 9,0 9,5 8,5 9,0 9,5
Gambar 4.4 Plot antara Nilai UNAS Matematika dengan Nilai rata-rata rapor dan
Nilai UAS Mata Pelajaran Matematika, Bahasa Indonesia Bahasa
Inggris, dan Teori Kejuruan
Selanjutnya untuk nilai Hubungan antara nilai UNAS Teori Kejuruan dengan nilai
rata-rata rapor dan nilai UAS mata pelajaran Bahasa Indonesia, Bahasa Inggris,
Matematika, dan Teori Kejuruan dapat dilihat pada Gambar 4.5. Berdasarkan
gambar tersebut diperoleh kesimpulan bahwa setiap hubungan variabel respon dan
prediktor menunjukkan tidak adanya pola tertentu. Pada grafik antara nilai UNAS
Teori Kejuruan dengan nilai rata-rata rapor Bahasa Indonesia, Bahasa Inggris,
Matematika, Teori Kejuruan dan nilai UAS Bahasa Indonesia menunjukkan
sebaran yang acak. Sedangkan pada grafik nilai UNAS Teori Kejuruan terhadap
nilai UAS Bahasa Inggris, Bahasa Indonesia, Matematika dan Teori Kejuruan
menunjukkan adanya pengelompokan pada nilai tertentu. Oleh karena itu antara
nilai UNAS Teori Kejuruan dengan dengan Nilai rata-rata rapor dan Nilai UAS
Mata Pelajaran Bahasa Indonesia, Bahasa Inggris, Matematika, dan Teori
Kejuruan akan dimodelkan dengan regresi nonparametrik.
25
Scatterplot of y4 vs x11; x12; x13; x14; x21; x22; x23; x24
x11 x12 x13
8
y4
Prediktor VIF
x11 1,794
x12 1,461
x13 1,532
x14 1,645
x21 1,497
x22 1,160
x23 1,167
X24 1,108
26
permasalahan multikolinearitas. Pada VIF = 10 atau lebih, multikolinearitas
dinyatakan sangat parah dan membahayakan (harmful).
Y1 0 11 x11 111 ( x11 K11 )1 ... 11U ( x11 K1U )1 21 x21 211 ( x21 _ K 21 )1
... 21U ( x21 K 2U )1 31 x12 311 ( x12 K 31 )1 ... 31U ( x12 K 3U )1 41 x22
411 ( x22 K 41 )1 ... 41U ( x22 K 4U )1 51 x13 511 ( x13 K 51 )1
... 51U ( x13 K 5U )1 61 x23 611 ( x23 K 61 )1 ... 61U ( x23 K 6U )1
71 x23 711 ( x14 K 71 )1 ... 71U ( x14 K 7U )1 81 x24 811 ( x24 K81 )1
... 81U ( x24 K8U )1
Y2 0 12 x11 121 ( x11 K11 )1 ... 11U ( x11 K1U )1 22 x21 211 ( x21 _ K 21 )1
... 21U ( x21 K 2U )1 32 x12 321 ( x12 K 31 )1 ... 32U ( x12 K 3U )1 42 x22
421 ( x22 K 41 )1 ... 42U ( x22 K 4U )1 52 x13 521 ( x13 K 51 )1
... 52U ( x13 K 5U )1 62 x23 621 ( x23 K 61 )1 ... 62U ( x23 K 6U )1
72 x23 721 ( x14 K 71 )1 ... 72U ( x14 K 7U )1 82 x24 821 ( x24 K81 )1
... 82U ( x24 K8U )1
Y3 0 13 x11 131 ( x11 K11 )1 ... 11U ( x11 K1U )1 23 x21 231 ( x21 _ K 21 )1
... 23U ( x21 K 2U )1 33 x12 331 ( x12 K 31 )1 ... 33U ( x12 K 3U )1 43 x22
431 ( x22 K 41 )1 ... 43U ( x22 K 4U )1 53 x13 531 ( x13 K 51 )1
... 53U ( x13 K 5U )1 63 x23 631 ( x23 K 61 )1 ... 63U ( x23 K 6U )1
73 x23 731 ( x14 K 71 )1 ... 73U ( x14 K 7U )1 83 x24 831 ( x24 K81 )1
... 83U ( x24 K8U )1
Y4 0 14 x11 141 ( x11 K11 )1 ... 14U ( x11 K1U )1 24 x21 241 ( x21 _ K 21 )1
... 24U ( x21 K 2U )1 34 x12 341 ( x12 K 31 )1 ... 34U ( x12 K 3U )1 44 x22
441 ( x22 K 41 )1 ... 44U ( x22 K 4U )1 54 x13 541 ( x13 K 51 )1
... 54U ( x13 K 5U )1 64 x23 641 ( x23 K 61 )1 ... 64U ( x23 K 6U )1
74 x23 741 ( x14 K 71 )1 ... 74U ( x14 K 7U )1 84 x24 841 ( x24 K81 )1
... 84U ( x24 K8U )1
27
4.2.2.1 Model Regresi Nonparametrik Multirespon Spline Truncated Linier
dengan satu Knot
Pada bagian ini dibahas pemilihan titik knot optimal pada regresi spline
linier satu titik knot pada nilai UNAS di SMKN 3 Buduran Sidoarjo dengan dua
variabel prediktor dan empat variabel respon.Berikut ini adalah model regresi
nonparametrik multirespon spline truncated dengan satu titik knot pada nilai
UNAS.
Y1 0 11 x11 111 ( x11 K11 )1 21 x21 211 ( x21 K 21 )1 31 x12 311 ( x12 K 31 )1
41 x22 411 ( x22 K 41 )1 51 x13 511 ( x13 K 51 )1 61 x23 611 ( x23 K 61 )1
71 x14 711 ( x14 K 71 )1 81 x24 811 ( x24 K81 )1
Y2 0 12 x11 121 ( x11 K11 )1 22 x21 221 ( x21 K 21 )1 32 x12 321 ( x12 K 31 )1
42 x22 421 ( x22 K 41 )1 52 x13 521 ( x13 K 51 )1 62 x23 621 ( x23 K 61 )1
72 x14 721 ( x14 K 71 )1 82 x24 821 ( x24 K81 )1
Y3 0 13 x11 131 ( x11 K11 )1 23 x21 231 ( x21 K 21 )1 33 x12 331 ( x12 K 31 )1
43 x22 431 ( x22 K 41 )1 53 x13 531 ( x13 K 51 )1 63 x23 631 ( x23 K 61 )1
73 x14 731 ( x14 K 71 )1 83 x24 831 ( x24 K81 )1
Y4 0 14 x11 141 ( x11 K11 )1 24 x21 241 ( x21 K 21 )1 34 x12 341 ( x12 K 31 )1
44 x22 441 ( x22 K 41 )1 54 x13 541 ( x13 K 51 )1 64 x23 641 ( x23 K 61 )1
74 x14 741 ( x14 K 71 )1 84 x24 841 ( x24 K81 )1
28
Tabel 4.3 Nilai GCV untuk Spline Linier 1 Knot (Lanjutan)
Y2 8,35 8,3 7,94 8 8,95 8,98 9,14 9,14
Y3 8,35 8,3 7,94 8 8,95 8,98 9,14 9,14
Y4 8,35 8,3 7,94 8 8,95 8,98 9,14 9,14
Y1 8,4 8,39 8 8,06 9,01 9,04 9,23 9,23 0,99244
Y2 8,4 8,39 8 8,06 9,01 9,04 9,23 9,23
Y3 8,4 8,39 8 8,06 9,01 9,04 9,23 9,23
Y4 8,4 8,39 8 8,06 9,01 9,04 9,23 9,23
Y1 8,3 8,21 7,88 7,94 8,89 8,93 9,05 9,05 0,9822
Y2 8,3 8,21 7,88 7,94 8,89 8,93 9,05 9,05
Y3 8,3 8,21 7,88 7,94 8,89 8,93 9,05 9,05
Y4 8,3 8,21 7,88 7,94 8,89 8,93 9,05 9,05
Y1 8,24 8,11 7,82 7,88 8,83 8,87 8,95 8,95 1,01508
Y2 8,24 8,11 7,82 7,88 8,83 8,87 8,95 8,95
Y3 8,24 8,11 7,82 7,88 8,83 8,87 8,95 8,95
Y4 8,24 8,11 7,82 7,88 8,83 8,87 8,95 8,95
Y1 8,45 8,48 8,06 8,13 9,06 9,09 9,32 9,32 1,04869
Y2 8,45 8,48 8,06 8,13 9,06 9,09 9,32 9,32
Y3 8,45 8,48 8,06 8,13 9,06 9,09 9,32 9,32
Y4 8,45 8,48 8,06 8,13 9,06 9,09 9,32 9,32
Y1 8,14 7,93 7,7 7,76 8,71 8,76 8,77 8,77 1,05114
Y2 8,14 7,93 7,7 7,76 8,71 8,76 8,77 8,77
Y3 8,14 7,93 7,7 7,76 8,71 8,76 8,77 8,77
Y4 8,14 7,93 7,7 7,76 8,71 8,76 8,77 8,77
Y1 8,19 8,02 7,76 7,82 8,77 8,82 8,86 8,86 1,06264
Y2 8,19 8,02 7,76 7,82 8,77 8,82 8,86 8,86
Y3 8,19 8,02 7,76 7,82 8,77 8,82 8,86 8,86
Y4 8,19 8,02 7,76 7,82 8,77 8,82 8,86 8,86
Y1 8,03 7,75 7,58 7,63 8,6 8,65 8,59 8,59 1,06312
Y2 8,03 7,75 7,58 7,63 8,6 8,65 8,59 8,59
Y3 8,03 7,75 7,58 7,63 8,6 8,65 8,59 8,59
Y4 8,03 7,75 7,58 7,63 8,6 8,65 8,59 8,59
Y1 8,51 8,57 8,12 8,19 9,12 9,15 9,41 9,41 1,07984
Y2 8,51 8,57 8,12 8,19 9,12 9,15 9,41 9,41
Y3 8,51 8,57 8,12 8,19 9,12 9,15 9,41 9,41
Y4 8,51 8,57 8,12 8,19 9,12 9,15 9,41 9,41
29
Gambar 4.6. GCV untuk satu knot
Berdasarkan Tabel 4.3 dan Gambar 4.6 terlihat bahwa nilai GCV paling kecil
adalah sebesar 0,982191 dengan titik knot optimal adalah sebagai berikut.
Y1 ( x11 : K11 8,3; x21 : K 21 8, 21; x21 : K31 7,88; x22 : K 41 7,94; x13 : K 51 8.89)
( x23 : K 61 8,93; x14 : K 71 9, 05; x24 : K81 9, 05)
Y2 ( x11 : K11 8, 3; x21 : K 21 8, 21; x21 : K31 7,88; x22 : K 41 7,94; x13 : K 51 8,89)
( x23 : K 61 8,93; x14 : K 71 9, 05; x24 : K81 9, 05)
Y3 ( x11 : K11 8,3; x21 : K 21 8, 21; x21 : K 31 7,88; x22 : K 41 7,94; x13 : K 51 8.89)
( x23 : K 61 8,93; x14 : K 71 9, 05; x24 : K81 9, 05)
Y4 ( x11 : K11 8, 3; x21 : K 21 8, 21; x21 : K31 7,88; x22 : K 41 7,94; x13 : K 51 8,89)
( x23 : K 61 8,93; x14 : K 71 9, 05; x24 : K81 9, 05)
30
Y1 0 11 x11 111 ( x11 K11 )1 112 ( x11 K12 )1 21 x21 211 ( x21 K 21 )1
212 ( x21 K 22 )1 31 x12 311 ( x12 K31 )1 312 ( x31 K32 )1
41 x22 411 ( x22 K 41 )1 412 ( x41 K 42 )1 51 x13 511 ( x13 K51 )1
512 ( x51 K52 )1 61 x23 611 ( x23 K61 )1 612 ( x61 K62 )1
71 x14 711 ( x14 K 71 )1 712 ( x71 K 72 )1 81 x24 811 ( x14 K81 )1
812 ( x24 K82 )1
Y2 0 12 x11 121 ( x11 K11 )1 122 ( x11 K12 )1 22 x21 221 ( x21 K 21 )1
222 ( x21 K 22 )1 32 x12 321 ( x12 K31 )1 322 ( x31 K32 )1
42 x22 421 ( x22 K 41 )1 422 ( x41 K 42 )1 52 x13 521 ( x13 K51 )1
522 ( x51 K52 )1 62 x23 621 ( x23 K 61 )1 622 ( x61 K 62 )1
72 x14 721 ( x14 K 71 )1 722 ( x71 K 72 )1 82 x24 821 ( x14 K81 )1
822 ( x24 K82 )1
Y3 0 13 x11 131 ( x11 K11 )1 132 ( x11 K12 )1 23 x21 231 ( x21 K 21 )1
232 ( x21 K 22 )1 33 x12 331 ( x12 K31 )1 332 ( x31 K32 )1
43 x22 431 ( x22 K 41 )1 432 ( x41 K 42 )1 53 x13 531 ( x13 K51 )1
532 ( x51 K52 )1 63 x23 631 ( x23 K 61 )1 632 ( x61 K 62 )1
73 x14 731 ( x14 K 71 )1 732 ( x71 K72 )1 83 x24 831 ( x14 K81 )1
832 ( x24 K82 )1
Y4 0 14 x11 141 ( x11 K11 )1 142 ( x11 K12 )1 24 x21 241 ( x21 K 21 )1
242 ( x21 K 22 )1 34 x12 341 ( x12 K31 )1 342 ( x31 K32 )1
44 x22 441 ( x22 K 41 )1 442 ( x41 K 42 )1 54 x13 541 ( x13 K51 )1
542 ( x51 K52 )1 64 x23 641 ( x23 K 61 )1 642 ( x61 K 62 )1
74 x14 741 ( x14 K 71 )1 742 ( x71 K 72 )1 84 x24 841 ( x14 K81 )1
842 ( x24 K82 )1
Hasil dari perhitungan dua titik knot dapat dilihat pada Tabel 4.4 sebagai berikut.
31
8,598 8,95 8,65 8,982 8,59 9,14 8,59 9,14
Y4 8,033 8,3 7,75 8,205 7,58 7,88 7,63 7,94
8,598 8,89 8,65 8,927 8,59 9,05 8,59 9,05
Y1 8,033 8,14 7,75 7,933 7,58 7,7 7,63 7,76 1,334226
8,598 8,71 8,65 8,764 8,59 8,77 8,59 8,77
Y2 8,033 8,14 7,75 7,933 7,58 7,7 7,63 7,76
8,598 8,71 8,65 8,764 8,59 8,77 8,59 8,77
Y3 8,033 8,14 7,75 7,933 7,58 7,7 7,63 7,76
8,598 8,71 8,65 8,764 8,59 8,77 8,59 8,77
Y4 8,033 8,14 7,75 7,933 7,58 7,7 7,63 7,76
8,598 8,71 8,65 8,764 8,59 8,77 8,59 8,77
Y1 8,033 8,19 7,75 8,024 7,58 7,76 7,63 7,82
8,598 8,77 8,65 8,818 8,59 8,86 8,59 8,86
Y2 8,033 8,19 7,75 8,024 7,58 7,76 7,63 7,82
8,598 8,77 8,65 8,818 8,59 8,86 8,59 8,86
1,431426
Y3 8,033 8,19 7,75 8,024 7,58 7,76 7,63 7,82
8,598 8,77 8,65 8,818 8,59 8,86 8,59 8,86
Y4 8,033 8,19 7,75 8,024 7,58 7,76 7,63 7,82
8,598 8,77 8,65 8,818 8,59 8,86 8,59 8,86
Y1 8,085 8,14 7,84 7,933 7,64 7,7 7,69 7,76 1,454345
8,656 8,71 8,71 8,764 8,68 8,77 8,68 8,77
Y2 8,085 8,14 7,84 7,933 7,64 7,7 7,69 7,76
8,656 8,71 8,71 8,764 8,68 8,77 8,68 8,77
Y3 8,085 8,14 7,84 7,933 7,64 7,7 7,69 7,76
8,656 8,71 8,71 8,764 8,68 8,77 8,68 8,77
Y4 8,085 8,14 7,84 7,933 7,64 7,7 7,69 7,76
8,656 8,71 8,71 8,764 8,68 8,77 8,68 8,77
Y1 8,033 8,24 7,75 8,115 7,58 7,82 7,63 7,88 1,585062
8,598 8,83 8,65 8,873 8,59 8,95 8,59 8,95
Y2 8,033 8,24 7,75 8,115 7,58 7,82 7,63 7,88
8,598 8,89 8,65 8,927 8,59 9,05 8,59 9,05
Y3 8,033 8,24 7,75 8,115 7,58 7,82 7,63 7,88
8,598 8,83 8,65 8,873 8,59 8,95 8,59 8,95
Y4 8,033 8,24 7,75 8,115 7,58 7,82 7,63 7,88
8,598 8,83 8,65 8,873 8,59 8,95 8,59 8,95
Y1 8,03 8,09 7,75 7,84 7,58 7,64 7,6 7,69 1,32005
8,6 8,66 8,65 8,71 8,59 8,68 8,6 8,68
Y2 8,03 8,09 7,75 7,84 7,58 7,64 7,6 7,69
8,6 8,66 8,65 8,71 8,59 8,68 8,6 8,68
Y3 8,03 8,09 7,75 7,84 7,58 7,64 7,6 7,69
8,6 8,66 8,65 8,71 8,59 8,68 8,6 8,68
Y4 8,03 8,09 7,75 7,84 7,58 7,64 7,6 7,69
32
8,6 8,66 8,65 8,71 8,59 8,68 8,6 8,68
Y1 8,033 8,35 7,75 8,296 7,58 7,94 7,63 8 1,629434
8,598 8,95 8,65 8,982 8,59 9,14 8,59 9,14
Y2 8,033 8,35 7,75 8,296 7,58 7,94 7,63 8
8,598 8,95 8,65 8,982 8,59 9,14 8,59 9,14
Y3 8,033 8,4 7,75 8,387 7,58 8 7,63 8,06
8,598 9,01 8,65 9,036 8,59 9,23 8,59 9,23
Y4 8,033 8,35 7,75 8,296 7,58 7,94 7,63 8
8,598 8,95 8,65 8,982 8,59 9,14 8,59 9,14
Y1 8,033 8,4 7,75 8,387 7,58 8 7,63 8,06 1,65733
8,598 9,01 8,65 9,036 8,59 9,23 8,59 9,23
Y2 8,033 8,4 7,75 8,387 7,58 8 7,63 8,06
8,598 9,01 8,65 9,036 8,59 9,23 8,59 9,23
Y3 8,033 8,45 7,75 8,478 7,58 8,06 7,63 8,13
Berdasarkan Tabel 4.4 dan Gambar 4.7 terlihat bahwa nilai GCV paling kecil
adalah sebesar 1,32005 dengan titik knot optimal adalah sebagai berikut.
Y1 ( x11 : K11 8,03; x11 : K12 8,6; x21 : K 21 8,09; x21 : K 22 8,66
x12 : K 31 7,75; x12 : K 32 8,65; x22 : K 41 7,84; x22 : K 42 8,71
x13 : K 51 7,58; x13 : K 52 8,59; x23 : K 61 7,64; x23 : K 62 8,68
x14 : K 71 7,6; x14 : K 72 8,6; x24 : K81 7,69; x24 : K82 8,68
Y2 ( x11 : K11 8,03; x11 : K12 8,6; x21 : K 21 8,09; x21 : K 22 8,66
x12 : K 31 7,75; x12 : K 32 8,65; x22 : K 41 7,84; x22 : K 42 8,71
x13 : K 51 7,58; x13 : K 52 8,59; x23 : K 61 7,64; x23 : K 62 8,68
x14 : K 71 7,6; x14 : K 72 8,6; x24 : K81 7,69; x24 : K82 8,68
33
Y3 ( x11 : K11 8,03; x11 : K12 8,6; x21 : K 21 8,09; x21 : K 22 8,66
x12 : K 31 7,75; x12 : K 32 8,65; x22 : K 41 7,84; x22 : K 42 8,71
x13 : K 51 7,58; x13 : K 52 8,59; x23 : K 61 7,64; x23 : K 62 8,68
x14 : K 71 7,6; x14 : K 72 8,6; x24 : K81 7,69; x24 : K82 8,68
Y4 ( x11 : K11 8,03; x11 : K12 8,6; x21 : K 21 8,09; x21 : K 22 8,66
x12 : K 31 7,75; x12 : K 32 8,65; x22 : K 41 7,84; x22 : K 42 8,71
x13 : K 51 7,58; x13 : K 52 8,59; x23 : K 61 7,64; x23 : K 62 8,68
x14 : K 71 7,6; x14 : K 72 8,6; x24 : K81 7,69; x24 : K82 8,68
Y1 0 11 x11 111 ( x11 K11 )1 112 ( x11 K12 )1 113 ( x11 K13 )1
21 x21 211 ( x21 K 21 )1 212 ( x21 K 22 )1 213 ( x21 K 23 )1
31 x21 311 ( x12 K 31 )1 312 ( x12 K 32 )1 313 ( x12 K 33 )1
41 x22 411 ( x22 K 41 )1 412 ( x22 K 42 )1 413 ( x22 K 43 )1
51 x13 511 ( x13 K 51 )1 512 ( x13 K 52 )1 513 ( x13 K 53 )1
61 x23 611 ( x23 K 61 )1 612 ( x23 K 62 )1 613 ( x23 K 63 )1
71 x14 711 ( x14 K 71 )1 712 ( x14 K 72 )1 713 ( x14 K 73 )1
81 x24 811 ( x24 K81 )1 812 ( x24 K 82 )1 813 ( x24 K83 )1
Y2 0 12 x11 121 ( x11 K11 )1 122 ( x11 K12 )1 123 ( x11 K13 )1
22 x21 221 ( x21 K 21 )1 222 ( x21 K 22 )1 223 ( x21 K 23 )1
32 x21 321 ( x12 K 31 )1 322 ( x12 K 32 )1 323 ( x12 K 33 )1
42 x22 421 ( x22 K 41 )1 422 ( x22 K 42 )1 423 ( x22 K 43 )1
52 x13 521 ( x13 K 51 )1 522 ( x13 K 52 )1 523 ( x13 K 53 )1
62 x23 621 ( x23 K 61 )1 622 ( x23 K 62 )1 623 ( x23 K 63 )1
72 x14 721 ( x14 K 71 )1 722 ( x14 K 72 )1 723 ( x14 K 73 )1
82 x24 821 ( x24 K81 )1 822 ( x24 K 82 )1 823 ( x24 K 83 )1
34
Y3 0 13 x11 131 ( x11 K11 )1 132 ( x11 K12 )1 133 ( x11 K13 )1
23 x21 231 ( x21 K 21 )1 232 ( x21 K 22 )1 233 ( x21 K 23 )1
33 x21 331 ( x12 K 31 )1 332 ( x12 K 32 )1 333 ( x12 K 33 )1
43 x22 431 ( x22 K 41 )1 432 ( x22 K 42 )1 433 ( x22 K 43 )1
53 x13 531 ( x13 K 51 )1 532 ( x13 K 52 )1 533 ( x13 K 53 )1
63 x23 631 ( x23 K 61 )1 632 ( x23 K 62 )1 633 ( x23 K 63 )1
73 x14 731 ( x14 K 71 )1 732 ( x14 K 72 )1 733 ( x14 K 73 )1
83 x24 831 ( x24 K 81 )1 832 ( x24 K 82 )1 833 ( x24 K 83 )1
Y4 0 14 x11 141 ( x11 K11 )1 142 ( x11 K12 )1 143 ( x11 K13 )1
24 x21 241 ( x21 K 21 )1 242 ( x21 K 22 )1 243 ( x21 K 23 )1
34 x21 341 ( x12 K 31 )1 342 ( x12 K 32 )1 343 ( x12 K 33 )1
44 x22 441 ( x22 K 41 )1 442 ( x22 K 42 )1 443 ( x22 K 43 )1
54 x13 541 ( x13 K 51 )1 542 ( x13 K 52 )1 543 ( x13 K 53 )1
64 x23 641 ( x23 K 61 )1 642 ( x23 K 62 )1 643 ( x23 K 63 )1
74 x14 741 ( x14 K 71 )1 742 ( x14 K 72 )1 743 ( x14 K 73 )1
84 x24 841 ( x24 K81 )1 842 ( x24 K 82 )1 843 ( x24 K 83 )1
Hasil dari perhitungan tiga titik knot dapat dilihat pada Tabel 4.5 sebagai berikut.
35
7.82 7.75 7.81 7.87 8.71 8.77 8.83 8.76
8.81 8.72 8.77 8.86 8.94 8.77 8.86 8.95
Y2 8.14 8.19 8.24 7.93 8.02 8.11 7.70 7.76
7.82 7.75 7.81 7.87 8.71 8.77 7.70 7.76
8.81 8.72 8.77 8.86 8.94 8.77 8.83 8.76
Y3 8.14 8.19 8.24 7.93 8.02 8.11 8.86 8.95
7.82 7.75 7.81 7.87 8.71 8.77 7.70 7.76
8.81 8.72 8.77 8.86 8.94 8.77 7.70 7.76
Y4 8.14 8.19 8.24 7.93 8.02 8.11 8.83 8.76
7.82 7.75 7.81 7.87 8.71 8.77 8.86 8.95
8.81 8.72 8.77 8.86 8.94 8.77 7.70 7.76
Y1 8.14 8.19 8.24 7.93 8.02 8.11 7.70 7.76
7.82 7.75 7.81 7.87 8.71 8.77 8.83 8.76
8.81 8.72 8.77 8.86 8.94 8.77 8.86 8.95
Y2 8.14 8.19 8.24 7.93 8.02 8.11 7.70 7.76
7.82 7.75 7.81 7.87 8.71 8.77 7.70 7.76
8.81 8.72 8.77 8.86 8.94 8.77 8.83 8.76
1,43
Y3 8.14 8.19 8.24 7.93 8.02 8.11 8.86 8.95
7.82 7.75 7.81 7.87 8.71 8.77 7.70 7.76
8.81 8.72 8.77 8.86 8.94 8.77 7.70 7.76
Y4 8.14 8.19 8.24 7.93 8.02 8.11 8.83 8.76
7.82 7.75 7.81 7.87 8.71 8.77 8.86 8.95
8.81 8.72 8.77 8.86 8.94 8.77 7.70 7.76
Y1 8.14 8.19 8.24 7.93 8.02 8.11 7.70 7.76
7.82 7.75 7.81 7.87 8.71 8.77 8.83 8.76
8.81 8.72 8.77 8.86 8.94 8.77 8.86 8.95
Y2 8.14 8.19 8.24 7.93 8.02 8.11 7.70 7.76
7.82 7.75 7.81 7.87 8.71 8.77 7.70 7.76
8.81 8.72 8.77 8.86 8.94 8.77 8.83 8.76
1,45
Y3 8.14 8.19 8.24 7.93 8.02 8.11 8.86 8.95
7.82 7.75 7.81 7.87 8.71 8.77 7.70 7.76
8.81 8.72 8.77 8.86 8.94 8.77 7.70 7.76
Y4 8.14 8.19 8.24 7.93 8.02 8.11 8.83 8.76
7.82 7.75 7.81 7.87 8.71 8.77 8.86 8.95
8.81 8.72 8.77 8.86 8.94 8.77 7.70 7.76
Y1 8.14 8.19 8.24 7.93 8.02 8.11 7.70 7.76
7.82 7.75 7.81 7.87 8.71 8.77 8.83 8.76
8.81 8.72 8.77 8.86 8.94 8.77 8.86 8.95
Y2 8.14 8.19 8.24 7.93 8.02 8.11 7.70 7.76 1,50
7.82 7.75 7.81 7.87 8.71 8.77 7.70 7.76
8.81 8.72 8.77 8.86 8.94 8.77 8.83 8.76
Y3 8.14 8.19 8.24 7.93 8.02 8.11 8.86 8.95
36
7,82 7,75 7,81 7,87 8,71 8,77 7,70 7,76
8,81 8,72 8,77 8,86 8,94 8,77 7,70 7,76
Y4 8,14 8,19 8,24 7,93 8,02 8,11 8,83 8,76
7,82 7,75 7,81 7,87 8,71 8,77 8,86 8,95
8,81 8,72 8,77 8,86 8,94 8,77 7,70 7,76
Y1 8,14 8,19 8,24 7,93 8,02 8,11 7,70 7,76
7,82 7,75 7,81 7,87 8,71 8,77 8,83 8,76
8,81 8,72 8,77 8,86 8,94 8,77 8,86 8,95
Y2 8,14 8,19 8,24 7,93 8,02 8,11 7,70 7,76
7,82 7,75 7,81 7,87 8,71 8,77 7,70 7,76
8,81 8,72 8,77 8,86 8,94 8,77 8,83 8,76
1,49709
Y3 8,14 8,19 8,24 7,93 8,02 8,11 8,86 8,95
7,82 7,75 7,81 7,87 8,71 8,77 7,70 7,76
8,81 8,72 8,77 8,86 8,94 8,77 7,70 7,76
Y4 8,14 8,19 8,24 7,93 8,02 8,11 8,83 8,76
7,82 7,75 7,81 7,87 8,71 8,77 8,86 8,95
8,81 8.72 8,77 8,86 8,94 8,77 7,70 7,76
Y1 8,14 8,19 8,24 7,93 8,02 8,11 7,70 7,76
7,82 7,75 7,81 7,87 8,71 8,77 8,83 8,76
8,81 8,72 8,77 8,86 8,94 8.77 8,86 8,95
Y2 8,14 8,19 8,24 7,93 8,02 8,11 7,70 7,76
7,82 7,75 7,81 7,87 8,71 8,77 7,70 7,76
8,81 8,72 8,77 8,86 8,94 8,77 8,83 8,76
1,564151
Y3 8,14 8,19 8,24 7,93 8,02 8,11 8,86 8,95
7,82 7,75 7,81 7,87 8,71 8,77 7,70 7,76
8,81 8,72 8,77 8,86 8,94 8,77 7,70 776
Y4 8,14 8,19 8,24 7,93 8,02 8,11 8,83 8,76
7,82 7,75 7,81 7,87 8,71 8,77 8,86 8,95
8,81 8,72 8,77 8,86 8,94 8,77 7,70 7,76
Y1 8,14 8,19 8,24 7,93 8,02 8,11 7,70 7,76
7,82 7,75 7,81 7,87 8,71 8,77 8,83 8,76
8,81 8,72 8,77 8.86 8,94 8,77 8,86 8,95
Y2 8,14 8,19 8,24 7,93 8,02 8,11 7,70 7,76
7,82 7,75 7,81 7,87 8,71 8,77 7,70 7,76
8,81 8,72 8,77 8,86 8,94 8,77 8,83 8,76
1,585062
Y3 8,14 8,19 8,24 7,93 8,02 8,11 8,86 8,95
7,82 7,75 7,81 7,87 8,71 8,77 7,70 7,76
8,81 8,72 8,77 8,86 8,94 8,77 7,70 7,76
Y4 8,14 8,19 8,24 7,93 8,02 8,11 8,83 8,76
7,82 7,75 7,81 7,87 8,71 8,77 8,86 8,95
8,81 8,72 8,77 8,86 8,94 8,77 7,70 7,76
Y1 8,14 8,19 8,24 7.93 8,02 8,11 7,70 7,76 1,586474
37
7,82 7,75 7,81 7,87 8,71 8,77 8,83 8,76
8,81 8,72 8,77 8,86 8,94 8,77 8,86 8,95
Y2 8,14 8,19 8,24 7,93 8,02 8,11 7,70 7,76
7,82 7,75 7,81 7,87 8,71 8,77 7,70 7,76
8,81 8,72 8,77 8,86 8,94 8,77 8,83 8,76
Y3 8,14 8,19 8,24 7,93 8,02 8,11 8,86 8,95
7,82 7,75 7,81 7,87 8,71 8,77 7,70 7,76
8,81 8,72 8,77 8,86 8,94 8,77 7,70 7,76
Y4 8,14 8,19 8,24 7,93 8,02 8,11 8,83 8,76
7,82 7,75 7,81 7,87 8,71 8,77 8,86 8,95
8,81 8,72 8,77 8,86 8,94 8,77 7,70 7,76
Berdasarkan Tabel 4.5 dan Gambar 4.8 terlihat bahwa nilai GCV paling kecil
adalah sebesar 1,497109 dengan titik knot optimal adalah sebagai berikut.
Y 1 ( x11 : K11 8,14; x11 : K12 7,82; x11 : K13 8,81; x12 : K 31 8,19; x12 : K 32 7, 75
x12 : K 33 8, 72; x13 : K 51 8, 24; x13 : K 52 7,81; x13 : K 53 8, 77; x14 : K 71 7,93
x14 : K 72 7,87; x14 : K 73 8,86; x21 : K 21 8, 02; x21 : K 22 8, 71; x21 : K 23 8,94
x22 : K 41 8,11; x22 : K 42 8, 77; x22 : K 43 8, 77; x23 : K 61 7, 70; x23 : K 62 8,83
x23 : K 63 8,86; x24 : K81 7, 76; x24 : K82 8, 76; x24 : K83 8,95)
Y 2 ( x11 : K11 8,14; x11 : K12 7,82; x11 : K13 8,81; x12 : K 31 8,19; x12 : K 32 7, 75
x12 : K 33 8, 72; x13 : K 51 8, 24; x13 : K 52 7,81; x13 : K 53 8, 77; x14 : K 71 7,93
x14 : K 72 7,87; x14 : K 73 8,86; x21 : K 21 8, 02; x21 : K 22 8, 71; x21 : K 23 8,94
x22 : K 41 8,11; x22 : K 42 8, 77; x22 : K 43 8, 77; x23 : K 61 7, 70; x23 : K 62 8,83
x23 : K 63 8,86; x24 : K81 7, 76; x24 : K82 8, 76; x24 : K83 8,95)
38
Y 3 ( x11 : K11 8,14; x11 : K12 7,82; x11 : K13 8,81; x12 : K 31 8,19; x12 : K 32 7, 75
x12 : K 33 8, 72; x13 : K 51 8, 24; x13 : K 52 7,81; x13 : K 53 8, 77; x14 : K 71 7,93
x14 : K 72 7,87; x14 : K 73 8,86; x21 : K 21 8, 02; x21 : K 22 8, 71; x21 : K 23 8,94
x22 : K 41 8,11; x22 : K 42 8, 77; x22 : K 43 8, 77; x23 : K 61 7, 70; x23 : K 62 8,83
x23 : K 63 8,86; x24 : K81 7, 76; x24 : K 82 8, 76; x24 : K83 8,95)
Y 4 ( x11 : K11 8,14; x11 : K12 7,82; x11 : K13 8,81; x12 : K 31 8,19; x12 : K 32 7, 75
x12 : K 33 8, 72; x13 : K 51 8, 24; x13 : K 52 7,81; x13 : K 53 8, 77; x14 : K 71 7,93
x14 : K 72 7,87; x14 : K 73 8,86; x21 : K 21 8, 02; x21 : K 22 8, 71; x21 : K 23 8,94
x22 : K 41 8,11; x22 : K 42 8, 77; x22 : K 43 8, 77; x23 : K 61 7, 70; x23 : K 62 8,83
x23 : K 63 8,86; x24 : K81 7, 76; x24 : K 82 8, 76; x24 : K83 8,95)
39
Y1 10,52 38,50 x11 10,94( x11 8,14)1 19,37( x11 7,82)1 40,33x21
22,58( x21 8,09)1 20,56( x21 8,66)1 12, 40 x12 21,62( x12 8,19)1
35,78( x31 7,75)1 2,91x22 23( x22 8,11)1 11,90( x41 8,71)1
29, 24 x13 10, 45( x13 8, 24)1 48,70( x51 7,81)1 8,38 x23
9,37( x23 7,70)1 14, 44( x61 8,83)1 30,78 x14 8,34( x14 7,93)1
29,23( x71 7,87)1 18,55 x24 39,10( x14 7,76)1 16,58( x24 8,95)1
Y2 6, 43 36,73 x11 0, 41( x11 8,14)1 18,32( x11 7,82)1 16, 22 x21
10,93( x21 8,09)1 11.28( x21 8,66)1 22, 46 x12 14,18( x12 8,19)1
41,73( x31 7,75)1 4, 23 x22 2,92( x22 8,11)1 3, 44( x41 8,71)1
27,02 x13 7,91( x13 8, 24)1 16,19( x51 7,81)1 0.23 x23
19,15( x23 7,70)1 31,93( x61 8,83)1 18,65 x14 6,71( x14 7,93)1
19,54( x71 7,87)1 6,89 x24 28,66( x14 7,76)1 14, 55( x24 8,95)1
Y3 14, 48 32,03x11 0,31( x11 8,14)1 30,53( x11 7,82)1 91,62* x21
88,94* ( x21 8,09)1 11,30( x21 8,66)1 11,07 x12 18,94( x12 8,19)1
53,61( x31 7, 75)1 23,06 x22 7,91( x22 8,11)1 9, 42( x41 8,71)1
51, 67 x13 17, 45( x13 8, 24)1 109,52* ( x51 7,81)1 18, 43x23
78,37( x23 7,70)1 11, 23( x61 8,83)1 40,77 x14 31,64( x14 7,93)1
39,37( x71 7,87)1 33, 21x24 33,34( x14 7,76)1 14,92( x24 8,95)1
Y4 5,91 4,07 x11 13,31( x11 8,14)1 0,17( x11 7,82)1 48,33x21
36,62( x21 8,09)1 3,68( x21 8,66)1 2,62 x12 20,66( x12 8,19)1
9,56( x31 7,75)1 6,92 x22 15,04( x22 8,11)1 1,99( x41 8, 71)1
6,51x13 7,16( x13 8, 24)1 62,77( x51 7,81)1 17,03x23
28,87( x23 7,70)1 9, 25( x61 8,83)1 16,67 x14 13,78( x14 7,93)1
16,01( x71 7,87)1 15,58 x24 40,04( x14 7,76)1 19,19( x24 8, 95)1
Ket : *) Signifikansi 5%
Pengujian secara parsial, menunjukkan bahwa pada model III dengan
respon nilai UNAS Matematika variabel yang prediktor yang berpengaruh hanya
nilai UAS dengan titik knotnya 8,09 dan nilai rata-rata rapor matematika
1.Model yang terbaik yang menjelaskan nilai UNAS SMKN 3 Buduran Sidoarjo
adalah model spline linier dengan 2 knot dengan nilai GCV 1,320052 R2 65,45%
2. Jika nilai UAS Bahasa Indonesia lebih kecil dari 8,09, maka nilai UAS
Matematika tidak berpengaruh terhadap perubahan nilai UNAS Matematika. Tapi
40
jika nilai UAS Bahasa Indonesia lebih besar 8,09, maka peningkatan nilai UAS
Bahasa Indonesia berkontribusi terhadap nilai UNAS Matematika.
3. Jika nilai rata-rata rapor Matematika lebih kecil dari 7,81, maka nilai rata-rata
rapor tidak berpengaruh terhadap perubahan nilai UNAS Matematika. Tapi jika
nilai UAS Matematika lebih besar 7,81, maka peningkatan nilai rata-rata rapor
Matematika terhadap nilai UNAS Matematika.
41
Halaman ini sengaja dikosongkan
42
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil dan pembahasan, dapat diambil beberapa kesimpulan
yaitu:
1. Model regresi nonparametrik spline truncated multirespon dapat diestimasi
dengan menggunakan metode Weighted Least Square.
A[ K ]Y, dengan A[ K ] X[ K ]( XT WX[ K ]) 1 XT [ K ]W
Didapatkan Y
Dengan W matriks varian kovarian dari Y.
bergantung pada titik-titik knot K. Titik knot optimum didapatkan
Estimator Y
dengan metode Generalized Cross Validation (GCV).
2. Dari aplikasi model regresi nonparametrik spline truncated multirespon pada
data nilai UNAS SMKN 3 Buduran Sidoarjo terdapat pada model regresi
nonparametrik multirespon spline truncated linier 2 titik knot.
Y 1 10,52 38,50 x11 10,94( x11 8,14)1 19,37( x11 7,82)1 40,33 x21
22,58( x21 8,09)1 20,56( x21 8,66)1 12, 40 x12 21,62( x12 8,19)1
35,78( x31 7,75)1 2,91x22 23( x22 8,11)1 11,90( x41 8,71)1
29, 24 x13 10, 45( x13 8, 24)1 48,70( x51 7,81)1 8,38 x23
9,37( x23 7,70)1 14, 44( x61 8,83)1 30,78 x14 8,34( x14 7,93)1
29, 23( x71 7,87)1 18,55 x24 39,10( x14 7,76)1 16,58( x24 8,95)1
Y 2 6, 43 36,73x11 0, 41( x11 8,14)1 18,32( x11 7,82)1 16, 22 x21
10,93( x21 8,09)1 11.28( x21 8,66)1 22, 46 x12 14,18( x12 8,19)1
41,73( x31 7,75)1 4, 23 x22 2,92( x22 8,11)1 3, 44( x41 8,71)1
27,02 x13 7,91( x13 8, 24)1 16,19( x51 7,81)1 0.23 x23
19,15( x23 7,70)1 31,93( x61 8,83)1 18,65 x14 6,71( x14 7,93)1
19,54( x71 7,87)1 6,89 x24 28,66( x14 7,76)1 14, 55( x24 8,95)1
43
Y 3 14, 48 32,03x11 0,31( x11 8,14)1 30,53( x11 7,82)1 91,62* x21
88,94* ( x21 8,09)1 11,30( x21 8,66)1 11,07 x12 18,94( x12 8,19)1
53,61( x31 7, 75)1 23,06 x22 7,91( x22 8,11)1 9, 42( x41 8,71)1
51, 67 x13 17, 45( x13 8, 24)1 109,52* ( x51 7,81)1 18, 43x23
78,37( x23 7,70)1 11, 23( x61 8,83)1 40,77 x14 31,64( x14 7,93)1
39,37( x71 7,87)1 33, 21x24 33,34( x14 7,76)1 14,92( x24 8,95)1
Y 4 5,91 4,07 x11 13,31( x11 8,14)1 0,17( x11 7,82)1 48,33 x21
36,62( x21 8,09)1 3,68( x21 8,66)1 2,62 x12 20,66( x12 8,19)1
9,56( x31 7,75)1 6,92 x22 15,04( x22 8,11)1 1,99( x41 8, 71)1
6,51x13 7,16( x13 8, 24)1 62,77( x51 7,81)1 17,03x23
28,87( x23 7,70)1 9, 25( x61 8,83)1 16,67 x14 13,78( x14 7,93)1
16,01( x71 7,87)1 15,58 x24 40,04( x14 7,76)1 19,19( x24 8, 95)1
ii. Nilai GCV yang paling optimal adalah 2 knot dengan GCV sebesar 1,320052
dan R2 65,45%. Jika dibandingkan dengan 1 knot, GCV pada 1 knot lebih kecil
dari 2 dan 3 knot, namun pada hasil R2 pada 1 knot lebih kecil jika dibandingkan
dengan 2 dan 3 knot, sehingga dipilih 2 knot sebagai GCV yang paling optimum
selain itu juga pada 3 knot tidak diambil sebagai GCV yang optimum karena
sangat sulit diinterpretasikan.
iii. Titik knot untuk respon nilai UNAS Matematika yaitu 8, 09 untuk variabel
UAS Bahasa Indonesia dan 7,81 untuk variabel nilai rata-rata rapor
Matematika.
iv. Ketika dilakukan pengujian secara parsial pada respon nilai UNAS Matematika
variabel prediktor yang berpengaruh hanya nilai rata-rata rapor Bahasa
Indonesia dan nilai rata-rata rapor Matematika.
5.2 Saran
Berikut adalah saran yang dapat disampaikan berdasarkan hasil analisis
dan pembahasan:
1. Pada penelitian ini hanya menggunakan dua variabel prediktor yaitu
nilai rata-rata rapor dan nilai ujian akhir sekolah. Untuk penelitian
selanjutnya bisa dikembangkan dengan menambahkan variabel-variabel
44
yang diduga mempengaruhi seperti, jumlah jam belajar per hari, nilai
rata-rata tryout, atau lainnya.
2. Pada penelitian ini hanya dilakukan sampai spline linier. Untuk
penelitian selanjutnya bisa dikembangkan dengan spline kuadrat dan
kubik.
45
DAFTAR PUSTAKA
47
Gao, J. dan Shi, P. (1997), “M-Type Smoothing Splines in Nonparametric and
Semiparametric Regression Model”, Statistica Sinicia, Vol. 7, hal 1155-
1169.
Hardle, W., (1990), Applied Nonparametric Regression, Cambridge University
Press, New York.
Henaulu, M. H, (2009), Pemodelan Nilai UNAS Siswa SMA Negeri 11 Ambon
dengan Pendekatan Regresi Nonparametrik Spline, Tesis, FMIPA, ITS.
Ikhsan, Sadik, (2011), Penanganan Masalah Multiklonieritas dalam Pendugaan
dan Analisis Fungsi Produksi UsahaTani Padi di Kabupaten Hulu Sungai
Utara dengan Menggunakan Prosedur Regresi Komponen Utama, Jurna
Agrobisnis Perdesaan 1(4): 250.
Johnson, Wichern, Rencher, A.C., (2002), Methods of Multivariate
Analysis. Second Edition, Jhon Wiley & Sons, Inc. New York.
48
Prahutama, Alan., (2013), Model regresi nonparametrik polynomial Lokal
birespon pada data longitudinal, Tesis, Jurusan Statistika Matematika dan
Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember.
Rencher, A.C., (2002), Methods of Multivariate Analysis. Second Edition, Jhon
Wiley & Sons, Inc. New York.
Rencher, A.C. dan Schaalje, G.B, (2008), Linier Models in Statistics , 2rd
ed.,America.
Sutarsih, S., (2008), Pendekatan Regresi Spline untuk Memodelkan Nilai UNAS
Siswa SMK Negeri 3 Buduruan Sidoarjo, Tesis, FMIPA, ITS.
Tripena, A. (2011), “Penentuan Model Regresi Spline Terbaik”, Prosiding
Seminar Nasional Statistika Universitas Diponegoro, hal 92-102.
Walpole, R.E., Alih bahasa Ir. Bambang Sumantri (1982), Pengantar Statistika,
Edisi ketiga. PT. Gramedia Pustaka Utama, Jakarta.
Wang, Y., Guo, W., dan Brown, M.B, (2000), “Spline Smoothing for Bivariate
Data With Applications to Assocation Between Hormones”, Statistica
Sinica, Vol. 10, hal 377-397.
49
Halaman ini sengaja dikosongkan
46
Lampiran 1. Data Nilai UNAS SMKN 3 Buduran Sidoarjo Jurusan Teknik Gambar
51
40 8 8,2 4,25 6,25 8,18 8,94 8,14 8,8 7,68 8,5 7,79 9
41 8 7,8 5 5,75 8,14 8,84 8,3 8,8 7,86 8,5 7,86 8,5
42 8,4 7,2 5,75 7,75 8,06 8,66 8,26 8,6 7,56 8,5 7,78 8,5
43 8,2 7,4 5,75 7,25 8,4 9,06 8,32 8,6 7,6 8,5 7,86 8,5
44 8,4 7,8 5,25 7,5 8,34 9,06 8,22 9 7,62 8,5 7,96 8,75
45 8 5,6 5,25 6,25 8,51 9,08 8,14 8,8 7,7 8,8 7,99 8,8
46 7,6 7,2 5,5 6 8,2 8,92 7,9 8,8 7,54 8,5 7,83 8,5
47 8 7,2 7,5 6,75 8,32 8,94 8,02 8,8 7,7 8,5 7,92 8,5
48 7,2 8,4 9 8 8,32 8,88 8,46 8,6 7,66 9,5 7,87 8,5
49 7 8,2 4,25 5,5 8,34 8,98 8,12 8,6 7,58 8,5 8,03 8,6
50 8,2 7,6 8 6 8,56 9 8,66 8,6 7,92 8,5 8 8,5
52
Lampiran 2. Program GCV Spline Linier 1 Knot dengan Software R
GCV1=function(data)
{
ny=4
seperW=50
library(Matrix)
library(pracma)
data=as.matrix(data)
N=length(data[,1])
m=length(data[1,])
n=N/ny
dataA=as.matrix(data[,2:3])
w=as.matrix(diag(N))
diag(w)<-1/seperW
nk=20
m1=2 #m1=banyaknya non parametrik
knot1=as.matrix(rep(NA,nk-2))
for (k in (1:ny))
{
dataA1=as.matrix(dataA[((n*k-(n-1)):(k*n)),])
knot11=matrix(ncol=m1,nrow=nk)
for (i in (1:m1))
{
a=seq(min(dataA1[,i]),max(dataA1[,i]),length.out=nk)
a=as.vector(a)
for (j in 1:nk)
{
knot11[j,i]=a[j]
}
}
knot11=as.matrix(knot11[-(c(1,nk)),])
knot1=as.matrix(cbind(knot1,knot11))
}
aa=rep(1,N)
knot1=as.matrix(knot1[,-1])
nk1=nrow(knot1)
m2=ncol(knot1)
data1=matrix(ncol=m2,nrow=n)
data2=data[,-1]
GCV=rep(NA,nk1)
MSE=rep(NA,nk1)
SSE=rep(NA,nk1)
SST=rep(NA,nk1
53
Lanjutan lampiran 2. Program GCV Spline Linier 1 Knot dengan Software R
SSR=rep(NA,nk1)
Rsq=rep(NA,nk1)
datanp=matrix(ncol=m2,nrow=n)
for (i in 1:ny)
datanp[,(m1*i-m1+1):(m1*i)]=data[(i*n-n+1):(i*n),2:3]
for (i in 1:nk1)
{
for (j in 1:m2)
{
for (k in 1:n)
{
if (datanp[k,j]<knot1[i,j]) data1[k,j]=0 else data1[k,j]=datanp[k,j]-
knot1[i,j]
}
}
data3=matrix(ncol=m1,nrow=N)
for (ll in 1:ny)
data3[(ll*n-n+1):(ll*n),]=data1[,(m1*ll-m1+1):(m1*ll)]
mx=cbind(aa,data2,data3)
MX=diag(0)
for (l in 1:ny)
MX=bdiag(MX,mx[((n*l-(n-1)):(l*n)),])
MX=as.matrix(MX)
C=pinv(t(MX)%*%w%*%MX)
B=C%*%(t(MX)%*%w%*%data[,1])
yhat=MX%*%B
n1=length(B)
res=data[,1]-yhat
SSE[i]=sum((res)^2)
SSR[i]=sum((yhat-mean(data[,1]))^2)
SST[i]=sum((data[,1]-mean(data[,1]))^2)
MSE[i]=SSE[i]/(N)
Rsq[i]=(SSR[i]/(SSR[i]+SSE[i]))*100
A=MX%*%pinv(t(MX)%*%w%*%MX)%*%t(MX)%*%w
F=as.matrix(diag(N))
A1=(F-A)
A2=(sum(diag(A1))/N)^2
GCV[i]=MSE[i]/A2
}
GCV=as.matrix(GCV)
Rsq=as.matrix(Rsq)
MSE=as.matrix(MSE)
GCVcopy=GCV
54
Lanjutan lampiran 2. Program GCV Spline Linier 1 Knot dengan Software R
s1=min(GCVcopy)
colnames(Rsq)<-"Rsq"
colnames(MSE)<-"MSE"
colnames(GCV)<-"GCV"
gab11=cbind(GCV,Rsq,MSE,knot1)
gab12=gab11[order(GCV),]
gab12=gab12[1:10,]
write.csv(GCV,file="d:/output_spline/output GCV 1 knot.csv")
write.csv(Rsq,file="d:/output_spline/output Rsq 1 knot.csv")
write.csv(knot1,file="d:/output_spline/output knot 1 knot.csv")
write.csv(MSE,file="d:/output_spline/output MSE 1 knot.csv")
for (i in 1:nk1)
if (GCV[i]==s1)
{knotgcv1=knot1[i,];Rsqgcv=Rsq[i];MSEgcv=MSE[i];SSEgcv=SSE[i];SSTgc
v=SST[i];SSRgcv=SSR[i];ik=i;break}
knotgcv=matrix(knotgcv1,nrow=1)
cat("==============================================","\n")
cat("HASIL GCV terkecil dengan Spline linear 1 knot","\n")
cat("==============================================","\n")
cat("GCV = ",s1,"\n")
cat("Rsquare all = ",Rsqgcv,"\n")
cat("Knot = ",knotgcv,"\n")
cat("MSE = ",MSEgcv,"\n")
cat("SSR = ",SSRgcv,"\n")
cat("SSE = ",SSEgcv,"\n")
cat("SST = ",SSTgcv,"\n")
cat("\n")
cat("Nilai GCV 10 terkecil pertama","\n")
print(gab12)
cat("\n")
for (j in 1:m2)
{
for (k in 1:n)
{
if (datanp[k,j]<knot1[ik,j]) data1[k,j]=0 else data1[k,j]=datanp[k,j]-
knot1[ik,j]
}
}
data3=matrix(ncol=m1,nrow=N)
for (ll in 1:ny)
data3[(ll*n-n+1):(ll*n),]=data1[,(m1*ll-m1+1):(m1*ll)]
mx=cbind(aa,data2,data3)
55
Lanjutan lampiran 2. Program GCV Spline Linier 1 Knot dengan Software R
MX=diag(0)
for (l in 1:ny)
MX=bdiag(MX,mx[((n*l-(n-1)):(l*n)),])
MX=as.matrix(MX)
list(knot=knotgcv,mingcv=s1,Rsqgcv=Rsqgcv,mx=MX)
}
56
Lampiran 3. Program GCV Spline Linier 2 Knot dengan Software R
GCV2=function(data)
{
ny=4
seperW=50
library(Matrix)
library(pracma)
data=as.matrix(data)
N=length(data[,1])
m=length(data[1,])
n=N/ny
dataA=as.matrix(data[,-1])
w=as.matrix(diag(N))
diag(w)<-1/seperW
nk=20
m1=2 #m1=banyaknya non parametrik
knot1=as.matrix(rep(NA,nk-2))
for (k in (1:ny))
{
dataA1=as.matrix(dataA[((n*k-(n-1)):(k*n)),])
knot11=matrix(ncol=m1,nrow=nk)
for (i in (1:m1))
{
a=seq(min(dataA1[,i]),max(dataA1[,i]),length.out=nk)
a=as.vector(a)
for (j in 1:nk)
{
knot11[j,i]=a[j]
}
}
knot11=as.matrix(knot11[-(c(1,nk)),])
knot1=as.matrix(cbind(knot1,knot11))
}
knot1=as.matrix(knot1[,-1])
nk1=nrow(knot1)
z=(nk1*(nk1-1)/2)
m2=ncol(knot1)
knot2=cbind(rep(NA,(z+1)))
for (i in (1:m2))
{
knot21=rbind(rep(NA,2))
for ( j in 1:(nk1-1))
{
for (k in (j+1):nk1)
{
57
Lanjutan lampiran 3. Program GCV Spline Linier 2 Knot dengan Software R
xx=cbind(knot1[j,i],knot1[k,i])
knot21=rbind(knot21,xx)
}
}
knot2=cbind(knot2,knot21)
}
knot2=as.matrix(knot2[-1,-1])
aa=rep(1,N)
m2=ncol(knot2)
data2=matrix(ncol=(m2),nrow=n)
data3=data[,-1]
nk2=nrow(knot2)
GCV=rep(NA,nk2)
MSE=rep(NA,nk2)
SSE=rep(NA,nk2)
SST=rep(NA,nk2)
SSR=rep(NA,nk2)
Rsq=rep(NA,nk2)
datanp=matrix(ncol=m1*ny,nrow=n)
for (i in 1:ny)
datanp[,(i*m1-m1+1):(i*m1)]=data[(i*n-n+1):(i*n),-1]
for (i in 1:nk2)
{
for (j in 1:(m2))
{
if (mod(j,2)==1) b=floor(j/2)+1 else b=j/2
for (k in 1:n)
{
if (datanp[k,b]<knot2[i,j]) data2[k,j]=0 else data2[k,j]=datanp[k,b]-
knot2[i,j]
}
}
data4=matrix(ncol=2*m1,nrow=N)
for (l in 1:ny)
data4[(l*n-n+1):(l*n),]=data2[,(l*2*m1-2*m1+1):(l*2*m1)]
58
Lanjutan lampiran 3. Program GCV Spline Linier 2 Knot dengan Software R
xx=cbind(knot1[j,i],knot1[k,i])
knot21=rbind(knot21,xx)
}
}
knot2=cbind(knot2,knot21)
}
knot2=as.matrix(knot2[-1,-1])
aa=rep(1,N)
m2=ncol(knot2)
data2=matrix(ncol=(m2),nrow=n)
data3=data[,-1]
nk2=nrow(knot2)
GCV=rep(NA,nk2)
MSE=rep(NA,nk2)
SSE=rep(NA,nk2)
SST=rep(NA,nk2)
SSR=rep(NA,nk2)
Rsq=rep(NA,nk2)
datanp=matrix(ncol=m1*ny,nrow=n)
for (i in 1:ny)
datanp[,(i*m1-m1+1):(i*m1)]=data[(i*n-n+1):(i*n),-1]
for (i in 1:nk2)
{
for (j in 1:(m2))
{
if (mod(j,2)==1) b=floor(j/2)+1 else b=j/2
for (k in 1:n)
{
if (datanp[k,b]<knot2[i,j]) data2[k,j]=0 else data2[k,j]=datanp[k,b]-
knot2[i,j]
}
}
data4=matrix(ncol=2*m1,nrow=N)
for (l in 1:ny)
data4[(l*n-n+1):(l*n),]=data2[,(l*2*m1-2*m1+1):(l*2*m1)]
59
Lanjutan lampiran 3. Program GCV Spline Linier 2 Knot dengan Software R
cat("==============================================","\n")
cat("HASIL GCV terkecil dengan Spline linear 2 knot","\n")
cat("==============================================","\n")
cat("GCV = ",s1,"\n")
cat("Rsquare all = ",Rsqgcv,"\n")
cat("Knot = ",knotgcv,"\n")
cat("MSE = ",MSEgcv,"\n")
cat("SSR = ",SSRgcv,"\n")
cat("SSE = ",SSEgcv,"\n")
cat("SST = ",SSTgcv,"\n")
cat("\n")
cat("Nilai GCV 10 terkecil pertama","\n")
print(gab12)
cat("\n")
for (j in 1:(m2))
{
if (mod(j,2)==1) b=floor(j/2)+1 else b=j/2
for (k in 1:n)
{
if (datanp[k,b]<knot2[ik,j]) data2[k,j]=0 else data2[k,j]=datanp[k,b]-
knot2[ik,j]
}
}
data4=matrix(ncol=2*m1,nrow=N)
for (l in 1:ny)
data4[(l*n-n+1):(l*n),]=data2[,(l*2*m1-2*m1+1):(l*2*m1)]
mx=cbind(aa,data3,data4)
MX=diag(0)
for (l in 1:ny)
MX=bdiag(MX,mx[((n*l-(n-1)):(l*n)),])
MX=as.matrix(MX)
list(knot=knotgcv,mingcv=s1,Rsqgcv=Rsqgcv,mx=MX)
}
60
Lampiran 4. Program GCV Spline Linier 3 Knot dengan Software R
GCV3=function(data)
{
ny=4
seperW=50
library(Matrix)
library(pracma)
data=as.matrix(data)
N=length(data[,1])
m=length(data[1,])
n=N/ny
dataA=as.matrix(data[,-1])
w=as.matrix(diag(N))
diag(w)<-1/seperW
nk=20
m1=2 #m1=banyaknya non parametrik
knot1=as.matrix(rep(NA,nk-2))
for (k in (1:ny))
{
dataA1=as.matrix(dataA[((n*k-(n-1)):(k*n)),])
knot11=matrix(ncol=m1,nrow=nk)
for (i in (1:m1))
{
a=seq(min(dataA1[,i]),max(dataA1[,i]),length.out=nk)
a=as.vector(a)
for (j in 1:nk)
{
knot11[j,i]=a[j]
}
}
knot11=as.matrix(knot11[-(c(1,nk)),])
knot1=as.matrix(cbind(knot1,knot11))
}
knot1=as.matrix(knot1[,-1])
nk1=nrow(knot1)
z=(nk1*(nk1-1)*(nk1-2)/6)
m2=ncol(knot1)
knot2=cbind(rep(NA,(z+1)))
for (i in (1:m2))
{
knot21=rbind(rep(NA,3))
61
Lanjutan lampiran 4. Program GCV Spline Linier 3 Knot dengan Software R
for ( j in 1:(nk1-2))
{
for (k in (j+1):(nk1-1))
{
for (g in (k+1):nk1)
{
xx=cbind(knot1[j,i],knot1[k,i],knot1[g,i])
knot21=rbind(knot21,xx)
}
}
}
knot2=cbind(knot2,knot21)
}
knot2=as.matrix(knot2[-1,-1])
aa=rep(1,N)
m2=ncol(knot2)
data2=matrix(ncol=(m2),nrow=n)
data3=data[,-1]
nk2=nrow(knot2)
GCV=rep(NA,nk2)
MSE=rep(NA,nk2)
SSE=rep(NA,nk2)
SST=rep(NA,nk2)
SSR=rep(NA,nk2)
Rsq=rep(NA,nk2)
datanp=matrix(ncol=m1*ny,nrow=n)
for (i in 1:ny)
datanp[,(i*m1-m1+1):(i*m1)]=data[(i*n-n+1):(i*n),-1]
for (i in 1:nk2)
{
for (j in 1:m2)
{
b=ceiling(j/3)
for (k in 1:n)
{
if (datanp[k,b]<knot2[i,j]) data2[k,j]=0 else data2[k,j]=datanp[k,b]-
knot2[i,j]
}
}
62
Lanjutan lampiran 4. Program GCV Spline Linier 3 Knot dengan Software R
data4=matrix(ncol=3*m1,nrow=N)
for (l in 1:ny)
data4[(l*n-n+1):(l*n),]=data2[,(l*3*m1-3*m1+1):(l*3*m1)]
mx=cbind(aa,data3,data4)
MX=diag(0)
for (l in 1:ny)
MX=bdiag(MX,mx[((n*l-(n-1)):(l*n)),])
MX=as.matrix(MX)
C=pinv(t(MX)%*%w%*%MX)
B=C%*%(t(MX)%*%w%*%data[,1])
yhat=MX%*%B
n1=length(B)
res=data[,1]-yhat
SSE[i]=sum((res)^2)
SSR[i]=sum((yhat-mean(data[,1]))^2)
SST[i]=sum((data[,1]-mean(data[,1]))^2)
MSE[i]=SSE[i]/(N)
Rsq[i]=(SSR[i]/(SSR[i]+SSE[i]))*100
A=MX%*%pinv(t(MX)%*%w%*%MX)%*%t(MX)%*%w
F=as.matrix(diag(N))
A1=(F-A)
A2=(sum(diag(A1))/N)^2
GCV[i]=MSE[i]/A2
}
GCV=as.matrix(GCV)
Rsq=as.matrix(Rsq)
MSE=as.matrix(MSE)
GCVcopy=GCV
colnames(Rsq)<-"Rsq"
colnames(MSE)<-"MSE"
colnames(GCV)<-"GCV"
gab11=cbind(GCV,Rsq,MSE,knot2)
gab12=gab11[order(GCV),]
gab12=gab12[1:10,]
s1=min(GCVcopy)
write.csv(GCV,file="d:/output_spline/output GCV 3 knot.csv")
write.csv(Rsq,file="d:/output_spline/output Rsq 3 knot.csv")
write.csv(knot2,file="d:/output_spline/output knot 3 knot.csv")
write.csv(MSE,file="d:/output_spline/output MSE 3 knot.csv")
for (i in 1:nk2)
if (GCV[i]==s1)
{knotgcv1=knot2[i,];Rsqgcv=Rsq[i];MSEgcv=MSE[i];SSEgcv=SSE[i];SSTgc
v=SST[i];SSRgcv=SSR[i];ik=i;break}
knotgcv=matrix(knotgcv1,nrow=3)
63
Lanjutan lampiran 4. Program GCV Spline Linier 3 Knot dengan Software R
cat("==============================================","\n")
cat("HASIL GCV terkecil dengan Spline linear 3 knot","\n")
cat("==============================================","\n")
cat("GCV = ",s1,"\n")
cat("Rsquare all = ",Rsqgcv,"\n")
cat("Knot = ",knotgcv,"\n")
cat("MSE = ",MSEgcv,"\n")
cat("SSR = ",SSRgcv,"\n")
cat("SSE = ",SSEgcv,"\n")
cat("SST = ",SSTgcv,"\n")
cat("\n")
cat("Nilai GCV 10 terkecil pertama","\n")
print(gab12)
cat("\n")
for (j in 1:m2)
{
b=ceiling(j/3)
for (k in 1:n)
{
if (datanp[k,b]<knot2[ik,j]) data2[k,j]=0 else data2[k,j]=datanp[k,b]-
knot2[ik,j]
}
}
data4=matrix(ncol=3*m1,nrow=N)
for (l in 1:ny)
data4[(l*n-n+1):(l*n),]=data2[,(l*3*m1-3*m1+1):(l*3*m1)]
mx=cbind(aa,data3,data4)
MX=diag(0)
for (l in 1:ny)
MX=bdiag(MX,mx[((n*l-(n-1)):(l*n)),])
MX=as.matrix(MX)
list(knot=knotgcv,mingcv=s1,Rsqgcv=Rsqgcv,mx=MX)
}
loop=function(n)
{
a=matrix(ncol=n,nrow=3^(n))
for (i in 1:n)
{
a[,i]=rep(c((rep(1,3^(n-i))),(rep(2,3^(n-i))),(rep(3,3^(n-i)))),3^(i-1))
}
aa=matrix(ncol=1,nrow=3)
for(i in 1:3)
{
for(j in 1:(3^(n)))
{
64
Lanjutan lampiran 4. Program GCV Spline Linier 3 Knot dengan Software R
{
if (all(a[j,]==i)) aa[i,]=j
}
}
a=a[-aa,]
list(a=a)
}
65
Lampiran 5. Output Program Linier 1 Knot dengan Sofware R
==============================================
HASIL GCV terkecil dengan Spline linear 1 knot
==============================================
GCV = 1.094418
Rsquare all = 57.20743
Knot = 8.032727 7.750909 7.58 7.631818 8.598182
8.654545 8.590909 8.590909 8.032727 7.750909 7.58 7.631818
8.598182 8.654545 8.590909 8.590909 8.032727 7.750909 7.58
7.631818 8.598182 8.654545 8.590909 8.590909 8.032727 7.750909
7.58 7.631818 8.598182 8.654545 8.590909 8.590909
MSE = 0.4767283
SSR = 127.4633
SSE = 95.34567
SST = 222.8089
[1,] 1.094418 57.20743 0.4767283 8.032727 7.750909 7.58
7.631818 8.598182
[2,] 1.151881 54.96059 0.5017592 8.085455 7.841818 7.64
7.693636 8.656364
[3,] 1.189216 53.50074 0.5180225 8.138182 7.932727 7.70
7.755455 8.714545
[4,] 1.200588 53.05609 0.5229762 8.296364 8.205455 7.88
7.940909 8.889091
[5,] 1.211180 52.64193 0.5275901 8.243636 8.114545 7.82
7.879091 8.830909
[6,] 1.215868 52.45863 0.5296321 8.190909 8.023636 7.76
7.817273 8.772727
[7,] 1.230399 51.89045 0.5359619 8.349091 8.296364 7.94
8.002727 8.947273
[8,] 1.281081 49.90874 0.5580391 8.401818 8.387273 8.00
8.064545 9.005455
[9,] 1.293400 49.42707 0.5634051 8.507273 8.569091 8.12
8.188182 9.121818
[10,] 1.294216 49.39516 0.5637605 8.454545 8.478182 8.06
8.126364 9.063636
66
Lanjutan Lampiran 5. Output Program Linier 1 Knot dengan Sofware R
67
Lanjutan Lampiran 5. Output Program Linier 1 Knot dengan Sofware R
68
Lampiran 6. Output Program Linier 2 Knot dengan Sofware R
==============================================
HASIL GCV terkecil dengan Spline linear 2 knot
==============================================
GCV = 1.320052
Rsquare all = 65.44779
Knot = 8.032727 8.085455 7.750909 7.841818 7.58
7.64 7.631818 7.693636 8.598182 8.656364 8.654545 8.709091
8.590909 8.681818 8.590909 8.681818 8.032727 8.085455 7.750909
7.841818 7.58 7.64 7.631818 7.693636 8.598182 8.656364 8.654545
8.709091 8.590909 8.681818 8.590909 8.681818 8.032727 8.085455
7.750909 7.841818 7.58 7.64 7.631818 7.693636 8.598182 8.656364
8.654545 8.709091 8.590909 8.681818 8.590909 8.681818 8.032727
8.085455 7.750909 7.841818 7.58 7.64 7.631818 7.693636 8.598182
8.656364 8.654545 8.709091 8.590909 8.681818 8.590909 8.681818
MSE = 0.3849271
SSR = 145.8235
SSE = 76.98542
SST = 222.8089
Nilai GCV 10 terkecil pertama
GCV Rsq MSE
[1,] 1.320052 65.44779 0.3849271 8.032727 8.085455 7.750909
7.841818 7.58 7.64 7.631818 7.693636 8.598182 8.656364 8.654545
8.709091 8.590909 8.681818 8.590909
[2,] 1.334226 65.07679 0.3890602 8.032727 8.138182 7.750909
7.932727 7.58 7.70 7.631818 7.755455 8.598182 8.714545 8.654545
8.763636 8.590909 8.772727 8.590909
[3,] 1.431426 65.25804 0.3870575 8.032727 8.190909 7.750909
8.023636 7.58 7.76 7.631818 7.817273 8.598182 8.772727 8.654545
8.818182 8.590909 8.863636 8.590909
[4,] 1.454345 61.93267 0.4240871 8.085455 8.138182 7.841818
7.932727 7.64 7.70 7.693636 7.755455 8.656364 8.714545 8.709091
8.763636 8.681818 8.772727 8.681818
[5,] 1.491654 66.52616 0.3729135 8.138182 8.190909 7.932727
8.023636 7.70 7.76 7.755455 7.817273 8.714545 8.772727 8.763636
8.818182 8.772727 8.863636 8.772727
69
Lanjutan Lampiran 6. Output Program Linier 2 Knot dengan Sofware R
70
Lanjutan Lampiran 6. Output Program Linier 2 Knot dengan Sofware R
71
Lanjutan Lampiran 6. Output Program Linier 2 Knot dengan Sofware R
72
Lampiran 7. Output Program Linier 3 Knot dengan Sofware R
73
Lanjutan Lampiran 7. Output Program Linier 3 Knot dengan Sofware R
74
Lanjutan Lampiran 7. Output Program Linier 3 Knot dengan Sofware R
75
Lanjutan Lampiran 7. Output Program Linier 3 Knot dengan Sofware R
76
Lanjutan Lampiran 7. Output Program Linier 3 Knot dengan Software R
77
Lanjutan Lampiran 7. Output Program Linier 3 Knot dengan Sofware R
78
Lampiran 8. Output Estimasi Parameter Spline Linier Multirespon 2 Knot dengan Sofware R
Estimasi Parameter
=======================================
parameter_beta SE t_hitung p_value
[1,] -10.5213359 13.237636 -0.794804725 0.42860943
[2,] 38.5032963 25.093256 1.534408118 0.12808716
[3,] -10.9378008 10.473218 -1.044359176 0.29883727
[4,] 19.3692252 19.215100 1.008021055 0.31587725
[5,] 40.3346900 39.304003 1.026223450 0.30726225
[6,] -22.5749074 44.515924 -0.507119820 0.61318725
[7,] -20.5608047 18.931285 -1.086075486 0.28005673
[8,] -12.4084777 19.754801 -0.628124667 0.53135418
[9,] -21.6221686 13.415450 -1.611736370 0.11017117
[10,] -35.7809186 38.721944 -0.924047580 0.35768592
[11,] -2.9133450 17.392490 -0.167505918 0.86731027
[12,] 23.0014143 17.051347 1.348950011 0.18039973
[13,] -11.8994570 8.486724 -1.402126041 0.16397419
[14,] -29.2394208 29.366618 -0.995668664 0.32181435
[15,] 10.4526287 12.655117 0.825960635 0.41079267
[16,] -48.6969836 51.351479 -0.948307321 0.34525911
[17,] 8.3816422 16.365394 0.512156465 0.60967079
[18,] 9.3732193 58.332065 0.160687255 0.87266389
[19,] 14.4426321 20.001408 0.722080779 0.47192998
[20,] 30.7891598 37.928324 0.811772221 0.41885045
[21,] -8.3443654 20.525869 -0.406529205 0.68522253
[22,] 29.2363741 37.480414 0.780044051 0.43720735
[23,] -18.5501303 20.251891 -0.915970271 0.36188610
[24,] 39.0968630 27.219151 1.436373372 0.15401725
[25,] -16.5794282 14.468522 -1.145896441 0.25457277
[26,] -6.4288131 13.237636 -0.485646600 0.62828014
[27,] 36.7343464 25.093256 1.463913088 0.14635417
[28,] -0.4098929 10.473218 -0.039137249 0.96885899
[29,] -18.3212314 19.215100 -0.953480939 0.34264556
[30,] 16.2178358 39.304003 0.412625543 0.68076430
[31,] -10.9325566 44.515924 -0.245587547 0.80650486
[32,] -11.2813083 18.931285 -0.595908212 0.55258296
[33,] -22.4574388 19.754801 -1.136809166 0.25833487
[34,] 14.1798404 13.415450 1.056978365 0.29306820
[35,] -41.7312928 38.721944 -1.077716885 0.28375303
[36,] 4.2335944 17.392490 0.243415081 0.80818250
[37,] -2.9214373 17.051347 -0.171331766 0.86430912
[38,] 3.4433858 8.486724 0.405737915 0.68580201
[39,] 27.0221166 29.366618 0.920164419 0.35970125
[40,] -7.9105332 12.655117 -0.625085733 0.53333860
[41,] -16.1868661 51.351479 -0.315217135 0.75325364
[42,] -0.2326824 16.365394 -0.014217956 0.98868442
[43,] -19.1491416 58.332065 -0.328278138 0.74338776
[44,] 31.9336302 20.001408 1.596569134 0.11351722
[45,] 18.6455191 37.928324 0.491598816 0.62408030
[46,] -6.7154464 20.525869 -0.327169890 0.74422327
[47,] 19.5400302 37.480414 0.521339762 0.60328278
[48,] 6.8925876 20.251891 0.340342908 0.73431221
[49,] -28.6614472 27.219151 -1.052988305 0.29488407
[50,] 14.5457807 14.468522 1.005339754 0.31715976
[51,] 14.4737563 13.237636 1.093379201 0.27685422
[52,] 32.0286294 25.093256 1.276383939 0.20477617
[53,] 0.3071883 10.473218 0.029330844 0.97665919
79
Lanjutan Lampiran 8. Output Estimasi Parameter Spline Linier Multirespon 2 Knot dengan
Sofware R
80
Halaman ini sengaja dikosongkan
50
BIODATA PENULIS