Jurnal Konvergensi Vol. 5, No. 1, April, 2015
METODE BOOTSTRAP DALAM INFERENSI MODEL REGRESI POLINOMIAL Hermi Rumtiasih1), Suparman2) 1)
Program Studi Matematika Universitas Ahmad Dahlan, 2)Program Studi Pendidikan Matematika Universitas Ahmad Dahlan
Abstrak Penelitian ini mengkaji metode Bootstrap untuk Regresi Polinomial yang diterapkan pada data Indeks Harga Konsumen dan Laju Inflasi Bulanan di Indonesia tahun 2008 โ 2012. Tujuan penelitian ini adalah untuk memperoleh estimasi nilai Laju Inflasi yang dihitung menggunakan metode Bootstrap dengan pengambilan secara resampling. Metode yang digunakan dalam Penelitian ini adalah metode kuadrat terkecil untuk menentukan estimasi parameter regresi yang kemudian dilanjutkan dengan Metode Bootstrap untuk regresi polinomial. Metode Bootstrap yang digunakan adalah Bootstrap Residual, sehingga yang diresampling adalah nilai residual dari model regresinya. Hasil estimasi yang diperoleh selanjutnya digunakan untuk memprediksi nilai Laju Inflasi Bulanan di Indonesia pada tahun berikutnya. Kata kunci:Metode RegresiPolinomial.
Bootstrap,
Bootstrap
Residual,
MetodeKuadratTerkecil,
1. Pendahuluan Metode yang sering digunakan dalam menyelesaikan masalah estimasi koefisien regresi adalah metode kuadrat terkecil, karena estimator yang didapat dari metode ini merupakan estimator yang tak bias. Kelemahan metode kuadrat terkecil diantaranya adalah dibutuhkan sampel yang berukuran besar dan perhitungan yang rumit (Sembiring, 1995). Secara aplikatif banyak fakta menunjukkan bahwa suatu data berukuran kecil atau data itu sedikit, suatu data menyimpang dari asumsi tertentu atau bahkan data tersebut tidak memiliki asumsi apapun tentang distribusinya. Olehkarenaitu, Metode Bootstrap dapatdigunakansebagaialternatifdalamhalini. Metode Bootstrap dapat digunakan dalam model regresi tanpadiketahui bentuk distribusi dari model regresi tersebut. Selain itu, metode ini jugadapatdigunakan untuk ukuran data yang relative kecil. Metode Bootsrap ini sendiri adalah suatu prosedur pengambilan sampel baru yang dilakukan berulang kali sebanyak ๐ต sampel baru dari data asal berukuran ๐. Sebuah sampel baru diperoleh melalui pengambilan titik sampel dari data asal dengan cara satu per satu sebanyak ๐ kali dengan pengembalian. Pengambilan sampel baru ini dilakukan sebanyak mungkin karena semakin banyak pengulangan yang dilakukan Metode Bootstrap Dalam Inferensi Model Regresi Polinomial Hermi rumtiasih
37
Jurnal Konvergensi Vol. 5, No. 1, April, 2015
maka semakin tinggi keakuratannya. Itulah alasannya mengapa bootstrap sangat mengandalkan bantuan komputer dalam aplikasinya. Sampel โ sampel baru bootstrap tersebut kemudian diestimasi menggunakan Metode Kuadrat Terkecil.
2. Tinjauan Pustaka Metode Bootstrap merupakan metode yang digunakan untuk mengestimasi suatu distribusi populasi yang tidak diketahui dengan distribusi empiris yang diperoleh dari proses penyampelan ulang (Efron dan Tibshirani,1993). Teknik penarikan sampel bootstrap adalah dengan pengembalian dari sebuah sampel asli. Sampel asli merupakan sampel yang diperoleh dari hasil observasi yang diperlakukan seolah โ olah sebagai populasi. Nama Bootstrap berasal dari istilah โ pull one self up by oneโs bootstrapโ yang dapat diartikan berusaha dengan sumber daya yang minimal. Dalam permasalahan statistik, sumber daya yang minimal dapat diartikan sebagai data yang sedikit,data yang menyimpangdariasumsitertentu, bahkan data yang tidakmemilikiasumsiapapuntentangdistribusinya. Pembentukan Sampel Bootstrap daat dilakukan dengan langkah sebagai berikut : 1 Misalkan๐ฬ(๐ฅ) adalah suatu distribusi empiris yang diambil dengan probabilitas ๐ pada setiap nilai yang diamati ๐ = {๐ฅ1 , ๐ฅ2 , โฆ , ๐ฅ๐ }, sampel bootstrap didefinisikan sebagai sampel random berukuran ๐ yang disusun dari ๐ฬ(๐ฅ), misal sampel bootstrap ke-๐ (๐ = 1,2, โฆ , ๐ต) dinotasikan dengan : ๐ (๐) = {๐ฅ1 (๐) , ๐ฅ2 (๐) , โฆ , ๐ฅ๐ (๐) } (4.1)
Sehingga jika sampel bootstrap yang diresampling sebanyak ๐ต kali maka dapat dituliskan sebagai : ๐ (1) = {๐ฅ1 (1) , ๐ฅ2 (1) , โฆ , ๐ฅ๐ (1) } ๐ (2) = {๐ฅ1 (2) , ๐ฅ2 (2) , โฆ , ๐ฅ๐ (2) } โฎ ๐ (๐ต) = {๐ฅ1 (๐ต) , ๐ฅ2 (๐ต) , โฆ , ๐ฅ๐ (๐ต) } Pengambilan sampel tersebut dilakukan secara random dengan pengembalian dari sampel asli. Pengambilan secara random dengan pengembalian berarti setelah kita mengambil sebuah observasi dari sampel asli secara random, kita meletakkannya kembali sebelum pengambilan observasi berikutnya. Pengambilan dengan pengembalian memungkinkan peneliti untuk mendapatkan jumlah data yang sama dengan pertama kali dilakukan sampling, dan memungkinkan satu data diambil beberapa kali. Misalkan sejumlah sampel bootstrap dalam sebuah observasi, maka mean dari sampel bootstrap tersebut dinamakan Bootstrap Sample Mean atau rata โ rata sampel bootstrap (Wilcox,2011). Misalkan ๐ฬ
adalah suatu rata โ rata sampel, maka rata โ rata dari masing โ masing sampel bootstrap tersebut dapat ditulis sebagai berikut: ๐ฬ
(๐ต) = 34
โ๐๐=1 ๐ฬ
(๐) ๐
(4.2)
Metode Bootstrap Dalam Inferensi Model Regresi Polinomial Hermi rumtiasih
Jurnal Konvergensi Vol. 5, No. 1, April, 2015
mean dari seluruh sampel bootstrap yaitu : โ๐ต๐=1 ๐ฬ
(๐) ๐ฬ
(๐ต) = ๐ต dengan : ๐ = jumlah sampel ๐ต = banyaknya resampling
(4.3)
Bootstrap dapat juga diterapkan dalam model regresi. Bootstrap ini dapat digunakan untuk mengestimasi koefisien dari suatu persamaan regresidengan melakukan penyampelan ulang dari sampel yang sudah ada. Salah satu prosedur bootstrap yang dapatdigunakan dalam regresi adalah:
2.1 Bootstrap Residual Prinsip bootstrap residual adalahmencocokkan model regresidanmemperoleh residual sebanyak๐. Prosedur bootstrap residual samadenganprosedur bootstrap padaumumnya, hanyasajadalam bootstrap residual nilairesidualnya yang diresampling. Misalkanfungsiregresisampelaslidaripolinomialorde๐ yaitu, ๐๐ = ๐0 + ๐1 ๐๐ + ๐2 ๐๐ 2 + โฏ + ๐๐ ๐๐ ๐ + ๐๐ (4.4) Untuk๐ = 1,2,3, โฆ , ๐, dan 2 ๐ ๐ฬ๐ = ๐ ฬ0 + ๐ ฬ๐ ฬ๐ ฬ๐ (4.5) 1 ๐ +๐ 2 ๐ + โฏ+ ๐ ๐ ๐ Makaproseduruntuk bootstrap residual adalahsebagaiberikut : a. Menghitung ๐ฬ dan ๐ฬ 2 dari sampel asli dengan Metode Kuadrat Terkecil untuk mendapatkan nilai residual. Dimana ๐๐ = ๐๐ โ ๐ฬ๐ b. Pilih sampel berukuran ๐ dari residual, dan sampling dengan pengembalian. Jika, ๐1 ๐2 ๐๐ = [ โฎ ] ๐๐ Maka sampel bootstrap ke- ๐ (๐ = 1,2, โฆ , ๐ต) dapat dituliskan ๐1 (๐) (๐) ๐๐ (๐) = ๐2 (4.6) โฎ [๐๐ (๐) ] Sehingga, ๐1 (1) ๐1 (2) ๐1 (๐ต) (1) (2) (๐ต) ๐๐ (1) = ๐2 , ๐๐ (2) = ๐2 , โฆ , ๐๐ (1) = ๐2 โฎ โฎ โฎ [๐๐ (1) ] [๐๐ (2) ] [๐๐ (๐ต) ] c. Gabungkan nilai โ nilai sampel dari residual tersebut untuk memperoleh sekumpulan sampel baru dari ๐๐ . Metode Bootstrap Dalam Inferensi Model Regresi Polinomial Hermi rumtiasih
37
Jurnal Konvergensi Vol. 5, No. 1, April, 2015
2 ๐ (๐) ๐๐ (๐) = ๐ ฬ0 + ๐ ฬ๐ ฬ๐ ฬ๐ 1 ๐ +๐ 2 ๐ + โฏ+ ๐ ๐ ๐ + ๐๐ Dimana ๐ = 1,2, . . , ๐ dan ๐ = 1,2, โฆ , ๐ต, sehingga akan diperoleh : 2 ๐ (1) ๐ ฬ0 + ๐ ฬ๐ ฬ๐ ฬ๐ 1 1 +๐ 2 1 + โฏ+ ๐ ๐ 1 + ๐1 ๐1 (1)
(4.7)
2 ๐ (1) ฬ0 + ๐ ฬ๐ ฬ๐ ฬ๐ ๐2 (1) = ๐ 1 2 +๐ 2 2 + โฏ+ ๐ ๐ 2 + ๐2 โฎ โฎ (1) 2 ๐ (1) [๐๐ ] [๐ ฬ0 + ๐ ฬ๐ ฬ๐ ฬ๐ ] 1 ๐ +๐ 2 ๐ + โฏ+ ๐ ๐ 1 + ๐๐ 2 ๐ (2) ๐ ฬ0 + ๐ ฬ๐ ฬ๐ ฬ๐ 1 1 +๐ 2 1 + โฏ+ ๐ ๐ 1 + ๐1 ๐1 (2) 2 ๐ (2) ฬ0 + ๐ ฬ๐ ฬ๐ ฬ๐ ๐2 (2) = ๐ 1 2 +๐ 2 2 + โฏ+ ๐ ๐ 2 + ๐2 โฎ โฎ (2) 2 ๐ (2) [๐๐ ] [๐ ฬ0 + ๐ ฬ๐ ฬ๐ ฬ๐ ] 1 ๐ +๐ 2 ๐ + โฏ+ ๐ ๐ 1 + ๐๐ โฎ 2 ๐ (๐ต) (๐ต) ๐ ฬ + ๐ ฬ๐ + ๐ ฬ๐ ฬ๐ 0 1 1 2 1 + โฏ+ ๐ ๐ 1 + ๐1 ๐1
2 ๐ (๐ต) ฬ0 + ๐ ฬ๐ ฬ๐ ฬ๐ ๐2 (๐ต) = ๐ 1 2 +๐ 2 2 + โฏ+ ๐ ๐ 2 + ๐2 โฎ โฎ 2 ๐ (๐ต) [๐๐ (๐ต) ] [๐ ฬ0 + ๐ ฬ๐ + ๐ ฬ๐ ฬ๐ ] 1 ๐ 2 ๐ + โฏ+ ๐ ๐ 1 + ๐๐ d. Gunakan Metode Kuadrat Terkecil lagi untuk mengestimasi masing โ masing koefisien regresi dan variansnya. Untuk model regresi polinomial orde ๐ maka, (1) ๐ ฬ0
๐ฬ
Sehingga, ๐ ฬ0 ๐ฬ
(1)
๐ ฬ1
(1)
(1)
(2)
๐ ฬ1
(1)
(1) = ๐ ฬ2 โฎ (1) ๐ ฬ [ ๐ ]
๐ ฬ0
(1)
(1) , ๐ = ๐ ฬ ฬ2 โฎ (1) [๐ฬ๐ ]
(๐)
๐ ฬ1
(2)
๐ ฬ0
(2)
(2) , = ๐ ฬ2 โฎ (2) [๐ฬ๐ ]
โฆ , ๐ฬ
(๐ต)
๐ ฬ1
(๐ต) (๐ต)
(๐ต) = ๐ ฬ2 โฎ (๐ต) [๐ฬ๐ ]
๐ฬ 2 (๐) 2 (2) dan ๐ฬ 2 = ๐ฬ โฎ 2 [๐ฬ (๐ต) ] Nilai ๐ฬ dan ๐ฬ 2 yang baru adalah : (1) (2) (๐ต) ๐ ฬ0 + ๐ ฬ0 + โฏ + ๐ ฬ0 (๐) ๐ ฬ0 = ๐ต (1) (2) (๐ต) ๐ ฬ + ๐ ฬ + โฏ+๐ ฬ1 1 1 (๐) ๐ ฬ1 = ๐ต
36
Metode Bootstrap Dalam Inferensi Model Regresi Polinomial Hermi rumtiasih
Jurnal Konvergensi Vol. 5, No. 1, April, 2015
๐ ฬ2 ๐ฬ๐ Dan,
๐ฬ 2
(๐)
=
ฬ2 ๐
(๐)
(๐)
(1)
=
=
ฬ2 +๐
๐ ฬ2
(1)
๐ฬ๐
(1)
(2)
+๐ ฬ2
(2)
+ โฏ+ ๐ ฬ2 ๐ต
(๐ต)
โฎ (2) (๐ต) + ๐ฬ๐ + โฏ + ๐ฬ๐ ๐ต
ฬ2 +โฏ+๐
(๐ต)
๐ต
3. Aplikasi Data Untuk memberikan contoh penerapan Metode Bootstrap dalam kehidupan sehari โ hari, maka diambil data riil. Data riil ini diambil dari data sekunder Laju Inflasi bulanan dan Indeks Harga Konsumen Bulanan di Indonesia dari tahun 2002 sampai 2012. Indeks Harga Konsumen sebagai variabel bebas (๐ฅ) dan Laju Inflasi sebagai variabel terikatnya (๐ฆ). Tabel 3.1 Data Indeks Harga Konsumsi (๐ฅ) dan Laju Inflasi Bulanan (๐ฆ)di Indonesia Tahun 2002 โ 2012 (Sumber : http://www.bps.go.id) BU LAN Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt No v Des BU LAN
Jan Feb
TAHUN 2002 I HK 2 54.12 2 57.93 2 57.87 2 57.26 2 59.31 2 60.25 2 62.38 2 63.13 2 64.53 2 65.95 2 70.87 2 74.13
INF LASI 1.99 1.5 -0.02 -0.24 0.8 0.36 0.82 0.29 0.53 0.54 1.85 1.2
TAHUN 2005 I HK 1 18.53 1 18.33
INF LASI 1.43 -0.17
TAHUN 2003 I HK 2 76.33 2 76.87 2 76.23 2 76.65 2 77.23 2 77.49 2 77.58 2 79.92 2 80.93 2 82.48 2 85.32 2 87.99
INF LASI 0.8 0.2 -0.23 0.15 0.21 0.09 0.03 0.84 0.36 0.55 1.01 0.94
TAHUN 2006 I HK 1 38.72 1 39.53
INF LASI
Metode Bootstrap Dalam Inferensi Model Regresi Polinomial Hermi rumtiasih
1.36 0.58
TAHUN 2004 I HK 1 10.45 1 10.43 1 10.83 1 11.91 1 12.9 1 13.44 1 13.88 1 13.98 1 14 1 14.64 1 15.66 1 16.86
INF LASI 0.57 -0.02 0.36 0.97 0.88 0.48 0.39 0.09 0.02 0.56 0.89 1.04
TAHUN 2007 I HK 1 47.41 1 48.32
INF LASI 1.04 0.62
37
Jurnal Konvergensi Vol. 5, No. 1, April, 2015
Mar Apr Mei Jun Jul Agt Sep Okt No v Des BU LAN
Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt No v Des
BULAN
38
1 20.59 1 21 1 21.25 1 21.86 1 22.81 1 23.48 1 24.33 1 35.15 1 36.92 1 36.86
1.91 0.34 0.21 0.5 0.78 0.55 0.69 8.7 1.31 -0.04
TAHUN 2008 IH K 15 8.26 15 9.29 16 0.81 16 1.73 16 4.01 11 0.08 11 1.59 11 2.16 11 3.25 11 3.76 11 3.9 11 3.86
INF LASI 1.77 0.65 0.95 0.57 1.41 2.46 1.37 0.51 0.97 0.45 0.12 -0.04
1 39.57 1 39.64 1 40.16 1 40.79 1 41.42 1 41.88 1 42.42 1 43.65 1 44.14 1 45.89
0.03 0.05 0.37 0.45 0.45 0.33 0.38 0.86 0.34 1.21
1 48.67 1 48.43 1 48.58 1 48.92 1 49.99 1 51.11 1 52.32 1 53.53 1 53.81 1 55.5
TAHUN 2009 IH K 11 3.78 11 4.02 11 4.27 11 3.92 11 3.97 11 4.1 11 4.61 11 5.25 11 6.46 11 6.68 11 6.65 11 7.03
TAHUN 2011
INF LASI -0.07 0.21 0.22 -0.31 0.04 0.11 0.45 0.56 1.05 0.19 -0.03 0.33
0.24 -0.16 0.1 0.23 0.72 0.75 0.8 0.79 0.18 1.1
TAHUN 2010 I HK 11 8.01 11 8.36 11 8.19 11 8.37 11 8.71 11 9.86 12 1.74 12 2.67 12 3.21 12 3.29 12 4.03 12 5.17
INF LASI 0.84 0.3 -0.14 0.15 0.29 0.97 1.57 0.76 0.44 0.06 0.6 0.92
TAHUN 2012
IHK
INFLASI
IHK
INFLASI
Jan
126.29
0.89
0.76
Feb
126.46
0.13
Mar
126.05
-0.32
Apr
125.66
130.9 130.9 6 131.0 5 131.3 2
-0.31
0.05 0.07 0.21
Metode Bootstrap Dalam Inferensi Model Regresi Polinomial Hermi rumtiasih
Jurnal Konvergensi Vol. 5, No. 1, April, 2015
Mei
125.81
0.12
Jun
126.5
0.55
Jul
127.35
0.67
Agt
128.54
0.93
Sep
128.89
0.27
Okt
128.74
-0.12
Nov
129.18
0.34
Des
129.91
0.57
131.4 1 132.2 3 133.1 6 134.4 3 134.4 5 134.6 7 134.7 6 135.4 9
0.07 0.62 0.7 0.95 0.01 0.16 0.07 0.54
Dari data riil pada tabel di atas, akan diplot dengan menggunakan MATLAB kemudian akan dihitung nilai dari statistik C๐ untuk dapat mengetahui orde yang akan digunakan. Kemudian dari data tersebut akan diestimasi koefisien regresi serta variansnya dengan Metode Bootstrap. 10
8
y
6
4
2
0
-2 100
120
140
160
180
200 x
220
240
260
280
300
Gambar 3.2 PlotData Indeks Harga Konsumsi dan Laju Inflasi Bulanan di Indonesia Tahun 2002 โ 2012 Berdasarkan data Indeks Harga Konsumsi dan Laju Inflasi Bulanan di Indonesia Tahun 2002 โ 2012 pada tabel di atas, nilai statistik C๐ dihitung untuk ๐ = 1, 2, 3, 4, 5. Hasilnya disajikan dalam tabel berikut:
Metode Bootstrap Dalam Inferensi Model Regresi Polinomial Hermi rumtiasih
37
Jurnal Konvergensi Vol. 5, No. 1, April, 2015
Tabel 3.3 Nilai statistik C๐ untuk ๐ = 1, 2, 3, 4, 5 ๐
๐๐
1 2 3 4 5
0.7619 0.7070 0.7238 0.7286 0.7279
Dari Tabel 4.7 terlihat bahwa nilai statistik C๐ terkecil diperoleh pada ๐ = 2. Dengan demikian model regresi yang akan digunakan adalah model regresi polinomial orde 2. Selanjutnya akan diestimasi koefisien regresi dan variansnya dengan menggunakan metode Bootstrap. Hasilnya disajikan dalam tabel berikut : Tabel 3.4 Nilai Estimasi Koefisien Regresi dan Varians dari Data Indeks Harga Konsumsi dan Laju Inflasi Bulanan di Indonesia Tahun 2002 โ 2012 Koefisien Regresi ๐ฬ0 = โ4.1902 ๐ฬ1 = 0.0488 ๐ฬ2 = โ0.0001
Varians
๐ฬ 2 = 0.6508
Sehingga estimasi nilai ๐๐ dapat ditulis menjadi : ๐ฬ๐ = โ4.1902 + 0.0488๐๐ โ 0.0001 ๐๐ 2
(4.10)
Model yang diperolehdaripersamaan (4.10) selanjutnyadigunakanuntukmencocokkanbeberapanilaiLajuInflasi (๐ฆ) pada Data Indeks Harga Konsumsi dan Laju Inflasi Bulanan di Indonesia Tahun 2002 โ 2012 di atas. Hasilnyadapatsajikandalamtabelberikut : Tabel 3.5 Beberapa Nilai ๐ฅ, ๐ฆ, dan๐ฆฬ dari Data Indeks Harga Konsumsi dan Laju Inflasi Bulanan di Indonesia Tahun 2002 โ 2012 ๐
๐
ฬ ๐
Januari 2002
252.12
1.99
1.7532
April 2005
121
0.34
0.2505
Mei 2005
121.25
0.21
0.2566
Oktober 2009
116.68
0.19
0.1424
April 2010
118.37
0.15
0.1851
Desember 2012
135.49
0.54
0.586
Data Pada
40
Metode Bootstrap Dalam Inferensi Model Regresi Polinomial Hermi rumtiasih
Jurnal Konvergensi Vol. 5, No. 1, April, 2015
Selanjutnya model yang diperoleh dari persamaan (4.10) akan digunakan untuk mencocokkan nilai Laju Inflasi (๐ฆ) pada Data Indeks Harga Konsumsi dan Laju Inflasi Bulanan di Indonesia Tahun 2013. Tabel 3.6 Data Indeks Harga Konsumsi (๐ฅ)dan Laju Inflasi Bulanan (๐ฆ)di Indonesia Tahun 2013 (Sumber : http://www.bps.go.id) BULAN
TAHUN 2013 IHK
INFLASI
Jan
136.88
1.03
Feb
137.91
Mar
BULAN
TAHUN 2013 IHK
INFLASI
Juli
144.63
3.29
0.75
Agt
146.25
1.12
138.78
0.63
Sep
145.74
-0.35
Apr
138.64
-0.1
Okt
145.87
0.09
Mei
138.6
-0.03
Nov
146.04
0.12
Juni
140.03
1.03
Des
146.84
0.55
Hasilnya dapat sajikan dalam tabel berikut : Tabel 3.7 Nilai ๐ฅ, ๐ฆ, dan๐ฆฬ dari Data Indeks Harga Konsumsi dan Laju Inflasi Bulanan di Indonesia Tahun 2013 ๐
๐
ฬ ๐
Januari
136.88
1.03
0.9159
Februari
137.91
0.75
0.7159
Maret
138.78
0.63
0.6563
April
138.64
-0.1
0.0533
Mei
138.6
-0.03
-0.0925
Juni
140.03
1.03
0.9824
Juli
144.63
3.29
2.9760
Agustus
146.25
1.12
0.9079
September
145.74
-0.35
-0.3979
Oktober
145.87
0.09
0.0805
November
146.04
0.12
0.8938
Desember
146.84
0.55
0.6194
Bulan
Kemudian model pada persamaan (4.10) juga akan digunakan untuk memprediksi nilai Laju Inflasi (๐ฆฬ) padatahun 2014.
Metode Bootstrap Dalam Inferensi Model Regresi Polinomial Hermi rumtiasih
37
Jurnal Konvergensi Vol. 5, No. 1, April, 2015
Tabel 6.8 Prediksi Nilai Laju Inflasi ( ๐ฆฬ ) bulanJanuariTahun 2014 untuknilaiIndeksHargaKonsumsidanLajuInflasi yang diketahui IndeksHargaKonsumsi(๐)
ฬ ) LajuInflasi ( ๐
146.85
0.8196
146.87
0.8200
146.89
0.8204
146.91
0.8208
146.93
0.8211
146.95
0.8215
146.97
0.8219
4. Kesimpulan Cara mengestimasi koefisien regresi dan varians pada sampel baru Bootstrap dalam Model Regresi Polinomial menggunakan Metode Kuadrat Terkecil, yaitu : a. Menghitung ๐ฬ dan ๐ฬ 2 dari sampel asli dengan Metode Kuadrat Terkecil. b. Menghitung nilai ๐๐ dengan menggunakan persamaan 2 ๐ ๐๐ = ๐๐ โ ๐ ฬ0 โ ๐ ฬ๐ ฬ๐ ฬ๐ 1 ๐ โ๐ 2 ๐ โ โฏโ ๐ ๐ ๐ c. Untuk ๐ = 1,2, โฆ , ๐ต : d. Resampling ei (b) e. Hitung Yi (b) dengan persamaan (b) 2 p (b) Yi = aฬ0 + aฬX ฬX ฬX 1 i +a 2 i + โฏ+ a p i + ei f.
42
Hitung aฬ(b) dan ฯ ฬ2
(b)
Metode Bootstrap Dalam Inferensi Model Regresi Polinomial Hermi rumtiasih
Jurnal Konvergensi Vol. 5, No. 1, April, 2015
Daftar Pustaka [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15]
Ayres, and Philip. 2003. Matematika Universitas Edisi Ketiga. Jakarta: Erlangga. Chernick, Michael R.2011.Bootstrap Methods A Guide for Practitioner and Researchers Second Edition. Canada: Simultaneously. Efron B, and Tibshirani, R.1993.An Introduction to The Bootstrap.New York: Chapman & Hall. Gujarati, D.1978.Ekonometrika Dasar.Jakarta: Erlangga. Howard Anton.1998.Aljabar Linear Elementer.Jakarta: Erlangga. Purcell.1987.Kalkulus dan Geometri Jilid 2.Jakarta: Erlangga. Steven,J,Leon.2002.Aljabar Linear dan Aplikasinya.Jakarta: Erlangga. Sudjana.2002.Metode Statistik.Bandung: Tarsito. Suparman.2010.Pengantar Statistika Teknik dan Bisnis.Bandung: Muara Indah. Suparman.2012.Metode Bootstrap dan Aplikasinya.Yogyakarta: JPMIPA FKIP UAD Press. Supranto.2001.Statistik Teori dan Aplikasi Jilid 2. Jakarta: Erlangga. Walpole, and Myers.1995.Ilmu Peluang dan Statistik untuk Insinyur dan Ilmuwan. ITB: Bandung. Weisberg,Sanford. 2013.Applied Linear Regression.Canada: New Jersey. Wilcox,Rand R. 2011. Fundamentals of Modern Statistical Methods. New York : Springer. http://www.bps.go.id
Metode Bootstrap Dalam Inferensi Model Regresi Polinomial Hermi rumtiasih
37