ADLN Perpustakaan Universitas Airlangga
PERBANDINGAN HASIL ESTIMASI MODEL REGRESI LOGISTIK BINER MENGGUNAKAN METODE MAXIMUM LIKELIHOOD DAN METODE WEIGHTED LEAST SQUARE
SKRIPSI
SOFIA UTAMI DEWI SAPUTRI
PROGRAM STUDI S-1 MATEMATIKA DEPARTEMEN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS AIRLANGGA 2012
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
PERBANDINGAN HASIL ESTIMASI MODEL REGRESI LOGISTIK BINER MENGGUNAKAN METODE MAXIMUM LIKELIHOOD DAN METODE WEIGHTED LEAST SQUARE
SKRIPSI Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains Bidang Matematika Pada Fakultas Sains dan Teknologi Universitas Airlangga
Oleh : SOFIA UTAMI DEWI SAPUTRI NIM. 080710447
Tanggal Lulus : September 2012
Disetujui Oleh :
Pembimbing I
Pembimbing II
Toha Saifudin, S.Si, M.Si NIP. 19750106 199903 1 002
Drs. Suliyanto, M.Si NIP. 19650907 199102 1 001
ii Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
LEMBAR PENGESAHAN NASKAH SKRIPSI
Judul
: Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square
Penyusun
: Sofia Utami Dewi Saputri
NIM
: 080710447
Tanggal Ujian
: September 2012
Disetujui oleh : Pembimbing I
Pembimbing II
Toha Saifudin, S.Si, M.Si NIP. 19750106 199903 1 002
Drs. Suliyanto, M.Si NIP. 19650907 199102 1 001
Mengetahui : Ketua Program Studi S-1 Matematika Departemen Matematika Fakultas Sains Teknologi Universitas Airlangga
Dr. Miswanto, M.Si NIP. 19680204 199303 1 002
iii Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
PEDOMAN PENGGUNAAN SKRIPSI
Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi kepustakaan, tetapi pengutipan harus seijin penyusun dan harus menyebutkan sumbernya sesuai kebiasaan ilmiah. Dokumen skripsi ini merupakan hak milik Universitas Airlangga.
iv Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
KATA PENGANTAR
Alhamdulillah. Segala Puji Syukur atas kehadirat Allah SWT yang telah melimpahkan Rahmat dan Hidayah-Nya sehingga penyusunan skripsi dengan judul “Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square” dapat terselesaikan. Penyusunan skripsi ini bertujuan untuk memenuhi sebagian persyaratan guna memperoleh gelar sarjana pada pogram studi Matematika di Fakultas Sains dan Teknologi Universitas Airlangga. Penulis menyadari bahwa berkat bantuan dan dukungan dari berbagai pihak, maka skripsi ini dapat tersusun. Oleh karena itu, pada kesempatan ini penulis menyampaikan rasa terima kasih dan penghargaan yang sebesar-besarnya kepada : 1. Kepada Ibunda saya tercinta Anna Laila Ahmad dan Ayahanda saya tercinta Anwar Shodiq (Alm.) atas segala dukungan dan doanya. 2. Kepada ketiga kakak saya, Evy Rosydiana dan mas Indun, Fuad Ahmadi dan mbak Ranty dan Ahmad Fauzi dan mbak Dian serta adik saya Bagus Pranoto Abdillah serta Saudara-saudara saya atas doa serta dukungannya. 3. Toha Saifudin, S.Si, M.Si dan Drs. Suliyanto, M.Si selaku dosen pembimbing I dan II yang telah memberikan bimbingan kepada penulis dalam penyusunan skripsi ini dengan penuh keikhlasan dan kesabaran hingga selesainya skripsi ini. v Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
4. Drs. Sediono, M. Si selaku dosen wali yang telah banyak membantu dalam kegiatan akademis selama Penulis belajar di Fakultas Sains dan Teknologi UNAIR. 5. Dr.Miswanto
selaku
KAPRODI
Matematika
sekaligus
KADEP
Matematika yang telah memberikan arahan dalam penyusunan skripsi. 6. Seluruh mahasiswa UNAIR angkatan 2007, khususnya mahasiswa Jurusan Matematika angkatan 2007 atas kerjasama, do’a dan dukungannya. 7. Sahabat-sahabat saya Herlina, Trisfiyanti, Uum, Tia, Arista dan Galuh terimakasih atas dukungan serta doa kalian semua. 8. Seluruh pihak yang telah membantu dalam penyusunan skripsi ini.
Semoga segala pengorbanan dan bantuan yang telah diberikan kepada penulis dalam menyelesaikan skripsi ini mendapat imbalan dan amalan yang diridhoi Allah S.W.T. Semoga skripsi ini dapat memberikan manfaat bagi semua pihak yang berkepentingan.
Surabaya, September 2012 Penyusun
Sofia Utami Dewi Saputri
vi Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
Sofia Utami Dewi Saputri, 2012. Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square. Skripsi ini di bawah bimbingan Toha Saifudin, S.Si, M.Si dan Drs. Suliyanto, M.Si. Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya ABSTRAK Tujuan dari penulisan skripsi ini adalah untuk membandingkan hasil estimasi model regresi logistik biner dengan menggunakan metode Maximum likelihood dan metode Weighted least square. Proses estimasinya menggunakan algoritma Newton raphson dan Iteratively reweighted least square. Untuk penerapan pada data dibuat program menggunakan Software S-PLUS 2000 Perbandingan hasil estimasi model regresi logistik biner dengan menggunakan metode Maximum likelihood dan metode Weighted least square diterapkan pada data uji efektivitas larvasida ekstrak ethanol daun Mimba (Azadirachta indica) terhadap larva Aedes aegypti. Variabel respon yang digunakan adalah jumlah kematian larva Aedes aegypti (Y), sedangkan variabel prediktor yang digunakan adalah konsentrasi ekstrak ethanol daun Mimba (X1) dan lama waktu pengamatan (X2). Dari hasil analisa data diperoleh bahwa metode yang baik adalah metode Maximum likelihood dengan nilai Mean Square Error (MSE) dan Apparent Rate Error (APPER) yang terkecil , yaitu sebesar 0,6566313 dan 4,44%. Kata Kunci : Regresi logistik biner, Maximum Likelihood, Algoritma Newton Raphson, Weighted Least Square, Iteratively Rweighted Least Square dan Kematian larva Aedes aegypti.
vii Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
Sofia Utami Dewi Saputri, 2012. Comparison of Results of Binary Logistic Regression Model Estimation Method Using Maximum Likelihood and Weighted Least Square Method. This thesis under the guidance of Toha Saifudin S. Si, M. Si and Drs. Suliyanto M. Si. Department of Mathematics, Science and Technology Faculty, Airlangga University, Surabaya. ABSTRACT The purpose of this paper is to compare the results of binary logistic regression model was estimated using the method Maximum Likelihood and Weighted Least Square method. Estimation process using the Newton Raphson algorithm and Iteratively Reweighted Least Squares. For the application on the data use S-PLUS 2000 software. Comparison of the results of binary logistic regression model was estimated using the method of Maximum Likelihood and weighted least square method applied to the data of larvaside effectivity test of Neem leaf ethanol extract (Azadirachta indica) on Aedes aegypti larvae. The respon variable that is used is the mortality percentage of Aedes aegypti larvae (Y), while the predictor variables that are used are consentration of ethanol extract of Neem leaf (X1) and time of observation (X2). From the analysis og the data obtained is that a good method Maximum likelihood method with a value of Mean Square Error (MSE) and the Apparent Rate Error (APPER) is the smallest, that is equal to 0,6566313 and 4,44%. Key Word : Binary logistic regression, Maximum likelihood,Newton Raphson algorithm, Weighted Least Square, Iteratively Reweighted Least Square, Aedes aegypti larvae mortality.
viii Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
DAFTAR ISI Halaman LEMBAR JUDUL ...................................................................................... LEMBAR PERNYATAAN ....................................................................... LEMBAR PENGESAHAN ........................................................................ LEMBAR PEDOMAN PENGGUNAAN SKRIPSI ..................................... KATA PENGANTAR ................................................................................ ABSTRAK .................................................................................................... ABCTRACT ................................................................................................. DAFTAR ISI ............................................................................................... DAFTAR TABEL ......................................................................................... DAFTAR LAMPIRAN .................................................................................
i ii iii iv v vii viii ix xi xii
BAB I PENDAHULUAN ........................................................................ 1.1 Latar Belakang Masalah .................................................... 1.2 Rumusan Masalah ............................................................. 1.3 Tujuan ............................................................................... 1.4 Manfaat ............................................................................. Batasan Masalah ................................................................ 1.5
1 1 4 4 5 5
BAB II TINJAUAN PUSTAKA ............................................................... 2.1 Matriks .............................................................................. 2.2 Distribusi Binomial ............................................................. Regresi Logistik Biner ......................................................... 2.3 2.4 Turunan dalam Format Vektor ............................................. 2.5 Metode Maximum Likelihood ............................................. 2.6 Metode Weighted Least Square .......................................... 2.7 Matriks Pembobot Keluarga Generalized Linier Model ..... 2.8 Prosedur Klasifikasi ............................................................. 2.9 Mean Square Error (MSE)……………………………….. 2.10 Algoritma Newton Raphson ................................................. 2.11 S-PLUS 2000.................................... ................................... 2.12 Aedes aegypti ...................................................................... 2.13 Daun Mimba (Azadirachta indica) .....................................
6 6 7 7 9 10 10 11 12 13 13 14 17 19
BAB III METODE PENELITIAN .............................................................. 3.1. Estimasi model Regresi Logistik Biner .............................. 3.1.1. Metode Maximum Likelihood ................................... 3.1.2. Metode Weighted Least Square ............................... 3.1.3. Metode Iteratively Reweighted Least Square .......... 3.2. Membandingkan Metode MLE dengan Metode WLS ......... 3.3. Penerapan Model pada Data ................................................
21 21 21 23 24 25 26
BAB IV HASIL DAN PEMBAHASAN ......................................................
27
ix Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
BAB V PENUTUP ........................................................................................ 5.1. Kesimpulan .......................................................................... 5.2. Saran ....................................................................................
44 44 45
DAFTAR PUSTAKA ................................................................................. LAMPIRAN
46
x Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
DAFTAR TABEL
No
Judul Tabel
Halaman
2.1
Tabel Klasifikasi ................................................................................ 12
xi Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
DAFTAR LAMPIRAN Nomor
Judul
1.
Data Kematian Larva Aedes aegypti
2.
Program untuk menentukan nilai estimasi model regresi logistik biner dengan menggunakan metode ML berdasarkan kriteria MSE dan APPER
3.
Program untuk menentukan nilai estimasi model regresi logistik biner dengan menggunakan metode WLS berdasarkan kriteria MSE dan APPER
4.
Program untuk menentukan nilai estimasi model regresi logistik biner dengan menggunakan metode IRWLS berdasarkan kriteria MSE danAPPER
5.
Output program menentukan nilai estimasi model regresi logistik biner dengan menggunakan metode ML berdasarkan kriteria MSE dan APPER
6.
Output program menentukan nilai estimasi model regresi logistik biner dengan menggunakan metode WLS berdasarkan kriteria MSE dan APPER
7.
Output program menentukan nilai estimasi model regresi logistik biner dengan menggunakan metode IRWLS berdasarkan kriteria MSE dan APPER
xii Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
BAB I PENDAHULUAN
1.1 Latar Belakang Dalam bidang ilmu statistika, untuk mengetahui hubungan antara variabel respon dengan beberapa variabel prediktor dapat menggunakan analisis regresi linier. Dalam analisis regresi linier, variabel respon harus bersifat kuantitatif dengan skala pengukuran minimal interval. Variabel respon juga diasumsikan berdistribusi normal dan mempunyai ragam yang homogen (Rokhman, 2008). Pada realita di lapangan menunjukkan bahwa banyak penelitian yang menghasilkan respon dengan nilai “sukses” atau “gagal”. Bila variabel respon merupakan data kategorik termasuk data biner maka model regresi linier biasa tidak dapat digunakan untuk analisis. Salah satu analisis regresi untuk menganalisis variabel respon berskala biner adalah analisis regresi logistik (Rokhman, 2008). Terdapat beberapa metode yang digunakan untuk mengestimasi parameter model regresi logistik diantaranya adalah metode Maximum Likelihood, Weighted Least Square (WLS) dan Iteratively Reweighted Least Square (IRWLS) dalam penyelesaian. Metode-metode estimasi tersebut telah dibahas oleh Agresti. Jika diterapkan terhadap sebuah kasus yang sama, metode-metode tersebut dapat menghasilkan estimator yang berbeda. Hal inilah yang menarik perhatian penulis
1 Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
2
untuk membahas perbandingan hasil estimasi model regresi logistik biner menggunakan metode Maximum Likelihood dan WLS dalam skripsi ini. Sebagai kriteria perbandingan, penulis menggunakan nilai Apparent Error Rate (APPER) dan Mean Square Error (MSE). APPER merupakan proporsi misklasifikasi (ketidaktepatan klasifikasi) estimasi terhadap kenyataan yang sebenarnya dari variabel respon. Nilai APPER berkisar dari semakin mendekati
hingga
. Jika nilai APPER
maka estimasi yang dilakukan semakin baik. Adapun
MSE merupakan ukuran rata-rata kuadrat kesalahan prediksi. Nilai MSE berupa bilangan riil non negatif. Jika nilai MSE semakin mendekati 0 maka estimasi yang dilakukan semakin baik. Sebagai contoh penerapan, dalam skripsi ini penulis mengambil kasus kematian larva Aedes aegypti akibat pemberian ekstrak daun mimba. Data yang penulis gunakan, diadopsi dari Aradilla (2009). Berdasarkan data tersebut penulis melakukan pemodelan regresi logistik menggunakan metode estimasi Maximum Likelihood dan WLS, selanjutnya membandingkan hasilnya menggunakan kriteria APPER dan MSE. Aedes aegypti merupakan jenis nyamuk yang dapat membawa virus dengue penyebab penyakit demam berdarah. Selain dengue, Aedes aegypti juga merupakan pembawa virus demam kuning (yellow fever) dan chikungunya. Penyebaran jenis ini sangat luas, meliputi hampir semua daerah tropis di seluruh dunia. Sebagai pembawa vius dengue, Aedes aegypti merupakan pembawa utama (primary vector) dan bersama Aedes Albopictus menciptakan siklus persebaran
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
3
dengue di desa dan kota. Aedes aegypti umumnya berkembang biak di rumah penduduk, sedangkan Aedes Albopictus lebih suka di cekungan dahan pohon yang menampung air (Judarwanto, 2007). Dalam Daniel (2008) dijelaskan bahwa tindakan pencegahan dengan memberantas sarang nyamuk dan membunuh larva serta nyamuk dewasa, merupakan tindakan yang terbaik. Dalam Aradilla (2009) disebutkan bahwa tanaman Mimba (Azadirachta indica) merupakan tanaman obat yang memiliki berbagai macam kegunaan. Salah satu kegunaannya adalah sebagai biopestisida (larvasida). Berdasarkan penelitian yang dilakukan oleh Ndione, et all pada tahun 2007, dengan menggunakan biji daun mimba terhadap larva Aedes aegypti Linnaeus 1762, yang juga mengandung azadirachtin, salalinin, meliantriol, nimbin dan nimbidin, daun mimba mampu membunuh larva Aedes aegypti. Mimba tidak membunuh hama secara cepat namun memiliki mekanisme kerja menurunkan nafsu makan dan menghambat pertumbuhan dan reproduksi. Daya larvasida daun mimba berasal dari kandungan aktifnya yang disebut azadirachtin dan salanin. Senyawa-senyawa yang dikandung daun mimba itulah yang diduga dapat memberikan efek larvasida dari ekstrak ethanol daun mimba. Untuk mempermudah komputasi, penulis membuat pemrograman estimasi dan perbandingan hasil estimasi dengan menggunakan S-PLUS 2000 dan menerapkannya pada data uji efektivitas larvasida ekstrak ethanol daun mimba (Azadirachta indica) terhadap larva Aedes aegypti.
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
4
1.2 Rumusan Masalah 1. Bagaimana hasil estimasi model regresi logistik biner berdasarkan metode Maximum Likelihood dan WLS ? 2. Bagaimana membandingkan hasil estimasi model regresi logistik biner menggunakan metode Maximum Likelihood dan WLS menggunakan kriteria nilai APPER dan MSE ? 3. Bagaimana menerapkan model regresi logistik biner pada data uji efektivitas larvasida ekstrak ethanol daun mimba (Azadirachta indica) terhadap larva Aedes aegypti?
1.3 Tujuan 1. Mendapatkan hasil estimator model regresi logistik biner berdasarkan metode Maximum Likelihood dan metode WLS. 2. Membandingkan hasil estimator model regresi logistik biner berdasarkan metode Maximum Likelihood dan WLS menggunakan kriteria nilai APPER dan MSE. 3. Mendapatkan metode yang baik diantara metode Maximum Likelihood dan WLS pada pemodelan regresi logistik untuk data uji efektivitas larvasida ekstrak ethanol daun mimba (Azadirachta indica) terhadap larva Aedes aegypti.
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
5
1.4 Manfaat 1. Menambah referensi dan wawasan mengenai estimasi parameter model regresi logistik biner dengan menggunakan metode Maximum Likelihood, Weighted Least Square. 2. Secara teoritis akan memberikan tambahan wawasan terhadap ilmu statistika terutama tentang model regresi logistik. 3. Hasil dari penelitian ini diharapkan dapat digunakan sebagai salah satu referensi untuk mengetahui metode-metode yang lebih baik diantara Maximum Likelihood dan WLS dalam mengestimasi parameter model regresi logistik biner.
1.5 Batasan Masalah Perbandingan dilakukan secara empiris. Kriteria perbandingan hasil estimasi dari metode Maximum Likelihood dan WLS menggunakan nilai APPER (Apparent Error Rate) dan MSE (Mean Square Error).
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
BAB II TINJAUAN PUSTAKA
2.1. Matriks Definisi 2.1 Matriks adalah suatu susunan segiempat siku-siku dari bilangan-bilangan yang disajikan di dalam kurung besar atau kurung siku. Bilangan-bilangan itu disebut entri atau elemen matriks. Bentuk umum suatu matriks yang terdiri dari n baris dan k kolom adalah :
Matriks tersebut dapat disajikan dalam notasi matriks yaitu
,
i = 1, 2, …, n dan j =1, 2, …, k (Anton, 2005). Jika M adalah matriks berukuran nxm maka transpose dari M dinotasikan yang didefinisikan sebagai matriks yang berukuran mxn yang merupakan hasil pertukaran baris dan kolom dari matriks M (Anton, 2005). Definisi 2.2 Matriks diagonal adalah matriks persegi yang semua elemen-elemennya adalah nol kecuali elemen pada diagonal utama. Jadi matriks diagonal jika
untuk
disebut
(Anton, 2005).
6 Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
7
Definisi 2.3 Matriks B dikatakan sebagai invers dari matriks A jika AB = BA = I. Dalam hal ini invers matriks A dinotasikan
. Matriks yang mempunyai
invers disebut matriks non singular (Anton, 2005).
2.2. Distribusi Binomial Distribusi Binomial merupakan suatu distribusi probabilitas yang dapat digunakan bilamana suatu proses sampling dapat diasumsikan sesuai dengan proses Bernoulli. Dimisalkan
maka fungsi probabilitasnya adalah
(Jeff Gill, 2001) : (2.1) Jika
berdistribusi binomial maka
mempunyai rata-rata dan variansi (Agresti,
2002) sebagai berikut : Rata-rata : Varian :
2.3. Regresi Logistik Biner Regresi logistik biner adalah suatu analisis regresi yang digunakan untuk menggambarkan hubungan antara variabel respon (outcome or dependent) berskala
Skripsi
biner
dengan
sekumpulan
variabel
prediktor
(explanatory
or
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
8
independent) bertipe kategorik maupun numerik (Agresti, 1990). Variabel berskala biner adalah variabel yang memiliki dua kemungkinan (sukses atau gagal) (Ricki Indra P, 2009). Misalkan Y variabel respon dengan nilai sukses atau gagal dan merupakan nilai dari variabel prediktor, maka bentuk model regresi logistik adalah (Hosmer dan Lemeshow, 2000) :
(2.2) Fungsi
merupakan fungsi nonlinier sehingga perlu dilakukan
transformasi dengan menggunakan transformasi logit untuk memperoleh fungsi yang linier agar dapat dilihat hubungan antara variabel respon y dengan variabel prediktor Fungsi logit dari model
(Hosmer dan Lemeshow, 2000). pada persamaan (2.2) adalah
(2.3)
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
9
2.4. Turunan dalam Format Vektor Definisi 2.4 Misalkan A matriks berukuran k x k dan vektor kolom berukuran k x 1 dari variabel real, maka
adalah disebut
bentuk kuadratik dalam y dan A disebut matriks dari bentuk kuadratik (Suliyanto, 2010). Definisi 2.5 Diasumsikan bahwa skalar z dapat ditulis sebagai fungsi dari k variabel dan dinyatakan sebagai berikut :
dengan
merupakan vektor kolom yang mempunyai elemen ke-i adalah
, sehingga
Aturan Differensial Beberapa aturan differensial untuk vektor (Suliyanto, 2010) : 1. Misalkan z = a’y, dengan a adalah vektor scalar, maka 2. misalkan z = y’y, maka
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
10
3. misalkan z = y’Ay, dengan A adalah matriks berukuran k x k, maka
2.5. Metode Maximum Likelihood Misalkan suatu distribusi PDF bersama antara
merupakan variabel random identik independen dari , untuk
dengan
adalah
ruang parameter. PDF Jika PDF bersama
tersebut dinyatakan sebagai fungsi terhadap
maka dinamakan fungsi Likelihood
yang dinotasikan L atau ditulis :
memaksimumkan fungsi likelihood
Jika statistik
, maka statistik likelihood estimator (MLE) dari
adalah maximum
(Hogg and Craig, 1995).
2.6. Metode Weighted Least Square Menurut Suliyanto, dalam sebagian pengamatan yang digunakan dalam analisis regresi biasanya mengalami sebuah penyimpangan asumsi galat. Penyimpangan tersebut biasanya terlihat dari
, melainkan suatu
matriks diagonal dengan unsur-unsur pada diagonal utama tidak sama. Dimisalkan terdapat sebuah model regresi :
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
11
(2.4) dengan dan
(2.5)
Dari (2.5) dapat dilihat bentuk penyimpangannya, yaitu matriks
, hal
ini mengakibatkan rumus pendugaan kuadrat terkecil
tidak
berlaku, sehingga perlu mengubah prosedur untuk memperoleh nilai dugaan tersebut yaitu menggunakan estimator WLS. Prinsip dari metode ini adalah mencari nilai parameter
yang meminimumkan fungsi
. Sehingga
diperoleh (2.6)
2.7. Matriks Pembobot Keluarga Generalized Lnier Model (GLM) Residual tidak identik mengakibatkan var(i) tidak sama untuk setiap i, dinotasikan var(i) = i2 (Pada OLS var(i) = 2). Agar i memenuhi asumsi identik maka dilakukan transformasi, dengan cara mengalikan i dengan
, atau
vektor dengan matriks W-1 dari sisi kiri. W adalah matrik diagonal dengan elemen (Agresti, 2002) (2.7)
dengan
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
12
dan
komponen kolom W. Matrik diagonal yang elemennya terdiri dari
komponen vektor W dinamai Matrik Pembobot (Wiwiek, S. W., 2009).
2.8. Prosedur Klasifikasi Evaluasi prosedur klasifikasi adalah suatu evaluasi yang melihat peluang kesalahan klasifikasi yang dilakukan oleh suatu fungsi klasifikasi. Ukuran yang dipakai adalah apparent error rate (APER). Nilai APER menyatakan nilai proporsi sampel yang salah diklasifikasikan oleh fungsi klasifikasi (Johnson dan Wichern, 1992; Alvin C. R., 2002). Penentuan kesalahan pengklasifikasian dapat diketahui melalui tabel klasifikasi berikut : Table 2.1 Tabel Klasifikasi Actual Group
Number of Observation
Predicted Group 1 2
1 2
Keterangan : = Jumlah pengamatan dari Actual Group 1 tepat diklasifikasikan pada = Jumlah pengamatan dari Actual Group 1 salah diklasifikasikan pada = Jumlah pengamatan dari Actual Group 2 salah diklasifikasikan pada = Jumlah pengamatan dari Actual Group 2 tepat diklasifikasikan pada
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
13
(merupakan jumlah pengamatan Actual Group 1) (merupakan jumlah pengamatan Actual Group 2) Predicted Group of 1 Predicted Group of 2 Apparent Error Rate (dalam %)
(2.8)
2.9. Mean Square Error (MSE) Dalam statistika, Mean Square Error atau MSE dari suatu estimator adalah nilai ekspektasi dari kuadrat error. Definisi 2.4 MSE dari estimator
terhadap parameter
didefinisikan sebagai berikut
(Johnson, 2004) (2.9)
2.10. Algoritma Newton Raphson Algoritma Newton Raphson adalah suatu metode iterasi numerik yang dapat digunakan untuk menghitung hampiran akar-akar sistem persamaan linier dan tidak linier. Misalkan
adalah vektor berdimensi n dan
merupakan fungsi
berdimensi n sedemikian hingga
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
14
dan
(2.10)
Prinsip dari metode Newton Raphson adalah mencari nilai
yang
. Untuk memperoleh
memenuhi persamaan persamaan
yang memenuhi
dengan memperbaharui proses iterasi terhadap
adalah
(Lawless, 1982) (2.11)
,H
dengan
dan t adalah indeks
iterasi.
2.11. S-PLUS 2000 Menurut Everit (1994), S-Plus adalah suatu paket program yang memungkinkan membuat program sendiri walaupun di dalamnya sudah tersedia banyak program internal yang siap digunakan. Kelebihan dari paket program ini adalah baik program internal maupun yang pernah dibuat dapat digunakan sebagai subprogram yang akan dibuat. Beberapa perintah internal yang digunakan dalam S-PLUS 2000 diantaranya: a.
function ( ) Merupakan perintah untuk menunjukkan fungsi yang akan digunakan dalam program.
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
15
Bentuknya : function(...) b.
length ( ) Merupakan perintah length( )digunakan untuk menunjukkan banyaknya data. Bentuknya : length(...)
c.
for ( ) Merupakan perintah for ( ) digunakan untuk mengulang satu blok pernyataan berulang kali sesuai dengan kondisi yang telah ditentukan. Bentuknya: for(kondisi){pernyataan}
d.
sum ( ) Merupakan perintah untuk menjumlahkan semua anggota dari suatu vektor. Bentuknya : sum(...)
e.
cat ( ) Merupakan perintah untuk menuliskan argumentasi dalam bentuk karakter dan kemudian mencetak hasil atau file yang telah ditetapkan. Bentuknya : cat(”...”)
f.
rep (a,b) Merupakan perintah untuk membentuk sebuah vektor yang anggotanya a sebanyak b. Bentuknya : rep(...,...)
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
16
g.
matrix(a,b,c) merupakan perintah untuk membentuk sebuah matrik yang anggotanya a dengan jumlah baris sebanyak b dan jumlah kolom sebanyak c. Bentuknya : matrix(...,...,...)
h.
if else Merupakan perintah untuk menjalankan pernyataan pertama jika kondisi benar dan pernyataan kedua akan dieksekusi jika kondisi bernilai salah. Bentuknya : if(kondisi)pernyataan pertama else pernyataan kedua
i.
win.graph() merupakan perintah awal dalam membuat gambar Bentuknya : win.graph( )
j.
plot() merupakan perintah untuk membuat plot atau grafik Bentuknya : plot(x, y, ...)
k.
while merupakan perintah untuk mengulang satu blok pernyataan terus menerus selama kondisi ungkapan logika pada while berlaku benar. Bentuknya : while(logika) {
pernyataan
}
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
17
l.
repeat merupakan perintah untuk mengulang eksekusi pernyataan secara terus menerus, sehingga diperlukan pernyataan lain untuk menghentikan perulangan eksekusi. Bentuknya : repeat {
pernyataan if(pernyataan kedua) break
}
2.12. Aedes aegypti 2.12.1. Morfologi Aedes aegypti Menurut Sudarto (1972) secara umum nyamuk Aedes aegypti sebagaimana serangga lainnya mempunyai bentuk morfologi sebagai berrikut: a.
Terdiri dari tiga bagian, yaitu : kepala, dada, dan perut
b.
Pada kepala terdapat sepasang antena yang berbulu dan moncong yang panjang (proboscis) untuk menusuk kulit hewan atau manusia dan menghisap darahnya.
c.
Pada dada ada 3 pasang kaki yang beruas serta sepasang sayap depan dan sayap belakang yang mengecil yang berfungsi sebagai penyeimbang (halter).
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
18
2.12.2 Siklus Hidup Aedes aegypti Siklus hidup nyamuk Aedes aegypti secara sempurna terdiri dari 4 (empat) stadium, yaitu telur, larva, pupa, dan dewasa (Sudarto, 1972; Cahyaningsih, 2011). 1. Telur Pada waktu dikeluarkan, telur aedes berwarna putih, dan berubah menjadi hitam dalam waktu 30 menit. Telur dapat bertahan sampai berbulanbulan dalam suhu
–
, namun akan menetas dalam waktu 1 – 2 hari
pada kelembaban rendah. Telur yang diletakkan di dalam air kan menetas dalam waktu 1 – 3 hari pada suhu
, tetapi membutuhkan waktu 7 hari
. Pada kondisi normal, telur Aedes aegypti yang direndam di
pada suhu
dalam air akan menetas sebanyak 80% pada hari pertama dan 95% pada hari kedua. 2. Larva Setelah menetas, telur akan berkembang menjadi larva (jentik-jentik). Pada stadium ini, kelangsungan hidup larva dipengaruhi suhu, pH air perindukan, ketersediaan makanan, cahaya, kepadatan larva, lingkungan hidup, serta adanya predator. Temperatur optimal untuk perkembangan larva ini adalah
–
. Larva berubah menjadi pupa memerlukan waktu 4 – 9
hari dan melewati 4 fase atau biasa disebut instar. Perubahan instar tersebut disebabkan larva mengalami pengelupasan pada kulit atau biasa disebut ecdisi/moulting.
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
19
3. Pupa Larva instar IV akan berubah menjadi pupa yang berbentuk bulat gemuk menyerupai tanda koma. Untuk menjadi nyamuk dewasa diperlukan 21 waktu 2 – 3 hari. Suhu untuk perkembangan pupa yang optimal adalah sekitar –
. Stadium pupa tidak memerlukan makanan. Bentuk nyamuk dewasa
timbul setelah sobeknya selongsong pupa oleh gelembung udara karena gerakan aktif pupa. 4. Dewasa Setelah keluar dari selongsong pupa, nyamuk akan diam beberapa saat di selongsong pupa untuk mengeringkan sayapnya. Nyamuk betina dewasa menghisap darah sebagai makanannya, sedangkan nyamuk jantan hanya makan cairan buah-buahan dan bunga. Nyamuk dapat hidup dengan baik pada suhu –
dan akan mati bila berada pada suhu
Nyamuk dapat hidup pada suhu
–
dalam 24 jam.
Rata-rata lama hidup nyamuk
betina Aedes aegypti selama 10 hari.
2.13. Daun Mimba (Azadirachta indica) Tanaman mimba (Azadirachta indica) termasuk familia Meliaceae. Mimba, terutama dalam biji dan daunnya mengandung beberapa komponen dari produksi metabolit sekunder yang diduga sangat bermanfaat, baik dalam bidang pertanian (pestisida dan pupuk), maupun farmasi (kosmetik dan obat-obatan). Diantaranya adalah azadirachtin, salanin, meliantriol, nimbin dan nimbidin yang merupakan
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
20
kandungan bermanfaat baik dalam bidang pertanian (pestisida dan pupuk) maupun farmasi (kosmetik dan obat-obatan) (Kardiman dkk, 2004, Cahyaningsih, 2011). Daun mimba dan biji mimba bisa digunakan sebagai antibiotik, antimikroba, antifungi, antihelmintik dan antivirus. Selain itu daun mimba dapat digunakan untuk menurunkan gula darah, menyembuhkan penyakit kulit (Csurhes, 2008), memiliki efek gastro protektif pada mukosa lambung terhadap ulkus peptikum, menurunkan total kolesterol dalam darah, LDL- and VLDL-cholesterol, triglyserid dan total lipid dalam serum (Chattopadhyay dkk, 2005, Cahyaningsih, 2011). Efek primer azadirachtin terhadap serangga berupa antifeedant dengan menghasilkan stimulan detteren spesifik berupa reseptor kimia (chemoreseptor) pada bagian mulut (mouth part) yang bekerja bersama-sama dengan reseptor kimia yang mengganggu persepsi rangsangan untuk makan (phagostimulant). Sedangkan efek sekunder Azadirachtin yang dikandung mimba berperan sebagai ecdyson blocker atau zat yang dapat menghambat kerja hormon ecdyson, yaitu hormon yang berfungsi dalam menghambat metamorfosa serangga sehingga dapat mengakibatkan kematian pada serangga (Samsudin, 2008; Cahyaningsih, 2011).
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
BAB III METODE PENULISAN
Metode penulisan yang digunakan dalam penelitian ini melalui langkahlangkah sebagai berikut ini: 3.1.
Estimasi model regresi logistik biner berdasarkan metode : 3.1.1. Maximum Likelihood Estimation (MLE) dengan langkah-langkah sebagai berikut : Langkah 1. Mengasumsikan data yang mempunyai struktur i 1. 2.
N
dengan
jumlah sukses dalam sampel pengamatan ke- i ukuran sampel pengamatan ke- i nilai-nilai prediktor ke- i sampai ke- k dari pengamatan ke- i
21 Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
22
dan memenuhi model logit
dengan
,
,
dan Langkah 2. Menentukan fungsi likelihood berdasarkan model logit. Langkah 3. Menentukan fungsi log likelihood. Langkah 4. Menentukan differensial parsial fungsi log likelihood terhadap parameter dan disamadengankan nol. Langkah 5. Mencari nilai
yang memaksimumkan fungsi log likelihood dengan cara
menyelesaikan persamaan-persamaan pada langkah 4. Jika masih dalam bentuk implisit, maka digunakan metode numerik. Dalam skripsi ini digunakan metode Newton Raphson.
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
23
3.1.2. Metode Weighted Least Square (WLS) dengan langkah-langkah sebagai berikut : Langkah 1. Mengasumsikan data yang mempunyai struktur i 1. 2.
N
dengan
banyaknya peluang sukses dalam sampel pengamatan ke- i ukuran sampel pengamatan ke- i nilai-nilai prediktor ke- i sampai ke- k dari pengamatan ke- i
dan memenuhi fungsi logit
dengan
,
dan
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
24
Langkah 2. Menyatakan model regresi logistik dalam bentuk matriks
,
dengan
, dan
dan diasumsikan
.
Langkah 3. Mendefinisikan fungsi jumlah kuadrat galat
dengan
dan Langkah 4. Mencari nilai
yang meminimumkan fungsi Q dengan cara menurunkan
fungsi Q terhadap
dan disamadengankan nol.
Langkah 5. Menyelesaikan mendapatkan
persamaan estimasi
yang
parameter
diperoleh
dari
model
regresi
langkah logistik
4
untuk dengan
menggunakan metode WLS. 3.1.3. Metode Iteratively Reweighted Least Square dengan langkah-langkah sebagai berikut : Langkah 1. Menentukan nilai awal matriks pembobot
Skripsi
.
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
25
Langkah 2. Menentukan nilai estimator
dengan menggunakan rumus yang telah
didapat dari metode WLS berdasarkan
.
Langkah 3. Menentukan kembali matriks pembobot nilai
yang dihitung berdasarkan
.
Langkah 4. Menentukan kembali nilai estimator
dengan menggunakan rumus yang
telah diperoleh dari metode WLS berdasarkan
.
Langkah 5. Proses yang sama untuk mendapatkan
dan seterusnya sampai
konvergen. 3.2.
Membandingkan hasil estimasi model regresi logistik biner menggunakan metode MLE dengan metode WLS berdasarkan kriteria nilai APPER dan MSE dengan langkah-langkah sebagai berikut : Langkah 1. Menghitung nilai APPER dan MSE dari masing-masing metode. Langkah 2. Membandingkan kedua nilai APPER dan MSE yang telah diperoleh.
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
26
Langkah 3. Mendapatkan metode yang lebih baik yaitu metode yang mempunyai nilai APPER dan nilai MSE terkecil. 3.3.
Menerapkan model regresi logistik biner pada data uji efektivitas larvasida ekstrak ethanol daun mimba (Azadirachta indica) terhadap larva Aedes aegypti dengan langlah-langkah sebagai berikut : Langkah 1. Input data. Langkah 2. Menaksir parameter regresi logistik biner pada data tersebut dengan menggunakan metode Maximum Likelihood, metode WLS dan IRWLS. Langkah 3. Menghitung nilai APPER dan MSE dari masing-masing metode. Langkah 4. Membandingkan kedua nilai APPER dan MSE yang telah diperoleh. Langkah 5. Mendapatkan metode yang lebih baik yaitu metode yang mempunyai nilai APPER dan nilai MSE terkecil.
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
BAB IV HASIL DAN PEMBAHASAN
Dalam bab ini akan diuraikan tiga metode untuk mengestimasi parameter model regresi logistik, dilengkapi dengan algoritma untuk pemrograman komputasi estimator. Selanjutnya diuraikan prosedur untuk perhitungan APPER dan MSE. Pada akhir bab ini akan disajikan contoh penerapan pemodelan regresi logistik pada kasus uji efektifitas larvasida ekstrak ethanol daun mimba terhadap larva Aedes aegypti. Pada contoh kasus tersebut dilakukan estimasi parameter model regresi logistik dengan menggunakan metode Maximum Likelihood, WLS dan IRWLS. Selanjutnya dibandingkan hasil estimasi dari ketiga metode tersebut dengan kriteria APPER dan MSE untuk mendapatkan metode yang lebih baik. 4.1. Estimasi Parameter Model Regresi Logistik Misalkan Y adalah variabel respon yang menyatakan jumlah sukses dalam sampel berukuran n dengan probabilitas sukses . x1, x2, …, xk adalah variabelvariabel prediktor yang berpengaruh terhadap probabilitas sukses
. Misalkan
dalam sebuah penelitian dicatat data pengamatan dengan struktur sebagai berikut : i 1. 2.
N
27 Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
28
dengan
jumlah sukses dalam sampel pengamatan ke- i ukuran sampel pengamatan ke- i nilai-nilai prediktor ke- 1 sampai ke- k dari pengamatan ke- i
dan memenuhi model logit
dengan
,
,
dan Berikut ini akan diuraikan tiga metode untuk mengestimasi parameter . 4.1.1. Metode Maximum Likelihood Estimation (MLE) Jika diasumsikan
independen identik dari distribusi Binomial
maka fungsi likelihood untuk model regresi logistik biner adalah (4.1) Secara matematis akan lebih mudah jika persamaan (4.1) dibawa ke fungsi log likelihood
dan memaksimalkan log Likelihood yang dinotasikan
dengan cara mendifferensialkan
terhadap
, yaitu
lalu menyamakan dengan nol.
Untuk tujuan tersebut, berikut ini adalah fungsi log likelihood :
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
29
Karena
Skripsi
maka
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
30
(4.2) Selanjutnya persamaan (4.2) diturunkan terhadap
. Hasil penurunan
tersebut disamadengankan nol sehingga diperoleh :
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
31
Sehingga diperoleh persamaan umumnya (4.3)
dengan
Selanjutnya estimator
diperoleh dengan cara menyelesaikan persamaan (4.3).
Namun persamaan (4.3) masih dalam bentuk implisit dan tidak bisa diselesaikan, sehingga dibutuhkan metode numerik. Dalam skripsi ini digunakan metode Newton Raphson. Berdasarkan iterasi Newton Raphson dalam (2.11), maka berikut ini akan ditentukan turunan kedua dari fungsi log likelihood terhadap masing-masing parameter.
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
32
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
33
Sehingga diperoleh persamaan umumnya (4.4) Dari (4.3) diperoleh vektor kolom berikut :
Dari (4.4) diperoleh matriks persegi Hessian
dengan
Algoritma iterasi Newton Raphson untuk mendapatkan nilai
melalui langkah-
langkah sebagai berikut : 1. Masukkan nilai dugaan awal yang diperoleh dari metode kuadrat terkecil (OLS)
kemudian masukkan 2. Menentukan
dan
pada persamaan (2.2). .
3. Untuk m > 0 dengan menggunakan
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
34
Nilai
digunakan untuk mencari
dan
. Kemudian diperoleh nilai
sehingga diperoleh nilai , dan seterusnya untuk setiap j
sampai mencapai
dengan
adalah tingkat ketelitian, misalkan
.
4.1.2. Metode Weighted Least Square (WLS) Misalkan model logit
dengan asumsi
.
Estimator parameter regresi logistik dapat diperoleh dengan menggunakan metode WLS, diperoleh dengan cara meminimumkan jumlah kuadrat galat terboboti . Misalkan terdapat suatu matriks non singular P yang bersifat , maka dengan mengalikan kedua sisi pada model logit dengan diperoleh
dengan
dengan
. Sehingga
fungsi Q dapat diuraikan sebagai berikut :
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
35
Syarat cukup agar fungsi Q mencapai nilai minimum adalah
Maka diperoleh estimasi parameter model regresi logistik (4.5) Berdasarkan (2.7), maka elemen-elemen dari Matriks pembobot untuk model regresi logistik ini adalah (4.6)
4.1.3. Metode Iteratively Reweighted Least Square (IRWLS) Metode ini dikembangkan dari metode WLS. Berdasarkan (4.6) dapat dilihat bahwa elemen pembobot
Skripsi
masih tergantung pada
. Jika diambil
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
36
maka dalam persamaan (4.6) terlihat bahwa pembobot estimator
. Oleh karena itu, jika estimator
masih terdapat
yang telah diperoleh dari (4.5)
selanjutnya digunakan untuk menghitung pembobot yang baru dan menghitung ulang nilai estimator
yang baru, demikian seterusnya maka metode seperti ini
disebut Iteratively Reweighted Least Square (IRWLS). Untuk lebih jelasnya, berikut akan diberikan langkah-langkah IRWLS dalam model regresi logistik : dengan menggunakan persamaan (4.6).
i.
Menentukan
ii.
Menghitung
iii.
Menghitung
iv.
Melakukan perhitungan iterasi dengan
dengan menggunakan persamaan (4.5)
dan seterusnya maka
dan v.
Jika
maka proses iterasi dihentikan. Jika tidak maka
hitung :
dan kembali ke langkah iv.
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
37
4.2. Membandingkan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode ML dan Metode WLS berdasarkan Kriteria Nilai APER dan MSE Setelah mendapatkan hasil estimasi dari metode Maximum Likelihood dan metode WLS maka langkah selanjutnya adalah membandingkan kedua hasil estimator tersebut berdasarkan kriteria nilai APPER dan MSE. Untuk itu, berikut ini akan diuraikan terlebih dahulu cara menghitung APPER dan MSE. Berdasarkan struktur data sebelumnya, berikut ditulis kembali penggalan struktur data beserta probabilitas sukses dan estimasinya : i
Kelompok
Prediksi Kelompok
1. 2. 3.
N
Pengisian kelompok dan prediksi kelompok adalah dengan cara sebagai berikut : i. Jika
maka
ii. Jika
maka
, sebaliknya jika , sebaliknya jika
maka maka
. .
Selanjutnya diisi dengan nilai-nilai berikut : banyaknya pengamatan dengan nilai
Skripsi
dan
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
38
untuk i = 1, 2, …, N. banyaknya pengamatan dengan nilai
dan
untuk i = 1, 2, …, N. banyaknya pengamatan dengan nilai
dan
untuk i = 1, 2, …, N. banyaknya pengamatan dengan nilai
dan
untuk i = 1, 2, …, N. Selanjutnya APPER dihitung dengan rumus : APPER
Sedangkan MSE dihitung dengan rumus : (4.7) dengan
dan
4.2.1. Metode ML Telah diketahui hasil estimasi model regresi logistik biner dari metode maximum likelihood
pada persamaan (4.6) berupa bentuk implisit maka
digunakan metode numerik dengan ditentukan nilai
awal terlebih dahulu lalu
dimasukkan dalam persamaan (2.2). Kemudian menentukan matrik u dan matrik
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
39
Hessian H. Setelah melalui proses iterasi, maka diperoleh nilai
. Kemudian
ditentukan nilai MSE dan APPER. 4.2.2.Metode WLS Telah diketahui hasil estimasi model regresi logistik biner dari metode WLS pada persamaan (4.5) maka ditentukan nilai mendapatkan nilai menentukan nilai
terlebih dahulu untuk
lalu disubstitusikan dalam persamaan (4.5). Kemudian . Setelah mendapatkan nilai
, selanjutnya hitung nilai
APPER dan MSE. 4.2.3.Metode IRWLS Metode IRWLS dalam menentukan nilai WLS. Namun terlebih dahulu hitung nilai
sama halnya dengan metode lalu disubstitusikan ke persamaan
(4.5). Kemudian dengan melalui proses iterasi IRWLS, maka diperoleh nilai yang terkecil yang mendekati nol. Kemudian ditentukan nilai MSE dan APPER. Setelah mendapatkan nilai MSE dan APPER dari masing-masing metode, lalu dibandingkan. Nilai MSE dan APPER yang paling kecil itulah metode yang baik. 4.3. Menerapkan Hasil Estimasi Model Regresi Logistik Biner pada Data Uji Efektivitas Larvasida Ekstrak Ethanol Daun Mimba (Azadirachta indica) terhadap Larva Aedes aegypti 4.3.1.Data Dalam skripsi ini, penulis menggunakan data dari hasil penelitian Aradilla (2009) dalam tugas akhirnya. Penelitian tersebut mengenai uji efektivitas
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
40
larvasida ekstrak ethanol daun Mimba (Azadirachta indica) terhadap larva Aedes aegypti. Variabel respon dari data tersebut adalah jumlah kematian larva Aedes aegypti. Sedangkan variabel prediktor yang digunakan adalah konsentrasi ekstrak ethanol daun Mimba dalam g/L aegypti dalam jam
dan lama waktu pengamatan larva Aedes
. Data selengkapnya dapat dilihat di lampiran 1.
4.3.2. Analisa Data Langkah awal dalam menganalisa data ini adalah membuat struktur data sesuai model regresi logistik biner seperti berikut ini i 1. 2.
N dengan : jumlah larva nyamuk Aedes aegypti yang mati jumlah larva nyamuk Aedes aegypti keseluruhan konsentrasi ekstrak ethanol daun Mimba g/L lama waktu pengamatan larva Aedes aegypti dalam jam Kemudian data dimasukkan pada masing-masing metode.
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
41
4.3.2.1. Metode ML Terlebih dahulu menentukan nilai
awal dengan menggunakan metode
OLS (program lihat pada Lampiran 2) dan diperoleh
(hasil output lihat pada
Lampiran 5.a)
Kemudian melalui proses iterasi dengan menggunakan algoritma Newton Raphson (program lihat pada Lampiran 2) maka diperoleh estimator
(hasil output lihat
pada Lampiran 5.b)
Lalu dimasukkan kedalam persamaan (2.3) maka diperoleh hasil estimasi dan model regresi logistik biner sebagai berikut :
Berdasarkan hasil output pada Lampiran 5.c, maka diperoleh nilai MSE yaitu 0,6566313. Untuk APPER, berikut akan diuraikan perhitungannya : Berdasarkan hasil output pada Lampiran 5.c maka : 27
1
1
16
maka nilai APPER-nya adalah
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
42
APPER 4.3.2.2. Metode WLS Langkah awal pada metode ini adalah ditentukan nilai Kemudian substitusikan ke didapatkan
.
dan persamaan (4.5), maka akan
(hasil output lihat pada Lampiran 6.a)
Sehingga model regresi logistik biner menjadi
Berdasarkan hasil output pada Lampiran 6.b maka diperoleh nilai MSE yaitu 0,8861757. Untuk nilai APPER, berikut akan diuraikan perhitungannya : Berdasarkan hasil output pada Lampiran 6.b maka : 25
0
3
17
maka nilai APPER-nya adalah APPER 4.3.2.3. Metode IRWLS Langkah awal pada metode ini adalah ditentukan nilai menggunakan persamaan (2.7) dengan
Skripsi
dengan
. Kemudian menghitung
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
43
nilai
dengan
sampai
dengan
melalui proses iterasi (program lihat pada Lampiran 4) sehingga mendapatkan hasil estimasi
Maka model regresi logistik biner adalah
Berdasarkan hasil output pada Lampiran 7.b maka diperoleh nilai MSE 0,6763576. Untuk nilai APPER, berikut akan diuraikan perhitngannya : Berdasarkan hasil output pada Lampiran 7.b maka : 26
1
2
16
maka nilai APPER-nya adalah APPER Setelah mendapatkan nilai MSE dan APPER dari masing-masing metode, langkah selanjutnya adalah membandingkan metode-metode tersebut. Dari hasil yang diperoleh, menunjukkan bahwa nilai MSE dan APPER pada metode maximum likelihood adalah 0,6566313 dan 4,44%. Sedangkan pada metode WLS nilai MSE
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
44
dan APPER pada metode WLS adalah 0,8861757 dan 6,67%. Dan nilai MSE dan APPER pada metode IRWLS adalah 0,6763576 dan 6,67%.
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
BAB V PENUTUP
5.1. Kesimpulan Dari hasil pembahasan pada bab sebelumnya, dapat disimpulkan sebagai berikut : 1. Hasil estimasi parameter model regresi logistik biner adalah sebagai brikut : a. Berdasarkan metode Maximum likelihood : Estimator
diperoleh dengan menyelesaikan system
persamaan
dengan
menggunakan metode numerik.
b. Berdasarkan metode WLS : Estimator
dengan
diperoleh dengan rumus
,
c. Berdasarkan metode IRWLS : Estimator
diperoleh dengan iterasi
44 Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
45
dengan
,
, adalah indeks iterasi. 2. Perbandingkan hasil estimasi model regresi logistik biner yang lebih baik dari metode Maximum Likelihood, metode WLS dan IRWLS berdasarkan kriteria nilai MSE dan APPER diperoleh dengan memilih nilai MSE dan APPER yang terkecil. 3. Berdasarkan hasil penerapan pada kasus uji efektivitas larvasida ekstrak ethanol daun mimba (Azadirachta indica) terhadap larva Aedes aegypti maka diperoleh metode yang lebih baik adalah metode Maximum Likelihood dengan nilai MSE dan APPER masing-masing adalah 0,6566313 dan 4,44%.
5.2. Saran 1. Berdasarkan hasil yang telah diperoleh, maka penulis menyarankan penggunaan metode Maximum likelihood dalam pemodelan regresi logistik biner. 2. Perbandingan dikembangkan
hasil
estimasi
untuk
dengan
pembahasan
ketiga
pada
metode
model
ini
regresi
dapat logistik
multinomial atau ordinal.
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
DAFTAR PUSTAKA
1. Agresti, A., 2002, Categorical Data Analysis, John Wiley and Sons, Inc, New York 2. Anton, H., 2005, Elementary Linear Algebra Ninth Edition, John Wiley & Sons, Inc, Canada 3. Aradilla, A.S., 2009, Uji Efektivitas Larvasida Ekstrak Ethanol Daun Mimba (Azadirachta indica) terhadap larva Aedes aegypti, Laporan Akhir Penelitian, Fakultas Kedokteran Universitas Diponegoro, Semarang 4. Cahyaningsih, T, 2011, Estimasi Model Regresi Probit Nonparametrik Aditif Berdasarkan Estimator Kernel, Skripsi, Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya 5. Chattopadhyay RR and Bandyopadhyay M., 2005, Effect of Azadirachta indica Leaf Extract on Serum Lipid Profile Changes in Normal and Streptozotocin Induced Diabetic Rats, African Journal of Biomedical Research, Vol. 8; 101 – 104 ISSN 1119 – 5096 © Ibadan Biomedical Communications Group 6. Csurhes S., 2008, Pest Plant Risk Assessment, Neem Tree (Azadirachta indica), Department of Primary Industries and Fisheries, Queensland, Australia 7. Danardono, Dr., MPH, 2006, Bahan Ajar Biostatistika dan Epidemiologi, Jurusan Matematika, FMIPA UGM, Yogyakarta 8. Daniel, 2008, Ketika Larva dan Nyamuk Dewasa Sudah Kebal Terhadap Insektisida, FARMACIA Vol.7 No.7 9. Everiit, S, 1994, A Handbook of Statistical Analysis Using S-PLUS, Chapman & Hall, London 10. Grill, J., 2001, Generalized Linier Model: A Unified Approach, University of Florida, London 11. Hosmer, D.W. dan S. Lemeshow, 2000, Applied Logistic Regression, John Wiley and Sons, Inc, New York
46 Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
47
12. Indra, P., R., 2009, Faktor-faktor Yang Mempengaruhi Resiko Penyebab Penderita Kanker Payudara Dengan Menggunakan Pendekatan Regresi Logistik, Makalah, Mahasiswa Jurusan Statistika FMIPA ITS, Surabaya 13. Johnson, R. A. dan Wichern, D. W., 1992, Applied Multivariate Statistical Analysis, Prentice Hall, New Jersey 14. Judarwanto SpA, Dr. Widodo, 2007, Profil Nyamuk Aedes dan Pembasmiannya, Artikel, http://medicastore.com/artikel/184/Profil_Nyamuk_Aedes_dan_Pembasmi annya.html, download tanggal 1 Agustus 2012 15. Kardiman, A. dan Dhalimi A., 2003, Mimba (Azadirachta indica A.Juss) Tanaman Multi Manfaat. Perkembangan Teknologi TRO Vol. XV, No. 1 16. Rencher, Alvin C., 2002, Methods of Multivariate Analysis, John Wiley and Sons, Inc, New York 17. Rokhman, M. S., 2008, Perbandingan Antara Model Logit Dengan Probit Sebagai Regresi Untuk Peubah Respon Kategori, Jurnal OSEATEK UPS, Tegal 18. Samsudin, 2008, Azadirachtin Metabolit Sekunder dari Tanaman Mimba sebagai Bahan Insektisida Botani, Lembaga Pertanian Sehat 19. Sudarto, 1972, Atlas Entomologi Kedokteran, EGC, Jakarta 20. Winahju, W. S., 2009, Bahan Ajar Regresi Terboboti (Weighted Regression atau Weighted Least Square, http://oc.its.ac.id/jurusan.doc, 27 Maret 2012
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
Lampiran 1 : Data Kematian Larva Aedes aegypti No.
Skripsi
Larva mati
Jumlah
(ekor)
larva (ekor)
1.
1
75
2.5
36
2.
4
75
2.5
48
3
8
75
2.5
60
4
10
75
2.5
72
5
11
75
2.5
84
6
13
75
2.5
96
7
15
75
2.5
108
8
16
75
2.5
120
9
19
75
2.5
144
10
21
75
2.5
156
11
22
75
2.5
168
12
2
75
5
12
13
10
75
5
24
14
11
75
5
36
15
17
75
5
48
16
22
75
5
60
17
32
75
5
72
18
33
75
5
96
19
34
75
5
108
20
37
75
5
120
21
41
75
5
132
22
42
75
5
156
23
45
75
5
168
24
3
75
10
12
25
9
75
10
24
26
17
75
10
36
27
27
75
10
48
28
30
75
10
60
29
32
75
10
72
30
34
75
10
84
31
38
75
10
96
32
40
75
10
108
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
33
43
75
10
120
34
47
75
10
132
35
50
75
10
144
36
51
75
10
156
37
56
75
10
168
38
9
75
20
12
39
51
75
20
24
40
62
75
20
36
41
66
75
20
48
42
67
75
20
60
43
68
75
20
72
44
73
75
20
84
45
74
75
20
96
Keterangan:
Sumber : Aradilla, Ashry Sikka, 2009, Uji Efektivitas Larvasida Ekstrak Ethanol Daun Mimba (Azadirachta indica) terhadap larva Aedes aegypti, Laporan Akhir Penelitian, Fakultas Kedokteran Universitas Diponegoro, Semarang
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
Lampiran 2 : Program untuk menentukan nilai estimasi model regresi logistik biner dengan menggunakan metode ML berdasarkan kriteria MSE dan APPER a. Menentukan nilai beta awal beta.awal<-function(data) { data<-as.matrix(data) N<-nrow(data) k<-ncol(data) Pi<-data[,1]/data[,2] gx<-log(Pi/(1-Pi)) x<-cbind(rep(1,N),data[,3:k]) beta.awal<-solve((t(x)%*%x))%*%((t(x)%*%gx)) return(beta.awal) }
b. Menentukan nilai estimasi parameter estimasiMLE<-function(data) { data<-as.matrix(data) N<-nrow(data) p<-ncol(data) y<-data[,1] n<-data[,2] x<-cbind(rep(1,N),data[,3:p]) k<-ncol(x) u<-matrix(0,k,1) H<-matrix(0,k,k) beta<-beta.awal(data) it<-1 repeat { phix<-rep(0,N) for(i in 1:N) { phix[i]<-exp(x[i,]%*%beta)/(1+exp(x[i,]%*%beta)) } for(j in 1:k) { u[j,]<-sum((y-n*phix)*x[,j]) } for(a in 1:k) for(b in 1:k) { H[a,b]<--sum(x[,a]*x[,b]*n*phix*(1-phix)) } betatopi<-beta-solve(H)%*%u print(max(abs(betatopi-beta))) if(max(abs(betatopi-beta))<0.001) break beta<-betatopi it<-it+1 } cat("hasil estimasi :\n")
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
return(betatopi) }
c. Menentukan nilai MSE dan APPER MSE.MLE<-function(data) { data<-as.matrix(data) N<-nrow(data) k<-ncol(data) Pi<-data[,1]/data[,2] gx<-log(Pi/(1-Pi)) x<-cbind(rep(1,N),data[,3:k]) beta<-estimasiMLE2(data) Pix<-exp(x%*%beta)/(1+exp(x%*%beta)) gxtopi<-log(Pix/(1-Pix)) error<-gx-gxtopi mse.MLE<-mean(error^2) cat("Nilai MSE dan APPER dari Metode ML :\n") #mencari APPER Pibaru<-round(Pi) Pixbaru<-round(Pix) jml<-0 for(i in 1:N) { if(Pibaru[i]!=Pixbaru[i]) jml<-jml+1 } APPER.MLE<-jml/N M<-cbind(Pi,Pix,Pibaru,Pixbaru) dimnames(M)<-list(NULL,c("P","Ptopi","P.baru","Ptopi.baru")) return(mse.MLE,M,APPER.MLE) }
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
Lampiran 3 : Program untuk menentukan nilai estimasi model regresi logistik biner dengan menggunakan metode WLS berdasarkan kriteria MSE dan APPER a. Menentukan nilai estimasi parameter estimasi.WLS <- function(data) { data<-as.matrix(data) N<-nrow(data) p<-ncol(data) y<-data[,1] n<-data[,2] x<-cbind(rep(1,N),data[,3:p]) k<-ncol(x) Pi<-data[,1]/data[,2] gx<-log(Pi/(1-Pi)) w<-diag(as.vector(1/(n*Pi*(1-Pi)))) beta<-solve(t(x)%*%w%*%x)%*%(t(x)%*%w%*%gx) phix<-exp(x%*%beta)/(1+exp(x%*%beta)) cat("Hasil estimasi :\n") return(beta) }
b. Menentukan nilai MSE dan APPER MSE.WLS<-function(data) { data<-as.matrix(data) N<-nrow(data) k<-ncol(data) Pi<-data[,1]/data[,2] gx<-log(Pi/(1-Pi)) x<-cbind(rep(1,N),data[,3:k]) beta<-estimasi.WLS(data) Pix<-exp(x%*%beta)/(1+exp(x%*%beta)) gxtopi<-log(Pix/(1-Pix)) error<-gx-gxtopi mse.WLS<-mean(error^2) cat("Nilai MSE dan APPER dari Metode WLS :\n") #mencari APPER Pibaru<-round(Pi) Pixbaru<-round(Pix) jml<-0 for(i in 1:N) { if(Pibaru[i]!=Pixbaru[i])jml <- jml + 1 } APPER.WLS<-jml/N M<-cbind(Pi,Pix,Pibaru,Pixbaru) dimnames(M)<-list(NULL,c("P","Ptopi","P.baru","Ptopi.baru")) return(mse.WLS, M, APPER.WLS) }
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
Lampiran 4 : Program untuk menentukan nilai estimasi model regresi logistik biner dengan menggunakan metode IRWLS berdasarkan kriteria MSE dan APPER a. Menentukan nilai estimasi parameter estimasi.IRWLS <- function(data) { data<-as.matrix(data) N<-nrow(data) p<-ncol(data) y<-data[,1] n<-data[,2] x<-cbind(rep(1,N),data[,3:p]) k<-ncol(x) Pi<-data[,1]/data[,2] gx<-log(Pi/(1-Pi)) w<-diag(as.vector(1/(n*Pi*(1-Pi)))) beta<-solve(t(x)%*%w%*%x)%*%(t(x)%*%w%*%gx) phix<-exp(x%*%beta)/(1+exp(x%*%beta)) repeat { w<-diag(as.vector(1/(n* phix*(1-phix)))) betabaru<-solve(t(x)%*%w%*%x)%*%(t(x)%*%w%*%gx) phix<-exp(x%*%beta)/(1+ exp(x%*%beta)) if(max(abs(betabaru-beta))<0.001) break beta<-betabaru } cat("Hasil estimasi :\n") return(betabaru) }
b. Menentukan nilai MSE dan APPER
MSE.IRWLS<-function(data) { data<-as.matrix(data) N<-nrow(data) k<-ncol(data) Pi<-data[,1]/data[,2] gx<-log(Pi/(1-Pi)) x<-cbind(rep(1,N),data[,3:k]) beta<-estimasi.IRWLS(data) Pix<-exp(x%*%beta)/(1+exp(x%*%beta)) gxtopi<-log(Pix/(1-Pix)) error<-gx-gxtopi mse.IRWLS<-mean(error^2) cat("Nilai MSE dan APPER dari Metode IRWLS :\n") #mencari APPER Pibaru<-round(Pi) Pixbaru<-round(Pix) jml<-0 for(i in 1:N) { if(Pibaru[i]!=Pixbaru[i])jml <- jml + 1 } APPER.IRWLS<-jml/N M<-cbind(Pi,Pix,Pibaru,Pixbaru) dimnames(M)<-list(NULL,c("P","Ptopi","P.baru","Ptopi.baru")) return(mse.IRWLS, M, APPER.IRWLS) }
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
Lampiran 5 : Output program menentukan nilai estimasi model regresi logistik biner dengan menggunakan metode ML berdasarkan kriteria MSE dan APPER a. Beta Awal beta.awal(larva2) [,1] -4.40513698 0.24455729 0.02211002 b. Hasil Estimasi ML > estimasiMLE2(larva2) [1] 0.7420654 [1] 0.07895556 [1] 0.00102748 [1] 1.697294e-007 hasil estimasi : [,1] -3.74305479 0.20274230 0.01848701 c. MSE dan APPER > MSE.MLE(larva2) [1] 0.7420654 [1] 0.07895556 [1] 0.00102748 [1] 1.697294e-007 hasil estimasi : Nilai MSE dan APPER dari Metode ML : mse.MLE: [1] 0.6566313
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
M: P
Skripsi
Ptopi
P.baru Ptopi.baru
[1,] 0.01333333 0.07105028
0
0
[2,] 0.05333333 0.08715940
0
0
[3,] 0.10666667 0.10650217
0
0
[4,] 0.13333333 0.12952845
0
0
[5,] 0.14666667 0.15666026
0
0
[6,] 0.17333333 0.18824622
0
0
[7,] 0.20000000 0.22450523
0
0
[8,] 0.21333333 0.26546432
0
0
[9,] 0.25333333 0.36029824
0
0
[10,] 0.28000000 0.41284276
0
0
[11,] 0.29333333 0.46745066
0
0
[12,] 0.02666667 0.07533413
0
0
[13,] 0.13333333 0.09231799
0
0
[14,] 0.14666667 0.11266427
0
0
[15,] 0.22666667 0.13681883
0
0
[16,] 0.29333333 0.16518793
0
0
[17,] 0.42666667 0.19808939
0
0
[18,] 0.44000000 0.27796256
0
0
[19,] 0.45333333 0.32459232
0
0
[20,] 0.49333333 0.37498201
0
0
[21,] 0.54666667 0.42823443
1
0
[22,] 0.56000000 0.53858063
1
1
[23,] 0.60000000 0.59302239
1
1
[24,] 0.04000000 0.18335389
0
0
[25,] 0.12000000 0.21892471
0
0
[26,] 0.22666667 0.25920598
0
0
[27,] 0.36000000 0.30401407
0
0
[28,] 0.40000000 0.35287825
0
0
[29,] 0.42666667 0.40502580
0
0
[30,] 0.45333333 0.45940873
0
0
[31,] 0.50666667 0.51477592
1
1
[32,] 0.53333333 0.56978279
1
1
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
[33,] 0.57333333 0.62311925
1
1
[34,] 0.62666667 0.67363086
1
1
[35,] 0.66666667 0.72041021
1
1
[36,] 0.68000000 0.76284508
1
1
[37,] 0.74666667 0.80062185
1
1
[38,] 0.12000000 0.63033057
0
1
[39,] 0.68000000 0.68037144
1
1
[40,] 0.82666667 0.72657680
1
1
[41,] 0.88000000 0.76837665
1
1
[42,] 0.89333333 0.80549695
1
1
[43,] 0.90666667 0.83792313
1
1
[44,] 0.97333333 0.86584380
1
1
[45,] 0.98666667 0.88958842
1
1
APPER.MLE: [1] 0.04444444
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
Lampiran 6 : Output program menentukan nilai estimasi model regresi logistik biner dengan menggunakan metode WLS berdasarkan kriteria MSE dan APPER a. Hasil Estimasi WLS estimasi.WLS(larva2) Hasil estimasi : [,1] -5.78273716 V3 0.31886588 V4 0.03187675 b. MSE dan APPER MSE.WLS(larva2) Hasil estimasi : Nilai MSE dan APPER dari Metode WLS : mse.WLS: [1] 0.8861757 M: P
Skripsi
Ptopi
P.baru Ptopi.baru
[1,] 0.01333333 0.02108239
0
0
[2,] 0.05333333 0.03060561
0
0
[3,] 0.10666667 0.04423620
0
0
[4,] 0.13333333 0.06353946
0
0
[5,] 0.14666667 0.09046872
0
0
[6,] 0.17333333 0.12726015
0
0
[7,] 0.20000000 0.17611655
0
0
[8,] 0.21333333 0.23860150
0
0
[9,] 0.25333333 0.40243728
0
0
[10,] 0.28000000 0.49680031
0
0
[11,] 0.29333333 0.59139183
0
1
[12,] 0.02666667 0.02175563
0
0
[13,] 0.13333333 0.03157316
0
0
[14,] 0.14666667 0.04561439
0
0
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
[15,] 0.22666667 0.06547784
0
0
[16,] 0.29333333 0.09314691
0
0
[17,] 0.42666667 0.13087076
0
0
[18,] 0.44000000 0.24448615
0
0
[19,] 0.45333333 0.32175495
0
0
[20,] 0.49333333 0.41018579
0
0
[21,] 0.54666667 0.50483077
1
1
[22,] 0.56000000 0.68662027
1
1
[23,] 0.60000000 0.76258183
1
1
[24,] 0.04000000 0.09871743
0
0
[25,] 0.12000000 0.13835312
0
0
[26,] 0.22666667 0.19053845
0
0
[27,] 0.36000000 0.25654690
0
0
[28,] 0.40000000 0.33593258
0
0
[29,] 0.42666667 0.42581366
0
0
[30,] 0.45333333 0.52088008
0
1
[31,] 0.50666667 0.61445788
1
1
[32,] 0.53333333 0.70027568
1
1
[33,] 0.57333333 0.77401664
1
1
[34,] 0.62666667 0.83391795
1
1
[35,] 0.66666667 0.88039480
1
1
[36,] 0.68000000 0.91518821
1
1
[37,] 0.74666667 0.94054368
1
1
[38,] 0.12000000 0.72653270
0
1
[39,] 0.68000000 0.79569834
1
1
[40,] 0.82666667 0.85095913
1
1
[41,] 0.88000000 0.89327743
1
1
[42,] 0.89333333 0.92464403
1
1
[43,] 0.90666667 0.94733525
1
1
[44,] 0.97333333 0.96346367
1
1
[45,] 0.98666667 0.97478428
1
1
APPER.WLS: [1] 0.06666667
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
Lampiran 7 : Output program menentukan nilai estimasi model regresi logistik
biner
dengan
menggunakan
metode
IRWLS
berdasarkan kriteria MSE dan APPER
a. Hasil Estimasi >estimasi.IRWLS(larva2) Hasil estimasi : [,1] -4.85354531 0.29216975 0.02383477 b. MSE dan APPER > MSE.IRWLS(larva2) Hasil estimasi : Nilai MSE dan APPER dari Metode IRWLS : mse.IRWLS: [1] 0.6763576 M: P
Skripsi
Ptopi
P.baru Ptopi.baru
[1,] 0.01333333 0.03678916
0
0
[2,] 0.05333333 0.04838126
0
0
[3,] 0.10666667 0.06338563
0
0
[4,] 0.13333333 0.08263916
0
0
[5,] 0.14666667 0.10707243
0
0
[6,] 0.17333333 0.13764576
0
0
[7,] 0.20000000 0.17523574
0
0
[8,] 0.21333333 0.22046680
0
0
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
Skripsi
[9,] 0.25333333 0.33382987
0
0
[10,] 0.28000000 0.40013652
0
0
[11,] 0.29333333 0.47031520
0
0
[12,] 0.02666667 0.04283258
0
0
[13,] 0.13333333 0.05621780
0
0
[14,] 0.14666667 0.07346486
0
0
[15,] 0.22666667 0.09546793
0
0
[16,] 0.29333333 0.12318485
0
0
[17,] 0.42666667 0.15754716
0
0
[18,] 0.44000000 0.24888678
0
0
[19,] 0.45333333 0.30607344
0
0
[20,] 0.49333333 0.36992845
0
0
[21,] 0.54666667 0.43868356
1
0
[22,] 0.56000000 0.58067089
1
1
[23,] 0.60000000 0.64829324
1
1
[24,] 0.04000000 0.16167326
0
0
[25,] 0.12000000 0.20427066
0
0
[26,] 0.22666667 0.25468187
0
0
[27,] 0.36000000 0.31264583
0
0
[28,] 0.40000000 0.37712682
0
0
[29,] 0.42666667 0.44627221
0
0
[30,] 0.45333333 0.51756107
0
1
[31,] 0.50666667 0.58814216
1
1
[32,] 0.53333333 0.65527494
1
1
[33,] 0.57333333 0.71673534
1
1
[34,] 0.62666667 0.77106636
1
1
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.
ADLN Perpustakaan Universitas Airlangga
[35,] 0.66666667 0.81762810
1
1
[36,] 0.68000000 0.85648249
1
1
[37,] 0.74666667 0.88819094
1
1
[38,] 0.12000000 0.78174543
0
1
[39,] 0.68000000 0.82662357
1
1
[40,] 0.82666667 0.86388054
1
1
[41,] 0.88000000 0.89415646
1
1
[42,] 0.89333333 0.91833495
1
1
[43,] 0.90666667 0.93737703
1
1
[44,] 0.97333333 0.95221007
1
1
[45,] 0.98666667 0.96366590
1
1
APPER.IRWLS: [1] 0.06666667
Skripsi
Sofia Utami Dewi Saputri Perbandingan Hasil Estimasi Model Regresi Logistik Biner Menggunakan Metode Maximum Likelihood dan Metode Weighted Least Square.