PENDUGA KURVA REGRESI NONPARAMETRIK LINEAR DAN
NONLINEAR DENGAN METODE FOURIER DAN METODE
NADARAYA-WATSON
(Skripsi)Oleh
JOKO RUDIANTO
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG
ABSTRAK
PENDUGA KURVA REGRESI NONPARAMETRIK LINEAR DAN NONLINEAR DENGAN METODE FOURIER DAN METODE
NADARAYA-WATSON
Oleh Joko Rudianto
Jika x adalah variabel penjelas dan y adalah variabel respon dari model regresi y = f (x)+ � dimana f disebut sebagai kurva regresi atau fungsi regresi yang belum diketahui bentuknya dan � adalah peubah acak yang saling bebas dengan mean 0 and varian σ,2 maka fungsi f dapat diestimasi dengan pendekatan parametrik dan pendekatan nonparametrik. Dalam tulisan ini digunakan pendekatan nonparametrik. Estimasi fungsi regresi nonparametrik dilakukan berdasarkan data pengamatan dengan menggunakan teknik pemulusan (smoothing).
Penelitian ini bertujuan untuk menduga kurva regresi menggunakan metode Fourier dan metode Nadaraya-Watson pada fungsi regresi linear dan nonlinear berdasarkan nilai kuadrat tengah galat dan bandwidth optimal.
Hasil penelitian ini menunjukkan bahwa metode Fourier dan metode Nadaraya-Watson dapat digunakan dalam mengestimasi fungsi regresi linear. Sedangkan pada fungsi regresi nonlinear, metode Fourier lebih baik daripada metode Nadaraya-Watson.
ABSTRACT
THE ESTIMATOR OF LINEAR AND NONLINEAR NONPARAMETRIC REGRESSION CURVE BY FOURIER SERIES METHOD AND
NADARAYA-WATSON METHOD
By Joko Rudianto
If x is a predictor variable and y is a response variable of the regression model y = f (x) + � with f is a regression curve or a regression function which not yet been known and � is independent random variable with mean 0 and variance σ,2 hence function f can be estimated by parametric and nonparametric approach. In this paper function f is estimated by nonparametric approach. The estimation of curve regression is done by smoothing technique based on observation data.
This study aimed to estimated regression curve using Fourier and Nadaraya-Watson method for linear and nonlinear function based on the value of mean square error and optimal bandwidth.
The result showed that Fourier and Nadaraya-Watson method can be used to estimate linear regression. However for nonlinear function, Fourier method is better than Nadaraya-Watson method.
RIWAYAT HIDUP
Penulis dilahirkan di Tanjung Karang Barat, Bandar Lampung pada tanggal 13
Februari 1993 sebagai anak keempat dari empat bersaudara dari Bapak Sunoto
dan Ibu Pami.
Pendidikan Sekolah Dasar (SD) diselesaikan di SDN 2 Gunung Terang, Bandar
Lampung pada tahun 2005. Kemudian, penulis menyelesaikan Sekolah Menengah
Pertama (SMP) di SMPN 10 Bandar Lampung pada tahun 2008. Pada tahun 2011,
penulis menyelesaikan Sekolah Menengah Atas (SMA) di SMAN 9 Bandar
Lampung.
Tahun 2011, penulis terdaftar sebagai sebagai mahasiswa Jurusan Matematika
FMIPA Unila melalui jalur SNMPTN. Selama menjadi mahasiswa, penulis aktif
di Unit Kegiatan Mahasiswa Fakultas (UKMF) Natural dan Himpunan Mahasiswa
Jurusan Matematika (HIMATIKA). Selain itu, penulis juga pernah menjadi
asisten praktikum Algoritma Pemrograman, Pengantar Analisis Numerik, dan
Statistika Industri. Pada awal tahun 2012, penulis melakukan kegiatan Kuliah
KATA INSPIRASI
“Innalloha ma’asshobirin”
(Sesungguhnya Allah SWT bersama orang-orang yang sabar)
Kemarin hanyalah sebuah mimpi dan besok adalah butiran harapan
Tetapi, hari ini adalah kenyataan yang menentukan masa depan
(Joko Rudianto)
Janganlah berhenti saat kau menemui kegagalan, karena kegagalan adalah cara
Tuhan mengajarimu tentang arti kesungguhan
i
PERSEMBAHAN
Dengan mengucap Alhamdulillah atas berkat dan rahmat
Allah SWT Kupersembahkan karya kecilku ini untuk :
Ayah dan Ibuku Tercinta yang telah mencurahkan seluruh
hidupnya untuk kebahagiaanku dan tak berhenti untuk selalu
mendoakanku.Puteramu ini akan selalu berusaha
membahagiakanmu Ayah , Ibu.
Ketiga kakakku, orang terdekatku, sahabat-sahabatku, dan
ii SANWACANA
Puji syukur kehadirat Allah SWT yang telah melimpahkan rahmat dan hidayah-Nya kepada
penulis sehingga skripsi ini dapat diselesaikan dengan sebaik-baiknya. Shalawat dan salam
semoga selalu tercurah kepada nabi Muhammad SAW sebagai suri tauladan bagi kita.
Skripsi dengan judul “Penduga Kurva Regresi Nonparametrik Linear dan Nonlinear dengan Metode Fourier dan Metode Nadaraya-Watson” adalah salah satu syarat untuk memperoleh gelar sarjana Matematika di Universitas Lampung.
Dalam kesempatan ini penulis mengucapkan terima kasih kepada:
1. Ibu Ir. Netti Herawati, Ph.D., selaku Pembimbing Utama atas kesediaannya untuk
memberikan bimbingan, saran, dan kritik dalam proses penyelesaian skripsi ini;
2. Bapak Drs. Rudi Ruswandi, M.Si., selaku Pembimbing Kedua atas kesediaannya untuk
memberikan bimbingan, saran, dan kritik dalam proses penyelesaian skripsi ini;
3. Bapak Drs. Tiryono Ruby, Ph.D., selaku Penguji pada ujian skripsi. Terima kasih untuk
masukan dan saran-saran pada seminar proposal terdahulu;
4. Bapak Warsono, Ph.D., selaku Dosen Pembimbing Akademik yang banyak membantu dan
selalu membimbing penulis dalam menyelesaikan masalah perkuliahan;
5. Bapak Drs. Tiryono Ruby, M.Sc., Ph.D., selaku Ketua Jurusan Matematika;
iii 7. Bapak Tamrin dan Ibu Lusiana sebagai staf administrasi Jurusan Matematika FMIPA
Unila;
8. Orang tua tercinta yang telah mencurahkan seluruh hidupnya dan menjadi semangat
tersendiri bagi penulis;
9. Riyama Ambarwati yang telah mendukung dan mendoakan penulis dalam meraih impian
dan cita-citanya;
10. Keluarga Math 11 yang sangat solid dan kompak; 11. Teman-teman Matematika angkatan 2012 dan 2013;
12. Keluarga Himpunan Mahasiswa Jurusan Matematika (HIMATIKA);
13. Seluruh pihak yang telah membantu penulis yang tidak dapat disebutkan satu persatu, atas
peran dan dukungannya dalam menyusun laporan ini.
Akhir kata, Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan, akan tetapi
sedikit harapan semoga skripsi yang sederhana ini dapat berguna dan bermanfaat bagi kita
semua. Amiin.
Bandar Lampung, 18 Februari 2015
Penulis
vi DAFTAR TABEL
Tabel Halaman
4.1 Nilai Generalized Cross Validation (GCV) untuk bandwidth h
dan bandwidth j pada fungsi = 2 + � ... 23
4.2 Daftar nilai ukuran kebaikan kedua metode untuk bandwidth
optimal pada fungsi = 2 + � ... 24
4.3 Nilai Generalized Cross Validation (GCV) untuk bandwidth h
dan bandwidth j pada fungsi = e + � ... 27
4.4 Daftar nilai ukuran kebaikan kedua metode untuk bandwidth
optimal pada fungsi = e + � ... 28
4.5 Nilai Generalized Cross Validation (GCV) untuk bandwidth h
dan bandwidth j pada fungsi = cos 4 + � ... 32
4.6 Daftar nilai ukuran kebaikan kedua metode untuk bandwidth
optimal pada fungsi = cos 4 + � ... 33
4.7 Data X~Uniform (0,4) Sebanyak 500 Data ... 40
vii DAFTAR GAMBAR
Gambar Halaman
4.1 Scatterplot data ~ � 0,4 dengan fungsi = 2 + � ... 16
4.2 Scatterplot data ~ � 0,4 dengan fungsi = e + � ... 16
4.3 Scatterplot data ~ � 0,4 dengan fungsi = cos 4 + � ... 17
4.4 Perbandingan dugaan kurva linear dengan kedua metode untuk
nilai bandwidth yang terlalu kecil (h=0.05 dan j=1)... 25 4.5 Perbandingan dugaan kurva linear dengan kedua metode untuk
nilai bandwidth yang optimal (h=0.179 dan j=2) ... 26
4.6 Perbandingan dugaan kurva linear dengan kedua metode untuk
nilai bandwidth yang terlalu besar (h=1 dan j=10) ... 26
4.7 Perbandingan dugaan kurva eksponensial dengan kedua metode
untuk nilai bandwidth yang terlalu kecil (h=0.05 dan j=1) ... 29
4.8 Perbandingan dugaan kurva eksponensial dengan kedua metode
untuk nilai bandwidth yang optimal (h=0.211 dan j=3) ... 30
4.9 Perbandingan dugaan kurva eksponensial dengan kedua metode
untuk nilai bandwidth yang terlalu besar (h=1 dan j=10) ... 30
viii 4.11 Perbandingan dugaan kurva gelombang Cosinus dengan kedua metode
untuk nilai bandwidth yang optimal (h=0.068 dan j=3) ... 34
iv..
4.3 Generalized Cross Validation pada Metode Nadaraya Watson ... 19
4.4 Penduga Deret Fourier ... 19
v..
4.6 Penentuan Kurva Regresi Nonparametrik pada Fungsi regresi
Linear ... 23
4.6.1 Pemilihan Bandwidth h dan Bandwidth j Optimal ... 23
4.6.2 Perbandingan Hasil Dugaan dengan Metode Fourier dan Metode Nadaraya Watson pada Fungsi Linear ... 25
4.7 Penentuan Kurva Regresi Nonparametrik pada Fungsi regresi Nonlinear Eksponensial ... 27
4.7.1 Pemilihan Bandwidth h dan Bandwidth j Optimal ... 27
4.7.2 Perbandingan Hasil Dugaan dengan Metode Fourier dan Metode Nadaraya Watson pada Fungsi Eksponensial ... 29
4.8 Penentuan Kurva Regresi Nonparametrik pada Fungsi regresi Nonlinear Cosinus ... 31
4.8.1 Pemilihan Bandwidth h dan Bandwidth j Optimal ... 31
1
I. PENDAHULUAN
1.1 Latar Belakang dan Masalah
Analisis regresi merupakan salah satu teknik statistika yang digunakan untuk
mengetahui hubungan antara satu variabel respon dan satu atau lebih variabel
prediktor. Selain itu regresi juga dapat digunakan untuk melakukan
prediksi-prediksi secara matematis. Model regresi secara umum untuk data pengamatan
independen berupa , � adalah:
� = � + �� ; i=1,2,…, n
Dengan yi adalah variabel respon, xi adalah variabel prediktor dan �� merupakan
eror atau galat yang memiliki mean 0 dan ragam konstan . f(xi) dikenal sebagai
fungsi regresi atau kurva regresi.
Jika bentuk fungsi f diketahui maka untuk mengestimasi fungsi f dapat digunakan pendekatan parametrik, akan tetapi jika bentuk fungsi f tersebut tidak diketahui maka digunakan pendekatan nonparametrik. Dalam pendekatan parametrik,
bentuk hubungan antara variabel respon dengan variabel prediktor diketahui atau
diperkirakan dari bentuk kurva regresi, misalnya diasumsikan membentuk pola
2
Regresi parametrik harus memenuhi asumsi yang ketat yaitu sisaan berdistribusi
normal dan memiliki ragam yang konstan. Untuk mengatasi penyimpangan
asumsi tersebut dapat dilakukan transformasi terhadap data sehingga diperoleh
model regresi yang sesuai bagi data yang telah ditransformasi. Transformasi
dipilih melalui teknik trial and error (coba-coba) sehingga tidak mudah menemukan transformasi yang cocok.
Pendekatan kedua yaitu pendekatan nonparametrik. Estimasi fungsi regresi
nonparametrik dilakukan berdasarkan data pengamatan dengan menggunakan
teknik smoothing. Terdapat beberapa teknik smoothing dalam model regresi nonparametrik antara lain histogram, penduga kernel, deret ortogonal, penduga
spline, k-NN, deret fourier, dan wavelet.
Suparti dan Sudargo (2005) telah meneliti kebaikan estimator kernel dan deret
fourier dengan mengkaji laju Integral Mean Square Error (IMSE). Alifia (2008) telah menerapkan metode Nadaraya-Watson pada data out faithful geyser. Sukarsa dan Srinadi (2012) juga telah meneliti tentang estimator kernel dengan fungsi
kernel yang berbeda. Sedangkan Prahutama (2013) telah meneliti metode
pendekatan deret fourier pada data pegangguran terbuka di Jawa Timur. Dalam
penelitian ini, akan dibandingkan bentuk kurva regresi nonparametrik
menggunakan metode Fourier dan metode Nadaraya-Watson pada fungsi regresi
linear dan nonlinear dengan pemilihan bandwidth menggunakan metode
3
1.2 Tujuan
Tujuan dalam penulisan skripsi ini adalah menjelaskan penduga kurva regresi
nonparametrik menggunakan metode Fourier dan metode Nadaraya-Watson pada
fungsi regresi linear dan nonlinear.
1.3 Manfaat
Manfaat dari penulisan ini adalah :
1. Menambah referensi tentang penduga kurva regresi nonparametrik
menggunakan metode Fourier dan metode Nadaraya-Watson.
5
II. TINJAUAN PUSTAKA
2.1 Analisis Regresi
Analisis regresi adalah suatu metode analisis data yang menggambarkan
hubungan antara variabel respon dengan satu atau beberapa variabel prediktor.
Misalkan X adalah variabel prediktor dan Y adalah variabel respon untuk n data
pengamatan berpasangan , � , maka hubungan antara variabel prediktor
dan variabel respon tersebut dapat dinyatakan sebagai berikut:
yi = f(xi) + �� ; i=1,2,3,…,n (2.1) Dengan �� adalah galat yang diasumsikan independen dengan mean 0 dan
variansi (konstan). f(xi) disebut sebagai fungsi regresi atau kurva regresi (Hardle,1994).
2.2 Regresi Nonparametrik
Menurut Eubank (1998), regresi nonparametrik merupakan pendekatan metode
regresi dimana bentuk kurva dari fungsi regresinya tidak diketahui. Kurva fungsi
diasumsikan termuat dalam ruang fungsi tertentu. Model regresi nonparametrik
adalah sebagai berikut:
5
(xi) merupakan kurva fungsi regresi yang tidak diketahui bentuknya dengan xi merupakan variabel independen. �� adalah galat yang diasumsikan independen
dengan mean 0 dan variansi (konstan).
Estimasi fungsi regresi nonparametrik dilakukan berdasarkan data pengamatan
dengan menggunakan teknik smoothing. Terdapat beberapa teknik smoothing
dalam model regresi nonparametrik antara lain penduga kernel, deret orthogonal,
penduga spline, deret fourier, dan wavelet (Eubank, 1998).
2.3 Penduga Densitas Kernel
Menurut Hardle (1994), Penduga densitas kernel merupakan pengembangan dari
estimator histogram. Penduga kernel diperkenalkan oleh Rosenblatt (1956) dan
Parzen (1962) sehingga disebut penduga densitas kernel Rosenblatt-Parzen.
Secara umum kernel K dengan parameter pemulus (bandwidth) h didefinisikan sebagai:
Kh(x) = untuk − dan h>0 (2.3) Serta memenuhi :
(i) K(x) 0, untuk semua x
(ii) ∫ = 1
(iii)∫ = 0
6
Beberapa jenis fungsi kernel antara lain:
1. Kernel Uniform : K(x) = ;|x| 1 , 0 selainnya
Estimator densitas kernel dari untuk fungsi densitas f(x) didefinisikan sebagai:
= ∑� − � =
ukuran bobotnya ditentukan oleh parameter pemulus h yang disebut bandwidth.
2.4 Metode Nadaraya-Watson
Menurut Hardle (1991), jika terdapat n data pengamatan {(Xi ,Yi) � yang
memenuhi persamaan (2) dimana � dan � , maka penduga m(x) adalah:
̂ = | = = ∫ , (2.5)
Penyebut diduga dengan menggunakan penduga densitas kernel
7
Fungsi densitas peluang bersama diduga dengan perkalian kernel, yaitu :
́ , , = ∑� − � − �
Sehingga, pembilang dari penduga nadaraya menjadi :
Bentuk penduga Nadaraya-Watson dapat ditulis :
̂
�=
Matriks W disebut juga dengan Hat Matrix dari penduga m(x). Persamaan (2.6) ditemukan oleh Nadaraya dan Watson (1964), sehingga disebut estimator
Nadaraya-Watson.
Pengaruh fungsi kernel kurang signifkan dibandingkan dengan pengaruh
8
Jika 0, maka untuk x=xi, �
� = �
Jadi bandwidth h sangat kecil, estimator akan menuju ke data Jika maka 0 , akibatnya
Jadi bandwidth (h) sangat besar, estimator akan sangat mulus dan menuju rata-rata dari variabel respon.
Semakin kecil nilai bandwidth h, maka grafik akan semakin kurang mulus namun memiliki bias yang kecil. Sebaliknya semakin besar nilai bandwidth h, maka grafik akan sangat mulus tetapi memiliki bias yang besar. Karena tujuan estimasi
kernel adalah memperoleh kurva yang mulus namun memiliki nilai MSE yang
tidak terlalu besar, perlu dipilih nilai h optimal untuk mendapatkan grafik optimal.
Salah satu cara memilih parameter pemulus optimal adalah dengan menggunakan
metode Generalized Cross Validation (GCV).
2.5 Pemilihan Bandwidth h optimal
Menurut Hardle (1991), Bandwidth h adalah parameter pemulus yang berfungsi untuk mengontrol kemulusan dari kurva yang diestimasi. Bandwidth yang terlalu kecil akan menghasilkan kurva yang under-smoothing yaitu sangat kasar dan
9
Oleh karena itu perlu dipilih bandwidth yang optimal. Metode untuk mendapatkan h optimal dapat diperoleh dengan menggunakan kriteria Generalized Cross Validation (GCV),yang didefinisikan sebagai berikut:
= (2.8)
Dengan MSE (h) = ∑ � �− � dan adalah hat matriks berukuran
nxn yang memenuhi [ , , , =
Nilai bandwidth h optimal akan diperoleh jika nilai akan menghasilkan nilai
Generalized Cross Validation minimal (Craven dan Wahba, 1979). .
2.6 Fungsi Periodik
Menurut Tolstov (1962), suatu fungsi f(x) dikatakan periodik jika terdapat
konstanta T>0, sehingga memenuhi f(x+T)=f(x) untuk setiap x anggota domain
f(x). Selanjutnya T disebut dengan periode dari fungsi f(x). Jika T adalah periode
dari suatu fungsi f(x), maka ...,-2T, -T,2T,3T ... juga merupakan periode dari
fungsi f(x).
Salah satu contoh fungsi periodik adalah f(x)=sin (x) dengan periode 2 , karena
sin(x+2 ) = sin(x).
2.7 Deret Fourier
Menurut Tolstov (1962), jika fungsi f(x) terdefinisi pada interval [− , ] dan
10
periodik dengan periode 2L. dapat direpresentasikan dengan deret perluasan
fourier sebagai berikut :
= + ∑ cos + s (2.9)
= + ∑ cos + s
dengan
= ∫
= ∫
= ,2, , .
Nilai (dengan T adalah periode f(x)) merupakan faktor pengali agar x dalam
satuan radian.
2.8 Estimator Fourier
Diberikan n data pengamatan {(xi ,yi) � yang memenuhi persamaan (2). Jika
� − , dan � , dan diasumsikan periode m(x) adalah = 2 , maka
penduga m(x) dapat didekati oleh deret fourier yang didefinisikan sebagai berikut:
̂ = + ∑ cos + s (2.10)
Dengan a0 , dan adalah koefisien Fourier (Bowman dan Azzalini, 1997).
Tingkat kemulusan estimator deret Fourier ditentukan oleh pemilihan parameter
11
semakin besar parameter pemulus J, semakin kurang mulus estimasi dari f. Oleh karena itu, perlu dipilih J yang optimal.
2.9 Pemilihan Parameter Pemulus (J) Optimal
Pada pemodelan regresi nonparametrik dengan menggunakan deret Fourier, hal
yang perlu diperhatikan adalah menentukan nilai J. Salah satu metode yang dapat
digunakan adalah metode Generalized Cross Validation (GCV). Penentuan J optimal akan menghasilkan nilai koefisien determinasi (R2) yang tinggi.
Generalized Cross Validation(GCV) didefiniskan sebagai berikut:
=
(2.11)
dengan MSE(J) = ∑ � � − ̂ � dan adalah matriks berukuran nxn
yang memenuhi ̂ = dan disebut juga Hat Matrixs. Nilai GCV terkecil akan menghasilkan nilai J yang optimal (Craven dan wahba, 1979).
2.10 Ukuran Kebaikan Bandwidth Optimal
Kebaikan suatu penduga dapat dilihat dari tingkat kesalahannya. Semakin kecil
tingkat kesalahan suatu pendugaan maka semakin baik estimasinya. Menurut
Chatterjee (2007), kriteria untuk mentukan estimator terbaik dalam model regresi
antara lain nilai Mean Square Error (MSE) dan nilai koefisien determinasi R-Square (R2).
12
= ∑ � � − ̂� . (2.12)
Sedangkan koefisen determinasi didefinisikan sebagi berikut :
= = ∑ ̂ ̅
∑ ̅ (2.13)
� adalah data variabel respon ke-i, ̅ adalah mean data variabel respon,
sedangkan ̂ adalah nilai hasil estimasi variabel respon ke-i. Sum of Square Regression (SSR) adalah jumlah kuadrat simpangan hasil dugaan terhadap rata-rata variabel respon. Sedangkan Sum of Square Total (SST ) adalah jumlah kuadrat simpangan variabel respon. SSR berfungsi untuk mengukur kualitas
variabel prediktor sebagai prediktor variabel respon. Sehingga, koefisien
determinasi dapat diartikan sebagai proporsi keragaman total variabel respon yang
13
III. METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian
Penelitian ini dilakukan pada semester ganjil tahun akademik 2014-2015 dan
bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Lampung.
3.2 Sumber Data
Data yang digunakan merupakan data bangkitan menggunakan software Matlab R2010b yang berdistribusi Uniform 0,4 sebanyak 500 data dan dipetakan oleh
fungsi linear, eksponensial, dan gelombang periodik cosinus sebagai berikut:
1. Linear : = 2 + �
2. Eksponensial : = exp − + �
3. Cosinus : y = cos 4x + ε
Dengan �� merupakan noise variabel random independen berdistribusi Normal, � ~� 0; 0, , � ~� 0; 0,2 dan � ~� 0; 0,2 . Akan dibandingkan hasil
estimasi menggunakan metode Fourier dan metode Nadaraya-Watson dengan
14
3.3 Metode
Dalam penelitian ini model regresi nonparametrik diduga menggunakan penduga
Nadaraya-Watson dan penduga Deret Fourier. Pada metode Nadaraya-Watson
digunakan kernel Gaussian dan penentuan parameter pemulus (bandwidth) h optimal menggunakan metode Generalized Cross Validation (GCV). Pada metode Deret Fourier, pemilihan parameter pemulus (J) optimal juga ditentukan
menggunakan metode GCV. Data diolah menggunakan software Matlab R2010b. Adapun langkah-langkah yang dilakukan adalah sebagai berikut:
1. Menentukan fungsi regresi linear dan nonlinear yang akan diduga
2. Menentukan nilai bandwidth h dan bandwidth j optimal menggunakan metode GCV
3. Menentukan garis duga regresi berdasarkan nilai bandwidth optimal dengan
metode Nadaraya-Watson dan metode Deret Fourier.
4. Membandingkan hasil dugaan antara penduga Nadaraya-Watson dan
37
V. KESIMPULAN DAN SARAN
5.1 Kesimpulan
Setelah dilakukan pembahasan pada kedua metode dalam mengestimasi fungsi
regresi linear dan nonlinear, diperoleh kesimpulan sebagai berikut :
1. Metode Fourier dan metode Nadaraya-Watson dapat digunakan untuk
mengestimasi fungsi regresi linear dan nonlinear.
2. Metode Fourier lebih baik daripada metode Nadaraya-Watson dalam
mengestimasi fungsi regresi berbentuk eksponensial dan gelombang
periodik (transversal).
3. Semakin kecil nilai bandwidth h pada metode Nadaraya-Watson, maka kurva dugaan akan semakin kasar (rouge) atau sebaliknya.
37
5.2 Saran
Pada tulisan ini telah dijelaskan kebaikan metode Fourier dan Metode Nadaraya
Watson dalam mengestimasi fungsi regresi yang berbentuk linear, ekponensial
maupun gelombang periodik. Perlu dikembangkan untuk metode regresi
nonparameterik yang lain seperti wavelet dan sebagainya. Selain itu, penelitian ini
DAFTAR PUSTAKA
Alifia, S. 2008. Penentuan Kurva Regresi Nonparametrik dengan Menggunakan Metode Nadaraya Watson. Skripsi. Jurusan Matematika FMIPA
Universitas Lampung, Bandar Lampung.
Chaterjee, S. 2006. Regression Analysis by Example. 4th Edition. Jhon Wiley and Sons, Inc., New Jersey.
Craven, P. dan Wahba, G. 1979. Smoothing Noisy Data with Spline Functions: Estimating the Correct Degree of Smoothing by the Method of Generalized Cross-Validation. Numer Math University of Wisconsin. 31, 377- 403.
Eubank, R.L. 1998. Spline Smoothing and Nonparametric Regression. 2nd Edition. Marcel Dekker, New York.
Golub, G., Heath, M., dan Wahba, G. 1979. Generalized Cross-Validation as a Method for Choosing a Good Ridge Parameter. Technometrics American Statitical Association. 21, 215-223.
Hardle, W. 1991. Smoothing Techniques with Implementation in S. Cambridge University Press, New York.
Hardle, W. 1994. Applied Nonparametric Regression. Cambridge University Press, New York.
Prahutama, A. 2013. Model Regresi Nonparametrik dengan Pendekatan Deret Fourier pada Kasus Tingkat Penggangguran Terbuka di Jawa Timur. Prosiding Seminar Nasional Statistika Universitas Diponegoro.
Suparti dan Sudargo. (2005, 4, Desember). Estimasi Fungsi Regresi
Menggunakan Deret Fourier. Majalah Ilmiah Lontar [Cetak], 19 (4), 1-6.
Sukarsa, I.K.G. dan Srinadi, I.G.A.M. 2012. Estimator Kernel dalam Model Regresi Nonparametrik. Jurnal Matematika. 2 (1), 19-30.