1
PENDEKATAN REGRESI SEMIPARAMETRIK UNTUK PROSES PEMBENTUKAN
LIMBAH PABRIK GULA ASEMBAGUS SITUBONDO
1
Niarfie Radythia,
2Ir. Mutiah Salamah Chamid, M Kes, dan
3Jerry Dwi TP, S.Si, M.Si
1Mahasiswa Jurusan Statistika FMIPA-ITS (1306100045) 2,3
Dosen Jurusan Statistika FMIPA-ITS
---
Abstrak
Masalah yang sering muncul dalam regresi adalah tidak semua variabel prediktor dapat didekati dengan pendekatan parametrik. Oleh karena itu diperlukan suatu pendekatan yang tidak terikat dengan asumsi bentuk kurva regresi tertentu dan memberikan fleksibilitas yang besar. Pendekatan semacam ini dinamakan regresi nonparametrik. Dengan menggabungkan kedua pendekatan ini akan di dapatkan suatu model regresi semiparametrik. Seiring dengan semakin dekatnya era pasar bebas, diperlukan upaya-upaya perbaikan dalam segala bidang termasuk proses pembuatan gula. Salah satu yang dapat dilakukan adalah menggambarkan pola hubungan antara bahan masukan proses dengan limbah yang dihasilkan. Dalam penelitian Rudianto (1997) terdapat lima variabel prediktor yaitu X1 adalah berat
kapur tohor, X2 adalah berat sulfur, X3 adalah berat flokulan, X4 adalah berat tebu, dan X5 adalah berat
fosfat, serta variabel respon Y adalah berat limbah/blotong. Dengan menggunakan metode All Possible Regression didapatkan bahwa model regresi Y dengan X2 dan X3 memiliki nilai R2 yang kecil yaitu
sebesar 50,9. Diperlukan metode alternatif untuk menjelaskan hubungan antara Y, X2 dan X3. Untuk
itulah dilakuan penelitian guna mendapatkan model semiparametrik pada proses pembentukan limbah pabrik gula Asembagus Situbondo.Metode yang digunakan adalah regresi semiparametrik dengan estimator spline. Didapatkan model yang lebih baik dari model parametrik pada penelitian Rudianto (1997) yaitu model semiparametrik dengan nilai koefisien determinasi dalam model ini sebesar 63,99%.
Kata-kata kunci : Limbah Pabrik Gula, Regresi Semiparametrik, Estimator Spline
1.
Pendahuluan
Masalah yang sering muncul dalam regresi adalah tidak semua variabel prediktor dapat didekati
dengan pendekatan parametrik. Oleh karena itu diperlukan suatu pendekatan yang tidak terikat dengan
asumsi bentuk kurva regresi tertentu dan memberikan fleksibilitas yang besar. Pendekatan semacam
ini dinamakan regresi nonparametrik. Dengan menggabungkan kedua pendekatan ini akan di dapatkan
suatu model regresi semiparametrik.
Seiring dengan semakin dekatnya era pasar bebas, diperlukan upaya-upaya perbaikan dalam
segala bidang termasuk proses pembuatan gula. Salah satu yang dapat dilakukan adalah
menggambarkan pola hubungan antara bahan masukan proses dengan limbah yang dihasilkan. Dalam
penelitian Rudianto (1997) terdapat
lima variabel prediktor yaitu X
1adalah berat kapur tohor, X
2adalah berat sulfur, X
3adalah berat flokulan, X
4adalah berat tebu, dan X
5adalah berat fosfat,
serta variabel respon Y adalah berat limbah/blotong. Dengan menggunakan metode All Possible
Regression didapatkan bahwa model regresi Y dengan
X
2dan
X
3memiliki nilai R
2yang kecil yaitu
sebesar 50,9. Diperlukan metode alternatif untuk menjelaskan hubungan antara Y,
X
2dan
X
3.
Berdasarkan Uraian di atas maka permasalahan yang akan diselesaikan dalam penelitian ini
adalah
bagaimana mendapatkan model semiparametrik pada proses pembentukan limbah
pabrik gula Asembagus Situbondo.
Manfaat yang diharapkan dari penelitian ini adalah
memberikan pemodelan alternatif pada proses pembentukan limbah pabrik gula Asembagus Situbondo
yaitu dengan metode regresi semiparametrik
.
2.
Tinjauan Pustaka
2.1
Regresi Parametrik
Regresi parametrik merupakan metode yang digunakan untuk mengetahui pola hubungan antara
variabel respon dan prediktor yang diketahui bentuk kurva regresinya (Eubank, 1988). Secara umum
bentuk regresi parametrik linear digambarkan sebagai berikut:
dengan:
y
= variabel respon ke-i
m x
= fungsi parametrik (mengikuti bentuk kurva regresi tertentu)
ε
= error ~ IIDN (0,
σ
2)
Bila dinyatakan dalam bentuk matrik adalah sebagai berikut:
Estimasi dari perameter
γ
yaitu
γ
λdapat diperoleh dengan metode kuadrat terkecil sebagai
berikut:
′ ′
2
Dari persamaan (2.2) didapatkan estimasi kurva regresi:
Xγ
λ=
X(X
'X)
-1X
'y
dengan
X(X
'X)
-1X
'3
Matrik A(
λ
) ini sering disebut matrik
hat
, yang memiliki peranan yang sangat penting dalam analisis
regresi.
2.2
Regresi Nonparametrik
Regresi nonparametrik adalah metode yang digunakan untuk mengetahui pola hubungan antara
variabel respon dan variabel prediktor yang tidak diketahui bentuk fungsinya. Secara umum bentuk
regresi nonparametrik digambarkan sebagai berikut:
y
f t
ε
, i
1,2, … , n 4
dengan:
y
= variabel respon ke-i
f t
= fungsi nonparametrik
ε
= error ~ IIDN (0,
σ
2)
2.3 Regresi Semiparametrik
Model semiparametrik dikembangkan oleh Green, Jennison dan Scheult (1985); Engel, Granger,
Rice, Weiss (1986); Heckman (1986); Eubank (1988); Wahba (1990); Chen dan Shiau (1994); Shi dan
Li (1994); He dan Shi (1996); Ruppert, Wand, dan Caroll (2003). Model ini dirumuskan sebagai:
y
i=x
i'γ
+f t
i+
ε
i, i=1,2 (5)
dengan x
i'= x
i1,…,x
ipdan t
i, i = 1,2,…,n merupakan variabel-variabel prediktor. Vektor
γ
=(
γ
1,…,
γ
p)
'R
ptidak diketahui dan f diasumsikan merupakan anggota ruang sobolev
W
2m0,1 = { f|f
(k),k=0,1,…,m-1) kontinu pada [0,1] dan
[f
(m)t ]
2
dt<
∞
}
1
0
. Residual
ε
iberdistribusi
independen dengan mean nol dan variansi
σ
2. Estimator f diperoleh dari meminimumkan
Penalized
Least Squared
(PLS):
I
λf
R f
λ
J f , f
W
2m0,1
6
Fungsional
I
λf
memuat tiga komponen, yaitu komponen likelihood R(f), fungsional penalti J(f) dan
parameter penghalus
λ
. Estimator tipe PLS ini dikembangkan oleh Heckman (1986), Eubank (1988),
Wahba (1990), dan Chen dan Shiau (1994) untuk estimator spline parsial original, dengan mengambil
kesamaan-kesamaan:
3
J f =
[f
(m)t ]
2dt
1
0
8
Bentuk estimator
γ
λdan f
λdiperoleh dengan meminimumkan PLS:
I
λf
n
y
x
′γ
f t
λ
[f
(m)t ]
2dt
1 09
2.4
Spline dalam Regresi Nonparametrik
Ada berbagai macam pendekatan yang digunakan untuk mendapatkan estimator f, tergantung
pada kriteria yang diinginkan dimiliki estimator tersebut. Jika ingin didapatkan estimator f yang
smooth
, dalam arti estimator itu kontinu dan diferensiabel, digunakan pendekatan
Penalized Least
Square
(PLS), yaitu kriteria estimasi dengan memperhatikan kesesuaian terhadap data (
goodness of fit
)
dan kemulusan kurva.
Secara umum, fungsi spline berorde k-1 adalah sebarang fungsi yang dapat disajikan dalam
bentuk:
S t
α
t
δ
t
ξ
10
dengan
t
ξ
=
t
ξ
, t
ξ
0 , t
ξ
α
dan
δ
adalah konstanta real dan
ξ
1,
ξ
2, …,
ξ
hadalah titik knots.
2.5 Pemilihan
λ Optimal
Parameter
λ
merupakan kemulusan kurva, dan pengontrol keseimbangan antara kesesuaian
kurva terhadap data. Penentuan
λ
yang optimal sangat diperlukan agar mendapat estimator yang
optimal. Salah satu metode pemilihan
λ
optimal adalah
Generalized Cross Validation
(GCV). Metode
ini dikembangkan oleh Craven dan Wahba (1979), Wahba (1985), Li (1986), Kohn (1991), Shao
(1993), Venter dan Snyman (1995). Kriteria GCV didefinisikan sebagai:
GCV λ
MSE λ
n tr I
A λ
11
dimana MSE(
λ
) didefinisikan sebagai:
MSE λ
n
y
f
12
dan matrik A(
λ
) dapat dicari dengan persamaan 2.3 dengan elemen matrik X sebagai berikut:
X
1 T
11…T
11kT
11‐ξ
1 k… T
11‐ξ
n kX
11…X
11k1 T
21…T
21kT
21‐ξ
1 k… T
21‐ξ
n kX
21…X
21k. . . .
. . . .
. . . .
1 T
n1…T
n1kT
n1‐ξ
1 k… T
n1‐ξ
n kX
n1…X
n1k2.6
Bentuk dan Sifat Estimator Spline Parsial
Diberikan data (t
i, x
i, y
i) dan hubungan antara t
i, x
idan y
idiasumsikan mengikuti model
semiparametrik:
y
i=x
i'γ
+f t
i+
ε
i, t
i0,1
(13
dengan x
i'x … x
dan t
i, i
1,2, … , n
variabel-variabel prediktor. Vektor parameter
γ
, … ,
′R
tidak diketahui dan f anggota W
2
m
0,1 . Sesatan random
ε
i
berdistribusi normal
dengan mean nol dan varians
σ
2. Bentuk estimator spline parsial diperoleh dengan meminimumkan
PLS:
n
y
x
′γ
f t
λ
[f
(m)t ]
2dt
10
14
dengan
λ
merupakan parameter penghalus.
2.7
Pemeriksaan Asumsi Residual
Asumsi residual dalam analisis regresi meliputi identik, independen, dan berdistribusi normal
(0,
σ
2).
a.
Pemeriksaan Asumsi Identik
Untuk pemeriksaan asumsi identik dilakukan dengan melihat Scatterplot atau diagram
pencar antara residual dengan fits (nilai taksiran dari variabel respon). Bila residual
dan fits saling independen atau plot yang dihasilkan acak dan tidak membentuk pola
tertentu, hal ini menandakan bahwa varians dari residual adalah sama atau identik.
b.
Pemeriksaan Asumsi Independen
Pemeriksaan asumsi independen untuk mengetahui apakah ada korelasi antar residual.
Dapat dilakukan dengan melihat plot ACF dari residual. Bila dalam plot ACF terdapat
lag yang keluar, menandakan adanya korelasi antar residual.
c.
Pemeriksaan Asumsi Distribusi Normal
Pengujian asumsi residual normal (0,
σ
2) dapat dilakukan melalui uji Kolmogorov Smirnov.
Hipotesis yang digunakan adalah:
H
0:F
0(x)=F(x) (Residual berdistribusi normal (0,
σ
2))
H
1:F
0(x)
≠
F(x) (Residual tidak berdistribusi normal (0,
σ
2))
Statistik Uji:
|
17
Pengambilan keputusan adalah tolak H
0ditolak jika |D|>q
(1-α)dimana q adalah nilai
berdasarkan tabel Kolmogorov Smirnov, dapat juga melalui P-value, dimana H
0ditolak jika
nilai P-value<
α
2.8
Pengujian Parameter Model
Pengujian parameter dalam model regresi bertujuan untuk mengetahui apakah paraeter tersebut
telah menunjukkan hubungan yang nyata antara variabel prediktor dan variabel respon. Selain itu juga
untuk mengetahui kelayakan parameter dalam meerangkan model. Terdapat dua tahap pengujian yaitu
uji serentak (simultan) dan uji parsial (individu).
a.
Uji serentak atau simultan (Draper and Smith, 1981; Kutner
et al
., 2004)
1.
Hipotesis pengujian
H
0:
γ
i=
0
H
1: paling sedikit ada satu
γ
i≠
0
, i= 0,1,…,p
dengan p adalah banyaknya variabel prediktor
2.
Statistik uji
F
MSRegresi
MSError
18
MSRegresi
∑
Y
i‐Y
2 n i 1p‐1
dan
MSError
∑
Y
i‐Y
i 2 n i 1n‐p
5
3.
Daerah penolakan
Tolak H
0jika F > F
α;(v1=p-1, v2=n-p)atau P-value <
α
.
b.
Uji individu atau parsial (Draper and Smith, 1981; Kutner
et al
., 2004)
1.
Hipotesis Pengujian
H
0:
γ
i= 0
H
1:
γ
i≠
0 , i = 0,1,…,p
dengan p adalah banyaknya variabel prediktor
2.
Statistik uji
t
γ
istdev γ
i19
3.
Daerah penolakan
Tolak H
0jika |t| > t
α/2;df=n-patau P-value <
α
2.8 Tinjauan Non Statistik
Limbah padat yang dihasilkan dalam proses pembuatan gula di pabrik gula Asembagus
Situbondo secara ringkas dijelaskan bahwa terdapat enam stasiun dalam tahap pembuatan gula.
Stasiun tersebut bila diurutkan dari awal proses adalah dimulai dari stasiun penggilingan, stasiun
pemurnian, stasiun penguapan, stasiun masakan, stasiun putaran dan terakhir stasiun
finishing
. Akan
tetapi, limbah padat sudah dapat dikeluarkan pada tahap pemurnian, sehingga kotoran-kotoran dari
bahan dasar tebu tidak mengganggu proses selanjutnya sampai diperoleh hasil akhir berupa gula.
Berikut adalah dua proses di stasiun penggilingan dan stasiun pemurnian hingga didapatkannya limbah
padat.
1.
Proses di stasiun penggilingan bertujuan untuk mengambil nira sebanyak-banyaknya dari tebu.
Dengan memotong-motong batang tebu menjadi bagian-bagian yang kecil, lunak dan seragam
dengan penurunan volume yang kecil, maka pemerasan dengan hasil ekstraksi yang
maksimum dan efisien dapat dicapai. Penggilingan dilakukan dengan lima mesin gilingan dan
proses dilanjutkan ke stasiun pemurnian.
2.
Pada stasiun pemurnian, nira dari stasiun penggilingan dipanaskan (75
0C) untuk membunuh
jasad renik. Pupuk TSP ditambahkan untuk membentuk inti endapan serta membantu dalam
proses pengendapan. Selanjutnya nira dimasukkan ke defekator dan ditambahkan susu kapur
agar terjadi penggumpalan. Setelah itu, dalam bejana sulfitir ditambahkan gas SO
2agar
terbentuk endapan. Setelah dipanaskan, nira tersulfitir dipanaskan dan masuk wadah
pengendapan untuk memisahkan bahan padat (kotor) dan cair sehingga didapatkan nira kotor
dan nira cair. Untuk mempercepat proses pengendapan ini ditambahkan flokulan. Nira kotor
kemudian disaring di vakum filter untuk dipisahkan bagian padat dan cair. Setelah disiram
dengan air untuk menghilangkan nira yang tersisa, limbah padat (blotong) masuk ke tempat
yang disediakan dan dilakukan penimbangan.
Berdasarkan uraian proses terbentuknya limbah, maka variabel data yang digunakan dalam
penelitian ini adalah berat limbah (kuintal), berat kapur tohor (kuintal), berat sulfur (kg), berat
flokulan (kg), berat tebu (kuintal) dan berat fosfat (kg).
3.
Metodologi Penelitian
3.1
Sumber Data dan Identifikasi Variabel
Sumber data, alat dan identifikasi variabel dalam penelitian ini adalah sebagai berikut:
1.
Jurnal dan referensi yang terkait dengan tujuan penelitian.
2.
Data
yang digunakan berasal dari penelitian Rudianto (1997). Data tersebut
terdiri dari satu
variabel respon, yaitu berat limbah /blotong (Y), dan lima variabel prediktor yaitu berat kapur
tohor (X
1), berat sulfur (X
2), berat flokulan (X
3), berat tebu (X
4) dan berat fosfat (X
5). Dengan
pendekatan regresi parametrik didapatkan hasil pengaruh berat sulfur (X
2) dan berat flokulan
(X
3) dalam model kecil dan dibuang dari model. Dengan menggunakan metode
All Possible
Regression
didapatkan bahwa model regresi Y dengan X
2dan X
3memiliki nilai R
2yang kecil
yaitu sebesar 50,9 , ini menunjukkan bahwa X
2dan X
3memberikan kontribusi yang kecil
tersebut maka variabel berat sulfur dan berat flokulan akan di dekati dengan metode regresi
semiparametrik, maka variabel respon dan variabel prediktor yang digunakan dalam penelitian
ini:
Y = berat limbah/blotong
X
1= berat flokulan (kg)
X
2= berat sulfur (kg)
3.2
Metode Analisis
Langkah-langkah dalam menganalisis data adalah sebagai berikut :
a.
Deskripsi data untuk melihat pola perilaku hubungan dari data.
b.
Pemilihan parameter penghalus optimal dengan metode GCV.
c.
Memodelkan data limbah pabrik gula Asembagus Situbondo dengan pendekatan regresi
semiparametrik.
d.
Pemilihan model spline optimal.
e.
Melakukan analisis diagnostik residual.
f.
Melakukan pengujian signifikansi koefisien regresi secara simultan dan individu.
4.
Analisis dan Pembahasan
4.1
Deskripsi Data
Dari Gambar 4.1 dan Gambar 4.2 dapat dilihat untuk variabel berat flokulan dapat dijelaskan
bahwa model parametrik kurang tepat digunakan. Hal ini terlihat dari pola perilaku data dari satu
interval ke interval yang lain. Perubahan pola perilaku data dari satu interval ke interval yang lain ini
ditandai dengan titik knots.
X1 Y 9 8 7 6 5 4 3 800 700 600 500 400
7 param respon 3 4 5 6 7 8 9 400 500 600 700 800 param respon 3 4 5 6 7 8 9 400 500 600 700 800
Gambar 4.2 Plot antara Y dengan X1 dan Spline Kubik
Untuk variabel berat sulfur dapat digunakan pendekatan model parametrik (linier), karena
adanya kecenderungan hubungan antara berat limbah dengan berat sulfur tersebut mengikuti pola
linier, seperti yang terlihat pada Gambar 4.3 dan Gambar 4.4.
X2 Y 700 600 500 400 300 200 800 700 600 500 400
Gambar 4.3 Plot Y(berat limbah) dan X2(berat sulfur)
Sulfur Y 700 600 500 400 300 200 800 700 600 500 400
Bedasarkan plot antara berat limbah dan berat flokulan (Gambar 4.1 dan Gambar 4.2) terlihat
indikasi titik knots yang menunjukkan adanya perubahan perilaku dari data yaitu disekitar titik 4 dan
titik 5.
Tabel 4.1 Nilai GCV dengan dua titik knots
Orde
titik knots
GCV
3
4
4,8
5809,489
3
4
4,9
5809,489
3
4
5,0
5809,489
3
4
5,1
5813,185
3
4
5,2
5822,233
3
4
5,3
5834,733
3
4
5,4
5849,576
3
4
5,5
5865,959
3
4
5,6
5883,159
3
4
5,7
5900,389
3
4
5,8
5916,698
4
4
4,8
5527,947
4
4
4,9
5527,937*
4
4
5
5527,945
4
4
5,1
5528,222
4
4
5,2
5529,675
4
4
5,3
5532,683
4
4
5,4
5537,383
4
4
5,5
5543,906
4
4
5,6
5552,473
4
4
5,7
5563,434
4
4
5,8
5577,31
4
4
5,9
5594,846
4
4
6,0
5617,109
Keterangan : * = GCV MinimumBerdasarkan Tabel 4.1, terlihat bahwa GCV minimum adalah 5527,937 terdapat pada titik knots
4 dan 4,9 pada variabel flokulan. Nilai GCV minimum menunjukkan estimasi model semiparametrik
yang terbaik, sehingga dari kedua titik knots ini didapatkan model semiparametrik sebagai berikut:
Y γ
0γ
1X
γ
2X
2γ
3X
3γ
4X ‐4
3γ
5X ‐4,9
3γ
6X
ε
Dengan program S-Plus diperoleh estimasi model sebagai berikut:
Y
91213,64
73633,27X
19497,03X
1703,562X
2092,643 X
4
406,2007 X
4,9
0,5659328X
dengan Y adalah berat limbah pabrik gula, X
1adalah variabel berat flokulan, dan X
2adalah variabel
berat sulfur. Nilai koefisien determinasi dalam model ini sebesar 63,99%. Ini menunjukkan bahwa
variabel besar flokulan dan berat sulfur mampu menerangkan 63,99% keragaman berat limbah gula.
9
Variabel sulfur dan berat limbah pabrik gula mempunyai hubungan linier. Sedangkan hubungan
antara berat limbah pabrik gula dan berat flokulan berupa
piecewise polynomials
yang dapat dituliskan
dengan:
91213,64
73633,27X
19497,03X
1703,562X , X
4
91213,64
73633,27X
19497,03X
1703,562X
2092,643 X
4 , 4
X
4,9
91213,64
73633,27X
19497,03X
1703,562X
2092,643 X
4 406,2007 X
4,9 , X
4,9kg
Dari potongan polinomial ini terlihat bahwa berat limbah pabrik gula dipengaruhi oleh
perubahan berat flokulan pada tiga interval yang berbeda dan kontinu, yaitu berat flokulan kurang dari
4 kg, berat flokulan antara 4 kg sampai 4,9 kg, dan berat flokulan lebih dari 4,9 kg.
4.2
Model Pembanding
Berikutnya akan diselidiki kesesuaian antara berat limbah gula taksiran dengan berat limbah
gula sebenarnya pada titik-titik knots yang berbeda pada orde tertentu sebagai pembanding. Dipilih
titik knots 4 dan 5,8 pada orde ketiga (spline kuadratik). Titik knots yang dipilih memiliki nilai GCV
sebesar 5916,698 (Tabel 4.1). Nilai GCV yang besar mengindikasikan model semiparametrik yang
kurang sesuai untuk menjelaskan data berat limbah gula. Model regresi semiparametrik dengan
titik-titik knots ini menghasilkan nilai koefisien determinasi yang relatif kecil yaitu 55,91%. Model regresi
semiparametrik yang terbaik adalah model dengan orde 4 (spline kubik) dan titik knots 4 dan 4,9.
4.3 Analisis Diagnostik Residual
Berdasarkan analisis residual (Gambar 4.5) diperoleh bahwa spline kubik dengan dua titik knots
4 dan 4,9 residualnya tidak ada penyimpangan terhadap distribusi normal. Nilai P-value yang lebih
dari 0,10 yaitu > 0,150 menyatakan bahwa residual berdistribusi normal. Dari Gambar 4.6 dapat
dilihat bahwa residual dan fits(taksiran dari limbah pabrik gula) adalah saling bebas karena plot yang
dihasilkan tidak membentuk suatu pola atau acak, hal ini menandakan sifat residual yang identik.
Sedangkan pada Gambar 4.7 dapat dilihat bahwa tidak terjadi korelasi antar residual, ditandai dengan
tidak adanya lag yang keluar dari garis batas, hal ini menggambarkan sifat residual yang independen.
residual Pe rc e n t 150 100 50 0 -50 -100 -150 99 95 90 80 70 60 50 40 30 20 10 5 1 Mean >0.150 -0.0001273 StDev 57.98 N 30 KS 0.079 P-Value
Probability Plot of residual Normal
fits re si d u a l 850 800 750 700 650 600 550 500 100 50 0 -50 -100 -150
Scatterplot of residual vs fits
Gambar 4.6 Scatterplot Residual dan Fits
Lag A u to co rre la ti o n 8 7 6 5 4 3 2 1 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0
Gambar 4.7 Plot ACF Residual
4.4 Uji Signifikansi Koefisien Regresi dalam Model Semiparametrik
Berdasarkan hasil analisis diagnostik residual semua asumsi untuk residual yaitu varian konstan,
residual dan fits(nilai taksiran limbah pabrik gula) saling bebas, dan residualnya tidak ada
penyimpangan dari distribusi normal, sehingga dapat dilanjutkan untuk uji hipotesis koefisien regresi.
Pertama dilakukan uji serentak dengan hipotesis:
H
0:
γ
i=
0
H
1: paling sedikit ada satu
γ
i≠
0
, i= 0,1,…,6
Tabel 4.2 Analisis Variansi Model Semiparametrik dengan titik knots 4 dan 4,9 (orde 4)
SK
db
JK
KT
Fhit
Ftabel
Regresi
6
173292
28882
6,814861
2,047227
Galat
23
97476,08
4238,09
Total
29
270768,8
Berdasarkan analisis variansi model semiparametrik (Tabel 4.2) dengan
α
= 0.10 diperoleh kesimpulan
bahwa paling sedikit ada satu koefisien regresi yang tidak bernilai nol, sehingga model signifikan.
11
Selanjutnya dilakukan uji individu terhadap koefisien-koefisien regresi, terutama koefisien-koefisien
fungsi
truncated
dengan hipotesis sebagai berikut:
H
0:
γ
i= 0
H
1:
γ
i≠
0
, i = 0,1,…,6
Tabel 4.3 memperlihatkan bahwa dengan nilai
α
= 0,10 diperoleh kesimpulan estimator spline
kubik dengan titik knots 4 dan 4,9 signifikan dalam model sehingga estimator spline kubik pada model
semiparametrik cukup memadai untuk data limbah pabrik gula tersebut.
Tabel 4.3 Inferensi Model Semiparametrik dengan titik knots 4 dan 4.9 (orde 4)