Upload
muhammad-ikram
View
23
Download
4
Embed Size (px)
Citation preview
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
PERBANDINGAN METODE MARQUARDT COMPROMISE
DAN METODE GAUSS NEWTON DALAM PENAKSIRAN PARAMETER REGRESI NONLINIER
SKRIPSI
SRIDEWI NAINGGOLAN 070823007
FAKULTAS MATEMATIKA
ILMU PENGETAHUAN ALAM DEPARTEMEN MATEMATIKA UNIVERSITAS SUMATERA UTARA
MEDAN 2009
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
2
PERBANDINGAN METODE MARQUARDT COMPROMISE DAN METODE GAUSS NEWTON DALAM PENAKSIRAN PARAMETER
REGRESI NONLINIER
SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai Sarjana Sains
SRIDEWI NAINGGOLAN 070823007
FAKULTAS MATEMATIKA ILMU PENGETAHUAN ALAM DEPARTEMEN MATEMATIKA
UNIVERSITAS SUMATERA UTARA MEDAN
2009
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
3
PERSETUJUAN
Judul : PERBANDINGAN METODE MARQUARDT COMPROMISE DAN METODE GAUSS NEWTON DALAM PENAKSIRAN PARAMETER REGRESI NONLINIER Kategori : SKRIPSI Nama : SRIDEWI NAINGGOLAN Nomor Induk Mahasiswa : 070823007 Program Studi : SARJANA (S1) MATEMATIKA Departemen : MATEMATIKA Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan, 15 Juli 2009
Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Drs. H. Haluddin Panjaitan Dra. Rahmawati Pane, M.Si. NIP 130701888 NIP 131474682 Diketahui/Disetujui oleh Departemen Matematika FMIPA USU Ketua, Dr. Saib Suwilo, M.Sc. NIP 131796149
ii
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
4
PERNYATAAN
PERBANDINGAN METODE MARQUARDT COMPROMIE DAN METODE GAUSS NEWTON DALAM PENAKSIRAN PARAMETER REGRESI
NONLINIER
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya. Medan, Juli 2009 SRIDEWI NAINGGOLAN 070823007
iii
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
5
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Tuhan yang Maha Kuasa yang telah memberikan anugerahnya sehingga skripsi ini dapat diselesaikan dengan sebaik-baiknya.
Ucapan terimakasih saya sampaikan kepada Ibu Dra. Rahmawati Pane, M.Si dan Bapak Drs.H.Haluddin Panjaitan selaku pembimbing pada penyelesaian skripsi ini dan juga kepada Drs. Pengarapen Bangun M.Si dan Drs. Ramli Barus M.Si selaku penguji skripsi yang telah mengarahkan saya serta telah meluangkan waktu, tenaga, pikiran, dan bantuannya sehingga skripsi saya ini dapat selesai tepat waktu.
Ucapan terima kasih juga kepada ketua dan sekretaris departemen Dr. Saib Suwilo, M.Sc dan Drs. Henri Rani Sitepu, M.Si., dan kepada ketua Program Studi Ekstensi Matematika Bapak Drs. Marwan harahap, M.Eng, Dekan dan Pembantu dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara, semua dosen pada Departemen Matematika FMIPA USU, pegawai di FMIPA USU, dan rekan-rekan kuliah. Akhirnya, tidak terlupakan kepada Orang Tua saya dan semua keluarga yang selama ini memberikan bantuan dan dorongan yang diperlukan. Semoga segala bentuk bantuan yang telah diberikan mendapat balasan yang jauh lebih baik dari Tuhan Yang Maha Kuasa.
iv
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
6
ABSTRAK
Regresi Nonlinier adalah regresi yang memuat parameter nonlinier, artinya
jika parameter tersebut diturunkan terhadap parameter itu sendiri maka hasil
turunannya masih mengandung parameter itu sendiri (masih tetap nonlinier).
Estimasi regresi dilakukan untuk menentukan estimator parameter regresi. Metode
yang digunakan mengestimasi parameter model regresi nonlinier adalah nonlinear
least square dimana secara konseptual sama dengan metode least square pada
model regresi linear. Skripsi ini bertujuan untuk membandingkan penaksiran
parameter regresi nonlinear dengan menggunakan metode Marquardt
Compromise dan metode Gauss Newton. Dari analisa yang dilakukan didapat
bahwa metode Marquardt dan metode Gauss Newton dapat menaksir parameter
dalam kasus nonlinier dan menghasilkan galat ke nilai yang paling minimum.
v
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
7
ABSTRACT
Nonlinear Regression is regression that contain nonlinear parameter, it means
that if the parameter is derivated to parameter it self, hence the result of it is
derivative still contain that parameter (Intrisically nonlinear). Regression
estimation is done to detemine estimator of regression parameter. One of the
method that used to estimate nonlinear regression model parameter is nonlinear
least square where conceptually it’s equal to least square method at linear
regression model. The skripsi purpose to compare estimate with the Marquardt
Compromise and Gauss Newton method. Both of the method can use to implies
estimator nonlinear least square and minimizes sum square error.
vi
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
8
DAFTAR ISI
Halaman
Persetujuan iii
Pernyataan iv
Penghargaan v
Abstrak vi
Abstract vii
Daftar Isi viii
Bab 1 Pendahuan 1
1.1 Latar belakang
1.2 Perumusan Masalah 3
1.3 Pembatasan Masalah 3
1.4 Tujuan Penelitian 3
1.5 Kontribusi Penelitian 3
1.6 Metodologi Penelitian 4
1.7 Tinjauan Pustaka 4
Bab 2 landasan Teori 6
2.1 Penaksiran Parameter 6
2.2 Turunan Parsial 8
2.3 Deret Taylor 8
2.4 Regresi Nonlinier 9
2.5 Kuadrat Terkecil dalam Kasus Nonlinier 10
2.6 Metode Marquardt Compromise 13
2.7 Metode gauss Newton 13
vii
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
9
Bab 3 Pembahasan 14
3.1 Pendugaan Parameter suatu Sistem Nonlinear 14
3.2 Jumlah Kuadrat Galat 16
3.3 Algoritma Marquardt Compromise 17
3.4 Algoritma Gauss Newton 17
3.5 Penyelesaian contoh 18
Bab 4 Kesimpulan dan Saran 30
Daftar Pustaka 31
xiii
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Pada umumnya dalam suatu penelitian tidak diketahui secara tepat nilai-nilai
parameter dari distribusi teoritis dimana sampel diambil. Hal ini terjadi karena
tidak terambilnya seluruh unsur populasi yang akan diteliti. Intinya ditemukan
kesulitan untuk menentukan sampel yang representatif yang dapat mewakili
populasi dengan metode dan cara yang efektif. Adapun sampel yang digunakan
untuk menduga parameter disebut penaksir parameter dan angka yang merupakan
hasilnya disebut penaksiran secara statistik.
Misalkan sebuah variabel acak X berdistribusi normal dengan parameter
θ . Parameter θ dapat berupa mean populasi, simpangan baku populasi, koefisien
regresi populasi dan sebagainya. Parameter θ adalah parameter yang akan
ditaksir. Penaksiran dapat digolongkan menjadi dua bagian, yaitu penaksiran titik
dan penaksiran selang. Sedangkan cara untuk melakukan penaksiran ada
bermacam-macam diantaranya, momen, simpangan kuadrat terkecil, kemungkinan
maksimum ataupun sifat penaksiran takbias linear terbaik. Salah satu dari
beberapa metode yang digunakan untuk menaksir parameter adalah metode
kuadrat terkecil nonlinier yang secara konseptual sama dengan metode kuadrat
terkecil linier. Dalam penelitian ini metode yang digunakan untuk menaksir
parameter adalah dengan metode kuadrat terkecil pada model regresi nonlinier.
Regresi nonlinier digunakan apabila dalam kasus tidak tersedianya informasi yang
pasti tentang bentuk hubungan antara peubah responden peubah bebas. Ada
beberapa model regresi nonlinier diantaranya:1) Model Parabola, 2) Model
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
2
Eksponensial, 3) Model Logistik. Dalam Skripsi ini Penulis membicarakan
Regresi Nonlinier pada model Eksponensial.
Penaksiran parameter model nonlinier akan menghasilkan nilai yang
berbeda untuk penaksir yang sama karena galat acaknya mempunyai fungsi
pembangkit. Oleh karena itu, berbeda dengan kuadrat terkecil pada model linier,
penaksir atau estimator metode kuadrat terkecil yang diterapkan pada model
nonlinier ditentukan dengan melakukan suatu prosedur atau algoritma yang dapat
menjamin bahwa penaksir tersebut secara nyata memenuhi kriteria dari fungsi
tujuan, yaitu memberikan jumlah kuadrat galat pada nilai yang paling minimum.
Dengan perkatan lain, dalam penentuan penaksir pada model nonlinier
diperlukan pengetahuan mengenai teori titik optimum secara statis. Berdasarkan
teori, untuk menentukan titik optimum yang diyakini sebagai solusi dalam
penentuan penaksir model nonlinier akan digunakan operasi turunan pertama dan
kedua. Turunan yang pertama digunakan dalam prosedur itersasi diterapkan
didalam algoritma Gauss Newton dan model iterasi jalan tengah marquardt.
Algoritma Gauss Newton digunakan untuk menyelesaikan penaksiran kuadrat
terkecil. Metode ini sering disebut metode linearisasi yang menggunakan expansi
deret Taylor untuk menghampiri model regresi nonlinier menjadi bentuk linier.
Sedangkan metode marquardt juga merupakan suatu metode penyelesaian
penaksiran kuadrat terkecil yang merupakan kompromi atau jalan tengah antara
metode linierisasi dengan metode Stepest descent (turunan tercuram).
Dari uraian diatas penulis tertarik memilih judul penelitian:
”Perbandingan metode Marquardt Compromise dan metode Gauss Newton dalam
penaksiran parameter regresi Nonlinier”.
1.2 Perumusan Masalah
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
3
Masalah yang akan dibahas dalam penelitian ini adalah bagaimana cara menaksir
parameter dalam regresi nonlinier menggunakan metode Marquardt dan metode
Gauss Newton serta membandingkan kedua metode tersebut.
1.3 Batasan Masalah
Ruang lingkup dari penelitian ini dibatasi pada penaksiran parameter model
regresi nonlinier pada model Eksponensial dengan menggunakan metode iterasi
jalan tengah Marquardt dan metode gauss Newton dan hanya mendapatkan
penaksiran parameter saja.
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah untuk membandingkan penaksir parameter pada
model regresi nonlinier melalui iterasi Marquardt dan iterasi Gauss Newton
sehingga dapat diketahui metode mana yang lebih efisien menyelesaikan
penaksiran parameter regresi nonlinier.
1.5 Kontribusi Penelitian
Kontribusi penelitian ini adalah menambah pengetahuan dalam regresi nonlinier
dan bagaimana menaksir parameternya.
1.6 Metode Penelitian
Dalam penelitian ini penulis melakukan studi literatur dengan mengumpulkan
bahan yang membahas mengenai regresi nonlinier dan metode kuadrat terkecil
pada kasus nonlinier. Adapun langkah-langkah penelitian ini adalah sebagai
berikut:
1. Membahas regresi nonlinier dengan metode kuadrat terkecil
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
4
2. Menaksir parameter pada model eksponensial dalam regresi nonlinier
dengan metode kuadrat terkecil
3. Melakukan iterasi dengan iterasi jalan tengah Marquardt dan iterasi Gauss
Newton.
4. Kedua iterasi dilakukan sampai hasilnya konvergen
5. Menyelesaikan contoh kasus dengan menggunakan metode Marquardt dan
metode Gauss Newton.
6. Membandingkan penaksiran yang dilakukan melalui iterasi jalan tengah
Marquardt dan iterasi Gauss Newton.
1.7 Tinjauan Pustaka
(Draper and Smith, 1966)
Secara umum model nonlinier dapat ditulis sebagai berikut:
( ) εθθθξξξ += pkfY ,,,;,,, 2121
Dengan
galatparameter
bebaspeubahresponpeubahY
====
εθξ
Persamaan dapat diperingkas menjadi:
( ) εθξ += ,fY
Atau
( ) ( )θξ ,fyE =
Jika diasumsikan bahwa ( ) 0=εE dan diasumsikan galat-galatnya tidak
berkorelasi, yang berarti ( ) 2σε =V
Pada umumnya ( )2,0~ σε N yang berarti galat-galatnya berdistribusi normal
serta saling bebas satu sama lain.
Bila n data amatannya berbentuk:
kuuuuY ξξξ ,,,, 21
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
5
Untuk nu ,,2,1 = dapat dituliskan dalam bentuk alternatifnya
( ) uu fY εθξ += ,
Dengan uε adalah galat ke nu ,2,1= dapat diperingkas menjadi
( ) uu fY εθξ += ,
dengan
( )kuuuu ξξξξ ,,, 21 =
Asumsi kenormalan dan kebebasan galat dapat dituliskan sebagai :
( )2,0~ σε IN
( )nεεεε ,,, 21 =
0 = Vektor nol
I = Matriks Identitas
Dan keduanya berukuran sama
Jumlah kuadrat galat untuk model nonlinier didefenisikan sebagai:
( ) ( ){ }∑=
−=n
uuu fYS
1
2,θξθ
(Gallant, 1942)
Atau ( ) ( ){ }2
1,∑
=
−=n
uuu fYSSE θξθ
(Steven C Chapra)
Terdapat banyak kasus dalam rekayasa dimana model-model taklinear harus
dicocokkan pada data. Dalam konteks yang sekarang model-model ini
didefenisikan sebagai model yang mempunyai ketergantungan taklinier pada
parameter-parameternya.
Misalnya: ( ) ( )xaeaxf 110−−=
Tidak terdapat cara untuk memanipulasi persamaan ini sehingga sesuai dengan
bentuk umum persamaan:
ezazazazay nm +++++= 221100
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
6
(Mohammad Ehsanul Karim)
Metode Gauss Newton atau yang sering disebut metode linearisasi menggunakan
expansi deret Taylor untuk menghampiri model regresi nonlinier menjadi bentuk
linier dan menggunakan kuadrat terkecil untuk menaksir parameter. Misalkan
modelnya berbentuk
( ) uu fY εθξ += ,
dan
pθθθ ,,, 2010
adalah nilai-nilai awal bagi parameter-parameter pθθθ ,, 21
Nilai-nilai awal itu mungkin merupakan dugaan kasar belaka atau mungkin pula
merupakan nilai-nilai dugaan awal bersasarkan informasi yang tersedia. Nilai-
nolai awal itu diharapkan akan diperbaiki dalam proses iterasi.
(Sanjoyo,2006)
Metode Jalan Tengah Marquardt mengaplikasikan metode iterasi seperti halnya
pada Metode Gauss Newton yaitu bertujuan menghasilkan jumlah kuadrat galat
yang paling minimum.
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
7
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
BAB 2
LANDASAN TEORI
2.1. Penaksiran Parameter
Dengan statistika dapat disimpulkan karakteristik populasi yang dapat dipelajari
berdasarkan data yang diambil baik secara sampling ataupun sensus. Sehingga
dengan keperluan tersebut diambil sampel yang representatif, dan berdasarkan
hasil analisis terhadap sampel tersebut dapat diambil kesimpulan mengenai
populasi yang diteliti. Adapun sampel yang digunakan untuk menduga parameter
disebut penaksir parameter, dan angka yang merupakan hasilnya disebut
penaksiran secara statistik. Penaksir sendiri juga merupakan peubah acak. Teori
penaksiran dibagi dalam dua golongan yaitu penaksiran titik dan penaksiran
selang. Sedangkan cara melakukan penaksiran ada bermacam-macam diantaranya
adalah cara momen, simpangan kuadrat terkecil, kemungkinan maksimum
ataupun sifat penaksiran tak bias linear yang terbaik.
Suatu penaksiran akan menghasilkan bermacam-macam penaksir.Diantara
penaksir-penaksir itu haruslah dipilih mana yang terbaik yang dapat dipakai
sebagai penghampir parameter populasi. Oleh karena itu perlu diketahui ciri-ciri
penaksir yang baik. Penaksir yang baik harus memenuhi beberapa syarat,
tergantung kepada besar ukuran sampelnya. Akan diuraikan beberapa defenisi
yang berkaitan dengan kriteria penaksir yang baik. Kriteria penaksir yang baik
meliputi ketakbiasan, efisiensi, dan konsistensi.
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
8
(1) Ketakbiasan
θ̂ merupakan penduga tak bias (unbias estimator) dari θ jika ( ) θθ =ˆE .
Sebuah penduga dikatakan tak bias kalau rata-rata dari seluruh
kemungkinan sampel akan sama dengan nilai parameter dari populasi yang
diduga.
Tetapi kritria tak bias saja tak cukup selama variansi sebagai ukuran
penyebaran suatu penaksir tak bias diketahui. Yang diinginkan penaksir
takbias dengan variansi terkecil yang merupakan kriteria efisiensi.
(2) Efisiensi
θ̂ merupakan penduga yang efisien (efficient estimator) bagi θ apabila
nilai θ̂ memiliki varians atau standar deviasi yang lebih kecil
dibandingkan dengan penduga lainnya. Kalau ada penduga yang takbias
1̂θ dan 2θ̂ dimana varians atau standar deviasi dari penduga 1̂θ lebih kecil
dibandingkan varians atau standar deviasi penduga 2θ̂ , maka 1̂θ relative
lebih efisien dibandingkan dengan 2θ̂ .
(3) Konsistensi
θ̂ merupakan penduga konsisten (consistent estimator) bagi θ apabila
nilai θ̂ cenderung mendekati nilai parameter θ untuk n (besarnya sampel)
yang semakin besar mendekati tak hingga ( )∞→n . Jadi ukuran sampel
yang besar cenderung memberikan penduga titik yang lebih baik
dibandingkan ukuran sampel kecil. X merupakan penduga konsisten dari
µ , sebab apabila Nn → , maka µ→X .
Dari contoh ini jelas, kalau Nn = maka µ=X . ( )22 1∑ −= XXn
S i
merupakan penduga konsisten dari ( )22 1∑ −= µσ iXn
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
9
(4) Penduga yang cukup
θ̂ merupakan penduga yang cukup (sufficient estimator) bagi θ apabilaθ̂
mencakup seluruh informasi tentang θ yang terkandung didalam sampel.
2.2. Turunan Parsial
Misalkan ( )yxfz ,= fungsi 2 variabel yang terdfenisi disekitar titik ( )yx, ,
turunan parsial dari f terhadap x adalah turunan z terhadap x dan y tetap
konstan
Turunan parsial ( )yxfz ,= terhadap x ditulis:
( ) ( )yxfyxfx
zx
,, =∂∂
=∂∂ didefenisikan sebagai berikut:
( ) ( ) ( ) ( )h
yxfyhxfyxfyxfx hx
,,lim,,0
−+==
∂∂
→
Turunan parsial ( )yxfz ,= terhadap y ditulis:
( ) ( ) ( ) ( )k
yxfkyxfyxfyxfy ky
,,lim,,0
−+==
∂∂
→
2.3 Deret Taylor
Deret Taylor dapat memberikan nilai hampiran bagi suatu fungsi pada suatu titik,
berdasarkan nilai fungsi dan derivatifnya pada titik yang lain. Suku pertama dari
deret Taylor adalah ( ) ( )ii Xfxf ≈+1 dan disebut aproksimasi orde nol. Hubungan
ini hendak menunjuk bahwa nilai fungsi f pada titik yang baru, ( )1+iXf adalah
sama dengan nilai fungsi pada titik yang lama ( )iXf . Bila fungsi mengalami
perubahan suku, sehingga dikembangkan aproksimasi orde 2 yaitu:
( ) ( )( )iiii XXXfXf −+ +1'
Dan secara umum deret Taylor dirumuskan sebagai berikut:
( ) ( ) ( )( ) ( ) ( )( ) ( ) ( ) n
nii
in
IIi
iiiii RXXn
Xfxx
XfXXXfXfXf +−++−+−+≈ ++++ 1
2111 !!2
"'
Dan suku tambahan nR adalah:
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
10
( ) ( )( )
11
1+
+
−= n
n
n hn
fR ξ
Dengan indeks n menyatakan aproksimasi orde ke n dan ξ adalah suatu nilai X
dalam selang interval iX hingga 1+iX . Dan h adalah ii XX −+1 .
2.4 Regresi Nonlinier
Model nonlinier (yaitu nonlinier dalam parameter yang akan diduga) dapat dibagi
menjadi dua bagian yaitu model linier intrinsik dan model nonlinier Intrinsik.
(1) Model linier Intrinsik
Jika suatu model adalah linier intrinsik, maka model ini dapat dinyatakan
melalui transformasi yang tepat terhadap peubahnya kedalam bentuk linier
baku. Contoh:
( )eteksY ++= 221 θθ
Persamaan ini dapat ditransformasi melalalui pelogaritmaan dengan
basis e , menjadi bentuk, etY ++= 221ln θθ
Yang bersifat linier dalam parameter-parameternya.
(2) Model nonlinier intrinsik
Jika suatu model nonlinier intrinsik maka model ini tidak dapat diubah
menjadi bentuk baku. Contoh:
[ ] eeeY tt +−−
= −− 12
21
1 θθ
θθθ
Model ini tidak mungkin dapat diubah kedalam suatu bentuk linier dalam
parameternya.
Regresi nonlinier adalah regresi yang memuat parameter nonlinier, artinya jika
parameter tersebut diturunkan terhadap parameter itu sendiri maka hasil
turunannya masih mengandung parameter itu sendiri. Estimasi dilakukan untuk
menentukan estimator parameter regresi. Salah satu metode yang digunakan untuk
mengestimasi parameter model regresi nonlinier adalah kuadrat terkecil nonlinier
dimana secara konseptual sama dengan metode kuadrat terkecil pada model
regresi linier.
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
11
Terdapat banyak kasus dalam rekayasa dimana model-model nonlinier harus
dicocokkan pada data. Dalam konteks ini model-model ini didefenisikan sebagai
model yang mempunyai ketergantungan nonlinier pada parameter-parameternya.
Seperti halnya dengan kuadrat terkecil, regresi nonlinier didasarkan pada
penentuan nilai-nilai parameter yang meminimumkan jumlah kuadrat galatnya.
Namun dalam kasus nonlinier, penyelesaian haruslah berjalan dengan cara iterasi
dan bergantung pada nilai-nilai dugaan awal.
2.5 Metode Kuadrat Terkecil dalam Kasus Nonlinier
Metode kuadrat terkecil atau seing disebut dengan metode OLS (Ordinary Least
Square) diperkenalkan oleh Carl Friedrich Gauss, seorang matematikawan
Jerman. Penaksir- penaksir yang dihasilkan berdasarkan metode kuadrat terkecil
adalah bersifat tak bias dan konsisten. Didalam kenyataannya, salah satu penaksir
tak bias linier memiliki varians yang minimum, sehingga disebut penaksir takbias
linier terbaik (Best Linear Unbiased Estimator/BLUE). Sifat ini merupakan dasar
dari dalil Gauss- markov theorem yaitu sebagai berikut:
Dalil Gauss Markov : Berdasarkan sejumlah asumsi tertentu pendugaan
berdasarkan metode kuadrat terkecil akan menghasilkan penduga takbias linier
terbaik (Best Linear Unbiased Estimator/ BLUE), dengan koefisien regresi
memiliki varians yang minimum.
Namun demikian berbeda dengan kuadrat terkecil dalam model linier,
penaksiran parameter pada kuadrat terkecil dalam model nonlinier ditentukan
dengan melakukan suatu prosedur atau algoritma yang dapat menjamin bahwa
penaksir tersebut secara nyata memenuhi kriteria dari fungsi tujuan yaitu
memberikan jumlah kuadrat galat pada nilai yang paling minimum atau
memberikan nilai maksimum pada fungsi likelihood. Notasi Baku yang digunakan
untuk kuadrat terkecil nonlinier berbeda dengan yang digunakan untuk kasus
kuadrat terkecil linier. Misalkan model yang diberikan berbentuk sebagai berikut:
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
12
( ) efY pk += θθθξξξ ,;,, 2121
Dilambangkan dengan
( )kξξξξ ,,, 21 =
( )',,, 21 pθθθθ =
Maka persamaannya dapat ditulis menjadi
( ) efY += θξ ,
Atau
( ) ( )θξ ,fYE =
Bila data amatannya berbentuk
kuuuuY ξξξ ,,,, 21
Untuk nu ,2,1= maka dapat dituliskan modelnya kedalam bentuk:
( ) upkuuu efY += θθθξξξ ,,;,, 2121
dan dapat diperingkas bentuknya menjadi:
( ) uuu efY += θξ ,
Jumlah kuadrat galat untuk persamaan nonlinier ditulis sebagai berikut:
( ) ( ){ }2
1,∑
=
−=n
uuu fYS θξθ
Karena uy dan uξ merupakan amatan, dan bersifat tetap, maka jumlah kuadrat
tersebut merupakan fungsi dari θ . Nilai taksiran kuadrat terkecil bagi θ akan
dilambangkan denganθ̂ . Nilai taksiran ini tidak lain adalah nilai yang
meminimumkan ( )θS . Untuk menemukan nilai taksiran kuadrat terkecil θ̂ ,
terlebih dahulu persamaan jumlah kuadrat galat dideferensialkan terhadap θ . Ini
akan menghasilkan p persamaan normal, yang harus diselesaikan untuk
memperoleh θ̂ . Persamaan normal tersebut berbentuk :
( )( ) ( ){ } ( )
θθθθξ
θξθθ
ˆ
,,
=
∂
∂−=
∂∂
i
uuu
i
ffYS
Untuk pi ,,2,1 = sedangkan besaran dalam kurung adalah turunan dari
( )θξ ,uf terhadap iθ dengan semua iθ diganti dengan θ̂ yang bersubskrip sama,
jika ( )θξ ,uf merupakan fungsi linier, maka nilai dugaan ( )θξ ,uf tersebut
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
13
merupakan fungsi dari uξ saja dan tidak mengandung θ̂ sama sekali. Misalnya
jika
( ) pmuuuf θξθξθθξ ++= 221,
Maka
pifiu
i
,,2,1 ==∂∂ ξθ
dan tidak bergantung pada θ . Ini mengakibatkan persamaan normalnya terdiri
atas persamaan- persamaan linier dalam pθθθ ,, 21 . Bila modelnya tidak linier
dalam θ , maka sama halnya dengan persamaan normalnya. Sekarang akan
diilustrasikan dengan suatu contoh sederhana berupa penaksiran suatu parameter
θ didalam sebuah moel nonlinier. Misalnya akan diperoleh persamaan normal
untuk mendapatkan nilai taksiran kuadrat terkecilθ̂ bagi parameter θ dalam
model ( ) εθ += tfY , dengan ( ) tetf θθ −=, misalkan n pasangan amatan yang
tersedia adalah ( ) ( ) ( )nn tYtYtY ,,,,,, 2211 . Melalui pendifrensialan parsial terhadap
θ diperoleh ttef θ
θ−−=
∂∂ yang menghasilkan persamaan normal tunggal.
Selanjutnya persamaan normal tunggal dapat ditulis sebagai berikut:
[ ] [ ] 0ˆ
1
ˆ =−− −
=
−∑ utu
n
u
tu eteY θθ
Atau
0ˆ2ˆ
1=−∑∑ −
=
n
u
tu
tu
n
uu
uu etetY θθ
Perhatikan bahwa dengan hanya satu parameter dan suatu model nonlinier
yang relatif sederhana , penentuan nilai θ̂ melalui penyelesaian persaman normal
tidaklah mudah. Bila parameternya lebih banyak dan modelnya lebih rumit,
penyelesaian persamaan- persamaan normalnya bisa sangat sulit, dan hampir
dalam semua kasus, pemecahannya harus menggunakan metode iteratif yang
dapat dijumpai pada metode iterasi Marquardt dan metode iterasi Gauss Newton.
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
14
2.6 Metode Marquardt Compromise (Jalan tengah Marquardt)
Metode ini dikembangkan oleh D.W Marquardt atau sering juga disebut metode
Levenberg Marquardt adalah salah satu metode didalam pendugaan nonlinier.
Metode Marquardt merupakan kompromi atau jalan tengah antara metode
linearisasi (atau deret Taylor) dengan metode turunan tercuram (Stepest Descent).
Metode Marquardt mengaplikasikan metode iterasi seperti halnya pada metode
Gauss Newton yaitu meminimumkan jumlah kuadrat galat, bedanya hanya
terletak pada penambahan perkalian skalar λ dan matriks identitas kI . Secara
umum metode Marquardt Compromise dinyatakan sebagai berikut:
( ) ( )( ) ( )( )
θθθθλθθθθ
ˆ
11 'ˆ=
−+
∂∂
+−=SIDDt kn
nnn
nn
( ) ( )( ) 1' −+= kn
nnn IZZp λθθ
Dengan nθ = Nilai dugaan awal parameter
1ˆ +nθ = Parameter yang ditaksir
( ) ( )nn DD θθ ' = Matriks yang dihasilkan dari data
nλ = Perkalian skalar
nt = Panjang langkah
kI = Matriks Identitas
( )( )
n
S
θθθ
ˆ
∂∂ = Persamaan Normal
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
15
2.7 Metode Gauss Newton
Metode Gauss Newton merupakan suatu algoritma untuk meminimumkan jumlah
kuadrat galat. Konsep kunci yang mendasari teknik tersebut adalah uraian deret
Taylor yang digunakan untuk menyatakan persamaan nonlinier semula dalam
suatu bentuk hampiran yang linier. Dengan demikian, teori kuadrat terkecil dapat
digunakan untuk memperoleh taksiran-taksiran baru dari parameter yang bergerak
kearah yang meminimumkan galat tersebut.
Secara umum iterasi gauss Newton dinyatakan sebagai berikut:
( )( ) ( )( )[ ] ( )( ) ( )( )θξθθθθθ ,''ˆ 11 fYDDD tnnnnn −+=
−+
Dengan nθ = Nilai dugaan awal parameter
1ˆ +nθ = Parameter yang akan ditaksir ( )( )nD θ = Matrik yang dihasilkan dari data
( )( )θξ ,fYt − = Vektor yang dihasilkan dari perbedaan antara pengukuran dan
prediksi
Metode Gauss Newton dimulai dengan nilai awal untuk parameter regresi yaitu
110 ,, −pθθθ dan didalam penaksirannya dirobah menjadi ( ) ( ) ( )01
01
00 ,,, −pggg
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
BAB 3
PEMBAHASAN
3.1 Pendugaan Parameter suatu Sistem Nonlinier
Pada sebagian masalah nonlinier,cara yang sering dilakukan dan ternyata berhasil
adalah menuliskan persamaan normal secara terinci dan mengembangkan suatu
teknik iteratif untuk memecahkannya.Apakah cara ini berhasil atau tidak
bergantung pada persamaan normalnya dan metode iterasi yang digunakan, dalam
memperoleh taksiran parameter. Diantaranya adalah :1) Metode Gauss Newton
(metode linearisasi), 2) Metode Stepest Descent (Turunan tercuram), 3)
Marquardt Compromise ( jalan tengah Marquardt). Dan metode-metode ini dapat
diselesaikan dengan menggunakan program komputer.
Metode Gauss Newton menggunakan hasil-hasil kuadrat terkecil dalam
beberapa tahap. Misalkan model yang ditentukan berbentuk:
( ) uu fY εθξ += ,
Dan 02010 ,,, pθθθ adalah nilai-nilai awal bagi parameter-parameter pθθθ ,,, 10
Nilai-nilai awal itu merupakan taksiran kasar belaka atau mungkin pula
merupakan nilai-nilai dugan awal berdsarkan informasi yang tersedia. (Misalnya
perkiraan berdasarkan informasi yang diperoleh dari perhitungan lain yang serupa
atau yang diperkirakan benar oleh peneliti berdasarkan pengalaman dan
pengetahuannya). Nilai-nilai awal itu diharapkan akan diperbaiki dalam proses
iterasi.
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
17
Bila dilakukan penguraian deret Taylor bagi ( )θξ ,f disekitar titik
( )020100 ,, pθθθθ = dan membatasi penguraian sampai turunan pertama, maka dapat
dikatakan bahwa, bila θ dekat pada 0θ maka
( ) ( ) ( ) ( )0ˆ1
0,
,, ii
p
i i
uuu
fff θθ
θθξ
θξθξθθ
−
∂
∂+=
==∑
Bila ditetapkan
( )
( )0
,
,
0
00
00
θθθθξ
θθβ
θξ
=
∂
∂=
−=
=
i
uiu
iii
uu
fZ
ff
Maka bentuknya menjadi
u
p
iiuiuu ZfY εβ +− ∑
=1
000
Dengan kata lain persamaan tersebut sudah berbentuk linier. Oleh karena
itu dapat ditaksir parameter-parameter pii ,,2,1,0 =β dengan cara menerapkan
teori kuadrat terkecil. Bila ditetapkan
{ }
0
0
0
22
011
0
0
02
01
0
0
002
01
002
01
02
022
012
01
021
011
,
fY
fY
fY
fYfY
y
b
bb
b
npZ
ZZZ
ZZZ
ZZZ
ZZZ
Z
nn
uu
p
iu
pnnn
puuu
p
p
−=
−
−
−
−
=
=
×=
=
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
18
Misalnya, dengan notasi yang sudah jelas maksudnya, maka taksiran bagi
( )002
010 ,,, pββββ = diberikan oleh ( ) ( )0
01
000 '' fYZZZb −= −
dengan demikian vektor ob akan meminimumkan jumlah kuadrat galat.
3.2 Jumlah Kuadrat Galat (Sum Square Error)
Penaksiran Kuadrat terkecil dari θ adalah meminimumkan jumlah kudrat galat
dari parameterθ yaitu θ̂ , didefenisikan sebagai:
( ) ( ){ }2
1,∑
=
−=n
ii fYS θξθ
Untuk menghitung jumlah kuadrat galat dapat juga dilakukan dengan
menggunakan matrik sebagai berikut:
( ) ( )[ ] ( )[ ]
( ) ( ) ( ) ( )[ ] [ ]nYYYYffff
fYfYS
,,,,,,,,, 211 ==
−−=
θξθξθξθ
θθθ
Untuk menemukan nilai dugaan kuadrat terkecil θ̂ , persamaan
( ) ( )[ ] ( )[ ]θθθ fYfYS −−= dideferensialkan terhadap θ dan akan menghasilkan
p persamaan normal. Persamaan normal itu berbentuk:
( ) ( ) ( )θθθθ θ
θξθξ
θθξ
ˆ1ˆ1
,,
,
====
∂∂
−
∂∂ ∑∑ i
n
i
in
ii
ff
fY
Dan selanjutnya dapat dilakukan penaksiran parameter model nonlinier dengan
menggunakan kuadrat terkecil dan melakukan pengiterasian dengan menggunakan
iterasi Gauss Newton dan iterasi jalan tengah Marquardt.
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
19
3.3 Algoritma Marquardt Compromise
Menentukan nilai awal yaitu 01
01
00 ,,, −pθθθ dan didalam pengiterasiannya notasi
awal berubah menjadi 01
01
00 ,,, −pggg . Selanjutnya menyelesaiakan persamaaan
normal dari suatu model regresi nonlinier yang akan ditaksir, dan kemudian
menentukan nilai perkalian skalar dinotasikan dengan λ dengan 10 ≤< λ dan
matriks identitas I . Iterasi pada metode ini akan berhenti pada saat nilai iterasi
tersebut sudah konvergen.
Persamaan iterasi ditulis sebagai berikut :
( ) ( )( ) ( )( )
θθθθλθθθθ
ˆ
11 'ˆ=
−+
∂∂
+−=SIDDt kn
nnn
nn
Dan pada proses iterasi notasi parameter yang ditaksir akan menjadi
( ) ( )( ) ( )( ) ng
n
knnn
nnn
ggSIgDgDtgg
∂∂
+−=−+ 11 ' λ
3.4 Algoritma Gauss Newton
Pada umumnya proses iterasi Gauss Newton dilakukan dengan langkah sebagai
berikut:
1) Dianggap ( )0θ̂ sebagai estimasi awal untuk θ
2) Hitung ( ) ( )i
i b+=+ 01 ˆˆ θθ
3) Nilai ( )1ˆ +iθ digunakan sebagai nilai untuk menghampiri model linier
4) Kemudian kembali lagi ke langkah pertama dan menghitung nilai b untuk
setiap iterasi, nila b yang baru ditambahkan kepada penaksiran yang
didapat dari iterasi sebelummya.
5) Iterasi dilanjutkan untuk melihat apakah hasilnya konvergen atau tidak.
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
20
3.5 Penyelesaian Contoh
Contoh
Pernyatan masalah: Cocokkan fungsi ( ) ( )( )ii XXf 1010 exp1,; θθθθ −−= pada data
sebagai berikut:
Tabel 3.5.1 Data yang harus dicocokkan pada fungsi
x y
0,25 0,28
0,75 0,57
1,25 0,68
1,75 0,74
2,25 0,79
(Sumber: Buku Metode Numerik oleh Steven C Chapra halaman 318-319)
Gunakan dugaan-dugaan awal 10 00,1 θθ dan= =1,00 untuk parameter-
parameter.
Penyelesaian
Dengan Bentuk ( ) ( )( )ii XXf ,exp1,; 1010 θθθθ −−= yang terdiri dari dua
parameter. Digunakan kuadrat terkecil untuk meminimumkan kuadrat galat
dengan terlebih dahulu menaksir parameter pada model tersebut dan selanjutnya
menyelesaikan persamaan normalnya dengan iterasi jalan tengah Marquardt dan
iterasi Gauss Newton.
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
21
Model tersebut akan dibentuk kedalam regresi nonlinier yaitu sebagai berikut:
( ) iii XfY εθ += ,
Dengan Kuadrat terkecil Q adalah
( )[ ]2
1,∑
=
−=n
ikii XfYQ θ ; 1,,1,0 −= pk
Turunan parsial dari Q terhadap kθ adalah
( )[ ] ( )0
,,2
ˆ1=
∂
∂−−=
∂∂
==∑
gk
in
iii
k
XfXfYQ
θθ
θθ
θ
g adalah vektor dari taksiran kuadrat terkecil kg yaitu:
=
−1
1
0
pg
gg
g
Dari contoh diatas dapat diselesaikan sebagai berikut:
( ) ( )( )ii XXf 10 exp1; θθθ −−=
Sehingga untuk contoh diatas turunan-turunan parsial fungsi terhadap parameter-
parameter adalah:
( ) ( )
( ) ( )iii
ii
XXXf
XXf
101
10
exp,
exp1,
θθθ
θ
θθ
θ
−=∂
∂
−−=∂
∂
Ubahlah simbol 0θ dan 1θ untuk menaksir parameter dengan 0g dan 1g . Akan
didapat persamaan normal dari turunan parsial diatas yaitu sebagai berikut:
( )( ) ( )( ) ( )( )( ) ( )( ) ( ) 0expexp1exp
0exp1exp1exp1
101010
1101
=−−−−−
=−−−−−−−
∑∑∑∑
iiiiii
iii
XgXgXggXgXgY
XgXiggXgY
Persamaan normal dapat diubah menjadi:
( )( ) ( )( )( ) ( ) ( ) 02expexpexp
0exp1exp1
1101
2101
=−−−−−
=−−−−−
∑∑∑∑
iiiiii
iii
XgXgXgXgXY
XggXgY
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
22
Karena persamaan normal diatas tidak linier didalam parameter 0g dan
1g maka cara yang tepat untuk menyelesaikan persamaan normal diatas adalah
dengan menggunakan metode numerik untuk melakukan penaksiran secara iterasi.
Metode numerik yang sering kali dipakai untuk menyelesaikan permasalahan
didalam penaksiran parameter model nonlinier adalah Metode Gauss Newton dan
Metode Marquardt compromise.
Dengan menggunakan algoritma Gauss Newton, langkah awal adalah
menentukan nilai awal terlebih dahulu kemudian dihampiri dengan rata-rata
respon ( )θ,iXf untuk n pengamatan oleh bentuk linier mengunakan ekspansi
deret Taylor disekitar nilai awal 0kg diperoleh pengamatan ke i
( ) ( )( ) ( ) ( )( )00
ˆ
1
0
0 ,,, g
XfgXfXf k
g
p
k k
iii −
∂
∂+≈
=
−
=∑ θ
θθ
θθ
Dan
( )
( )
( )
=
−0
1
01
00
pg
gg
g
adalah vektor dari parameter nilai awal
Sekarang akan disederhanakan notasi:
( )( )
( ) ( )
( ) ( )( ) ( )00ˆ
0
00
00
,
,
gk
iik
kkk
ii
XfD
ggXff
=
∂
∂=
−=
=
θθ
θ
θβ
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
23
Hampiran deret Taylor ( ) ( )( ) ( ) ( )( )00
ˆ
1
0
0 ,,, g
XfgXfXf k
g
p
k k
iii −
∂
∂+≈
=
−
=∑ θ
θθ
θθ
untuk rata-rata respon pengamatan ke i notasinya akan disederhanakan menjadi
( ) ( ) ( ) ( )∑−
=
+≈1
0
000,p
kkikii DfXf βθ
Dan hampiran untuk model regresi nonlinier ( ) iii XfY εθ += , akan menjadi
( ) ( ) ( )i
p
kkikii DfY εβ ++≈ ∑
−
=
1
0
000
Dari bentuk diatas ( )0if digeser kekiri akan menjadi ( )0
ii fY − dengan akan
diperoleh pendekatan model regresi linier sebagai berikut:
( ) ( ) niDY i
p
kkiki ,,1
1
0
00 =+≈∑−
=
εβ
Karena ( ) ( )00
iii fYY −=
Maka akan didapat pendekatan didalam bentuk matriks seperti dibawah ini: ( ) ( ) ( )
( )
( )
( )
( )
( ) ( )
( ) ( )
( )
( )
( )
=
=
−
−=
+≈
−
×
−
−
×
×
01
00
1
0
01,
00
01,1
010
0
0
011
01
000
p
p
pnn
p
pn
nn
n
DD
DDD
fY
fYY
DY
β
ββ
εβ
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
24
Selanjutnya parameter ( )0β dapat ditaksir dari persamaan normal pada model
regresi linier sederhana dan diperoleh:
( ) ( ) ( )( ) ( ) ( )001000 '' YDDDb −=
Dimana ( )0b adalah vektor dari koefisien regresi kuadrat terkecil yang akan
ditaksir. Dan dapat digunakan untuk memperoleh taksiran parameter regresi
berikutnya dengan koefisien regresi ( )1kg .
( ) ( ) ( )001kkk bgg += .
Kriteria perhitungan kuadrat terkecil untuk koefisien regresi awal ( )0g dinotasikan
dengan
( ) ( )( )[ ]
( )( )2
1
0
2
1
00 ,
∑
∑
=
=
−=
−=
n
iii
n
iii
fY
gXfYSSE
Dari contoh sebelumnya dapat diselesaikan dengan iterasi Gauss Newton sebagai
berikut
Untuk lebih memudahkan pengiterasian dapat dilakukan dengan penerapan
matriks:
( )
( )( ) ( ) ( )( )( )( ) ( ) ( )( )( )( ) ( ) ( )( )( )( ) ( ) ( )( )( )( ) ( ) ( )( )
=
−−−
−−−
−−−
−−−
−−−
=×
2371,08946,03041,08262,03581,07135,03543,05276,01947,02212,0
expexp1
expexp1
expexp1
expexp1
expexp1
50
110
050
1
40
110
040
1
30
110
030
1
20
120
020
1
10
110
010
1
025
XgXgXgXgXgXgXgXgXgXgXgXgXgXgXg
D
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
25
( )( ) ( )
( ) ( )( )( )( )( )( )
( )( ) ( )
( ) ( )( )( )
( )( ) ( )
( ) ( )( )( )
( )( ) ( )
( ) ( )( )( )
( )( ) ( )
( ) ( )( )( )8946,0
exp1
,8264,0
exp1
,7153,0
exp1
,5276,0
exp1
,2212,0
25,01exp11exp1
,
50
10
0
05
05
40
10
0
04
04
30
10
0
03
03
20
10
0
02
02
01
00
01
01
=−−=
=
=−−=
=
=−−=
=
=−−=
=
=−−=
−−=
=
XggfgXf
XggfgXf
XggfgXf
XggfgXf
XggfgXf
i
Untuk : 28,0=iY maka penyimpangannya dapat dihitung sebagai berikut:
( ) ( ) 0588,02212,028,001
01 =−=−= fYY i
Sehingga vektor ( )0Y terdiri dari perbedaan antara pengukuran dan prediksi
model:
( )
( )
( )
( )
( )
( )
( ) ( )( )( )( ) ( )( )( )( ) ( )( )( )( ) ( )( )( )( ) ( )( )( )
−−−=
−−−−−
=
−−−
−−−
−−−
−−−
−−−
=
−
−
−
−
−
=×
1046,00862,00335,00424,00588,0
8946,079,08262,074,07153,068,05276,057,02212,028,0
exp1
exp1
exp1
exp1
exp1
50
10
05
40
10
04
30
10
03
20
10
02
10
10
01
055
044
033
022
011
015
XggYXggYXggYXggYXggY
fYfYfYfYfY
Y
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
26
Sehingga untuk semua data pengamatan akan didapat:
( ) ( )( )[ ]
( )( )( ) ( ) ( ) ( ) ( )
0247490,01046,00862,00335,00424,00588,0
,
22222
2
1
0
2
1
00
=−+−+−++=
−=
−=
∑
∑
=
=
n
iii
n
iii
fY
gXfYSSE
( ) ( )( ) ( ) ( )001000 '' YDDDb −=
( ) ( )
=
=
4404,09489,09489,03193,2
2371,08946,03041,08262,03581,07153,03543,05276,01947,02212,0
2731,03041,03581,03543,01947,08946,08262,07135,05276,02212,0
' 00 DD
( ) ( )( ) ( ) ( )
−
−=
−−
=−
1676,198421,78421,76397,3
3193,29489,09489,04404,0
9489,0.9489,04404,0.3193,21' 100 DD
( ) ( )( )
−−
=
−−−
=
0365,01533,0
1046,00862,00335,00424,00588,0
2731,03041,03581,03543,01947,08946,08262,07135,05276,02212,0
' 00 YD
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
27
Oleh karena itu:
( )
−=
−−
−
−=
50256923,027172936,0
0365,01533,0
1676,198421,78421,76397,30b
Maka akan diperoleh penaksiran kuadrat terkecil ( )1g :
( ) ( ) ( )
=
−+
=
+=
50256923,172826923,0
50256923,027172936,0
11
001 bgg
Dengan cara yang sama seperti diatas dapat diperoleh iterasi berikutnya sehingga
didapat iterasi yang menghasilkan galat yang paling minimum
Iterasi 0g 1g SSE
0 1,0000 1,0000 0,0247490
1 0,7282 1,5025 0,0243422
2 0,7911 1,6774 0,0006622
3 0,7921 1,6774 0,0006622
Dari hasil iterasi yang ketiga telah diperoleh iterasi yang konvergen, sehingga
itterasi dapat berhenti dan didapat MSE sebagai berikut:
0002206,025
000662,0
=−
=
−=
pnSSEMSE
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
28
Dengan menggunakan algoritma Marquardt, langkah awal yang dilakukan adalah
menentukan nilai awal yaitu 01
01
00 ,,, −pθθθ dan didalam pengiterasiannya notasi
nilai awal tersebut akan berubah menjadi 01
01
00 ,, −pggg , selanjutnya
menyelesaikan persamaan normal dari suatu model regresi nonlinier yang akan
ditaksir, setelah itu akan ditentukan nilai skalar dari setiap iterasi yang dinotasikan
dengan λ dimana 10 ≤< jλ dan biasanya nilai λ merupakan faktor dari 10. Dan
iterasi akan berhenti pada saat nilai iterasi tersebut sudah konvergen yaitu
εθθ ≤−+ kk 1 Persamaan iterasi ditulis sebagai berikut:
( ) ( ) ( )( ) ( )( )
θθθθλθθθθ
ˆ
11 'ˆ=
−+
∂∂
+−=SIDDt kn
nnn
nn
Pada proses iterasi notasi parameter yang ditaksir menjadi:
( ) ( ) ( )( ) ( )( ) ng
knnn
nnn
ggSIgDgDtgg
∂∂
+−=−+ 11 ' λ
Untuk lebih memahami metode Marquardt kemudian akan diselesaikan contoh
yang sebelumnya. Diambil nilai awal taksiran untuk model
( ) ( )( )ii XXf 10 exp1; θθθ −−= yang sama dengan nilai awal yang diberikan pada
metode Gauss Newton yaitu ( ) 00,100 =g dan ( )0
1g =1,00. Sehingga dapat diketahui
metode mana yang lebih efisien atau metode yang lebih cocok digunakan dalam
contoh ini. Nilai awal tersebut dapat digunakan untuk mencari nilai taksiran
berikutnya.
Dengan menggunakan persamaan iterasi diatas maka dapat dilakukan perhitungan
seperti dibawah ini. Dari matriks sebelumnya yaitu:
( ) ( )( )
=
4404,09489,09489,03193,2
' 00 DD
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
29
( ) ( )( )[ ]
( ) ( )( )[ ]
−
−=+
=
+
=+
−
1678,198421,78421,76397,3
'
4404,09489,09489,03193,2
1001
00001,04404,09489,09489,03193,2
'
100
00
kn
kn
IDD
IDD
λ
λ
( )( )( )( ) ( )( ) ( )( )
( )( ) ( )( ) ( )( )( )( ) ( )( )
( )( ) ( )( ) ( )( ) ( )( )( )( )
( )( )( )( ) ( ) ( ) ( )
( ) ( ) ( ){ }( ) ( ) ( ) ( ){ }
0365,0)9487,09122,0(0
5,4exp25,2exp25,25,0exp25,0exp25,0125,2exp77,175,0exp47,025,0exp07,00
02expexpexp
1533,0)3192,21659,2(0
25,2exp1
75,1exp125,1exp175,0exp125,0exp11
25,2exp179,075,1exp174,025,1exp168,075,0exp157,025,0exp128,0
0
0exp1exp1
11011
1
2
2222
21010
0
=−−=
−−−++−−−−−++−+−−=
=−−−−−=
∂∂
=−−=
−−+
−−+−−+−−+−−−
−−+−−+−−+−−+−−
−=
=−−−−−=
∂∂
∑∑
∑∑
iiiiii
iii
XgXgXgXgXYggS
XggXgYggS
( ) ( )[ ]( )( )
( )
−
=
−
−=
∂∂
+−
50256923,027172936,0
0365,01533,0
1369,198421,78421,76397,3
' 100n
n
kn ggSIDD λ
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
30
Sehingga akan didapat: ( )
( )
=
−
−
=
50256923,172826923,0
50256923,027172936,0
11
10
10
gg
( )( )[ ]
( )( )( ) ( ) ( ) ( ) ( )
0247490,01046,00862,00335,00424,00588,0
,
22222
2
1
0
1
0
=−+−+−++=
−=
−=
∑
∑
=
=
n
iii
n
iii
fY
gXfYSSE
( )
( )
( )
( )
( )
( ) ( )( )( )( ) ( )( )( )( ) ( )( )( )( ) ( )( )( )( ) ( )( )( )
−−−=
−−−−−
=
−−−
−−−
−−−
−−−
−−−
=
−
−
−
−
−
1046,00862,00335,00424,00588,0
8946,079,08262,074,07153,068,05276,057,02212.028,0
exp1
exp1
exp1
exp1
exp1
51
11
05
41
11
04
31
11
03
21
11
02
11
11
01
15151
1414
133
122
111
XggYXggYXggYXggYXggY
fYfYfYfYfY
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
31
Dengan cara yang sama diatas dapat diperoleh iterasi berikutnya sehingga didapat
iterasi yang menghasilkan galat yang paling minimum dan menjadi konvergen
kenilai 0,001 yaitu sebagai berikut:
Iterasi 0g 1g SSE
0 1,0000 1,0000 0,0247490
1 0,7282 1,5025 0,0243422
2 0.7911 1,6774 0,0006622
3 0,7921 1,6774 0,0006622
Dari penyelesaian dengan dua metode ditatas dapat diketahui bahwa dengan
metode Marquardt dan metode Gauss Newton sama-sama menghasilkan galat
yang paling minimum pada iterasi yang ketiga.
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
BAB 4
KESIMPULAN DAN SARAN
4.1 KESIMPULAN
Dari analisa yang dilakukan didapat bahwa metode Marquardt dan metode Gauss
Newton dapat menyelesaikan penaksiran parameter dalam kasus nonlinier dan
kedua metode itu menghasilkan jumlah kuadrat galat ke nilai yang paling
minimum. Metode Marquardt telah dikembangkan untuk mengatasi kekurangan
kekurangan yang terdapat dalam Metode Gauss Newton seperti kekonvergenan
yang mungkin melambat dan kemungkinan berosilasi secara lebar. Dan dalam
masalah-masalah yang praktis kedua metode lainnya dapat diterapkan sama
baiknya seperti Metode Marquardt.
4.2 SARAN
Dalam tulisan ini penulis hanya membahas tentang penaksiran parameter regresi
non linier model eksponensial dengan operasi turunan pertama yaitu metode
Marquardt dan metode Gauss Newton. Bagi para pembaca yang tertarik untuk
mengembangkan penelitian ini dapat menyelesaikan penaksiran parameter regresi
nonlinier dengan metode lainnya misalnya dengan menggunakan operasi turunan
kedua dan dengan model yang lain.
Sridewi Nainggolan : Perbandingan Metode Marquardt Compromise Dan Metode Gauss Newton Dalam Penaksiran Parameter Regresi Nonlinier, 2010.
33
DAFTAR PUSTAKA
Ananth Ranganathan, The Levenberg- Marquardt, 2004
(Jurnal, diakses 20 April2009)
Chapra. C. Steven and Canale. P. Raymond. 1988. Metode Numerik. Pt Gramedia
Pustaka Utama, anggota IKAPI, Jakarta.
Danapriatna, Nana dan Setiawan Rony. 2005. Pengantar Statistika. Penerbit
Graha Ilmu, Yogyakarta.
Draper, N.R. and Smith, H. 1966. Analisis Regresi Terapan. Pt Gramedia Pustaka
Utama, anggota IKAPI, Jakarta.
Davidian, M.1966. Nonlinear Regression. New York.
Gallant, A. Ronald. 1942. Nonlinear Statistical Models. New York:
Jhon Wiley & Son
Mohammad Ehsanul Karim, Nonlinear Models, University of Dhaka.
(Jurnal, diakses 28 Maret 2009)
Neter, Jhon and Wasserman, William. 1985. Applied Linear Statistical Models.
Printed in the United States of America.
Sanjoyo, Nonlinear estimation, 2006 ( Jurnal, diakses 28 Maret 2009)
Soelistiyo. 2001. Dasar-Dasar Ekonometrika. Yogyakarta:BPPE.
Supranto,J .1981. Statistik Teori dan Aplikasi. Erlangga. Jakarta