�ݺ�ߣ

MODEL REGRESI NON LINEAR
DAN UJI DETEKSI HUBUNGAN NONLINEAR
Azwar Rhosyied1 – 1305 100 054
Saudi Imam Besari2 – 1306 100 046
Arisman Wijaya3 – 1306 100 042
1

rhosyied54@gmail.com, 2e_saudi@ymail.com , 3arin_mathlover@yahoo.co.id

Abstract
In our living, there are many data doesn’t has linear pattern. So it is fit to using non
linear model to solving it. The purpose of this research is applying non linear
regression model for three cases using SPSS, SAS and R software. The best model
for the first case is adalah Yt = 81,84 + 102,40 exp(−t/203,19) + ε .

29,4v
+ ε is the model for the second case. All software has the same
w − 2,22
result in estimating parameter for this model. For the third case, we use the newest
model, Nelson Siegel (N-S) and Nelson Siegel Svensson (N-S-S) model with yield
curve data. The result for each model is YTM = 0.133 - 0.031* exp( - TTM / 2.265) –
0.014*exp((TTM /2.265) * exp( - TTM / 2.265)) expecially for N-S model, YTM =
0.647 + 0.4*exp( -TTM / 0.601) – 0.087* ((TTM / 0.601) * exp(TTM /0.601)) + 0.004 *
(( -TTM / 0.545) * exp( - TTM / 0.545)) expecially for N-S-S model.
T =

Keywords : Nelson Siegel, stormer viscometer, model non linear, yield curve

1. Pendahuluan
Peristiwa di sekitar sering merupakan kejadian yang dapat dimodelkan
dengan persamaan regresi. Berdasarkan hubungan kelinearan antar parameter
dalam persamaan regresi, model regresi mempunyai dua bentuk hubungan
kelinearan yaitu regresi linear dan regresi nonlinear. Seringkali kejadian dalam
kehidupan sehari-hari lebih sering merupakan pola model regresi nonlinear. Untuk
itu dalam makalah ini akan dibahas mengenai model regresi nonlinear. Beberapa
penelitian yang menggunakan regresi non-linear diantaranya oleh Miconnet,
Geeraerd, Impe, Roso, dan Cornu (2005) yaitu memodelkan produksi padi dengan
least square non-linear dalam permodelan kurva pertumbuhan dalam produksi.
Dalam makalah ini sebagai studi kasus adalah data tentang program
penurunan berat badan yang diikuti oleh seorang pasien laki-laki. Data kedua
adalah data the stromer viscometer dan data tentang yield curve. Proses untuk
mendapatkan model nonlinear pada penelitian ini digunakan software SPSS, SAS
dan R, sehingga dapat membandingkan hasil output dari ketiga software tersebut.

2. Tinjauan Pustaka
Pada bagian ini dibahas mengenai metode dan beberapa teori yang
mendukung untuk pengerjaan analisis hubungan non-linear.

1

2.1 Uji Deteksi Non-linear dengan Uji Ramsey’s RESET, Uji White dan
Uji Terasvirta
Uji Ramsey’s RESET, Uji White dan Uji Terasvirta untuk mendeteksi apakah
suatu model mengikuti pola linear atau non-linear tersedia dalam software R.
Statistik uji Ramsey’s RESET adalah (Lihat pembahasan lengkap di Gujarati, 1996).

F=

2
2
(Rnew − Rold ) / p
2
(1 − Rnew ) / (n − k)

(1)

dengan p jumlah variabel independen baru, k jumlah parameter pada model baru, n
jumlah data. Kesimpulanya Ho ditolak bila F > F(α,p,n-k)
Uji White adalah uji deteksi non-linearitas yang dikembangkan dari model
neural network yang ditemukan oleh White (1989). Uji white menggunakan statistik
χ2 dan F. Prosedur yang digunakan untuk χ2 adalah :
a. Meregresikan yt pada 1, x1, x2, …, xp dan menghitung nilai-nilai residual ut .
ˆ
b. Meregresikan u t pada 1, x1, x2, …, xp dan m prediktor tambahan dan
kemudian hitung koefisien determinasi dari regresi R2. Dalam uji ini, m
'
prediktor tambahan ini adalah nilai-nilai dari hasil dari ψ(γ j wt ) hasil dari
suatu transformasi komponen utama.
c. Hitung χ2 =nR2, dimana n adalah jumlah pengamatan yang digunakan.
2
Dengan hipotesis linearitas, χ2 mendekati distribusi χ( m ) atau tolak Ho
jika P-value < α.
Uji Terasvirta adalah uji deteksi non-linearitas yang juga dikembangkan dari
model neural network dan termasuk dalam kelompok uji tipe Lagrange Multiplier
(LM) yang dikembangkan dengan ekspansi Taylor (Terasvirta, 1993). Pengambilan
kesimpulan ketiga uji tersebut dapat dilihat melalui nilai P-value, yaitu tolak Ho jika
kurang dari α .

2.2 Model Regresi Non-linear Parametrik
Berdasarkan kelinearan antar parameter pada model regresi, maka suatu
model regresi dapat diklasifikasikan menjadi dua macam yaitu model linear dan
non-linear. Model regresi dikatakan linear jika dapat dinyatakan dalam model :
y = β0 + β1 x1+β2 x2 + β3 x3 + ... + βk xk + ε
(2)
Apabila model tidak dapat dinyatakan dalam model tersebut maka model yang
diperoleh adalah model non-linear. Secara umum model regresi non-linear
parametrik dengan
sebagai variabel respon pada replikasi sebanyak
dan
setiap nilai
merupakan variabel independen.dapat dinyatakan dalam persamaan
(Ripley, 2002) :
(3)
Yij = f ( xi , θ) +εij
dengan f adalah fungsi regresi dengan parameter θ yang harus diduga dan adalah
galat dengan sifat N(0,α). Salah satu metode pendugaan parameter dalam sistem
non-linear adalah jalan tengah Marquardt (Marquadt’s compromise). Metode
Marquardt merupakan kompromi atau jalan tengah antara metode linearisasi atau
deret Taylor dengan metode steepest descent (Draper & Smith, 1996).

2

2.3 Model Nelson Siegel (N-S) dan Nelson Siegel Svensson (N-S-S)
Tahun 1987, Nelson dan Siegel menunjukkan yield curve dari model yang
terletak pada bentuk range yang sama. Model N-S dan N-S-S merupakan
pendekatan untuk mendapatkan model yield curve. Model N-S dinyatakan dalam
persamaan sebagai berikut
 m 
 m
 m 
γˆ ( m ) = β 0 + β1 exp −  + β 2 exp   exp − 
(4)
 τ 
 τ 
 τ 

dengan γ ( m ) adalah nilai yield to maturity (YTM yang )merupakan yield dengan
pendekatan forward rate pada maturitas m atau time to maturity (TTM). Sedangkan
parameter τ merupaka konstanta waktu dari belokan kurva dan parameter β
0
menunjukkan nilai asimtotik atau konstanta, serta β dan β2 merupakan
1
parameter yang menunjukkan arah lengkungan dari kurva.
Sedangkan model N-S-S berikut merupakan pengembangan dari model N-S
dengan penambahan parameter β dan τ3 yang digunakan untuk menambah
3
fleksibilitas kurva (Amoako et al, 2005).
 m 
 m 
 m
 m 
 m 
γˆ ( m ) = β 0 + β1 exp −  + β 2 exp   exp −  + β 3   exp −  (5)
 τ 
τ 
 τ 
τ 
 τ 
 1
 1 
 2 
 1 
 2 

3. Metodologi Penelitian
Dalam penelitian ini digunakan tiga jenis data. Masalah pertama adalah data
mengenai program penurunan berat badan yang diikuti oleh pasien laki-laki dengan
variabel prediktor adalah hari (t) dan berat badan dalam kg (yt) sebagai variabel
respon. Data kedua mengenai The Stormer Viscometer dengan viscosity (v) dan
berat fluida (w) sebagai variabel prediktor dan waktu (T) sebagai variabel respon.
Ketiga adalah data mengenai transaksi perdagangan obligasi pemerintah pada
periode 6 April 2009 dengan variabel prediktor adalah time to maturity (TTM) dan
variabel respon adalah yield to maturity (YTM).
Proses penglahan data digunakan software SPSS, SAS dan R dengan
langkah-langkah sebagai berikut :
1. Melakukan identifikasi hubungan non-linear dengan Uji Ramsey’s RESET,
Uji White dan Uji Terasvirta pada software R. Untuk kasus pertama sintak uji
linearitas adalah sebagai berikut.
>library(lmtest)
> resettest(y.t. ~ t , power=2,
type="regressor", data=kasus1)
> library(tseries)
> t<- kasus1$t
> y.t.<-kasus1$y.t.
> white.test(t, y.t.)
> terasvirta.test(t, y.t.)

3

kasus kedua sintak R adalah sebagai berikut :
> library(lmtest)
> resettest(t ~ v+w , power=2, type="regressor",
data=kasus2)
> library(tseries)
> t <- kasus2$t
> v <-kasus2$v
> w <-kasus2$w
> x.all <- cbind(v,w)
> white.test(x.all, t)

sedangkan untuk kasus ketiga sintak yang digunakan adalah sebagai
berikut,
>library(lmtest)
> resettest(ytm ~ ttm , power=2,
type="regressor", data=kasus3)
> library(tseries)
> y<- kasus3$ytm
> x<-kasus3$ttm
> white.test(x,y)

3. Memodelkan data kasus 1 dengan pemodelan non-linear, kuadratik dan
kubik.
Model non-linear yang diberikan adalah (Ripley, 2002) :
Yt = β0 + β1 exp(−t/θ) +

ε

Identifikasi awal penaksiran parameter β00, β10, dan θ0 yaitu :
a. Melakukan regresi kuadratik antara variabel hari (t) sebagai prediktor
dan berat dalam kg (Yt) sebagai respon. Sehingga didapatkan nilai fitted
ˆ
value yi . Model kuadratik tersebut :
Yt = β0* + β1*t + β2*t2 +

ε

b. Memilih tiga data secara berurutan xo, x1, x2 dari n data yang memiliki
ˆ
ˆ
ˆ
selisih sama ( δ ). Sehingga didapatkan y 0 , y1 , dan y 2 .
θ dengan rumus :
c. Menentukan nilai 0

θ0 =

δ
ˆ
ˆ
 y − y1 
log o
y −y 

 ˆ1 ˆ 2 

d. Menentukan β00 dan β10 dengan meregresikan Yt sebagai respon dengan
exp(-t/ θ ) sebagai prediktor.
0

4

Makro penaksiran parameter dengan SAS :
title 'Non linear regression';
data kasus1;
input t y;
datalines;
0
185





249
111;
proc model data=kasus1;
y = bo+b1*exp(-t/teta);
fit y start=(bo -67.501 b1 246.022
teta 729.464)/out=resid outall;
run;
proc print kasus1=resid;
run;

Makro penaksiran parameter dengan R :
kasus1<-nls(y.t.~beta0+beta1*(exp(-t/teta)),data=kasus1,
start=list(beta0= -67.51, beta1= 246.022, teta= 729.5), trace=TRUE)

Menghitung eksplorasi data dengan t>250 yaitu dimulai dari t=251 hingga
t=356. Setelah itu membadingkan antar model non-linear, kuadratik maupun
kubik.
4. Melakukan permodelan data studi kasus kedua dengan permodelan regresi
non-linear. Model non-linear adalah :

T=

β 1v
+ε
w − β2

Identifikasi awal penaksiran parameter β10 dan β20 dengan melakukan
pembentukan model baru dari model tersebut, sehingga menjadi :
wT = β10 v + β20T + ( w − β20 )ε

Makro SPSS untuk mendapatkan nilai awal
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/ORIGIN
/DEPENDENT wT
/METHOD=ENTER v T .

5

Makro SPSS mendapatkan penaksiran parameter
* NonLinear Regression.
MODEL PROGRAM b1=28.876 b2=2.844 .
COMPUTE PRED_ = b1 * v / (w - b2).
NLR T
/OUTFILE='C:DOCUME~1X2LOCALS~1Tempspss2360SPSSFNLR.TM
P'
/PRED PRED_
/SAVE PRED

Makro penaksiran parameter dengan SAS
data kasus2;
input w v T;
label w='weight' v='viscosity' T='Time';
datalines;
20
14.7
35.6
20
27.5
54.3







100
161.1
45.1
100
298.3
89
100
298.3
86.5
;
proc nlin data=kasus2 method=MARQUARDT;
parms b10=28.9 b20=2.84;
model T=b10*v/(w-b20);
run;

Makro Penaksiran parameter dengan R
> fm <- nls(T~ b1*v/(w-b2), start=list(b1=28.9,
b2=2.84), data=kasus2, trace=TRUE)
> summary(kasus2)

5. Melakukan permodelan data studi kasus keetiga dengan permodelan nonlinear Nelson Siegel (N-S) dan Nelson Siegel Svensson (N-S-S) dengan
tahapan sebgai berikut.
a. Penentuan nilai awal berdasarkan penelitian oleh Amoako (2002),
b0=7.41 b1=-5.41 b2=-5.03 b3=-4.43 t1=0.44 dan t2=1.38.
b. Membagi data training dan testing masing-masing sebanyak 100 dan 32
data sampel dan memodelkan NS dan NSS berdasarkan nilai awal.
c. Menghitung nilai RMSE untuk masing-masing data training dan testing.
d. Memodelkan keseluruhan data dengan model NS dan NSS berdasarkan
nilai awal yang sudah ada.

6

Makro SAS dalam penentuan nilai parameter model N-S
data kasus3;
input X Y;
label X='TTM' Y='YTM';
datalines;
0.0833
0.075
0.1918
0.1056





18.874
0.1275;
parms b0=7.41 b1=-5.41 b2=-5.03 t1=0.44;
model Y=b0 + b1 * EXP( - X / t1) + b2 *EXP((X /t1) *
EXP( - X / t1));
run;

Makro SAS dala, penentuan penaksiran parameter model N-S-S
data kasus3;
input X Y;
label X='TTM' Y='YTM';
datalines;
0.0833
0.075
0.1918
0.1056





18.874
0.1275;
parms b0=7.41 b1=-5.41 b2=-5.03 b3=-4.43 t1=0.44
t2=1.38;
model Y= b0 + b1*exp(-X/t1)+b2*((X/t1)*exp(X/t1))+
b3*((-X/t2)*exp(-X/t2));
run;

4. Hasil analisa data dan pembahasan
Hasil analisis pengujian deteksi hubungan non-linear dan regresi non-linear
adalah sebagai berikut :

4.1 Pengujian Deteksi Hubungan Non-linear
Pengujian hubungan non-linear dengan uji Ramsey’s RESET, uji White dan
uji Terasvirta (dengan uji Chi-Square) pada software R yaitu :
Tabel 1 Pengujian Deteksi Hubungan Non-linear
Data Studi Kasus
1
2
3

Ramsey’s RESET
714.1839
2.2e-16*
7.6107
0,0004*
42.3412
1.544e-09*

Keterangan : (*) nilai P-value

7

White
199.7347
2.2e-16*
11.2577
0,0036*
55.1889
1.037e-12*

Terasvirta
210.1889
2.2e-16*
91.3249
2.2e-16*
53.9386
1.938e-12*

Dari Tabel 1 di atas dapat diketahui bahwa uji Ramsey’s RESET, Ehite dan
Terasvirta menunjukkan hasil bahwa semua data untuk tiap kasus mengikuti bentuk
model non-linear .

4.2Model Non-linear Studi Kasus Pertama
Pembentukan model non-linear dimulai dengan penaksiran awal parameter
yang akan digunakan. Dari persamaan kuadratik Yt = 183.3 − 0.454t + 0.001t 2 + ε
diperoleh tiga data secara berurutan dengan δ =3 :
ˆ
xo=27 , y 0 = 171.51
ˆ
x1=30 , y1 = 170.26
ˆ
x2 =33, y 2 .= 169.03

Sehingga didapatkan θ = 428.27, β00 = 17.97 dan β10 = 162.13. Kemudian
00
dilanjutkan dengan pembentukan model non-linear dengan software SPSS, R dan
SAS dengan parameter awal β0 = 17.97 dan β1 = 162.13.

Software
SPSS
R
SAS

Tabel 2 Model Non-linear pada SPSS, R dan SAS
Model
R2
Yt = 81,84 + 102,40 exp(−t/203,19) + ε
99,8 %
ε
Yt = 81,84 + 102,40 exp(−t/203,19) +
Yt = 81,84 + 102,40 exp(−t/203,19) + ε
99,8 %

Dengan Tabel 2 di atas dapat diketahui bahwa model dan koefisien
determinasi (R2) yang diperoleh sama. Dengan estimasi parameter β0 = 81,84, β1 =
102,4 dan θ = 278,783. Parameter hari(t) tersebut terbukti signifikan berpengaruh
0
dalam model karena P-value kurang dari α = 0,05. Koefisien determinasi yang
tinggi sebesar 99,8 % menunjukkan bahwa variabel hari mampu menerangkan
penurunan berat badan yang diikuti seorang pasien laki-laki tersebut sebesar 99,8
% yang berarti waktu (hari) sangat berpengaruh terhadap penurunan berat badan.
Bila menggunakan metode regresi polinomial kuadratik maka diperoleh
persamaan seperti pada pembentukan awal parameter, yaitu Yt = 183,3 - 0,4542t +
0,000684t2 + ε dengan koefisien determinasi 99,7 %. Dan regresi polynomial kubik
yaitu Yt = 184.5 – 0,5133t + 0,001281t 2 – 0,000002t3 dengan koefisien determinansi
99,8 %. Berikut adalah perbandingan fitted value pada model non-linear, kuadratik
dan kubik.
Scat t er pl ot of yhat _ quad, yhat _ cub, yhat _ non v s t
180

Y- Dat a

160

140

120
Variable
y hat_quad
y hat_cub
y hat_non

100

0

50

100

150
t

200

250

Gambar 1 Plot Ekstrapolasi Data

8

300

Dari Gambar 1 di atas disimpulkan bahwa model non-linear adalah pilihan
model terbaik, karena memperlihatkan hubungan hari dan berat badan yang sama
dengan data pembentukan modelnya yaitu semakin besar hari maka berat badan
akan semakin menurun. Hal ini juga didukung oleh nilai koefisien determinansi 99,8
% yang besar.

4.3Model Non-linear Studi Kasus Kedua
Studi kasus kedua tentang the stormer viscometer untuk mendapatkan
model hubungan viscositas(v) dan berat fluida(w) terhadap waktu(T). Pembentukan
identifikasiawal penaksiran parameter melalui model wT = 28,9v + 2,84 + ( w − β 2 )ε
. Kemudian dilanjutkan dengan pembentukan model non-linear dengan software
SPSS, R dan SAS dengan parameter awal β1 = 28,9 dan β2 = 2,84.
Tabel 3 Model Non-linear dengan
SPSS, R dan SAS
Software
SPSS

Model
29,4v
T =
+ε
w − 2,22

R2
99,17 %

R

T =

29,4v
+ε
w − 2,22

-

SAS

T =

29,4v
+ε
w − 2,22

99,17 %

Dari Tabel 2 di atas nilai penaksir parameter dan koefisien determinasi
keluaran SPSS, R dan SAS sama, dengan estimasi parameter β1=29,4 dan β2=2,22
dan R2 = 99.17%. Koefisien determinasi yang tinggi menunjukkan bahwa variabel
viskositas dan berat fluida sangat berpengaruh terhadap waktu.

4.4Model Non-linear Nelson Siegel (N-S) dan Nelson Siegel Svensson
(N-S-S)
Untuk mendapatkan hasil model yang terbaik maka perlu dilakukan validasi
dengan membagi data in sampel dan out sample kemudian menghitung nilai RMSE
dan membandingkannya.
Tabel 4 RMSE in sample dan out sample
Model
N-S
N-S-S

RMSE
In sample
Out sample
0.0029
0.0107
0.0029
0.0108

Dari Tabel 4 di atas dapat diketahui nilai RMSE terkecil adalah pada data in
sample untuk model N-S maupun N-S-S, yaitu 0.0029.
Berikut adalah perbandingan hasil pemodelan dengan menggunakan data
secara keseluruhan.

9

Tabel 5 Perbandingan hasil penaksir parameter model N-S dan N-S-S
Model N-S
SPSS
SAS
R
Model N-S-S
SPSS
SAS
R

b0
0.133

b1
-0.031
-0.0266
b1
4
-0.3485
-

0.0897

b0
0.647
0.4353

-

b2
-0.014
0.0246
b2
-0.087
0.0236
-

b3
b3
0.004
31597
-

t1
2.265
7.0108
t1
0.601
15.294
-

t2
t2
0.545
1904380
-

R2
56.50%
-

R2
55.50%
-

Dari Tabel di atas dapat diketahui bahwa ada perbedaan hasil penaksiran
parameter dengan menggunakan software SPSS dan SAS. Sedangkan software R
tidak mampu menghasilkan output yang diinginkan dengan menggunakan model NS dan N-S-S. Nilai koefisien determinasi model N-S lebih besar daripada model N-SS, yakni 56.5%, sehingga model N-S merupakan model terbaik untuk data yield
curve tanggal 6 April 2009.
Pada model N-S software SPSS mengiterasi model dengan iterasi sebanyak
20, sedangkan SAS sebanyak 23. sedangkan model N-S-S, iterasi SPSS lebih
banyak dibandingkan iterasi yang dilakukan oleh SAS, yaitu 260.
Scat t er pl ot of YTM, Pr ed_ NS, Pr ed_ NSS v s TTM
0.14
0.13

Y- Dat a

0.12
0.11
0.10
0.09

Variable
YTM
Pred_NS
Pred_NSS

0.08
0.07
0

5

10
TTM

15

20

Gambar 2 Grafik Perbandingan Data YTM,
Predicted Model N-S dan N-S-S

Dari Gambar 2 di atas secara visual dapat diketahui hasil prediksi model N-S
dan N-S-S mengikuti pola data YTM.

5. Kesimpulan
Berdasarkan hasil analisis dan pembahasan dapat diambil beberapa
kesimpulan sebagai berikut :
1. Data kesehatan suatu program penurunan berat badan yang diikuti seorang
pasien laki-laki dan data tentang the stormer viscometer lebih mengikuti
bentuk model non-linear dibandingkan model kuadratik maupun kubik.

10

Iterasi
20
23
Iterasi
260
100
-

2. Model terbaik pada studi kasus pertama adalah model non-linear Yt = 81,84
+ 102,40 exp(−t/203,19) + ε dengan koefisien determinansi 99,8 %.
3. Model non-linear

studi kasus kedua adalah T =

29,4v
+ε
w − 2,22

dengan

koefisien determinansi (R2) 99,17 %.
4. Software SPSS dan SAS memberikan hasil berbeda dalam menaksir
parameter model N-S dan N-S-S, sedangkan software R tidak bisa
menghitung taksiran parameter model N-S dan N-S-S

Daftar Pustaka
Gujarati, D.N. (1996). Basic Econometrics. 5th edition, McGraw Hill International,
New York.
White, H. 1989.An additional hidden unit test for neglected nonlinearity in multilayer
feedforward networks. In Proceedings of The International Joint Conference
on Neural Networks, Washington, DC (pp. 451‐455). San Diego, CA: SOS
Printing.
Terasvirta, T., Lin, C.F.,&Granger, C.W.J.1993.Power of the neural network linearity
test. Journal of Time Series Analysis, 14, 159–171.
Drapper, N.,R.,& Smith, H.1996. Applied Regression Analysis, 2nd edition. New
York: John Wiley & Sons. Chapman and Hall.
Venables, W., & Ripley, B. 2002. Modern Applied Statistics with S (4th ed.). New
York: Springer.

11

�ݺ�ߣ

Model regresi-non-linear

Recommended

More Related Content

What's hot (20)

Viewers also liked (20)

Similar to Model regresi-non-linear (20)

Model regresi-non-linear