Berdasarkan Tabel 4.3 menunjukkan bahwa nilai
MSE
dan
GCV
yang minimum untuk model
spline
linier dengan dua titik knot masing-masing sebesar 0,760617 dan 1,188464 yang berada pada titik knot
K
1
= 18 dan
K
2
=48. Estimasi model regresi
spline
linier dengan dua titik knot dapat disajikan pada Tabel 4.4. Tabel 4.4. Estimasi Model Regresi
Spline
Linier dengan Satu Titik Knot
Parameter Estimasi
274,38 2,852
-2,3082 -0,8153
Sehingga diperoleh estimasi model regresi
spline
linier dengan dua titik knot
K
1
= 18 dan
K
2
=48 yaitu:
Estimasi model regresi
spline
linier dengan dua titik knot dapat disajikan pula dalam bentuk fungsi sepenggal
truncated
sebagai berikut:
4.2.3 Pemilihan Model Regresi
Spline
Linier Terbaik
Dari kedua hasil
trial error
diambil knot yang optimum yang memiliki nilai
MSE
dan
GCV
minimum. Nilai
MSE
dan
GCV
minimum untuk satu dan dua titik knot disajikan pada Tabel 4.5.
Tabel 4.5. Titik Knot Optimum Satu dan Dua Titik Knot
Jumlah Knot Titik Knot
MSE GCV
1 28
9,351772 12,94363
2 18
48 0,760617
1,188464
Berdasarkan Tabel 4.5 didapat titik knot
K
yang paling optimal dengan nilai
MSE
dan
GCV
minimum masing-masing sebesar 0,760617 dan 1,188464 terletak pada
K
1
= 18 dan
K
2
= 48, sehingga model terbaik adalah model regresi
spline
linier dengan dua titik knot sebagai berikut:
dengan fungsi sepenggalnya
truncated
:
Model regresi
spline
linier dengan dua titik knot ini memiliki nilai koefisien determinasi R
2
sebesar 0,995. Hal ini berarti bahwa variabel bebas pemberian waktu tertentu mampu menerangkan sebesar 99,5 terhadap
perubahan tegangan
output
sensor polimer.
4.2.4 Pengujian Model Regresi
Spline
Linier Terbaik
Uji hipotesis untuk pemeriksaan model digunakan uji simultan, dengan rumus hipotesis sebagai berikut:
H :
variabel bebas tidak mempengaruhi variabel terikat H
1
: , paling tidak ada satu j di mana
dengan : H ditolak jika F
hitung
≥ F
tabel
, berarti H
1
diterima H
1
ditolak jika F
hitung
F
tabel
, berarti H diterima
dengan menggunakan
software
SPSS 16.0 dilakukan analisis variansi dan didapatkan hasil sebagai berikut:
Tabel 4.6. Analisis Variansi Model
Spline
Linier Dua Titik Knot
Sumber Variasi
Derajat Bebas
Jumlah Kuadrat
Rata-Rata Jumlah Kuadrat
F-hitung
Regresi 3
3259,588 1086,529
1142,788 Residual
16 15,212
0,951 Total
19 3274,800
Tabel 4.6 menunjukkan bahwa H ditolak pada taraf nyata
karena statistik uji F
0,05,3,16
atau F
hitung
≥ F
tabel
. Berarti model regresi
spline
linier dengan dua titik knot knot ke-18 dan 48 terdapat minimal satu koefisien regresi
yang memberikan pengaruh terhadap model dan cukup memadai sebagai model pendekatan untuk data pengaruh waktu terhadap tegangan
output
sensor polimer.
Sedangkan untuk mengetahui bahwa
error
random berdistribusi normal atau tidak, maka digunakan uji Kolmogorov-Smirnov sebagai uji asumsi dengan
hipotesis sebagai berikut: H
:
error
random berdistribusi normal H
1
:
error
random tidak berdistribusi normal dengan menggunakan
. Dari hasil
output software
SPSS 16.0 diperoleh nilai
Asimp. Sig 2-tailed
sebesar
level of signifikan
. Jadi H diterima dan H
1
ditolak. Berarti
error
random berdistribusi normal. Plot
normalitas
error
random disajikan dalam Gambar 4.2.
Gambar 4.2. Plot Normalitas Residual
4.2.5 Interpretasi Model Regresi
