Plot Antara Variabel Terikat dan Variabel Bebas Estimasi Regresi

4.2 Menerapkan Model

Spline pada Data Simulasi untuk Estimasi Pola Hubungan Variabel Terikat dan Variabel Bebas Untuk menguji rumus-rumus dalam menentukan model regresi spline linier terbaik yang telah dipaparkan sebelumnya, maka diperlukan data dalam pengolahannya. Data yang digunakan adalah data sekunder yang diperoleh dari Laboratorium Terpadu Departemen Fisika Universitas Sumatera Utara, yakni pengaruh lama waktu menit yang diberikan sebagai variabel bebas terhadap perubahan tegangan output sensor polimer mv sebagai variabel terikat.

4.2.1 Plot Antara Variabel Terikat dan Variabel Bebas

Penyebaran data pengaruh lama waktu menit yang diberikan sebagai variabel bebas terhadap perubahan tegangan output sensor polimer mv sebagai variabel terikat dapat dilihat dari bentuk pola yang disajikan pada Gambar 4.1. Gambar 4.1. Plot Pengaruh Waktu menit Terhadap Tegangan mv Berdasarkan Gambar 4.1 terlihat bahwa pola data mengalami kecenderu- ngan naik secara tajam pada menit pertama menit ke-5 sampai ke-25. Namun, pada menit selanjutnya pola data mengalami kenaikan dan penurunan yang tidak signifikan bila dibandingkan dengan beberapa menit pertama, meskipun penurunan pola data terjadi hingga menit terakhir dan terdapat data yang konsisten di beberapa menit. Hal ini menunjukkan bahwa, ada kecenderungan perubahan waktu terhadap tegangan output sensor polimer untuk membentuk pola tertentu.

4.2.2 Estimasi Regresi

Spline Linier Dicobakan model spline linier dengan satu titik knot adalah: Uji coba yang dilakukan dalam mencari titik knot menghasilkan titik knot optimal yang bersesuaian dengan nilai MSE dan GCV minimum untuk model spline linier dengan satu titik knot diberikan dalam tabel berikut: Tabel 4.1. Ringkasan Nilai MSE dan GCV untuk Satu Titik Knot No Titik Knot MSE GCV 1 26 9,898791 13,70075 2 27 9,360139 12,95521 3 28 9,351772 12,94363 4 29 9,758915 13,50715 5 31 10,068514 13,93566 Berdasarkan Tabel 4.1 menunjukkan bahwa nilai MSE dan GCV yang minimum untuk model spline linier dengan satu titik knot masing-masing sebesar 9,351772 dan 12,94363 yang berada pada titik knot K 1 = 28. Estimasi model regresi spline linier dengan satu titik knot dapat disajikan pada Tabel 4.2. Tabel 4.2. Estimasi Model Regresi Spline Linier dengan Satu Titik Knot Parameter Estimasi 281,4679 2,0891 -2,2178 Sehingga diperoleh estimasi model regresi spline linier dengan satu titik knot K 1 = 28 yaitu: Estimasi model regresi spline linier dengan satu titik knot dapat disajikan pula dalam bentuk fungsi sepenggal truncated sebagai berikut: Kemudian dicobakan model spline linier dengan dua titik knot adalah: Titik knot optimal yang bersesuaian dengan nilai MSE dan GCV minimum untuk model spline linier dengan dua titik knot diberikan dalam tabel berikut: Tabel 4.3. Ringkasan Nilai MSE dan GCV untuk Dua Titik Knot No Titik Knot MSE GCV 1 18 57 0,820099 1,281405 2 18 48 0,760617 1,188464 3 18 49 0,767362 1,199004 4 18 51 0,881851 1,377892 5 18 52 0,994521 1,553939 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