Tugas Laporan.pdf
-
Upload
tirulah-saya-tisa -
Category
Documents
-
view
33 -
download
6
Transcript of Tugas Laporan.pdf
-
Tugas Laporan
Pemodelan Statistika
PEMODELAN OKSIDASI AMONIAK MENJADI ASAM
NITRAT YANG BERDISTRIBUSI POISSON DENGAN
MENGGUNAKAN METODE GLM (GENERALIZED LINEAR
MODEL)
OLEH
ANDI FABIOLA AWALET
H 121 12 013
PRODI STATISTIKA
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDIN
MAKASSAR
2015
-
1
Abstrak
Regresi Poisson merupakan penerapan dari generalized linear model (GLM) yang
menggambarkan hubungan antara variabel respon data diskrit berdistribusi Poisson
dengan variabel prediktor . Distribusi Poisson merupakan salah satu bentuk non
linear, maka untuk melinearkan model tersebut digunakan fungsi link log linear
dimana estimasi parameternya menggunakan MLE (maksimum likelihood estimation)
dengan bantuan software SPSS 22. Kasus yang digunakan dalam tulisan ini adalah
proses oksidasi amoniak menjadi asam nitrat, dan melibatkan tiga variabel prediktor
yang dianggap berpengaruh, yaitu aliran udara, suhu air pendingin, dan konsentrasi
pendingin. Selanjutnya, diperoleh model awal yang kemudian dilakukan uji
signifikansi parameter untuk melihat variabel prediktor yang paling berpengaruh,
agar diperoleh model terbaik.
1. PENDAHULUAN
Amoniak dengan rumus NH3 merupakan senyawa kimia yang terkandung dalam
limbah. Senyawa ini memiliki bau khas dan tajam. Jika terhirup dalam jumlah yang
besar serta konsentrasi tinggi akan menyebabkan keracunan, merusak paru-paru
bahkan berakibat kematian. Menurut (Titiresmi & Sopiah, 2006), senyawa amoniak
ini harus diolah menjadi senyawa lain untuk meminimalisir dampak negatifnya. Salah
satunya adalah proses pengolahan amoniak menjadi asam nitrat.
Dalam proses pengolahan tersebut, terdapat beberapa variabel (faktor) yang
mempengaruhinya. Untuk menganalisa hubungan variabel yang mempengaruhi
(variabel prediktor) dan variabel yang terpengaruh (variabel respon) dibutuhkan suatu
metode, yaitu analisis regresi. Pada umumnya, analisis regresi digunakan untuk
menganalisa variabel respon yang merupakan data kontinu dan mengikuti distribusi
normal (Sundari, 2012). Namun dalam prakteknya, terkadang ditemukan variabel
respon yang dianalisa berupa data diskrit dan tidak beditribusi normal.
Salah satu model regresi yang dapat digunakan untuk menjelaskan hubungan
antara variabel respon yang berupa data diskrit dengan variabel prediktor yang
-
2
berupa data diskrit, kontinu, kategorik atau campuran adalah model regresi Poisson
(Sundari, 2012). Dengan variabel respon yang mengikuti distribusi Poisson, maka
diasumsikan variabel tersebut tidak berdistribusi normal. Untuk menangani kondisi
dimana respon tidak berdistribusi normal, Nelder dan Wedderburn (1972) telah
mengembangkan model linear yang dikenal dengan generalized linear model (GLM).
2. TINJAUAN PUSTAKA
2.1 GLM (Generalized Linear Model) pada Data yang Berdistribusi Poisson
Regresi Poisson merupakan penerapan dari generalized linear model (GLM)
yang menggambarkan hubungan antara variabel respon data diskrit berdistribusi
Poisson dengan variabel prediktor . Asumsi yang harus dipenuhi untuk generalized
linear model (GLM) adalah variabel respon masih tergolong dalam distribusi
keluarga eksponensial. Jika merupakan data diskrit yang berdistribusi Poisson
dengan parameter maka fungsi massa peluangnya adalah :
(2.1)
Dalam distribusi Poisson, suatu peubah acak dengan fkp dan parameter
dikatakan menjadi anggota distribusi Keluarga Eksponensial, jika dapat dinyatakan
sebagai :
(2.2)
sehingga diperoleh : .
Dalam (generalized linear model) GLM, terdapat sebuah fungsi yang linier
yang menghubungkan mean dari variabel respon dengan variabel prediktor, adalah :
(2.3)
-
3
Fungsi tersebut merupakan fungsi penghubung. Sedangkan hubungan antara
mean dan prediktor linier adalah sebagai berikut :
(2.4)
Pada model regresi Poisson, biasanya fungsi penghubung yang digunakan adalah
fungsi penghubung log, karena ratarata dari variabel responnya akan berbentuk
fungsi eksponensial dan menjamin bahwa nilai variabel yang ditaksir dari variabel
responnya akan bernilai non-negatif. Fungsi penghubung log berbentuk :
(2.5)
Hubungan anatara mean variabel respon dan prediktor linier dengan
menggunakan fungsi penghubung log adalah :
Kedua ruas diambil fungsi eksponensialnya, didapat :
(2.6)
Sehingga fungsi penghubung untuk model regresi Poisson seperti dituliskan pada
persamaan dibawah ini :
(2.7)
Dan fungsi masa peluang distribusi Poisson dapat dituliskan sebagai berikut :
(2.8)
Dimana adalah mean Poisson dan vektor menunjukkan parameter
yang akan ditaksir. Mean dan varians untuk model regresi Poisson adalah sebagai
berikut :
Mean :
Varians :
Selanjutnya model regresi Poisson dengan penghubung log dapat ditulis sebagai
berikut :
-
4
(2.9)
(Cahyandari, 2014).
2.2 Penaksiran Parameter Model Regresi Poisson dengan MLE (Maksimum
Likelihood Estimator)
Metode MLE (Maximum Likelihood Estimator) adalah salah satu metode
penaksir parameter yang dapat digunakan untuk menaksir parameter suatu model
yang diketahui distribusinya. Berdasarkan persamaan distribusi Poisson yang
ditunjukkan pada persamaan (2.8), maka langkah-langkah penaksiran parameter
dengan menggunakan metode kemungkinan maksimum adalah sebagai berikut :
1. Membentuk fungsi likelihood. Fungsi likelihood untuk model regresi Poisson
adalah :
(2.10)
2. Mengambil bentuk log dari fungsi likelihood yang telah diperoleh. Fungsi
log-likelihood yang terbentuk adalah :
(2.11)
dimana
-
5
3. Fungsi log-likelihood diatas dideferensialkan terhadap masing- masing
parameter dan nilainya disama dengankan dengan nilai nol.
Metode yang digunakan untuk menentukan penaksir kemungkinan
maksimum adalah metode newton-Raphson. Metode ini digunakan untuk
menyelesaikan persamaan berikut :
=
Atau
(2.12)
Kemudian dari persamaan di atas disama dengankan nol yang diselesaikan
dengan metode iterasi Newton- Raphson. Setelah diperoleh taksiran
parameter maka taksiran model regresi Poisson dapat dituliskan
sebagai berikut :
(2.13)
.
2.3 Pengujian Kesesuaian Model Regresi Poisson
Pengujian kesesuaian model untuk mengetahui model yang digunakan sesuai
atau tidak dengan data yang diamati yaitu dengan menggunakan uji goodness of fit
atau disebut devians. Berikut ini adalah perumusan hipotesis pengujian kesesuaian
model regresi Poisson.
Statistik uji yang digunakan adalah sebagai berikut :
(2.14)
-
6
=1 ln ! =1 ln =1 ln =1 +
=1 =1 ln( )!
ln !)+ln( )!)]
Nilai tersebut disebut statistik uji atau devians untuk model regresi Poisson.
Untuk model yang sesuai, devians mendekati distribusi Chi-Kuadrat dengan derajat
kebebasan , dimana adalah banyak pengamatan dan adalah
banyak parameter. Kriteria untuk pengujian ini adalah jika
ditolak dan jika diterima (Cahyandari, 2014).
2.4 Pengujian Kesignifikanan Parameter
Pengujian terhadap parameter model dilakukan untuk memeriksa pernanan
variabel-variabel prediktor yang ada dalam model terhadap variabel responnya.
Pengujian terhadap parameter ini dilakukan melalui statistik uji , yaitu uji rasio
kemungkinan maksimum (maximum likelihood ratio test) yang digunakan untuk
menguji peranan variabel prediktor didalam model secara bersama-sama, dengan
rumusnya sebagai berikut :
(2.15)
Dimana likelihood tanpa variabel prediktor, dan likelihood dengan
prediktor. Adapun kriteria pengujian yang digunakan adalah jika
ditolak sedangkan jika
diterima. Bisa juga dengan
-
7
membandingkan nilai dan nilai pada output SPSS tabel Omnibus Test. Kriteria
pengujian juga hampir sama jika ditolak berlaku sebaliknya.
Selanjutnya untuk mengetahui kesignifikanan masing-masing parameter
(parsial), digunakan uji Wald. Menurut Hosmer dan Lemeshow (2000: 16), dalam
(Melawati, 2013), statistik uji Wald didefinisikan sebagai :
(2.16)
Dimana penaksir dar dan penaksir galat baku dari . Uji
Wald ini akan menunjukkan apakah suatu variabel prediktor signifikan atau layak
untuk masuk dalam model atau tidak. Uji Wald ini diperoleh dengan
membandingkan penaksir kemungkinan maksimum dari parameter, yaitu dengan
penaksir galat bakunya. Adapun kriteria pengujian yang digunakan adalah jika
ditolak sedangkan jika
diterima. Bisa juga dengan
membandingkan nilai dan nilai pada output SPSS tabel Test of Model Effects.
Kriteria pengujian juga hampir sama jika ditolak berlaku sebaliknya
(Melawati, 2013).
3. METODE PENELITIAN
3.1 Sumber Data
Sebagai contoh kasus yang akan diteliti dalam hal ini, digunakan data tentang
oksidasi amoniak menjadi asam nitrat yang merupakan data sekunder dari skripsi
(Asmin, 2013) seperti yang terlampir pada Lampiran 1. Data yang diambil dari suatu
pabrik memuat 21 jumlah pengamatan dengan 1 variabel respon dan 3 variabel
prediktor. Variabel respon yang dimaksud adalah presentasi amoniak yang
hilang. Adapun variabel prediktornya adalah Aliran udara, Suhu air
pendingin, Konsentrasi pendingin.
3.2 Metode Analisis
Adapun prosedur analisis untuk data pada kasus ini adalah (1) Pengujian asumsi
variabel respon berditribusi Poisson; (2) Penaksiran parameter model regresi Poisson;
-
8
(3) Pengujian kesesuaian model regersi Poisson; (4) Uji signifikansi parameter; (5)
Interpretasi model regresi Poisson.
4. HASIL DAN PEMBAHASAN
4.1 Pengujian Asumsi Variabel Respon Berdistribusi Poisson
Untuk menguji asumsi bahwa model benar berditribusi Poisson, maka terlebih
dahulu dilakukan pengujian menggunakan uji Kolmogorov-Smirnov SPSS 22. Hasil
analisisnya ditampilkan sebagai berikut :
Tabel 1. One- Sample Kolmogorov-Smirnov Test
Presentasi amoniak yang hilang berdistribusi Poisson
Presentasi amoniak yang hilang tidak berdistribusi Poisson
Berdasarkan hasil output pada Tabel 1, diperoleh nilai
=0,054 yang jika dibandingkan dengan =0,05, maka diperoleh nilai .
, diterima. Artinya presentasi amoniak yang hilang berdistribusi Poisson.
Dengan dasar pengambilan keputusan, jika nilai ditolak sedangkan jika
nilai sig. , diterima.
4.2 Penaksiran Parameter Model Regresi Poisson
Setelah diketahui bahwa variabel responnya berdistribusi Poisson, maka langkah
selanjutnya adalah mendefinisikan model regresi Poisson untuk contoh kasus diatas.
Model regresi Poisson ditulis sebagai berikut :
-
9
( )
Distribusi Poisson merupakan salah satu bentuk non linear, maka untuk
melinearkan model tersebut digunakan fungsi link log linear dimana estimasi
parameternya menggunakan MLE (maksimum likelihood estimation) dengan bantuan
software SPSS 22. Berdasarkan output pada Lampiran 2, diperoleh tabel ringkasan
hasil taksiran parameter :
Tabel 2. Hasil Taksiran Parameter
Parameter Taksiran Std. Error Sig.
Selanjutnya model regresi Poisson dengan fungsi link log linear dapat ditulis
sebagai berikut :
4.3 Pengujian Kesesuaian Model Regresi Poisson
Untuk mengetahui model yang digunakan sesuai atau tidak dengan data yang
diamati yaitu dengan menggunakan uji goodness of fit atau disebut devians.
Model Poisson cocok untuk data diatas
Model Poisson tidak cocok untuk data diatas
Pengujian yang dilakukan adalah membandingkan nilai dengan nilai
. Adapun kriteria pengujiannya, jika nilai
ditolak
sedangkan jika nilai , diterima. Berikut adalah ringkasan tabel
yang diperoleh dari output SPSS 22 Lampiran 2 :
Tabel 3. Goodness of
Value df Deviance
Selanjutnya, untuk nilai dimana adalah banyaknya
pengamatan, adalah banyaknya parameter, maka diperoleh nilai
-
10
dengan menggunakan excel. Berdasarkan uraian diatas, terlihat
bahwa nilai
, diterima. Artinya, model Poisson
cocok untuk data diatas.
4.4 Uji Signifikansi Parameter
Tidak semua parameter pada Tabel 2. memiliki pengaruh yang berarti terhadap
variabel respon, sehingga dilakukanlah pengujian parameter pada model regresi
Poisson.
Uji rasio Likelihood (Simultan)
;
Pengujian yang dilakukan adalah membandingkan nilai dengan nilai .
Adapun kriteria pengujiannya, jika nilai ditolak sedangkan jika nilai
, diterima. Dengan menggunakan bantuan software SPSS 22 diperoleh
output seperti yang terlampir pada Lampiran 2. Dan untuk memudahkannya, dibuat
ringkasan tabel sebagai berikut :
Tabel 4. Uji rasio Likelihood (Simultan)
Likelihood Ratio Chi-Square df Sig.
3 Berdasarkan tabel diatas, nilai ditolak. Artinya,
paling tidak, ada satu peubah yang berpengaruh terhadap variabel respon.
Uji Wald (Partial)
;
;
Seperti halnya uji rasio Likelihood, pengujian juga dilakukan dengan
membandingkan nilai . Dengan kriteria pengujian, jika nilai
ditolak sedangkan jika nilai , diterima. Berikut adalah ringkasan tabelnya
:
-
11
Tabel 5. Uji Wald (Partial)
Wald Chi-Square df Sig.
Berdasarkan tabel diatas, dapat dilihat bahwa nilai adalah pada
parameter , artinya diterima. Sedangkan parameter , ditolak.
Artinya kedua parameter tersebut memiliki pengaruh signifikan atau kontribusi
terhadap variabel respon. Menurut uji kesignifikanan parameter, dianggap tidak
signifikan, maka keputusannya adalah parameter tersebut dikeluarkan dari model dan
diuji kembali hingga diperoleh model terbaik.
Tabel 6. Hasil Taksiran Parameter untuk Mendapatkan Model Terbaik
Parameter Taksiran Std. Error Sig.
Sehingga diperoleh model regresi Poisson untuk kasus diatas adalah :
4.5 Interpretasi Model Regresi Poisson
Interpretasi model regresi Poisson dengan kasus presentasi amoniak yang hilang
pada proses oksidasi menjadi asam nitrat adalah :
1. Rata-rata banyaknya presentasi amoniak yang hilang pada saat proses
oksdasi menjadi asam nitrat berkurang sebesar .
2. Koefisien aliran udara sebesar menyatakan bahwa setiap penambahan
nilai 1 dari nilai aliran udara, maka presentasi amoniak yang hilang pada saat
proses oksidasi juga akan meningkat sebanyak perkalian .
3. Koefisien suhu air pendingin sebesar menyatakan bahwa setiap
penambahan nilai 1 dari nilai suhu air pendingin, maka presentasi amoniak
yang hilang pada saat proses oksidasi juga akan meningkat sebanyak
perkalian .
-
12
5. KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil pengolahan kasus pada data diatas, diperoleh kesimpulan sebagai
berikut :
1. Hasil pemodelan oksidasi amoniak menjadi asam nitrat, diperoleh :
2. Faktor yang paling berpengaruh dalam proses oksidasi amoniak menjadi
asam nitrat adalah aliran udara ( ), dan suhu air pendingin ( ).
5.1 Saran
1. Jumlah sampel yang digunakan dalam contoh kasus diatas sebaiknya lebih
banyak, agar diperoleh model yang lebih baik.
DAFTAR PUSTAKA
Asmin, M. M. (2013). Pengujian Heteroskedastisitas pada Regresi Eksponensial
dengan Menggunakan Uji Park. Makassar: Fakultas MIPA Universitas Hasanuddin.
Cahyandari, R. (2014). Pengujian Overdispersi pad Model Regresi Poisson. Statistika
, 69-76.
Melawati, Y. (2013). Klasifikasi Keputusan Nasabah dalam Pengambilan Kredit
Menggunakan Model Regresi Logistik Biner dan Metode Classification And
Regression Trees (CART). Bandung: Universitas Pendidikan Indonesia.
Sundari, I. (2012). Regresi Poisson dan Penerapannya untuk Memodelkan Hubungan
Usia dan Perilaku Merokok terhadap Jumlah Kematian Penderita Penyakit Kanker
Paru-Paru. Padang: FMIPA Universitas Andalas.
Titiresmi, & Sopiah, N. (2006). Teknologi Biofilter untuk Pengolahan Limbah
Amonia. Jurnal Teknik Lingkungan , 173-179.
-
13
LAMPIRAN 1
Data Oksidasi Amoniak Menjadi Asam Nitrat
No.
Pengamatan
(Persentasi amoniak
yang hilang)
(Aliran
udara)
(Suhu air
pendingin)
(Konsentrasi
pendingin)
1 42 80 27 89
2 37 80 27 88
3 37 75 25 90
4 28 62 24 87
5 18 62 22 87
6 18 62 23 87
7 19 62 24 93
8 20 62 24 93
9 15 58 23 87
10 14 58 18 80
11 14 58 18 89
12 13 59 17 88
13 11 58 18 82
14 12 58 19 93
15 8 50 18 89
16 7 50 18 86
17 8 50 19 72
18 8 50 19 79
19 9 50 20 80
20 15 56 20 82
21 15 70 20 91
-
14
LAMPIRAN 2
Output SPSS
-
15