bab 4 hasil dan analisis eksperimen-non linier
TRANSCRIPT
-
8/2/2019 BAB 4 Hasil Dan Analisis Eksperimen-Non Linier
1/15
17
BAB IV HASIL DAN ANALISIS EKSPERIMEN
4. 1 Input DataData yang digunakan dalam eksperimen ini adalah data produksi
eksperimental sesuai dengan tugas yang diberikan di kelas. Data
tersebut berupa matriks LKy yang berukuran 30X3. Kolom pertama dan
kedua masing masing menunjukkan input yang digunakan dalam
proses produksi yaitu tenaga kerja (L) dan kapital (K). Sedangkan
kolom ketiga menunjukkan output (y). Selengkapnya disajikan pada
matriks berikut
5.4293 6.6871 8.1879
5.5530 5.5175 7.4104
6.7105 6.6477 8.9496
6.6425 6.2364 8.3695
6.2046 6.6307 8.5519
6.1883 6.0521 8.3299
6.5191 6.1137 8.4877
6.6174 6.7056 9.1260
6.5889 6.7393 8.7961
6.5439 6.8648 8.79416.1269 4.4308 6.8657
6.8886 3.0445 5.7132
6.6931 5.6870 8.1641
6.0615 5.6240 7.9482
LKy = 5.4424 6.3026 8.1264
6.4983 4.8598 7.2432
6.4473 2.8332 5.2521
4.0775 6.8090 7.7220
6.6983 5.4072 8.0002
6.6307 4.9767 7.3157
3.9120 5.0814 5.9833
6.7130 1.7918 4.4132
6.1800 6.7286 8.7229
6.5250 6.2558 8.6233
4.7536 6.8352 7.8589
6.0868 6.2046 8.0981
6.1225 5.2204 7.5533
5.8348 4.5218 6.8249
5.8805 6.1841 8.2967
5.0876 6.8395 8.1922
-
8/2/2019 BAB 4 Hasil Dan Analisis Eksperimen-Non Linier
2/15
18
Data eksperimen tersebut diuji dalam fungsi produksi Cobb-
Douglass dan fungsi produksi Constant Elasticity of Subtitution (CES).
Bentuk fungsi produksi Cobb Douglas yang digunakan adalah
Sedangkan bentuk fungsi produksi CES adalah
Berdasarkan data sampel dan fungsi produksi tersebut selanjutnya
dilakukan penaksiran parameter dengan menggunakan metoda least
square estimation (LSE) dan maximum likelihood estimation (MLE)
melalui proses iterasi. Bentuk umum iterasinya adalah
Dengan untuk LSE adalah
dan untuk MLE adalah
Jenis iterasi yang digunakan dalam least squareestimation(LSE)
adalah Gauss-Newton dan Marquant-Levenberg. Perhitungan dilakukan
untuk mendapatkan taksiran nilai parameter dan S (fungsi objektif
yang diminimumkan, yaitu S = (y fy-f)) serta f (fungsi terhadap X
dan , yang bentuk fungsinya sesuai dengan model fungsi produksiCobb-Douglas atau fungsi produksi CES).
Dari hasil perhitungan masing-masing iterasi akan diperoleh
konvergensi untuk nilai-nilai parameter dengan menentukan
dan
-
8/2/2019 BAB 4 Hasil Dan Analisis Eksperimen-Non Linier
3/15
19
Jenis iterasi yang digunakan dalam maximum likelihood
estimation (MLE) adalah Berndt-Hall-Hall-Hausman (BHHH) dan
Quadratic Hill Climbing. Perhitungan dilakukan untuk mendapatkan
taksiran nilai parameter dan L fungsi objektif yang dimaksimumkan,
yaitu L = log (likelihood function serta f fungsi terhadap X dan ,
yang bentuk fungsinya sesuai dengan model fungsi produksi Cobb-
Douglas atau fungsi produksi CES).
Dari hasil perhitungan masing-masing iterasi akan diperoleh
konvergensi untuk nilai-nilai parameter dengan menentukan
dan
Selanjutnya berdasarkan hasil konvergensi tersebut, dilakukan
perhitungan nilai AIC dan SC untuk masing-masing fungsi produksi,
yaitu
log l og log
Fungsi produksi yang memberikan nilai AIC dan atau SC yang paling
kecil akan dipilih sebagai model fungsi yang paling cocok untuk data
sampel.
4. 2 Hasil dan Analisis Eksperimen4.2.1Fungsi Produksi Cobb Douglas
a. Non Liniear Least Square (NLS)-Fungsi Produksi Cobb DouglasNLS Gauss-Newton Iterations-Fungsi Produksi Cobb Douglas
Proses estimasi dilakukan dengan menentukan nilai awal
parameter (initial values) yaitu , , dan , serta
panjang langkah ( sama dengan 1. Selanjutnya, dilakukan perubahan
nilai awal parameter menjadi (0.8, 0.75, 0.5, 0.35, 0.3, 0.2663144).
-
8/2/2019 BAB 4 Hasil Dan Analisis Eksperimen-Non Linier
4/15
20
Berdasarkan output Matlab pada lampiran 1, hasil perhitungan iterasi
Gauss-Newton fungsi produksi Cobb Douglas yang diperoleh adalah
sebagai berikut
Tabel 4.1Hasil Iterasi NLS Gauss-Newtonuntuk Fungsi Produksi Cobb DouglasInitial Value
Optimal Value
Iterations AIC SC
1 1 1 1 1.4781 0.3741 0.5725 0.5443 9 33.8285 38.0321
0.8 0.8 0.8 1 1.4781 0.3741 0.5725 0.5443 7 33.8285 38.0321
0.75 0.75 0.75 1 1.4781 0.3741 0.5725 0.5443 7 33.8285 38.0321
0.5 0.5 0.5 1 1.4781 0.3741 0.5725 0.5443 8 33.8285 38.0321
0.35 0.35 0.35 1 1.4781 0.3741 0.5725 0.5443 10 33.8285 38.0321
0.3 0.3 0.3 1 1.4781 0.3741 0.5725 0.5443 13 33.8285 38.0321
0.2663144 0.2663144 0.2663144 1 0.000 -0.0459 -0.0596 1.8301 27 41.9488 46.1524
Sumber: lampiran 1
Berdasarkan tabel 4.1 menunjukkan bahwa dengan nilai
parameter (1, 0.8, 0.75, 0.5, 0.35, 0.3), iterasi Gauss-Newton
menghasilkan nilai optimum yang sama. Nilai optimum mengalami
perubahan ketika initial value diubah menjadi (0.2663144). Secara
teoritis, hal tersebut menunjukkan bahwa nilai optimum yang diperoleh
belum dijamin menghasilkan global minimum (Judge, 1988). Sekalipun
demikian, jika kita mengamati set parameter yang dihasilkan oleh initial
value (0.2663144), terdapat nilai parameter yang bernilai nol, yaitu
. Set parameter ini tidak dikehendaki karena jika dimasukkan dalam
perhitungan total output akan menghasilkan nilai nol. Dengan demikiandapat diklaim bahwa fungsi produksi Cobb-Doglas yang optimum
berdasarkan iterasi Gauss Newton adalah
-
8/2/2019 BAB 4 Hasil Dan Analisis Eksperimen-Non Linier
5/15
21
NLS Marquardt-Levenberg Iterations - Fungsi Produksi Cobb DouglasDalam proses estimasi dengan iterasi Marquardt-Levenberg,
selain dapat dilakukan perubahan initial values juga memungkinkan
untuk mengubah panjang langkah secara bebas.
Berdasarkan output Matlab pada lampiran 2, hasil perhitungan iterasi
Marquardt-Levenberg yang diperoleh adalah sebagai berikut
Tabel 4.2Hasil Iterasi NLS Marquardt-Levenberguntuk Fungsi Produksi Cobb DouglasInitial Value
Optimal Value
Iterations AIC SC
1 1 1 1 1.4781 0.3741 0.5725 0.5443 86 33.8285 38.0321
0.75 0.75 0.75 1 1.4781 0.3741 0.5725 0.5443 84 33.8285 38.0321
0.5 0.5 0.5 1 1.4781 0.3741 0.5725 0.5443 85 33.8285 38.0321
0.3 0.3 0.3 1 1.4781 0.3741 0.5725 0.5443 88 33.8285 38.0321
0.2663144 0.2663144 0.2663144 1 1.4781 0.3741 0.5725 0.5443 88 33.8285 38.0321
0.5 0.5 0.5 3 1.4781 0.3741 0.5725 0.5443 32 33.8285 38.0321
0.3 0.3 0.3 3 1.4781 0.3741 0.5725 0.5443 32 33.8285 38.0321
0.2663144 0.2663144 0.2663144 3 1.4781 0.3741 0.5725 0.5443 31 33.8285 38.0321
0.5 0.5 0.5 5 1.4781 0.3741 0.5725 0.5443 19 33.8285 38.0321
0.3 0.3 0.3 5 1.4781 0.3741 0.5725 0.5443 22 33.8285 38.0321
0.2663144 0.2663144 0.2663144 5 1.4781 0.3741 0.5725 0.5443 21 33.8285 38.0321
Sumber: lampiran 2
Berdasarkan tabel 4.2 diperoleh beberapa hal berikut:
Pertama, perubahan initial value parameter dengan panjang langkah
yang sama menyebabkan perubahan yang relatif kecil dalam jumlah
iterasi.
Kedua, perubahan panjang langkah dengan initial valueparameter yang
sama menyebabkan perubahan yang relatif besar dalam jumlah iterasi.
Dengan kata lain semakin besar nilai panjang langkah, semakin sedikit
jumlah iterasinya.
-
8/2/2019 BAB 4 Hasil Dan Analisis Eksperimen-Non Linier
6/15
22
Ketiga, iterasi Marquardt-Levenberg menghasilkan nilai estimasi yang
lebih baik dibandingkan dengan iterasi Gauss-Newton. Hal ini dapat
dilihat dari nilai set parameter yang dihasilkan oleh kedua jenis iterasi
tersebut pada initial value (0.2663144).
Keempat, iterasi Marquardt-Levenberg menghasilkan nilai optimum
yang sama dengan iterasi Gauss-Newton, sehingga fungsi produksi Cobb
Douglas yang dibentuk adalah
b. Nonlinear Maximum Likelihood-Fungsi Produksi Cobb DouglasBernd-Hall-Hall-Hausman (BHHH)-Fungsi Produksi CD
Berdasarkan output Matlab pada lampiran 3, hasil perhitungan
iterasi BHHH yang diperoleh adalah sebagai berikut
Tabel 4.3Hasil Iterasi Bernd-Hall-Hall-Hausman (BHHH)untuk Fungsi Produksi Cobb Douglas
Initial Value
Optimal Value Iterations AIC SC
1 1 1 1 1.4781 0.3741 0.5725 0.0181 -13.9143 968 33.8285 38.0321
0.75 0.75 0.75 1 1.4781 0.3741 0.5725 0.0181 -13.9143 925 33.8285 38.0321
0.5 0.5 0.5 1 1.4781 0.3741 0.5725 0.0181 -13.9143 915 33.8285 38.0321
0.3 0.3 0.3 1 1.4781 0.3741 0.5725 0.0181 -13.9143 918 33.8285 38.0321
0.2663144 0.2663144 0.2663144 1 1.4781 0.3741 0.5725 0.0181 -13.9143 918 33.8285 38.0321
0.5 0.5 0.5 3 1.4781 0.3741 0.5725 0.0181 -13.9143 915 33.8285 38.0321
0.3 0.3 0.3 3 1.4781 0.3741 0.5725 0.0181 -13.9143 918 33.8285 38.0321
0.2663144 0.2663144 0.2663144 3 1.4781 0.3741 0.5725 0.0181 -13.9143 918 33.8285 38.0321
0.5 0.5 0.5 5 1.4781 0.3741 0.5725 0.0181 -13.9143 915 33.8285 38.0321
0.3 0.3 0.3 5 1.4781 0.3741 0.5725 0.0181 -13.9143 918 33.8285 38.0321
0.2663144 0.2663144 0.2663144 5 1.4781 0.3741 0.5725 0.0181 -13.9143 918 33.8285 38.0321
Sumber: lampiran 3
Berdasarkan tabel 4.3 diperoleh beberapa hal berikut:
Pertama, perubahan initial value parameter dengan panjang langkah
yang sama menyebabkan perubahan yang relatif kecil dalam iterasi.
Kedua, perubahan panjang langkah dengan initial valueparameter yang
sama tidak menyebabkan perubahan dalam jumlah iterasi. Hal ini
-
8/2/2019 BAB 4 Hasil Dan Analisis Eksperimen-Non Linier
7/15
23
konsisten dengan teori bahwa dalam iterasi BHHH tidak perlu
mengubah panjang langkah.
Ketiga, iterasi BHHH menghasilkan nilai optimum yang sama dengan
iterasi Gauss-Newton dan iterasi Marquardt-Levenberg. Hal ini
konsisten dengan teori yang menyatakan bahwa penaksiran parameter
dengan metode least square sama dengan hasil yang diperoleh dari
maximum likelihood. Dengan demikian fungsi produksi Cobb Douglas
yang dibentuk adalah sama seperti pada iterasi Gauss-Newton dan
iterasi Marquardt-Levenberg yaitu
Quadratic Hill-Climbing-Fungsi Produksi Cobb Douglas
Berdasarkan output Matlab pada lampiran 4, hasil perhitungan
iterasi Quadratic Hill-Climbing yang diperoleh adalah sebagai berikut
Tabel 4.4Hasil Iterasi Quadratic Hill Climbinguntuk Fungsi Produksi Cobb Douglas
Initial Value
Optimal Value Iterations AIC SC
1 1 1 1 1.4781 0.3741 0.5725 0.0181 -13.9143 1096 33.8285 38.0321
0.75 0.75 0.75 1 1.4781 0.3741 0.5725 0.0181 -13.9143 1033 33.8285 38.0321
0.5 0.5 0.5 1 1.4781 0.3741 0.5725 0.0181 -13.9143 1069 33.8285 38.0321
0.3 0.3 0.3 1 1.4781 0.3741 0.5725 0.0181 -13.9143 1083 33.8285 38.0321
0.2663144 0.2663144 0.2663144 1 1.4781 0.3741 0.5725 0.0181 -13.9143 1086 33.8285 38.0321
0.5 0.5 0.5 3 1.4781 0.3741 0.5725 0.0181 -13.9143 375 33.8285 38.0321
0.3 0.3 0.3 3 1.4781 0.3741 0.5725 0.0181 -13.9143 379 33.8285 38.0321
0.2663144 0.2663144 0.2663144 3 1.4781 0.3741 0.5725 0.0181 -13.9143 381 33.8285 38.0321
0.5 0.5 0.5 5 1.4781 0.3741 0.5725 0.0181 -13.9143 228 33.8285 38.0321
0.3 0.3 0.3 5 1.4781 0.3741 0.5725 0.0181 -13.9143 231 33.8285 38.0321
0.2663144 0.2663144 0.2663144 5 1.4781 0.3741 0.5725 0.0181 -13.9143 231 33.8285 38.0321
Sumber: lampiran 4
Berdasarkan tabel 4.4 diperoleh beberapa hal berikut:
-
8/2/2019 BAB 4 Hasil Dan Analisis Eksperimen-Non Linier
8/15
24
Pertama, perubahan initial value parameter dengan panjang langkah
yang sama menyebabkan perubahan yang relatif kecil dalam jumlah
iterasi
Kedua, perubahan panjang langkah dengan initial valueparameter yang
sama menyebabkan perubahan yang relatif besar dalam jumlah iterasi.
Ketiga, iterasi Hill Climbing menghasilkan nilai optimum yang sama
dengan iterasi Gauss-Newton, iterasi Marquardt-Levenberg, dan Iterasi
BHH. Hal ini konsisten dengan teori yang menyatakan bahwa
penaksiran parameter dengan metode least square sama dengan hasil
yang diperoleh dari maximum likelihood. Dengan demikian fungsi
produksi Cobb Douglas yang dibentuk adalah sama seperti pada iterasi
Gauss-Newton, iterasi Marquardt-Levenberg, dan iterasi BHH yaitu
C. Perbandingan Hasil Estimasi Nonlinear Least Square dan MaximumLikelihood untuk Fungsi Produksi Cobb Douglas
Berdasarkan hasil estimasi nonlinear least Square (Iterasi Gauss-
Newton dan Iterasi Marquardt-Levenberg) dan nonlinear maximum
likelihood yang telah diuraikan sebelumnya dapat dilakukan
perbandingan sebagai berikut:
Pertama, estimasi dengan metode nonlinear least Square menghasilkan
nilai optimum yang sama dengan nonlinear maximum likelihood.
Kedua, salah satu metode iterasi dalam nonlinear least Square (iterasi
Gauss-Newton) memiliki kelemahan dalam melakukan iterasi nilai
parameter yaitu tidak selalu terjadi konvergensi. Sedangkan metode
iterasi dalam maximum likelihood selalu menghasilkan konvergensi.
Ketiga, iterasi Gauss-Newton memiliki kesamaan dengan iterasi BHH
dalam hal perubahan panjang langkah dengan initial value parameter
yang sama tidak menyebabkan perubahan dalam jumlah iterasi. Dengan
kata lain kedua iterasi tidak perlu mengubah panjang langkah ketika
melakukan proses estimasi.
-
8/2/2019 BAB 4 Hasil Dan Analisis Eksperimen-Non Linier
9/15
25
Keempat, iterasi Marquardt-Levenberg memiliki kesamaan dengan
iterasi Hill Climbing dalam hal perubahan panjang langkah dan initial
value parameter menyebabkan perubahan dalam jumlah iterasi.
Sekalipun demikian, iterasi Hill Climbing cenderung menghasilkan
iterasi yang lebih panjang dibandingkan dengan iterasi Marquardt-
Levenberg.
4.2.2Fungsi Produksi Constant Elasticity of Subtitution (CES)a. Nonliniear Least Square (NLS) - Fungsi Produksi CESNLS Gauss-Newton Iterations-Fungsi Produksi CES
Proses estimasi nonlinear least square Gauss-Newton Iterations
untuk fungsi produksi CES memiliki prosedur yang sama dengan fungsi
produksi Cobb Dougas sebagaimana telah diuraikan sebelumnya.
Berdasarkan output Matlab pada lampiran 5, hasil perhitungan iterasi
Gauss-Newton untuk fungsi produksi CES adalah sebagai berikut
Tabel 4.5Hasil Iterasi Gauss-Newtonuntuk Fungsi Produksi CES
Initial Value Optimal Value AIC SC Iterations
1.0 0.8 0.8 0.9 1 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 12
1.0 0.7 0.7 0.8 1 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 12
1.0 0.6 0.6 0.8 1 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 8
1.0 0.5 0.6 0.7 1 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 10
1.0 0.5 0.6 0.6 1 Belum konvergen 10000
Sumber: lampiran 5
Berdasarkan tabel 4.5 diperoleh beberapa hal berikut:
Pertama, perubahan initial value parameter dengan panjang langkah
yang sama menyebabkan perubahan yang relatif kecil dalam jumlah
iterasi. Hasil ini konsisten dengan hasil estimasi pada fungsi produksi
Cobb Douglas.
Kedua, perubahan initial valueparameter menghasilkan nilai optimum
yang sama.
-
8/2/2019 BAB 4 Hasil Dan Analisis Eksperimen-Non Linier
10/15
26
Ketiga, perubahan initial value parameter [1.0, 0.5, 0.6, 0.6] tidak
menghasilkan konvergensi. Initial value tersebut akan dievaluasi
dengan metode iterasi yang lain untuk perbandingan dengan metode
iterasi Gauss Newton.
Keempat, berdasarkan nilai optimum yang diperoleh dapat dituliskan
fungsi produksi CES dengan metode iterasi Gauss Newton, yaitu
NLS Marquardt-Levenberg Iterations-Fungsi Produksi CESTidak seperti halnya iterasi Gauss Newton yang hanya
melakukan perubahan initial value parameter, estimasi dengan iterasi
Marquardt-Levenberg dapat melakukan perubahan initial values dan
panjang langkah. Berdasarkan output Matlab pada lampiran 6, hasil
perhitungan iterasi Marquardt-Levenberg untuk fungsi produksi CES
adalah sebagai berikut
Tabel 4.6Hasil Iterasi Marquardt-Levenberguntuk Fungsi Produksi CES
Initial Value Optimal Value AIC SC Iterations
1.0 0.8 0.8 0.9 1 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 449
1.0 0.7 0.7 0.8 1 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 446
1.0 0.6 0.6 0.8 1 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 438
1.0 0.5 0.6 0.7 1 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 437
1.0 0.5 0.6 0.6 1 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 442
1.0 0.8 0.8 0.9 3 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 45
1.0 0.7 0.7 0.8 3 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 44
1.0 0.5 0.6 0.7 3 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 49
1.0 0.5 0.6 0.6 3 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 42
1.0 0.8 0.8 0.9 5 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 34
1.0 0.7 0.7 0.8 5 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 33
1.0 0.5 0.6 0.7 5 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 30
1.0 0.5 0.6 0.6 5 1.3724 0.3894 0.3100 0.9869 0.5073 35.7580 41.3628 29
Sumber: lampiran 6
-
8/2/2019 BAB 4 Hasil Dan Analisis Eksperimen-Non Linier
11/15
27
Berdasarkan tabel 4.6 diperoleh beberapa hal berikut:
Pertama, seperti halnya iterasi Gauss Newton perubahan initial value
parameter dengan panjang langkah yang sama menyebabkan
perubahan yang relatif kecil dalam jumlah iterasi. Hasil ini juga
konsisten dengan estimasi pada fungsi produksi Cobb Douglas.
Kedua, perubahan panjang langkah dengan initial valueparameter yang
sama menyebabkan perubahan yang relatif besar dalam jumlah iterasi.
Hasil ini konsisten dengan estimasi pada fungsi produksi Cobb Douglas
Ketiga, perubahan initial value parameter dan panjang langkah
menghasilkan nilai optimum yang sama.
Keempat, iterasi Marquardt-Levenberg menghasilkan nilai estimasi
yang lebih baik dibandingkan dengan iterasi Gauss-Newton. Hal ini
dapat dilihat dari nilai set parameter yang dihasilkan oleh kedua jenis
iterasi tersebut pada initial value [1.0 , 0.5, 0.6, 0.6]. Hasil ini juga
konsisten dengan hasil estimasi pada produksi Cobb Douglass
Kelima, iterasi Marquardt Levenberg menghasilkan nilai optimum yang
sama dengan iterasi Gauss Newton, sehingga fungsi produksinya adalah
b. Nonlinear Maximum Likelihood-Fungsi Produksi CESBernd-Hall-Hall-Hausman (BHHH)-Fungsi Produksi CES
Berdasarkan output Matlab pada lampiran 7, hasil perhitungan
iterasi BHHH yang diperoleh adalah sebagai berikut
-
8/2/2019 BAB 4 Hasil Dan Analisis Eksperimen-Non Linier
12/15
28
Tabel 4.7Hasil Iterasi BHHuntuk Fungsi Produksi CES
Initial Value Optimal Value AIC SC Iterations
1.0 0.8 0.8 0.9 1 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 683
1.0 0.7 0.7 0.8 1 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 634
1.0 0.6 0.6 0.8 1 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 659
1.0 0.5 0.6 0.7 1 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 689
1.0 0.5 0.6 0.6 1 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 697
1.0 0.8 0.8 0.9 3 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 238
1.0 0.7 0.7 0.8 3 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 224
1.0 0.5 0.6 0.7 3 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 241
1.0 0.5 0.6 0.6 3 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 243
1.0 0.8 0.8 0.9 5 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 145
1.0 0.7 0.7 0.8 5 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 140
1.0 0.5 0.6 0.7 5 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 148
1.0 0.5 0.6 0.6 5 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 147
Sumber: lampiran 7
Berdasarkan tabel 4.7 diperoleh beberapa hal berikut:
Pertama, seperti halnya iterasi BHHH pada estimasi fungsi produksi
Cobb Douglas, perubahan initial value parameter dengan panjang
langkah yang sama menyebabkan perubahan yang relatif kecil dalam
jumlah iterasi
Kedua, perubahan panjang langkah dengan initial valueparameter yang
sama menyebabkan perubahan yang relatif besar dalam jumlah iterasi.
Hal ini berbeda dengan hasil estimasi iterasi BHHH pada fungsi
produksi Cobb Douglas yang tidak menyebabkan perubahan jumlah
iterasi.
Ketiga, iterasi BHHH menghasilkan nilai optimum yang sama dengan
iterasi Gauss-Newton dan iterasi Marquardt-Levenberg. Hal ini
konsisten dengan teori yang menyatakan bahwa penaksiran parameter
dengan metode least square sama dengan hasil yang diperoleh dari
maximum likelihood. Dengan demikian fungsi produksi CES yang
-
8/2/2019 BAB 4 Hasil Dan Analisis Eksperimen-Non Linier
13/15
29
dibentuk adalah sama seperti pada iterasi Gauss-Newton dan iterasi
Marquardt-Levenberg yaitu
Quadratic Hill-Climbing-Fungsi Produksi CESBerdasarkan output Matlab pada lampiran 8, hasil perhitungan
iterasi Quadratic Hill-Climbing yang diperoleh adalah sebagai berikut
Tabel 4.8Hasil Iterasi Quadratic Hill Climbinguntuk Fungsi Produksi CES
Initial Value Optimal Value AIC SC Iterations
1.0 0.8 0.8 0.9 1 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 906
1.0 0.7 0.7 0.8 1 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 906
1.0 0.6 0.6 0.8 1 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 895
1.0 0.5 0.6 0.7 1 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 898
1.0 0.5 0.6 0.6 1 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 896
1.0 0.8 0.8 0.9 3 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 316
1.0 0.7 0.7 0.8 3 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 3171.0 0.5 0.6 0.7 3 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 310
1.0 0.5 0.6 0.6 3 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 315
1.0 0.8 0.8 0.9 5 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 191
1.0 0.7 0.7 0.8 5 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 188
1.0 0.5 0.6 0.7 5 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 188
1.0 0.5 0.6 0.6 5 1.3724 0.3894 0.3100 0.9869 0.0169 -13.8790 35.7580 41.3628 190
Sumber: lampiran 8
Berdasarkan tabel 4.8 diperoleh beberapa hal berikut:Pertama, seperti halnya iterasi BHH, perubahan initial valueparameter
dengan panjang langkah yang sama menyebabkan perubahan yang
relatif kecil dalam jumlah iterasi
Kedua, perubahan panjang langkah dengan initial valueparameter yang
sama menyebabkan perubahan yang relatif besar dalam jumlah iterasi.
Hasil ini sama dengan hasil estimasi iterasi BHHH.
-
8/2/2019 BAB 4 Hasil Dan Analisis Eksperimen-Non Linier
14/15
30
Ketiga, iterasi Hill Climbing menghasilkan nilai optimum yang sama
dengan iterasi BHHH. Dengan demikian fungsi produksi CES yang
dibentuk adalah sama seperti pada iterasi BHHH yaitu
C. Perbandingan Hasil Estimasi Nonlinear Least Square dan MaximumLikelihood untuk Fungsi Produksi CES
Berdasarkan hasil estimasi nonlinear least Square (Iterasi Gauss-
Newton dan Iterasi Marquardt-Levenberg) dan nonlinear maximum
likelihood yang telah diuraikan sebelumnya dapat dilakukan
perbandingan sebagai berikut:
Pertama, estimasi dengan metode nonlinear least Square menghasilkan
nilai optimum yang sama dengan nonlinear maximum likelihood.
Kedua, salah satu metode iterasi dalam nonlinear least Square (iterasi
Gauss-Newton) memiliki kelemahan dalam melakukan iterasi nilai
parameter yaitu tidak selalu terjadi konvergensi. Sedangkan metode
iterasi dalam maximum likelihood selalu menghasilkan konvergensi.
4.2.3 Perbandingan Hasil Estimasi Fungsi Produksi Cobb Douglas dan FungsiProduksi CES
Perbandingan hasil estimasi fungsi produksi Cobb Douglas dan fungsi
produksi CES dilakukan dengan tujuan untuk mendapatkan fungsi
produksi yang paling cocok dengan data. Kriteria yang digunakan
adalah nilai AIC dan SIC masing-masing fungsi produksi, yang dihitung
dengan formulasi berikut
log
l og log
-
8/2/2019 BAB 4 Hasil Dan Analisis Eksperimen-Non Linier
15/15
31
Fungsi produksi yang paling cocok dengan data sampel adalah
memiliki AIC dan SIC yang paling kecil . Berdasarkan output Matlab
diperoleh hasil sebagai berikut:
Tabel 4.9Perbandingan Nilai AIC dan SICFungsi Produksi Cobb Douglas dan Fungsi Produksi CES
Fungsi
Produksi
Metode Nonlinear
Least Square
Metode Nonliear
Maximum Likelihood
AIC SIC AIC SIC
Cobb Douglas 33.8285 38.0321 33.8285 38.0321
CES 35.7580 413628 35.7580 413628
Sumber : Lampiran 1 s/d 8
Berdasarkan tabel 4.9 diperoleh beberapa hal berikut:
Pertama, metode nonlinear least square dan metode nonlinear
maximum likelihood menghasilkan nilai AIC dan SIC yang sama untuk
masing-masing jenis produksi.
Kedua, nilai AIC dan SIC fungsi produksi lebih kecil daripada nilai AIC
dan SIC fungsi produksi CES. Dengan demikian dapat disimpulkan
bahwa fungsi produksi yang paling cocok dengan data adalah fungsi
produksi Cobb Douglass.