Anda di halaman 1dari 16

ANALISIS REGRESI MODEL KUADRATIK

MAKALAH Disusun untuk memenuhi tugas mata kuliah Analisis Regresi yang dibina oleh Ir. Hendro Permadi, M.Si

Oleh Miftahur Rohmah ( 408312408015 ) Nindy Sagita ( 408312409123 ) Dyah Ayu Puspitasri ( 408312409601 )

UNIVERSITAS NEGERI MALANG FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM PROGRAM STUDI MATEMATIKA September 2010

PENDAHULUAN

Latar belakang Analisis regresi merupakan salah satu uji statistika yang memiliki dua jenis pilihan model yaitu linear dan non linear dalam parameternya. Keliniearan analisis regresi dapat diuji melalui suatu pengujian hipotesis, dimana jika hipotesis nol itu diterima maka disimpulkan bahwa pendekatan regresi linear sederhana yang dilakukan sudah mendekati pola data yang dibentuk pasangan data x dan y, atau dikatakan model yang diperoleh sudah mendekati pola data asli. Akan tetapi jika hipotesis nol ditolak maka pendekatan analisis regresi linear sederhana tidak dapat dilakukan untuk menarik kesimpulan dari pasangan data x dan y, dan sebagai gantinya digunakanlah analisis regresi non-linear yang parameternya bersifat kuadratik dan kubik dengan kurva yang dihasillkan membentuk garis lengkung .

Rumusan Masalah 1. Apakah yang dimaksud dengan regresi non linear model kuadratik? 2. Bagaimanakah aplikasi dari regresi non linear model kuadratik ke dalam soal? 3. Bagaimana anova yang diperoleh dari data yang diolah?

Tujuan 1. Untuk mengetahui pengertian dari regresi non linear model kuadratik. 2. Untuk mengetahui aplikasi dari regresi non linear model kuadratik dalam soal. 3. Mengetahui anova yang diperoleh dari data yang diolah.

PEMBAHASAN

Regresi non linear model kuadratik merupakan hubungan antara dua peubah yang terdiri dari variabel dependen ( Y ) dan variabel independen ( X ) sehingga akan diperoleh suatu kurva yang membentuk garis lengkung menaik (2>0) atau menurun (2<0). Bentuk persamaan matematis model kuadratik secara umum menurut Steel dan Torrie (1980) adalah : (a). Polynomial : E(Y) = 0 + 1X + 2X2 (b). Exponensial : E(Y) = 01x (c). Logaritma : Log E(Y) = 01X Untuk mengaplikasikan analisis regresi non linear dalam makalah ini yaitu dengan membahas model polynomial kuadratik dengan rumus matematis adalah sebagai berikut :

y = a0 + a1x + a2 x2
Untuk menduga koefisien , dan dapat menggunakan metode kuadrat terkecil yang dibantu dengan bentuk catatan matrik. Langkah awal menggunakan metode kuadrat terkecil dengan meminimumkan:

yaitu dengan mengenolkan turunan sebagian dari persamaan di atas yang diturunkan terhadap , dan , diperoleh:

Sehingga diperoleh system persamaan linear dalam

dan

, sebagai berikut:

Dari persamaan diatas dapat diperoleh persamaan normal matriknya :

A ( XX )

b b

= =

g ( XY )

Contoh soal: 1. Seorang dosen olahraga ingin melakukan penelitian terhadap hasil loncat jauh mahasiswanya (y) yang dikaitkan dengan lamanya melakukan pemanasan (x). Dari hasil pengumpulan data yang berkaitan dengan lama pemanasan dan hasil loncatan atas sampel 10 mahasiswa yang diambil secara random, sebagai berikut: Lama pemanasan (menit) (X) 5,0 7,5 10,0 12,5 15,0 17,5 20,0 20,5 21,0 22,0 Hasil loncat jauh (meter) (Y) 3,00 3,15 3,50 3,70 3,90 3,85 3,80 3,75 3,65 3,60

Mengerjakan menggunakan minitab


x 5,0 7,5 10,0 12,5 15,0 17,5 20,0 20,5 21,0 22,0 y 3,00 3,15 3,50 3,70 3,90 3,85 3,80 3,75 3,65 3,60 COEF1 FITS1 3,02991 3,21537 0,03709 3,30810 RESI1 SRES1

-0,215371 -1,35571 -0,158101 -0,89994

3,40083 0,099169 0,53084 3,49356 0,206439 1,06822 3,58629 0,313709 1,60496 3,67902 0,170979 0,88323 3,77175 0,028249 0,15067

3,79030 -0,040296 -0,21695 3,80884 -0,158842 -0,86423 3,84593 -0,245934 -1,37153

Worksheet size: 100000 cells

Regression Analysis

The regression equation is y = 3,03 + 0,0371 x

Predictor Constant x

Coef 3,0299 0,03709

StDev 0,1823 0,01128

T 16,62 3,29

P 0,000 0,011

S = 0,2060

R-Sq = 57,5%

R-Sq(adj) = 52,2%

Analysis of Variance

Source Regression Residual Error Total

DF 1 8 9

SS 0,45938 0,33962 0,79900

MS 0,45938 0,04245

F 10,82

P 0,011

Normal Probability Plot of the Residuals


(response is y)

Normal Score

-1

-0,3

-0,2

-0,1

0,0

0,1

0,2

0,3

Residual

Gambar di atas menunjukkan hubungan antara x (variable terikat ) dan y (variable bebas)

uji linier
Y = 3,02991 + 3,71E-02X R-Sq = 57,5 %

3,9 3,8 3,7 3,6 3,5

y
3,4 3,3 3,2 3,1 3,0 5 10 15 20

Untuk mengetahui bahwa data yang kita olah merupakan model kuadratik, terlebih dahulu kita uji dengan uji linear. Dari gambar di atas kita mengetahui bahwa R-Sq=57,5%, sedangkan apabila data tersebut merupakan model liniear seharusnya R-Sq mendekati 95%. Jadi dari uji linear ini kita mengetahui bahwa data yang kita peroleh tidak cocok menggunakan model liniear. Sehingga kita mencoba menguji data yang kita peroleh menggunakan uji kuadratik dan kita peroleh gambar seperti di bawah ini.

uji kudratik
Y = 1,93469 + 0,229174X - 6,91E-03X**2 R-Sq = 95,4 % 4,0

3,5

y
3,0

10

15

20

Dari gambar diatas kita dapat melihat bahwa data yang kita peroleh lebih cocok untuk model kuadratik karena R-Sq=95,4% yaitu memenuhi R-Sq=95%.

model kuadratik
Normal Plot of Residuals
2 2 1

I Chart of Residuals
3,0SL=1,707

Residual

Residual

0 -1

X=-0,04704

-1
-3,0SL=-1,802

-2 -1 0 1 0 1 2 3 4 5 6 7 8 9 10

Normal Score

Observation Number

Histogram of Residuals
2 2

Residuals vs. Fits

Frequency

Residual

-1 0 -1,5 -1,0 -0,5 0,0 0,5 1,0 1,5 3,0 3,2 3,4 3,6 3,8

Residual

Fit

Polynomial Regression Y = 1,93469 + 0,229174X - 6,91E-03X**2 R-Sq = 95,4 %

Analysis of Variance SOURCE Regression Error Total DF 2 7 9 SS 0,762375 0,036625 0,799000 MS F P

0,381188 72,8555 2,06E-05 0,005232

SOURCE Linear Quadratic

DF 1 1

Seq SS 0,459384 0,302992

F 10,8212 57,9101

P 1,10E-02 1,25E-04

Model Kuadratik
Y = 1,93469 + 0,229174X - 6,91E-03X**2 R-Sq = 95,4 %

4,0

3,5

y
3,0

Regression 95% CI 95% PI

10

15

20

Memeriksa mean square R-Sq atau koefisien determinasi menyatakan seberapa besar keragaman variable X mempengaruhi Y. Berdasarkan perhitungan minitab diperoleh R-Sq sebesar 95,4 . R-Sq berkisar antara 0 sampai 1, dengan catatan semakin kecil nilai R-Sq, semakin lemah hubungan antara kedua variabel(begitu juga sebaliknya). Pengujian koefisien regresi Hipotesis : artinya tidak ada pengaruh waktu pemanasan terhadap jauhnya loncatan.

H 1 : b1 0 artinya ada pengaruh waktu pemanasan terhadap jauhnya loncatan.


Menggunakan uji T: Ttabel dengan 0.05 diperoleh hasil 2,1098. Thitung dari hasil minitab sebesar 29,48. Karena Thit>Ttabel sehingga menolak H0. Hal ini berarti ada pengaruh waktu pemanasan terhadap jauhnya loncatan.

Pengujian model regresi Hipotesis: H0: model yang diperoleh tidak berarti. H1: model yang diperoleh berarti. Menggunakan uji F: Ftabel dengan derajat bebas (2) dengan 0.05 sebesar 1. sedangkan F hitung dari minitab 72,8555. Karena Fhit>Ftabel maka menolak H0 dengan kata lain model yang diperoleh berarti. Pengujian asumsi 1. Uji Kebebasan
Uji Kebebasan
1,0

Autocorrelation

0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0

1,0

1,5

2,0

Lag 1 2

Corr -0,09 -0,09

T -0,29 -0,28

LBQ 0,11 0,23

Dari gambar di atas grafik tidak membentuk garis corong atau membentuk garis horizontal dan plot autokorelasi dari nilai sisaannya tidak membentuk pola acak yang berarti bahwa dapat dikatakan tidak ada autokorelasi antarsisaan atau saling bebas.

2. Uji Normalitas
Uji Normalitas

,999 ,99 ,95

Probability

,80 ,50 ,20 ,05 ,01 ,001

-0,1

0,0

0,1

RESI2
Average: -0,0000000 StDev: 0,0637920 N: 10 Anderson-Darling Normality Test A-Squared: 0,205 P-Value: 0,821

Tampak titik-titik plot tidak jauh dari garis merah dan karena P-value (0.821) > (0,05) maka memenuhi asumsi kenormalan sisaan. Selain itu, dari gambar di atas dapat kita lihat bahwa plot yang terbentuk membentuk suatu garis lurus, maka dapat dikatakan sisaan mengikuti sebaran normal. 3. Uji kehomogenitasan

I Chart for RESI1


0,4 0,3 0,2 3,0SL=0,3217

Individual Value

0,1 0,0 -0,1 -0,2 -0,3 -0,4 0 1 2 3 4 5 6 7 8 9 10 -3,0SL=-0,3217 X=-1,3E-16

Observation Number

Dari grafik diatas dapat kita simpulkan bahwa antara variable terikat dengan variable bebas mempunyai keragaman yang homogen, dengan melihat titik-titik plotnya saling menyebar dan tidak ada titik plot yang melewati 2 garis merah itu berarti tidak ada data pencilan.

Mengerjakan menggunakan SPSS MODEL: MOD_1. Dependent variable.. X Method.. LINEAR

Listwise Deletion of Missing Data

Multiple R R Square Adjusted R Square Standard Error

,75825 ,57495 ,52182 42,11958

Analysis of Variance:

DF Sum of Squares Regression Residuals 1 8 19197,525 14192,475 Signif F = ,0110

Mean Square 19197,525 1774,059

F = 10,82124

-------------------- Variables in the Equation --------------------

Variable

SE B

Beta

Sig T

Y (Constant)

1,550063 -405,472466

,471206 169,686459

,758253 -2,390

3,290 ,0439

,0110

Dependent variable.. X

Method.. QUADRATIC

Listwise Deletion of Missing Data

Multiple R R Square Adjusted R Square Standard Error

,79868 ,63789 ,53443 41,56033

Analysis of Variance:

DF Sum of Squares

Mean Square

Regression Residuals

2 7

21299,171 12090,829

10649,586 1727,261

F = 6,16559

Signif F = ,0286

-------------------- Variables in the Equation --------------------

Variable

SE B

Beta

Sig T

Y Y**2 (Constant)

16,316618 -,021421 -2928,738899

13,394922 ,019420 2293,625818

7,981699 -7,227801 -1,277

1,218 -1,103 ,2424

,2626 ,3065

X
300

200

100 Observed Linear 0 280 300 320 340 360 380 400 Quadratic

1. Uji F Dari table ANOVA diatas diperoleh sebesar 6,16559 dengan tingkat signifikansi

sebesar 0,0286. Oleh karena probabilitas (0,0286) < 0,05(dalam kasus ini menggunakan taraf signifikansi atau =5%), maka model regresi nonlinier quadratik ini dapat digunakan untuk memprediksi jauhnya loncatan. Biasanya output ini digunakan untuk menguji hipotesis. Hipotesisnya yaitu : H0 : tidak ada hubungan antara waktu pemanasan terhadap jauhnya loncatan. H1 : ada hubungan antara waktu pemanasan terhadap jauhnya loncatan. Ftabel = 1 Karena statistik hitung (Fhitung) = 6,16559 > statistik tabel(Ftabel) = 1, maka menolak H0, dan probabilitas (0,0286) jauh lebih kecil dari 0.05 maka model regresi dapat dipakai untuk memprediksi jauhnya loncatan.

2. Uji T Uji t digunakan untuk menguji signifikansi konstanta dan variabel independen (pengamatan).

Menguji signifikan konstanta pada model. Hipotesis: H0 : koefisien regresi a tidak signifikan. H1 : koefisien regresi a signifikan. Dalam tabel koefisien diperoleh nilai signifikan sebesar 0,0286 dibandingkan dengan taraf signifikan (=5%) 0,05 maka : Sig = 0,0286 < = 0,05, maka disimpulkan bahwa menolak H0, yang berarti koefisien regresi a signifikan.

3. Kesimpulan dari jawaban mengenai analisis data diatas kita memperoleh : Pada kasus ini, seluruh responden mempunyai kemampuan yang hampir sama, sehingga perbedaan jauh loncatan memang dipengaruhi oleh lamanya melakukan pemanasan. Secara teoritis dosen tersebut telah menemukan bahwa semakin lama melakukan pemanasan akan menurunkan kemampuan loncatan. Dengan demikian dosen tersebut mempunyai praduga bahwa hubungan antara lama melakukan pemanasan dan jauh loncatan tidak berbentuk garis linear tapi berbentuk parabola.

KESIMPULAN

Analisis regresi memiliki dua sifat analisis yaitu bersifat linear dan non linear. Pada sifat linear, maka kurva akan membentuk arah menaik atau menurun dengan garis lurus tergantung pada hubungan antara variabel dependen dan variabel independen baik sederhana maupun berganda. Sedangkan non linear memiliki dua model yaitu model kuadratik dan kubik dengan kurva membentuk garis lengkung. Dalam analisis regresi non linear pada program statistik SPSS, maka pokok utama adalah terlebih dahulu ditentukannya "nilai" pada parms untuk masing-masing parameter, kemudian menentukan model analisis, dan derivative (DER.) pada setiap parameter. Persamaan regresi non linear model polynomial kuadratik pada analisis data hubungan antara lamanya pemanasan terhadap jauhnya loncatan adalah Y = 1,93469 + 0,229174X - 6,91E03X**2. Dengan demikian pendekatan analisis regresi non linear model polynomial kuadratik dapat diaplikasikan pada hubungan antara lamanya pemanasan terhadap jauhnya loncatan.