REGRESI DAN KORELASI

What are regression & correlation analysis?

Dalam bidang teknik sumberdaya air

seringkali kita perlu melakukan evaluasi
terhadap beberapa kejadian terukur yang
secara kuantitatif dinyatakan sebagai
variable.
Kejadian terukur dapat berupa proses alam
(natural event) atau perlakuan tertentu
(specific treatment) terhadap suatu proses
dengan variasi/keragaman yang dirancang.

REGRESI DAN KORELASI

Examples?

Hubungan antar variabel tersebut perlu

diketahui apakah cukup signifikan dan
rumusan hubungan secara kuantitatif yang
terbaik juga diinginkan.

Dalam hal demikian kita dapat membedakan

beberapa variabel sebagai response
variable (dependent variabel) atau sebagai
explanatory variable (independent variable).

REGRESI DAN KORELASI

Tingkat atau derajat keberadaan hubungan

antara kedua tipe variabel diukur secara
kuantitatif dengan korelasi yang dinyatakan
dalam koefisien korelasi (correlation
coefficient).

Penetapan suatu variabel sebagai response

variable umumnya berdasarkan pertimbangan
penggunaan rumusan hubungan kausal yang
diinginkan dan/atau variabel mana yang lebih
banyak mengandung ketidakpastian (error).

REGRESI DAN KORELASI

Contoh:
1.

Hubungan antara jumlah hujan bulanan P (mm)

dan jumlah runoff V (m3) di suatu DAS tertentu.
Umumnya V diperlakukan sebagai response

variable karena pengukuran V mengandung

kesalahan yang lebih besar dari pada P.
Jika hubungan terbaik antara P dan V dapat

dirumuskan dan teruji validitasnya, maka

untuk nilai P tertentu dapat diperkirakan
besarnya V.

REGRESI DAN KORELASI

Contoh:
2.

Hubungan antar beberapa faktor meteorologi

yang dapat terukur (E, T, RH, n, U2, Ra).
Besaran apa yang diperlakukan sebagai

response variable?
Logic reason of causal relationship?

Example of an empiric formula?

REGRESI DAN KORELASI

Contoh:
3.

Hubungan antara debit aliran sungai Q (m3/dt)

dan kedalaman/tinggi muka air H (m) sebagai
rating curve.
Besaran apa yang diperlakukan sebagai

response variable?
Logic reason of causal relationship?
Example of an empiric formula?

REGRESI DAN KORELASI

Kegunaan Analisis Regresi dan Korelasi
1.

Untuk mengetahui keterkaitan antar fenomena

alam atau hasil rekayasa sebagai variabel.

2.

Untuk melakukan seleksi beberapa faktor

dominan yang mempengaruhi kuantitas
keragaman suatu fenomena alam atau
rekayasa.

3.

Untuk melakukan pengaturan/prediksi/perkiraan

kuantitas suatu response variable tertentu
apabila diketahui nilai predictor variable nya
yang dapat diukur/dikendalikan.

REGRESI DAN KORELASI

Tipikal Persamaan Regresi
1.

Berdasarkan bentuk persamaan hubungan

antara response variable dan predictor variable:

a. Linear Regression
b. Non-linear Regression
2.

Berdasarkan banyaknya predictor variable:

a. Simple Regression
b. Multi Variables (Complex)

REGRESI DAN KORELASI

Contoh Persamaan Regresi
Linear

:Y=a+bX

Multi linear

:Z=a+bX+cY

Simple Non-linier

:S=aHb

Complex Non-linier

: Qt = a (Pt It) + Qo e-kt

Polynomial

: Y = a0 + a1X + a2X2 .. + anXn

REGRESI DAN KORELASI

Metode Penetapan Persamaan Regresi
1.

Cara analitis dengan pendekatan Least

Square langsung.

2.

Cara analitis dengan pendekatan Least

Square dan penyelesaian persamaan linier
simultan.

3.

Dengan pendekatan operasi matrik.

SIMPLE LINEAR REGRESSION

Metode Least Square
Y=a+bX
v

Yi = hasil observasi

ei

Estimasi terbaik
v

Y (dependent variable)

Y = f (X)

Y = a + b Xi

Yi
a
xi

X (explanatory variable)

a=?

b=?

SIMPLE LINEAR REGRESSION

Jika dari hasil observasi diperoleh Xi an Yi,

dimana i = 1,2,3, n, berapakah estimasi nilai
a & b terbaik?

Prinsip jumlah kuadrat terkecil (least square)

Nilai jumlah kuadrat error

sekecil mungkin

2
i

i 1

Jika :

n
n ^
D 2 ei2 Y i a bxi

i 1
i 1

minimum maka kondisi least square akan

dipenuhi.
Apabila :
D 2
=0
a

dan

D 2
=0
b


n ^
D2
2 Y i a b xi 0

a
i 1

Y n a b x
i 1

.......................................................(1)

i 1

D2
0
b

2 ( Y i a b xi ) xi 0

i 1

n ^

2
Y
x

a
x

b
x
i
i i i 0
i 1

i 1

.....................................( 2 )

i 1

(1) na Y xi b
i 1

^
1 n
a xi y i xi b y b x ...........................................................(3)
n i 1
i 1

Substitusi (3) ke (2) akan diperoleh :

n

n x y x y
i 1
n

n x
i 1

2
i

i 1
n

i 1

( x )
i 1

Koefisien korelasi antara Y dan X :

r=

Dt 2 D 2
Dt 2

y y
Dt 2 =
i

i=1
n

^
y a bx 2
=
i

i=1

NON LINEAR REGRESSION

Exponential

bx

Y=ae

Ditranformasikan agar menjadi bentuk persamaan linear :

lnY ln ae

bx

lnY ln a ln ae
lna bX

bx

Misal :
p = ln (y)
A = ln (a)

;
;

B=b
q=x

P = A + Bq
n pq q . p
B
; A p Bq
n q ( q)
2

Substitusi (3) ke (2) akan diperoleh :

n

B=

n x y x y
i

i= 1

i= 1
n

i= 1

n x ( x )
i= 1

i= 1

Power function :

Y = ax

Log (Y) = log (a Xb)

= log (a) + b log (X)
Jika :
P = log (Y) ; A = log (a) ; B = b
Q = log (X) ;
maka :

P = A + Bq

REGRESI POLINOMIAL
Y = ao + a1.x + a2.x2 + + arxr

D Y a a x a x ... a x

i 1

D
- 2 Y a - a x - a x
a

i 1

2
i

i 1

2
i

D
- 2 Y a - a x - a x
ar

i 1

... - a x 0

... - a x x 0

... - a x x 0

D
- 2 Y a - a x - a x
a

2
i

Dalam bentuk operasi matrik :

X

X
.

.
.

X
i

X i .......... .. X i
2

X .......... .. X

r 1

.
.
.
X .......... ... X
r 1

r r

a
.

.
.

X Y

.

X X

K11 a0 + k12 a1 + .k1ra = m1

K21 a0 + k22 a1 +...k2ra = m2
.
.
.
.
.
.
.
.
.
.
.
.

Persamaan Linier
simultan dengan
Variabel a0, a1,
a2 ar

MATRIX APPROACH (General Form)

Example :
^

Y 0 1 x 2

Observed data :
i
Xi
Yi

:
:
:

1
2
3

2
4
5

3
5
8

4
6
10

5
7
11

6
9
13

7
10
13

Expected value :

i Yi 0 1 xi 2 xi


1 1
1
2
3 1

4 1

5 1

6 1

7
1

Vektor
Ekspektasi

2
3

5
4 2

5
5 0
8
: Y 10
6
6 x

1
11
7
7
2

9 3
13
13

10 10
2

Design matrix
[X]

Parameter vektor
[]

 X
D S ( ) (Y X ) (Y X )
S ( )
2 X (Y X ) 0
2

X X X Y
T

(X ) X Y
T

-1

Penyelesaian contoh kasus :

1

1
1

X 1

1
1

2 2

4 2
5 5

6 6

7 7

9 3
10 10

3
5

8

Y 10
11

13
13

7.000
X X 43.000
16.908

43.0000
311 .000

111 .849

63.000
38.606
X Y 450.000 X X 7.124
165.000
34.143
T

16.908
113 .000
43.000

34.043
1.419 6.589
6.559 30.775
7.124

7.124 34.043
38.606
7.124
1.419 6.589
34.143 6.559 30.775

63.000 7.448
450.000 0.241

165.000 7.439

Y 7.488 0.241X 7.439 X