UNIVERSITAS NEGERI
KELOMPOK
MAKASSAR
4
2013/2014
Syahriani
Lia angriani
Fatimah
Ahmad
REGRESI NON
LINEAR
waktu
menaksir/
mengistemasi
model
meramal,
hubungan
regresi
variable
non
linear
dapat
dependen
dan
=a+bX
meningkat
pada
pencarian
regresi
non
linear
atau
lengkung.
A. MODEL POLINOM
Model polinom dinyatakan dalam bentuk umum:
2
k
y=c0 + c1 x+ c2 x + +c k x ,
dimana
c i ,i=0,1,2, , k
konstanta.
y=c0 + c1 x+ c2 x 2
Dari model diatas, dapat ditulis model statistis parabola
dalam bentuk:
2
Y XY = 0+ 1 X + 2 X
dengan persamaan ini, huruf besar Y dan X
menunjukkan peubah statistis;
0, 1 ,
dan
data
( x i , y 1 ) ,i=1,2, , n
data
hasil
bo , b1 , dan
hasil
b2
ditentukan
pengamatan.
Jika
pengamatan
dalam
sebuah
sampel
bo a , b1 , dan
b2
i=1
i=1
i=1
n b0 +b 1 x i +b2 x i2= y i
n
i=1
i=1
b0 x i+ b1 xi +b 2 x i = x i yi
2
i=1
i=1
i=1
i =1
i=1
i=1
Persamaan 1
Contoh:
Seorang peneliti ingin mengetahui hubungan antara dosis oba
tertentu (X) dengan kadar Creatinin Ginjal (Y) kelinci percobaan,
dari hasil peneitiannya diperoleh hasil sebagai berikut :
Dosis
No. Obat
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Kadar
Creatin
1
2
3
4
5
7
3
2
4
6
7
8
8
1
3
10
13
15
20
16
11
14
12
21
17
10
7
6
11
16
jawab:
Kita tentukan dulu nilai yang perlu untuk regresi polinom
berderajat dua, yaitu:
No.
1
2
3
4
5
6
7
Dosis
Obat (X)
1
2
3
4
5
7
3
Kadar
Creatin
(Y)
10
13
15
20
16
11
14
X^2 X^3
X^4
XY
X^2Y
1
1
1
10
10
4
8
16
26
52
9
27
81
45
135
16
64
256
80
320
25
125
625
80
400
49
343
2401
77
539
9
27
81
42
126
8
9
10
11
12
13
14
15
15
2
4
6
7
8
8
1
3
64
12
21
17
10
7
6
11
16
199
4
16
36
49
64
64
1
9
356
8
64
216
343
512
512
1
27
2278
16
256
1296
2401
4096
4096
1
81
15704
24
84
102
70
56
48
11
48
803
48
336
612
490
448
384
11
144
4055
diselesaikan,
b2=0.8012312,
diperoleh
sehingga
1= 2=0 .
Prosedur penguji
RJK regresi
RJKR
=
RJK kesalahan RJKK
Ketik X dan Y pada kolom Name, ketik Disis Obat (X) dan Kadar
Kreatinin (Y) pada kolopm Label, lalu Klik Data View, maka muncul
Gambar
Regression
Model Summary
Model
.921a
R Square
Adjusted R
Square
Estimate
.848
.822
1.826
ANOVAa
Model
Sum of Squares
Regression
Residual
Total
df
Mean Square
222.930
111.465
40.004
12
3.334
262.933
14
F
33.436
Sig.
.000b
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Sig.
Coefficients
B
Std. Error
(Constant)
3.363
1.870
Dosis Obat
6.778
.974
XX
-.801
.104
Beta
1.798
.097
3.807
6.959
.000
-4.209
-7.694
.000
Kesimpulan :
- Koefisien korelasinya ( R ) = 0,921
- Bentuk hubungannya atau persamaan garis regresinya sangat
nyata (P<0,01), lihat sig pada ANOVA .000
- Persamaan garis regresinya
Klik Graph, pilih Legacy Dialog, klik Line, pilih Simple, lalu klik
Define, maka muncul Gambar
Graph
Quadratic
Model Summary
R
R Square
.921
Adjusted R
Square
Estimate
.848
.822
1.826
ANOVA
Sum of Squares
Regression
Residual
Total
df
Mean Square
222.930
111.465
40.004
12
3.334
262.933
14
F
33.436
Sig.
.000
Coefficients
Unstandardized Coefficients
Standardized
Sig.
Coefficients
B
Std. Error
Beta
Dosis Obat
6.778
.974
3.807
6.959
.000
Dosis Obat ** 2
-.801
.104
-4.209
-7.694
.000
(Constant)
3.363
1.870
1.798
.097
Y i=na+b X i+ c X i2 + d X i3
2
X i Y i=a X i + b X i +c X i + d X i
X i2 Y i=a X i2+ b X i3 +c X i4 + d X i5
X i3 Y i=a X i3 +b X i 4+ c X i5+ b X i6
Persamaan-persamaan
di
atas
dapat
diselesaikan
secara
diperlukan?
Uji
Tuna
Cocok
dapat
digunakan
untuk
Cocok
pengulangan
klasik
dapat
digunakan
pengamatan.
Dengan
hanya
istilah
kalau
ulangan,
pada
kita
suku-suku
yang
pangkatnya
meningkat.
JK ( X t Y X , X 2 , , X t1 )
1
t
2
t1
F ( X Y X , X , , X )=
RJKsiasaan ( X , X 2 , , X t1 )
Pendekatan uji seleksi maju yang dijelaskan di atas dapat
membawa pada pelemahan (underfitting) data, yakni algoritma
seleksi maju tampaknya berhenti terlalu cepat, sehinnga memilki
model dengan derjat lebih rendah daripada yang sesungguhnya
diperlukan.
Bias ini dapat dihindari dengan menggunakan strategi seleksi
mundur, dimana uji F pada setiap langkah mundur selalu
melibatkan rata-rata kuadrat kesalahan untuk model penuh (atau
terbesar) yang dibentuk. Akan tetapi, ketika menggunakan
pendeketan eliminasi mundur, itu mungkin menguatkan (overfit)
data, (yakni memilih sebuah model akhir yang sedikit lebih tinggi
daripada yang diperlukan). Untungnya, taksiran rata-rata kuadrat
sisa
dari
model
penuh
masih
merupakan
taksiran
sahih
untuk
menetapkanm
model
polinom,
kita
umumnya
B. MODEL EKSPONEN
Model eksponen adalah salah satu model yang juga banyak
digunakan apabila situasi tidak memungkinkan model linear atau
polinom. Perkiraan untuk model ini , yang persamaannya adalah:
=a b X
ternyata dapat dikembalikan kepada model linier apabila diambil
logaritmanya. Dalam logaritma persamaannya menjadi:
log
apabila
diambil
dan
b =log b ,
maka
diperoleh model
'
'
'
=a +b X
dan ini adalah model linier. Dengan menggunakan rumus
koefisien regresi linear sederhana, a* dan b* dapat dihitung , dan
selanjutnya a dan b dapat ditentukan. Dalam bentuk logaritma, a
dan b dapat dicari dengan rumus:
b
Xi
n
log ()
log Y i
a=
n
log
Yi
Yi
log
Xi
2
X i log( X i )
n
b=
log
Model eksponen tersebut sering pula disebut model
pertumbuhan
karena
sering
banyak
digunakan
dalam
biasa
juga
regresinya menjadi:
dapat
digunakan,
tetapi
persamaan
Umur
(Minggu)
(X)
jawab:
ln =ln a+bX
Ulang
an
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
Berat
Paru-Paru
(Y)
35
25
34
49
45
115
128
101
95
130
310
310
305
305
320
980
880
1010
985
1025
Yi
Yi
ln
Xi
2
X i ln( X i )
n
ln b
60
20 ( 280 )
20 ( 368.457 ) ( 60 ) (104.7249 )
0.542822
b
Xi
n
ln ()
ln Y i
a=
n
ln
104.7249
60
(0.5428)( )
n
20
3.60778
a=e 3.06778
36.88497
jadi,
=36.89 e o .52282 X
Klik Graphs, pilih Legacy Dialogs, lalu pilih dan klik Scatter/Dot,
kemudian klik simple Scatter, dan klik juga Define, maka muncul
Gambar :
=a ebx
ln =ln a+bX
Jadi
Y =36,892 e
maka
a=e 3,608=36,892
jadi
0,543 X
Y =36,892 e 0,543 X
dapat di
Klik Graph, pilih Legacy Dialog, klik Line, klik Simple, klik
Difine, maka muncul Gambar
C. MODEL GEOMETRIS
log X
dan
log Y .
log Y i
log X i
b
n
n
X i log Y i
log
Xi
Yi
log
Xi
log
log
n
b=
Sebagai contoh model geometris kita perhatikan data sebagai
berikut :
x
20
35
60
100
y
150
125
105
100
150
300
500
800
1200
1300
1500
1600
92
97
97
62
58
40
38
35
manualnya:
pertama-tama
kita
perhatika
nilai-nilai
yang
perlu
untuk
20
150
35
60
100
150
300
500
800
1200
1300
1500
1600
7565
125
105
100
92
97
97
62
58
40
38
35
999
log X
1.3010299
96
1.5440680
44
1.7781512
5
2
2.1760912
59
2.4771212
55
2.6989700
04
2.9030899
87
3.0791812
46
3.1139433
52
3.1760912
59
3.2041199
83
29.45185
764
log Y
2.176091
259
2.096910
013
2.021189
299
2
1.963787
827
1.986771
734
1.986771
734
1.792391
689
1.763427
994
1.602059
991
1.579783
597
1.544068
044
22.51325
318
log X log Y
2.831160
001
3.237771
743
3.593980
279
4
4.273381
526
4.921474
491
5.362237
316
5.203474
367
5.429914
407
4.988724
06
5.017536
872
4.947379
275
53.80703
434
log^2 X
1.692679
05
2.384146
126
3.161821
869
4
4.735373
168
6.136129
711
7.284439
084
8.427931
473
9.481357
146
9.696643
201
10.08755
569
10.26638
486
77.35446
138
X i log Y i
log
Xi
Yi
log
Xi
log
log
n
b=
29.4518
12 (77.354 )
12 ( 53.807 ) (29.4518 )( 22.513 )
645.6844663.0571
928.2535867.4117
17.3727
60.841
0.28554
log a=
log Y i
log X i
b
n
n
1.8761(0.28554 ) ( 2.45432 )
2.576911
Aplikasi SPSS
Regression
Model Summary
Model
.909
R Square
Adjusted R
Square
Estimate
.826
.809
.093169
ANOVAa
Model
Sum of Squares
df
Mean Square
Regression
.413
.413
Residual
.087
10
.009
Total
.500
11
Sig.
47.622
.000b
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Sig.
Coefficients
B
1
Std. Error
(Constant)
2.577
.105
LogX
-.286
.041
Beta
-.909
24.529
.000
-6.901
.000
=377.495 X 0.286
Buka data baru, ketik X dan Y, kemudian di view isi X dari 1- 12,
kosongkan Y. Klik Tranform, lalu klik lagi Compute Variable, maka
Klik Graph, pilih Legacy Dialog, klik Line, pilih Simple, lalu klik
Define, maka muncul Gambar berikut
Klik Other statistic (eg, mean), lalu klik Y, lalu pindahkan ke kotak
Variable. Klik
Graph
D.MODEL LOGISTIK
Bentuk yang paling sederhana model logistic dapat ditaksir oleh:
=
1
a bX
Untuk
1
=a b X
a+
Y =log
log
Koefisien-koefisien a dan b dapat dicari dengan menggunakan
b
Xi
n
log ()
log Y
a=
+
n
log
X i logY ( X i)( log Y )
Xi
2
n X i2
n
b=
log
Keuntun
gan (Y)
150
270
480
750
1350
2310
3625
5390
9950
15510
26500
40350
77510
111950
165300
311600
627480
804250
1540980
2314250
3923250
6010500
1233423
0
1597521
0
4430314
5
jawab:
Untuk mentransformasikan persamaan regresi non linear logistik
dalam bentuk linier, maka diperlukan nilai nilai sebagai berikut:
Bulan
(X)
Keuntun
gan (Y)
150
log y
2.1760
91
X^2
1
X*Log
Y
2.1760
91
270
480
750
1350
2310
3625
5390
9950
10
15510
11
26500
12
40350
13
77510
14
111950
15
165300
16
311600
17
627480
18
804250
19
1540980
20
2314250
21
3923250
22
6010500
1233423
0
1597521
0
4430314
5
23
24
300
2.4313
64
2.6812
41
2.8750
61
3.1303
34
3.3636
12
3.5593
08
3.7315
89
3.9978
23
4.1906
12
4.4232
46
4.6058
44
4.8893
58
5.0490
24
5.2182
73
5.4935
97
5.7976
5.9053
91
6.1877
97
6.3644
1
6.5936
46
6.7789
11
7.0911
12
7.2034
47
113.73
87
4
9
16
25
36
49
64
81
100
121
144
169
196
225
256
289
324
361
400
441
484
529
576
4900
4.8627
28
8.0437
24
11.500
25
15.651
67
20.181
67
24.915
16
29.852
71
35.980
41
41.906
12
48.655
7
55.270
12
63.561
65
70.686
34
78.274
09
87.897
56
98.559
2
106.29
7
117.56
81
127.28
82
138.46
66
149.13
6
163.09
56
172.88
27
1672.7
09
Xi
2
n X i2
n
b=
log
113.7387
24 ( 1672.709 )(300)
40145.0334121.61
11760090000
6023.42
27600
0.2182398
b=0.605007
b
Xi
n
log ()
log Y
a=
+
n
log
113.7387
0.2182398 ( 12.5 )
24
4.73912.727
2.0111137
a=0.00974
Jadi,
2.011137+0.2182 X
Aplikasi SPSS
Ketik X dan Y pada kolom Name, dan
Graph
Curve Fit
Logistic
Model Summary
R
1.000
R Square
Adjusted R
Square
Estimate
.999
.999
.085
ANOVA
Sum of Squares
Regression
290.401
df
Mean Square
1
290.401
F
40524.364
Sig.
.000
Residual
Total
.158
22
290.558
23
.007
Coefficients
Unstandardized Coefficients
Standardized
Sig.
Coefficients
B
Std. Error
Bulan
.605
.002
(Constant)
.010
.000
Beta
.368
400.598
.000
28.036
.000
E. MODEL HIPERBOLA
Perkiraan persamaan umum yang sederhana untuk model
hiperbola ini dapat dituliskan dalam bentuk:
=
1
a+ bX
1
=a+bX
1
Y
contoh:
Toko Maju Makmur pada hari pertama pembukaan memiliki
jumlah pengunjung yang berbeda pada setiap menitnya. Pada
menit-menit pertama pembukaan, terdapat banyak pengunjung
yang tertarik untuk melihat-lihat dan membeli di toko tersebut.
Data pengunjung diberikan sebagai berikut:
X = menit setelah toko dibuka
Y = jumlah pengunjung toko
X
20
35
60
100
150
Y
150
125
105
100
92
300
500
800
1200
1300
1500
1600
97
97
62
58
40
38
35
jumla
h
20
35
150
125
60
100
105
100
150
92
300
97
500
97
800
62
1200
58
1300
40
1500
38
1600
35
7565 -
diperoleh
X=7565,
X =8957725,
1
=0.178936,
Y
1/y
x^2
x.1/y
0.0066
0.1333
67
400
33
0.008
1225
0.28
0.0095
0.5714
24
3600
29
0.01 10000
1
0.0108
1.6304
7 22500
35
0.0103
3.0927
09 90000
84
0.0103 25000 5.1546
09
0
39
0.0161 64000 12.903
29
0
23
0.0172 14400 20.689
41
00
66
16900
0.025
00
32.5
0.0263 22500 39.473
16
00
68
0.0285 25600 45.714
71
00
29
0.1789 89577 163.14
36
25
35
X.
1
=163.1435
Y
sehingga didapat:
(
a=
1
1
2
)( X )( X )( X . )
Y
Y
n ( X 2) ( X )2
368681.2
50263475
0.007335
n X.
b=
1
1
( X )
Y
Y
( )
n ( X 2) ( X )
604.06516
50263475
0.000012
Jadi persamaan regresi model hiperbola dari data di atas adalah
1
=
0.007335+0.000012 X
aplikasi SPSS
Regression
Model Summary
Model
R Square
.963a
Adjusted R
Square
Estimate
.927
.919
.0021899
a. Predictors: (Constant), X
ANOVAa
Model
Sum of Squares
df
Mean Square
Regression
.001
.001
Residual
.000
10
.000
Total
.001
11
Sig.
126.151
.000b
a. Dependent Variable: Y1
b. Predictors: (Constant), X
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Sig.
Coefficients
B
1
(Constant)
X
a. Dependent Variable: Y1
Std. Error
.007
.001
1.202E-005
.000
Beta
.963
7.934
.000
11.232
.000
DAFTAR PUSTAKA
Tiro, Arif. 2010. Analisis Kolerasi dan Regresi. Makassar:
Andira Publisher