STATISTIKA TERAPAN

UNIVERSITAS NEGERI
KELOMPOK
MAKASSAR
4
2013/2014
Syahriani
Lia angriani
Fatimah
Ahmad
REGRESI NON
LINEAR

REGRESI NON LINEAR

Regresi nonlinear adalah suatu metode untuk mendapatkan
model linear yang menyatakan hubungan variable dependen (Y)
dan independen(X). Tidak seperti regresi linear, yang dibatasi
oleh

waktu

menaksir/

mengistemasi

model

meramal,
hubungan

regresi
variable

non

linear

dapat

dependen

dan

independen dalam bentuk non linear dengan keakuratan yang

baik.
Untuk regresi sederhana, regresi yang melibatkan satu peubah
tak bebas (Y) dan satu peubah bebas (X), kelinearan

=a+bX

diyakinkan melalui pengujian hipotesis jika hipotesis linear

diterima, kita yakin hingga

tingkat keyakinan tertentu, bahwa

regresi itu bentuknya linear tidak diragukan. Namun, apabila

ternyata hipoteis linear ditolak, maka regresi linear tidak cocok
untuk digunakan dalam mengambil kesimpulan dan karenanya
perlu

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

(bilangan bulat positif) adalah

konstanta.

1. Model Polinom Derajat Dua

Sebagaimana kita ketahui bahwa model polinom
mempunyai hanya satu peubah dasar,yaitu x. untuk
k=1, kita memperoleh model regresi linear sederhana
(garis lurus). polinom derajat dua, yaitu k=2 mempunyai
model kuadratik (parabola) dengan bentuk umum:

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

menyatakan parameter yang tidak diketahui dan

Y XY menyatakan rerata Y

disebut koefisien regresi;

dan X yang diberikan.

Jadi, taksiran untuk model parabola kuadratik dapat
ditulis dengan:
2
=b 0 +b1 X +b 2 X ,
dengan koefisien-koefisien
berdasarkan

data

( x i , y 1 ) ,i=1,2, , n
data

hasil

bo , b1 , dan

hasil

b2

ditentukan

pengamatan.

Jika

menyatakan data hasil pengamatan

pengamatan

dalam

sebuah

sampel

berukuran n, metode kuadratik terkecil memberikan

nilai-nilai

bo a , b1 , dan

b2

dengan cara menyelesaikan

persamaan normal berikut

n

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

b0 x i2+ b1 x i3 + x i4= xi2 y i

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

dari table diatas kita memperoleh persamaan normal:

15 b0 +64 b 1+ 356 b2=199
64 b 0+ 356 b1 +2278 b2=803
356 b0 +2278 b1 +15704 b 2=4055
Setelah persamaan simultan ini
b0 =3.36313428 , b1=6.77798872 , dan

diselesaikan,
b2=0.8012312,

diperoleh
sehingga

persamaan regresi parabola dapat ditulis:

=3.36313428+6.77798872 X 0.8012312 X 2
Untuk menentukan apakah regresi kuadratik signifikan, kita
memerlukan uji hipotesis nol, H0: Regresi dengan suku-suku X
dan X2 tidak signifikan (yaitu

1= 2=0 .

Prosedur penguji

untuk hipotesis nol ini menggunakan uji F dengan menghitung

F=

RJK regresi
RJKR
=
RJK kesalahan RJKK

Dimana RJK adalah rata-rata jumlah kuadrat, atau jumlah kuadrat

(JK) dibagi dengan derajat kebebasan (dk) yang bersangkutan,
sehingga RJKR menyatakan rata-rata jumlah kuadrat kesalahan.
Untuk membandingkan nilai statistik F dengan nilai krisis yang

sesuai dari distribusi F, digunakan nilai tabel yang (dalam contoh

ini) mempunyai dk pembilang 2 dan dk penyebut 5. Jika nilai
statistik F lebih besar daripada nilai F tabel, maka pengujian
signifikan dan H0 ditolak. Akan tetapi dengan perhitungan
komputer, nilai tabel distribusi F tidak diperlukan karena nilai
statistika F yang diperoleh disertai dengan nilai peluang P(F >
Fhitung ) yang bisa disebut nilai p. Jika nilai p inilebih kecil
daripada nilai taraf signifikansi yang ditentukan, maka pengujian
signifikan
Perhitungan dengan Aplikasi SPSS

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

Setelah selesai menyalin data, lalu Klik Graph, pilih Legacy

Dialogs, klik ScatterDot, pilih Simple Scatter, klik Define, maka
muncul Gambar

Klik Kadar Kreatinin (Y), kemudian pindahkan dengan tadana ke Y

Axis
Klik Dosis Obat (X), kemudian pindahkan dengan tadana ke X Axis
Klik OK, maka diperoleh hasil sebagai berikut :

Hasil plot data menunjukkan bahwa kemungkinan persamaan garis

regresi berbentuk kuiadrartik yaitu : Y = 0 + 1X + 2X2 , maka
persamaan dapat dicari sebagai berikut :
Kembali ke Gambar sebelumnya, klik Tranform, lalu klik lagi
Compute Variable, maka muncul Gambar

Ketik XX pada Target Variable dan ketik X**2 pada Numerik

Expression, klik OK, maka muncul Gambar

Klik Analyze, pilih Regression klik Linear, maka muncul Gambar

Klik Kadar Kreatinin(Y), pindahkan dengan tanda ke Dependent

Dosis Obat (X), pindahkan dengan tanda ke Indeependent(s)
XX, pindahkan dengan tanda ke Indeependent(s)
Klik OK maka diperoleh hasil sebagai berikut :

Regression
Model Summary
Model

.921a

R Square

Adjusted R

Std. Error of the

Square

Estimate

.848

.822

1.826

a. Predictors: (Constant), XX, Dosis Obat

ANOVAa
Model

Sum of Squares
Regression

Residual
Total

df

Mean Square

222.930

111.465

40.004

12

3.334

262.933

14

a. Dependent Variable: Kadar Creatin

b. Predictors: (Constant), XX, Dosis Obat

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

a. Dependent Variable: Kadar Creatin

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

Y =3.363+6.778 X 0,801 X 2 , lihat nilai B

pada table Coefisient.

Setelah persamaan garis regresi dianggap sesuai dengan yang kita
inginkan, maka kita bisa menggambar persamaan tersebut, dengan
cara sebagai berikut
hapus atau kosongkan angka-angka yang ada pada kolom X dan Y,
kemudian ketik angka 0 sampai dengan angka 8 pada kolom X. Klik
transform, kemudian klik lagi Compute Variable, maka muncul
Gambar

Ketik Y pada Target Varable dan ketik 3.363 + 6.778*X

0.801*X**2 Numeric Expression, klik Ok, mka diperoleh Gambar

Klik Graph, pilih Legacy Dialog, klik Line, pilih Simple, lalu klik
Define, maka muncul Gambar

Klik Other statistic (e.g mean)

Klik Kadar Kreatinin (Y), pindahkan dengan tanda ke Variable
Klik Dosis Obat (X), pindahkan dengan tanda ke Category Axis
Klik OK, maka diperoleh hasil sebagai berikut :

Graph

atau bisa dengan cara lain:

Klik Analyze, pilih Regression klik Curve Estimation, maka muncul
Gambar:

Klik Dosis Obat (X), pindahkan dengan tandan ke kotak Variable

Klik Kadar Kreatinin (Y), pindahkan dengan tanda ke kotak
Dependent(s)
Berikan tanda V pada kotak Quadratic dan kotak Display ANOVA
table.
Klik OK, maka diperoleh hasil sebagai berikut :

Quadratic
Model Summary
R

R Square

.921

Adjusted R

Std. Error of the

Square

Estimate

.848

.822

1.826

The independent variable is Dosis Obat.

ANOVA
Sum of Squares
Regression
Residual
Total

df

Mean Square

222.930

111.465

40.004

12

3.334

262.933

14

The independent variable is Dosis Obat.

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

3. Model Polinom Berderajat Tiga (Kubic)

Persamaan umum untuk perkiraan model ini adalah:
=a+bX +c X 2 +d X 3

dengan koefisien a, b, c dan d dihitung dari data hasil

pengamatan. system persamaan yang harus diselesaikan untuk
menentukan a, b,c, da d adalah:

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

serentak dengan menggunakan metode eliminasi, juga dengan

metode Cramer.

4. Model Derajat Lebih Tinggi (Polinom Pangkat

k)
Kita sudah melihat cara ide-ide dasar regresi ganda dapat
diterapkan untuk membentuk dan menguji model kuadratik dan
kubik.metode yang sama digunakan untuk semua model polinon
derajat lebih tinggi.namun,beberapa isu terkait perlu didiskusikan
: yakni penggunaan polinom ortogonal dan strategi untuk
memilih sebuah model polinom.
Dengan memperhatikan contoh diatas, dapat disimpulkan
bahwa makin tinggi pagkat polinom, makin bnayak persamaan
yang harus diselesaikan dan makin tinggi pula pangkat untuk X.
Ini tentu saja mengundang kita untuk menggunakan alat hitung
yang lebih tinggi kemampuannya.

5. Uji Tuna Cocok

Andaikan bahwa sebuah model polinom sudah dibentuk dan

taksiran-taksiran koefisien regresinya diuji untuk signifikansi.
Bagimana seseorang dapat meyakini bahwa sebuah model dari
derajat lebih tinggi dari derajat tertinggi yang diuji tampaknya
tidak

diperlukan?

Uji

Tuna

Cocok

dapat

digunakan

untuk

pertanyaan ini. Secara koseptual, uji Tuna Cocok menyangkut

evaluasi dari sebuah model yang lebih rumit dari pada yang
dipertimbangakan sebelumnya. Secara historis, istilah tersebut
kadang-kadang digunakan untuk menjelaskan prosedur klasik. Uji
Tuna

Cocok

pengulangan

klasik

dapat

digunakan

pengamatan.

Dengan

hanya

istilah

kalau
ulangan,

pada
kita

maksudkan bahwa satuan eksperimen (subjek) mempunyai nilai

X yang sama dengan satuan eksperimen yang lain.

6. Strategi Penentuan Model Polinom

Model polinom, kadang-kadang memulai dengan model terkecil,
melibatkan hanya satu satu suku linear, dan secara berurutan
menambahkan

suku-suku

yang

pangkatnya

meningkat.

Prosedur ini adalah sebuah strategi pembuatan model seleksi

maju.
Dengan strategi seleksi maju, seseorang biasanya menguji
pentingnya sebuah calon peubah peramal(predictor) dengan
membandingkan jumlah kuadrat ekstra regresi untuk tambahan
peramal itu terhadap rerata kuadrat sisaan (residual mean
square). Rerata kuadrat sisaan ini berdasarkan pada penentuan
sebuah model yang memuat calon peubah(peramal) dean
peubah-peubah yang tidak ada di dalam model. Statistik F parsial
yang sesuai dalam bentuk

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

(unbiased). Akibatnya, menggunakan taksiran ini pada penyebut

uji F parsial pada setiap langkah mundurakan tetap menjadi
prosedur sahih. Apa yang hilang dengan sedikit mengangkat
data adalah suatu kuasa statistis (statistical power), akan tetapi
kehilangan ini biasanya diabaikan.
Jadi,

untuk

menetapkanm

model

polinom,

kita

umumnya

merekomendasikan strategi eliminasi mundur untuk memilih

peubah, dan menggunakan dalam semua uji F parsial taksiran
rata-rata kuadrat kesalahan berdasarkan pada model polinom
derajat tertinggi. Jika mengimplementasikan startegi ini,kita
rekomendasikan pertama, memilih model derajat tiga atau lebih
rendah untuk menyederhanakan interpretasi dan meningkatkan
kecermatan perhitungan. Kedua, lakukan seleksi mundur dalam

bentuk bertahap mulai dari suku derajat tertinggi, seseorang

harus secara berturut-turut menghilangkan suku-suku yang tidak
signifikan, berhenti pada suku dengan derajat yang pertama
signifikan. Suku ini dan semua suku dengan derajat lebih rendah
harus dipertahankan dalam model akhir. Ketiga, lakukan uji F
parsial-ganda untuk tuna cocok. Keempat, metode analisis sisaan
harus digunakan, seperti dengan semua pendekatan regresi.

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

log =log a+ ( log b ) X

apabila

diambil

' =log , a' =loga

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

menganaliss data sebagai hasil pengamatan mengenai gejala

yang sifatnya tumbuh. Dalam hal ini, modelnya diubah sedikit
dan persamaannya menjadi:

=a ebx , dengan e= bilangan

pokok logaritma alam, yang nilainya hingga empat decimal

adalah 2,7183.
Penyelesaian model ini dilakukan dengan mengambil logaritma
natural, sehingga menjadi:
ln =ln a+bX
Logaritma

biasa

juga

regresinya menjadi:

dapat

digunakan,

tetapi

persamaan

log =log a+0,4343 bX

CONTOH:
Seoarang peneliti ingin mengetahui pertumbuhan paru-paru itik
Bali, untuk tujuan tersebut dipelihara 20 ekor itik. Itik tersebut
dipotong masing-masing 5 ekor pada minggu ke 0, 2, 4 dan 6
dan kemudian diambil paru-parunya lalu dilakukan penimbangan.

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

Aplikasi dengan SPSS

Sebelum kita menentukan persamaannya, kita buat dulu plot
datanya

Klik Graphs, pilih Legacy Dialogs, lalu pilih dan klik Scatter/Dot,
kemudian klik simple Scatter, dan klik juga Define, maka muncul
Gambar :

Klik Berat paru-paru (Gram)Itik [Y] pindahkan dengan

tandake Y Axis
Klik Umur(Minggu)[X] pindahkan dengan tanda ke X axis,
lalu klik Ok maka diperoleh gambar sebagai berikut :

Dari plot data tersebut maka persamaan garisnya diduga :

atau dalam bentuk linier

=a ebx

ln =ln a+bX

Lakukan tranformasi Ln terhadap Y, dengan cara :Klik Transform, pilih

Compute Variable, maka muncul Gambar

Klik All pada Function group Klik Ln pada Functions and

Special Variables, lalu pindahkan dengan tanda ke
Numeric Expression. Ketik LnY pada Target Variable dan
ketik atau pindahkan Y Berat Paru-paru (Gram) Itik ke
dalam tanda kurung LN pada Numeric Expression, lalu klik
OK, maka diperoleh Gambar

Klik Variable View lengkapi kolom Label dengan Ln Berat

Paru-paru (Gram) itik.
Klik Analyse, lalu pilih Regression kemudian klik Linear,
maka muncul Gambar

Klik Ln Berat Paru-paru (Gram) Itik [LnY], pindahkan

dengan tanda ke kotak Dependent. Klik Umur (Minggu)
[X], pindahkan dengan tanda ke kotak Independent (s),
lalu kelik OK, maka diperoleh hasil analisis

Jadi

:ln a=3 .608 ,

Y =36,892 e

maka

a=e 3,608=36,892

jadi

0,543 X

Grafik dari persamaan regresi

Y =36,892 e 0,543 X

dapat di

gambar dengan cara sebagai berikut : Kita kembali ke

Gambar 4.1.3., ganti nilai X dengan angka 0 sampai
dengan angka 6, sedangkan pada kolom Y dikosongkan
dulu (nilainya dihapus).
Klik transform, lalu klik Compute Variable, mka muncul
Gambar 4.1.9, ketik Y pada Target Variable dan ketik
36.892*2.71828**(0.54*X) pada Numeric Expression, lalu
klik OK, Gambar dilengkapi pada kolom Y nya.

Klik Graph, pilih Legacy Dialog, klik Line, klik Simple, klik
Difine, maka muncul Gambar

C. MODEL GEOMETRIS

Seperti halnya model eksponen, maka model geometri juga

dapat dikembalikan pada model linier. Persamaan umum model
ini di taksir oleh bentuk:
=a X b
jika diambil logaritmanya, maka:
log =log a+b log X
dan ini merupakan model linear dalam

log X

dan

log Y .

Koefisien koefisien a dan b dapat dicari dari:

log a=

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

menghitung a dan b pada model ini.

x

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

Pertama-tama kit agambar dulu Scatter Plotnya:

klik Tranform, lalu klik lagi Compute Variable, maka muncul

Gambar

begitu juga untuk log Y, lakukan kegiatan seperti diatas

Klik Analyze, pilih Regression klik Linear, maka muncul
Gambar berikut:

Klik Y, pindahkan dengan tanda ke Dependent

Klik X, pindahkan dengan tanda ke Indeependent(s)
Klik OK maka diperoleh hasil sebagai berikut :

Regression

Model Summary
Model

.909

R Square

Adjusted R

Std. Error of the

Square

Estimate

.826

.809

.093169

a. Predictors: (Constant), LogX

ANOVAa
Model

Sum of Squares

df

Mean Square

Regression

.413

.413

Residual

.087

10

.009

Total

.500

11

Sig.

47.622

.000b

a. Dependent Variable: LogY

b. Predictors: (Constant), LogX

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

a. Dependent Variable: LogY

Jadi persamaan garis regresinya adalah :

atau

=377.495 X 0.286

log =2.5770.28 6 log X ,

Setelah persamaan garis regresi dianggap

sesui dengan yang kita inginkan, maka kita bisa menggambar

persamaan tersebut, dengan cara sebagai berikut :

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

muncul Gambar berikut

Maka diperoleh hasil seperti pada Gambar

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

X, lalu pindahkan ke Category Axis, klik OK, maka

diperoleh hasil sebagai berikut

Graph

D.MODEL LOGISTIK
Bentuk yang paling sederhana model logistic dapat ditaksir oleh:
=

1
a bX

Untuk

yang tidak sama dengan nol, bentuk diatas dapat

pula ditulis sebagai

1
=a b X

jika diambil logaritmanya, maka didapat:

b
log 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

Sebagai contoh Data penjualan suatu produk dari mulai diproduksi

sampai produk tersebut berumur 24 bulan (2 tahun) serta
keuntungannya adalah sebagai berikut:
Bulan
(X)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
300

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

 X i logY ( X i)( log Y )

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,

log Y =log alog bX

2.011137+0.2182 X

Aplikasi SPSS
Ketik X dan Y pada kolom Name, dan

ketik Bulan dan

Keuntungan pada kolom Label, lalu klik Data View,

Salin data pada Tabel diatas, seperti tampak pada Gambar
berikut

Sebelum menentukan persamaan garis regresi sebaiknya kita buat

dulu menyebaran datanya dalam scatterplot.

Graph

Dalam plot di atas diketahui bahwa model regresi yang diperoleh

tidak berbentuk linier akan tetapi berbentuk non linier yaitu
Logistik.

kita menggunakan Curve Estimation untuk menganalisis regresi ini

tapi sebelumnya salin dulu datanya seperti gambar berikut

Klik Analyze, pilih Regression klik Curve Estimation, maka muncul

Gambar:

Klik Keuntungan [Y] pindahkan dengan tanda ke Dependent(s)

dan klik juga Bulan [X] pindahkan dengan tanda ke Variabel, lalu
klik atau tandai kotak Logisitic dan kotak Disply ANOVA table, lalu
klok OK, maka diperoleh hasil sebagai berikut :

Curve Fit

Logistic

Model Summary
R

1.000

R Square

Adjusted R

Std. Error of the

Square

Estimate

.999

.999

.085

The independent variable is Bulan.

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

The independent variable is Bulan.

Coefficients
Unstandardized Coefficients

Standardized

Sig.

Coefficients
B

Std. Error

Bulan

.605

.002

(Constant)

.010

.000

The dependent variable is ln(1 / Keuntungan).

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

atau jika tidak ada

berharap nol dapat ditulis menjadi:

1
=a+bX

yang ternyata merupakan bentuk linier dalam variable-variabel X

dan

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

Nilai-nilai yang diperlukan untuk mencari parameter adalah

sebagai berikut:
X

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

( 0.178936 )( 8957725 ) (7565)(163.1435)

2
12 ( 8957725 )(7565)

368681.2
50263475

0.007335

n X.
b=

1
1
( X )
Y
Y

( )

n ( X 2) ( X )

( 12 ) ( 163.1435 )(7565)( 0.178936)

2
12 ( 8957725 )(7565)

604.06516
50263475

0.000012
Jadi persamaan regresi model hiperbola dari data di atas adalah
1
=
0.007335+0.000012 X

aplikasi SPSS

pertama-tama kita ubah Y menjadi 1/Y sebagai bentuk linear dari

model hiperbola

Kemudian, Klik Analyze, pilih Regression klik Linear, maka muncul

Gambar

Klik OK maka diperoleh hasil sebagai berikut

Regression

Model Summary

Model

R Square

.963a

Adjusted R

Std. Error of the

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

Data di atas dianalisis dengan regresi model hiperbola yang

ditransformasi menjadi bentuk linier.

DAFTAR PUSTAKA
Tiro, Arif. 2010. Analisis Kolerasi dan Regresi. Makassar:
Andira Publisher

Sudjana. 2005. Metoda Statistika Edisi ke-6. Bandung:

Penerbit Tarsito
Sudjana.1997. Statistika untuk Ekonomi dan
Niaga.Bandung: Penerbit Tarsito
Sudjana. 1983. Teknik Regresi dan Kolerasi. Bandung :
Penerbit Tarsito
Sudjana. 2002. Desain dan Analisis Eksperimen.
Bandung: Penerbit Tarsito
Sarwono, Jonathan. 2013. Model-Model Linier dan Non
Linier dalam IBM SPSS 21. Jakarta: Elex Media
Komputindo
Sarwono, Jonathan. 2013. Jurus Ampuh SPSS untuk
Riset Skripsi. Jakarta: Elex Media Komputindo