PAPER
diajukan untuk tugas mata kuliah Metode Numerik
Dosen Pengampu
Yunda Kurniawan, M. Pd
Oleh
Yayah Shulhiyyah
1101125149
5B
2013
ABSTRAK
Banyak masalah prediksi dapat dinyatakan dalam model matematis seperti Regresi Linier Berganda
Persamaan . Pengguna dapat memprediksi kira-kira solusi masa depan , dengan membandingkan output yang
diturunkan dari model dan output model dari pengamatan . Hasilnya juga dapat statistik dibandingkan dengan
menggunakan Perhitungan Standar Deviasi . Pada artikel ini , penulis akan membahas bagaimana menghitung
Koefisien Beberapa persamaan Regresi Linier . Ada banyak metode yang dapat digunakan untuk menyelesaikan
perhitungan seperti menggunakan Metoda Kuadrat Minimal , seperti Determinan atau Cramer Metode , Matrix
Inverse , Penghapusan , Pergantian , Gauss Jordan , Eliminasi Gauss , Jacobi Iterasi , Gauss Seidel , dan Metode
Cholesky . Dalam tulisan ini , penulis akan hadir khususnya Eliminasi Gauss dan Gauss Seidel Metode dan
membandingkannya dengan metode standar seperti Matrix determinasi ( Cramer ) dan Invers . Dengan
menggunakan Metode Eliminasi Gauss , kita bisa mendapatkan koefisien yang sama dengan Matrix atau Metode
Determinan dan dengan menggunakan Metode Gauss Seidel ( Pendekatan Metode numerik ) , kita mendapatkan
hasil yang hampir sama dengan semua metode yang disebutkan di atas . Kata kunci : Regresi Linier Berganda ,
Eliminasi Gauss , Gauss Seidel , Metoda Kuadrat Terkecil , Iterasi .
BAB I
PENDAHULUAN
Dewasa ini peranan metode peramalan cukup signifikan, dalam artian untuk memberikan
gambaran di kemudian hari pada segala bidang, baik engineering, ekonomi, keuangan, pertanian, dan
lainnya. Salah satu metode dalam melakukan prediksi adalah menyatakan persoalan dalam bentuk
model matematik yang mengandung variable-variabel yang terlibat secara signifikan dalam model
peramalan tersebut.
Model matematik tersebut dinyatakan dalam bentuk persamaan linier yang memuat Variabel
Independen dan Variabel Dependen, yaitu Persamaan Regressi Linier Berganda (Multiple Regression).
Persamaan ini diturunkan dari sederetan sebaran data dan dengan menggunakan penurunan dari
Pendekatan Least Squares Error atau Kesalahan Kuadrat Terkecil dalam bentuk susunan persamaan
linier simultan dengan koefisien-koefisien pembentuknya harus dipecahkan lebih dahulu.
Penelitian ini dimaksudkan untuk memberikan alternatif cara menentukan koefisien koefisien
persamaan Regressi Linier dengan cara Pendekatan Numerik Metode Gauss Seidel dan Metode
Eliminasi Gauss, Metode Inversi Matrik, Metode Cramer sebagai pembandingnya. Penelitian ini juga
sekaligus membandingkan Standard Deviasi dari Output Model yang diperoleh dari Metode Eliminasi
Gauss, Metode Inversi Matrik, Metode Cramer dengan Pendekatan Iterasi Numerik dari Metode Gauss
Seidel.
Pada penelitian ini diberikan batasan bahwa kasus yang ditinjau adalah persoalan yang
mengandung 2 variabel bebas dan 1 variabel terikat, sehingga akan menghasilkan persamaan Linier
Berganda Y = f (x1, x2 ) . Pendekatan dalam Metode Numerik yang dibahas ialah Metode Eliminasi
Gauss dan Metode Gauss Seidel, dan sebagai pembandingnya dipergunakan Metode Inversi Matrik
dan Metode Determinant (Cramer). Sedangkan penurunan model Persamaan Linier Simultannya
menggunakan Pendekatan Least Squares Method. Pada penelitian ini penulis tidak mencantumkan
software Program Gauss Elimination dan Gauss Seidel yang telah disusun penulis. Jadi dengan kata
lain bahwa perumusan masalahnya adalah bagaimana menentukan koefisien- koefisien persamaan
regresi dengan pendekatan Matematika Numerik, antara lain Metode Eliminasi Gauss dan Metode
Iterasi Gauss Seidel
BAB II
PEMBAHASAN
1. Macam - Macam Peramalan
Teknik peramalan secara garis besar dapat dibagi menjadi dua kategori utama, yaitu metode
kuantitatif dan kualitatif. Metode kuantitatif dapat dibagi menjadi deret berkala dan metode kausal,
sedangkan metode kualitatif dapat dibagi menjadi metode eksploratoris dan normatif. Agar tidak
menjadi panjang lebar, maka dalam tinjauan pustaka ini hanya akan dibahas peramalan metode
kuantitatif saja.
menggunakan lebih dari satu variabel independen disebut Multiple Regression Model . Kebanyakan
konsep yang sudah ada lebih mengarahkan untuk menggunakan Simple Liniear Regression. Walaupun
demikian beberapa konsep baru muncul, karena lebih dari variabel independen yang digunakan untuk
memprediksi sebuah dependen variabel. Bentuk umum dari persamaan Multiple Regression Model
ialah:
Y =b 0 +b1 X 1 +b2 X 2 + b n X n
dimana:
Y : variabel dependen yang merupakan hasil peramalan
b0 : konstanta bebas ,
b1
X1
, X2 , Xn
b1
(a)
b2
(b)
a31 x1 + a32 x 2 + a 33 x3 = b3
(c)
Persamaan pertama dari sistem persamaan di atas dibagi koefisien pertama pada persamaan pertama,
x 1+
a12
a
b
x 2 + 13 x3 = 1 . Persamaan tersebut dikalikan dengan
a 11
a11
a11
a21 x 1 +a 21
a12
a
b
x2 +a 21 13 x3 =a21 1
a11
a11
a 11
a 22a21
a12
a13
b 11
x + a23a21
x = b 2a 21
a11 2
a11 3
a11
) (
) (
Secara singkat metode ini berprinsip pada tata cara mengeliminir variable dengan cara menormalkan
persamaan yang dijadikan acuan, misalkan dalam hal persamaan pertama. sehingga sistem persamaan
menjadi:
a22 x 2 +a 23 x 3=b2
a33 x3 =b3
Dengan demikian dapat dituliskan :
b3' '
x 3= ' '
a33
b' 2a23 x3
x 2=
a' 22
x 1=
b1a 12 x2 a13 x 3
a11
(tidak dijelaskan pada paper ini), namun perbedaannya ialah bahwa pada metode
Jacobi, nilai x1 yang dihitung dari persamaan pertama tidak digunakan untuk
menghitung nilai x2 pada persamaan kedua. Demikian pula nilai x2 tidak
digunakan untuk mencari nilai x3, sehingga nilai-nilai tersebut tidak
termanfaatkan. Sebenarnya nilai-nilai baru tersebut
lebih baik dari nilai-nilai yang lama. Pada Metode Gauss Seidel ini nilai-nilai
tersebut dimanfaatkan untuk menghitung variable berikutnya. Dengan demikian
berlaku prosedur iterasi sebagai berikut:
(b1a21 x 02a13 x 30)
x =
a 11
1
1
x 21 =
(b2a21 x 1a23 x3 )
a22
Demikian juga ke dalam persamaan ketiga dari sistem disubstitusikan nilai baru
x 11 dan
x 21 , sehingga diperoleh :
1
(b a x a x )
x = 3 31 1 32 2
a33
1
3
Dengan cara seperti ini, nilai x1, x2 , x3 akan diperoleh lebih cepat mencapai
convergen daripada menggunakan metode Iterasi Jacobi.
BAB III
APLIKASI DALAM DATA
1. Penyajian Data Dan Pemecahan
Dalam bagian ini akan diberikan contoh persoalan untuk menentukan
keterkaitan hubungan antara prosentase kenaikan harga saham (X1), prosentase
kenaikan daya beli masyarakat (X2), kenaikan hasil penjualan saham (Y). Dengan
demikian kita akan mencari persamaan Regressi Linier yang menggambarkan
hubungan antara variable Dependent (Y), variable independent ( X1) dan ( X 2 ) .
Dengan data hasil observasi di lapangan didapatkan hasil sebagai berikut:
Apabila
X1
X2
disubstitusikan
dan
ditabulasikan
akan
diperoleh
n
X1
X2
X1 X2
X 12 X 1 X 2
X 2 X 1 X 22
][ ] [ ]
b0
. b1 =
b2
Y
X 1Y
X 2Y
Dan persamaan (1), (2), dan (3) bila disusun dalam sistem
matriks akan diperoleh hasil sebagai berikut :
][ ] [ ]
5 15 28 b 0
22
.
=
15 55 101 b1
81
28 101 186 b2
149
Adjoint Matrik =
29
38 25
38 146 85
25 85 50
29
38 25
38 146 85
25 85 50
dan
[][
b0
5 15 28
b1 = 15 55 101
28 101 186
b2
][ ]
22
. 81
149
][ ] [ ]
29
38 25 22
0,6
1
.
=
38 146 85 81
0,2
15
25 85 50 149
1
contoh
Y =0,60,2 X 1 + X 2
] [
] [
5 15 28
22 15 28
M = 15 55 101 ; M 1= 81 55 101 ;
28 101 186
149 101 186
5 22 28
5 15 22
M 2= 15 81 101 ; M 3= 15 55 81
28 149 186
28 101 149
b0 =
det M 1
det M 2
det M 3
=0,6 b 1=
=0,2 b 2=
=1
detM
detM
detM
Y =0,60,2 X 1 + X 2
Y =0,60,2 X 1 + X 2
b1=
b2=
b1=
b2=
Eror
b0 =
3,6344,4
=0,21=21
3,634
Eror
b1=
0,498840,2727
=0,4533=45,33
0,49884
Eror b2=
0,01685(0,009369)
=0,44397=44,397
0,01685
b1=
b2=
Eror
b0 =
2,997843,634
=0,21226=21,226
2,99784
Eror
b1=
0,686070,49884
=0,2729=27,29
0,68607
Eror b2=
0,02275586(0,0 1685)
=0,2595=25,9531
0,02275586
b1=
b2=
Eror
b0 =21,4
Eror
b1=18,43
Eror
b2=16,819
Eror
b0 =0,00011
Eror
b1=0,00130868
Eror
b2=0,000151486
Maka diperoleh persamaan Regresi Linier dengan metode Iterasi Gauss Seidel,
sebagai berikut :
Y =0,5996061380,198503445 X 1+ 0,99912806 X 2
4.5 Perhitungan Error Model Persamaan Terhadap Observasi
Selanjutnya untuk mengetahui tingkat akurasi masing-masing model
persamaan regresi Linier yang diperoleh, maka dilakukan langkah substitusi dan
tabulasi terhadap Persamaan Regresi Linier yang diperoleh sebagai berikut :
No
1
2
3
4
5
Y dari Hasil
Error Kuadrat
Error
Kuadrat
Obsernasi
Regresi
Regresi
Model
Model
Regresi
Model
Metode
Pertama
Gauss Seidel
Pertama
Gauss
1,20000
3,00000
4,80000
5,60000
740000
Seidel
1,20015
2,99990
4,79965
5,60028
7,40003
STANDAR
0,0400000000
0,0400000000
0,1600000000
0,1600000000
0,4000000000
0,3162277660
0,0400586390
0,0000000102
0,0401393580
0,1597788554
0,1600233676
0,4000002301
0,31622785696
DEVIASI
1
3
5
6
7
TOTAL
dari
dari
BAB IV
KESIMPULAN
Hasil yang bisa disimpulkan dari penelitian ini ialah bahwa terdapat
beberapa metode sebagai alternatif untuk menentukan koefisien-koefisien
persamaan Regerssi Linier Berganda di samping cara komputasi yang
menggunakan software khusus aplikasi pengolahan statistik, misalkan SPSS.
Metode itu antara lain: Metode Cramer, Metode Inversi Matrik, Metode
Eliminasi Gauss dan Metode Gauss Seidel. Namun untuk menggunakan
metode-metode di atas terlebih dahulu sebaran data
DAFTAR PUSTAKA