Anda di halaman 1dari 8

Metode Numerik & Komputasi

Analisa Regresi

Disusun Oleh :
M Dede Firdaus
125874244

Kelas : S1 TE A 2012

Dosen : I Gusti Putu Asto B., S.T.,M.T

PROGRAM STUDI S-1 TEKNIK ELEKTRO


JURUSAN TEKNIK ELEKTRO
FAKULTAS TEKNIK
UNIVERSITAS NEGERI SURABAYA
2014

KATA PENGANTAR
Alhamdulillah, puji syukur penulis ucapkan kehadirat Allah SWT. yang telah
melimpahkan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan tugas ini tepat
waktu dengan judul Metode Numerik & Komputasi : Analisa Regresi.
Dengan segala kerendahan hati penulis menyadari bahwa tugas ini tidak akan selesai
tanpa ada peran aktif dari semua pihak yang dengan rela hati membantu dalam proses
penyelesaiannya. Penulis berterima kasih kepada :
1. Allah SWT. dan Rasulullah SAW.
2. Ibu dan Ayah tim penulis yang selalu memberikan motivasi serta do'a yang tak pernah
putus demi kesuksesan buah hatinya.
3. Pak I Gusti Putu Asto B., S.T.,M.T selaku Dosen Pembimbing mata kuliah Metode
Numerik & Komputasi.
4. Mahasiswa S1 Teknik Elektro yang memberi keceriaan dan motivasi untuk
menyelesaiakan tugas ini.
Penulis menyadari bahwa tugas ini tidak lepas dari kekurangan dan kelemahan di
berbagai hal. Untuk itu penulis mengharapkan kritik dan saran yang membangun dalam
menyempurnakan penulisan tugas tersebut . Semoga dapat memberikan manfaat bagi semua
pihak.
Surabaya, 12 Mei 2014
PENULIS

Analisa Regresi.
Analisis regresi dalam statistika adalah salah satu metode untuk menentukan
hubungan sebab-akibat antara satu variabel dengan variabel(-variabel) yang lain. Variabel
"penyebab" disebut dengan bermacam-macam istilah: variabel penjelas, variabel
eksplanatorik, variabel independen, atau secara bebas, variabel X (karena seringkali
digambarkan dalam grafik sebagai absis, atau sumbu X). Variabel terkena akibat dikenal
sebagai variabel yang dipengaruhi, variabel dependen, variabel terikat, atau variabel Y.
Kedua variabel ini dapat merupakan variabel acak (random), namun variabel yang
dipengaruhi harus selalu variabel acak. Analisis regresi adalah salah satu analisis yang paling
populer dan luas pemakaiannya. Analisis regresi dipakai secara luas untuk melakukan
prediksi dan ramalan, dengan penggunaan yang saling melengkapi dengan bidang
pembelajaran mesin. Analisis ini juga digunakan untuk memahami variabel bebas mana saja
yang berhubungan dengan variabel terikat, dan untuk mengetahui bentuk-bentuk hubungan
tersebut.
Dalam analisis regresi sederhana, pengaruh satu variabel bebas terhadap variabel
terikat dapat dibuat persamaan sebagai berikut : Y = a + b X. Keterangan : Y : Variabel terikat
(Dependent Variable); X : Variabel bebas (Independent Variable); a : Konstanta; dan b :
Koefisien Regresi. Untuk mencari persamaan garis regresi dapat digunakan berbagai
pendekatan (rumus), sehingga nilai konstanta (a) dan nilai koefisien regresi (b) dapat dicari
dengan metode sebagai berikut :
a = [(Y . X2) (X . XY)] / [(N . X2) (X)2] atau a = (Y/N) b (X/N)
b = [N(XY) (X . Y)] / [(N . X2) (X)2]
Contoh
:
Berdasarkan hasil pengambilan sampel secara acak tentang pengaruh lamanya belajar (X)
terhadap nilai ujian (Y) adalah sebagai berikut :
(nilai ujian)
X (lama belajar)
X2
XY
40
4
16
160
60
6
36
360
50
7
49
350
70
10
100
700
90
13
169
1.170
2
Y = 310
X = 40
X = 370
XY = 2.740
Dengan menggunakan rumus di atas, nilai a dan b akan diperoleh sebagai berikut :
a
= [(Y . X2) (X . XY)] / [(N . X2) (X)2]
a
= [(310 . 370) (40 . 2.740)] / [(5 . 370) 402] = 20,4
b
b

=
=

[N(XY)

[(5 . 2.740)

(X
.
(40 .

Y)]
310]

/
/

[(N
[(5 .

Sehingga persamaan regresi sederhana adalah Y = 20,4 + 5,2 X

.
X2)

370) 402]

(X)2]
= 5,4

Analisa Regresi ada beberapa macam yaitu :


1. Metode Kuadrat Terkecil Untuk Kurva Linier
2. Linierisasi Kurva tidak Linier
3. Persamaan Berpangkat
4. Fungsi Eksponensial
Dalam laporan ini saya akan membahas Fungsi Eksponensial :
Di ketahui rumus dari Fungsi Eksponensial adalah :
y = a1.eb1x
ln y = ln a1 + b1xlne
a. Transformasi Log
Misalkan persamaan kurva yang di cari adalah :
y = axb
Transformasi dengan menggunakan fungsi log sehingga :
Log y = log axb

log b = log a + b log x


Dilakukan transformasi berikut :
P = log y
B=b
A = log a
q = log x
Sehingga persamaan di atas dapat di tulis dalam bentuk :
P = A + Bq
b. Transformasi ln
Misalkan persamaan kurva mempunyai bentuk :
Y = aebx
Transformasi dengan menggunakan fungsi ln, sehingga persamaan di atas menjadi :
Ln y = ln a ebx = ln a + ln ebx
Ln y = ln a + bx
Dilakukan transformasi berikut :
P = ln y
A = ln a
Q=x
B=b
Sehingga persamaan dapat di tulis :
P = A + Bq

Dari Materi di atas saya akan membahas bagaimana menggunakan transformasi ln.

Percobaan.

Soal :
Di ketahui x=[1 2 3 4 5]; dan y=[0.5 1.7 3.4 5.7 8.4];
Dari soal di atas saya akan menggunakan perhitungan dengan software Matlab :

Jawab :
Programnya :
x=[1 2 3 4 5];
y=[0.5 1.7 3.4 5.7 8.4];
P=polyfit(x,y,1);
yfit=polyval(P,x);
figure(1)
h=plot(x,y,'-.k',x,yfit,'-*r')
xlabel('sumbu x')
ylabel('sumbu y')
grid on;
disp('REGRESI KURVA TAK LINIER TRANSFORMASI LN');
P=log(y);
PQ=x.*P;
Q_kuad=x.^2;
Q_mean=((sum(x))/(length(x)));
P_mean=((sum(P))/(length(x)));
b=((length(x))*(sum(PQ))-(sum(x))*(sum(P)))/((length(x))*(sum(Q_kuad))((sum(x))^2));
disp(' ')
a=(P_mean-(b*Q_mean));
disp(' ')
e_a=exp(a);
A=e_a;
disp(['nilai x(q)
= ',num2str(x)])
disp(['nilai y
= ',num2str(y)])
disp(['nilai p(ln y)
= ',num2str(P)])
disp(['nilai q*p
= ',num2str(PQ)])
disp(['nilai q^2 (X^2)
= ',num2str(Q_kuad)])
disp(' ')
disp(['Jumlah x(q)
= ',num2str(sum(x))])
disp(['Jumlah y
= ',num2str(sum(y))])
disp(['Jumlah p(ln y)
= ',num2str(sum(P))])
disp(['Jumlah q*p
= ',num2str(sum(PQ))])
disp(['Jumlah q^2 (X^2)
= ',num2str(sum(Q_kuad))])
disp(['jumlah qbar adalah =',num2str(sum(Q_mean))])
disp(['jumlah pbar adalah =',num2str(sum(P_mean))])
disp(' ')
disp(['nilai B = ',num2str(b)])
disp(['nilai A = ',num2str(a)])
disp(' ')
disp('Persamaan transformasi : ')
disp(['p = ',num2str(a),'+',num2str(b),'q'])
disp('mengingat bahwa ')
disp(['A = ln a--->',num2str(a),'=ln a'])
disp([' a
=',num2str(sum(e_a))])
disp(['nilai B=b ---> b=',num2str(b)])
disp(' ')
disp('maka Persamaan : ')
disp(['y = ',num2str(A),'x^',num2str(b)])
x=[1 2 3 4 5];
y=[0.5 1.7 3.4 5.7 8.4];
P=polyfit(x,y,1);

yfit=polyval(P,x);
figure(1)
h=plot(x,y,'-.k',x,yfit,'-*r')
xlabel('sumbu x')
ylabel('sumbu y')
grid on;
disp('REGRESI KURVA TAK LINIER TRANSFORMASI LN');
P=log(y);
PQ=x.*P;
Q_kuad=x.^2;
Q_mean=((sum(x))/(length(x)));
P_mean=((sum(P))/(length(x)));
b=((length(x))*(sum(PQ))-(sum(x))*(sum(P)))/((length(x))*(sum(Q_kuad))((sum(x))^2));
disp(' ')
a=(P_mean-(b*Q_mean));
disp(' ')
e_a=exp(a);
A=e_a;
disp(['nilai x(q)
= ',num2str(x)])
disp(['nilai y
= ',num2str(y)])
disp(['nilai p(ln y)
= ',num2str(P)])
disp(['nilai q*p
= ',num2str(PQ)])
disp(['nilai q^2 (X^2)
= ',num2str(Q_kuad)])
disp(' ')
disp(['Jumlah x(q)
= ',num2str(sum(x))])
disp(['Jumlah y
= ',num2str(sum(y))])
disp(['Jumlah p(ln y)
= ',num2str(sum(P))])
disp(['Jumlah q*p
= ',num2str(sum(PQ))])
disp(['Jumlah q^2 (X^2)
= ',num2str(sum(Q_kuad))])
disp(['jumlah qbar adalah =',num2str(sum(Q_mean))])
disp(['jumlah pbar adalah =',num2str(sum(P_mean))])
disp(' ')
disp(['nilai B = ',num2str(b)])
disp(['nilai A = ',num2str(a)])
disp(' ')
disp('Persamaan transformasi : ')
disp(['p = ',num2str(a),'+',num2str(b),'q'])
disp('mengingat bahwa ')
disp(['A = ln a--->',num2str(a),'=ln a'])
disp([' a
=',num2str(sum(e_a))])
disp(['nilai B=b ---> b=',num2str(b)])
disp(' ')
disp('maka Persamaan : ')
disp(['y = ',num2str(A),'x^',num2str(b)])

Di bawah ini hasil dari program di atas menggunakan software Matlab :


h =
172.0016
173.0011
REGRESI KURVA TAK LINIER TRANSFORMASI LN
nilai x(q)
nilai y
8.4

= 1 2
= 0.5

5
1.7

3.4

5.7

nilai p(ln y)
= -0.69315
1.7405
2.1282
nilai q*p
= -0.693147
6.96186
10.6412
nilai q^2 (X^2)
= 1
4
9
Jumlah
Jumlah
Jumlah
Jumlah
Jumlah
jumlah
jumlah

x(q)
y
p(ln y)
q*p
q^2 (X^2)
qbar adalah
pbar adalah

= 15
= 19.7
= 4.93
= 21.6425
= 55
=3
=0.98599

nilai B = 0.68526
nilai A = -1.0698
Persamaan transformasi :
p = -1.0698+0.68526q
mengingat bahwa
A = ln a--->-1.0698=ln a
a
=0.34308
nilai B=b ---> b=0.68526
maka Persamaan :
y = 0.34308x^0.68526
Di bawah ini adalah hasil kurvanya :

Kesimpulan.

0.53063
1.06126
16

25

1.2238
3.67133

Dari program Matlab di atas dapat kita simpulkan menghitung dengan software dapat
lebih cepat dan sedikit memahami akan fungsi dari transformasi ln tersebut. Didalam Analisis
Regresi terdapat Fungsi Eksponensial yang didalamnya terdapat transformasi log dan ln. Dan
kita ketahui Analisis regresi adalah salah satu metode untuk menentukan hubungan sebab-akibat
antara satu variabel dengan variabel(-variabel) yang lain.