REGRESI

Regresi adalah suatu teknik untuk memperoleh

persamaan kurva pendekatan dari titik-titik data.

(a)

(c)

Regresi Linier

Regresi
Polinomial

Regresi
Eksponensial

REGRESI LINIER
Regresi linier digunakan untuk menentukan fungsi
linier (garis lurus) yg paling sesuai dr sekumpulan
titik data (xi,yi) yang diketahui.
Formula matematis untuk garis lurus tsb adalah :
y = a0 + a1x + E .......................... (1)
dimana :
a0 : koefisien yang menyatakan titik potong
a1 : koefisien kemiringan (slope)
E : kesalahan (error) atau selisih (residual) antara
fungsi dan titik data

REGRESI LINIER
Kesalahan atau residual dari garis lurus yang
diperoleh dr persamaan (1) dapat dihitung dg :
E = y a0 a1x
Metode terbaik untuk mendapatkan persamaan
garis lurus (regresi linier) adalah jumlah kuadrat
terkecil yaitu dengan cara meminimalkan jumlah
kuadrat residual (Sr) sbb :
n

S r = Ei2 = ( yi a0 a1 xi )
i =1

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

i =1

REGRESI LINIER
Untuk menentukan harga a0 dan a1, persamaan (2)
didiferensialkan thd masing-masing koefisien :
S r
= 2 ( yi a0 a1 xi )
a0
S r
= 2 [( yi a0 a1 xi )xi ]
a1

Sr akan minimum jika nilai kedua turunan tsb = 0,

sehingga :
0 = yi a0 a1 xi
0 = yi xi a0 xi a1 xi2

REGRESI LINIER
Persamaan di atas dapat ditulis sbb :

na0 + xi a1 = yi

xa +x a =x y
2
i 1

i 0

Persamaan ini disebut persamaan normal dan

dapat diselesaikan secara simultan sehingga :
a1 =
a0 =

n xi yi xi yi
n xi2 ( xi )

a1 xi
n

REGRESI LINIER
Deviasi standar total atau simpangan baku total
untuk mengukur penyebaran data terhadap ratarata dihitung dengan rumus :
St
Sy =
=
n 1

(y

y)

n 1

Kesalahan standar taksiran untuk mengukur

penyebaran data disekitar garis hasil regresi dapat
dihitung dengan rumus :
Sy

Sr
=
n2

dengan S r = ( yi a0 a1 xi )
i =1

REGRESI LINIER
Untuk mengetahui tingkat kecocokan kurva hasil
regresi terhadap data digunakan koefisien
determinasi (r2) sbb :
S Sr
2
r2 = t
dengan St = ( yi y )
St
r disebut koefisien korelasi.
Jika nilai Sr = 0 maka Sy/x = 0 dan r2 = 1 yang
berarti bahwa tidak ada penyebaran data disekitar
garis lurus hasil regresi atau titik-titik data semua
tepat berada pada garis lurus sehingga dikatakan
kurva cocok sempurna atau variabilitas garis
adalah 100%.

REGRESI LINIER
Contoh :
a. Dapatkan persamaan garis lurus yang paling
mendekati dari sekumpulan data berikut ini :
x

0,5

2,5

2,0

4,0

3,5

6,0

5,5

b. Hitunglah simpangan baku total, kesalahan

standar taksiran, koefisien determinasi dan
koefisien korelasi dari hasil regresi yang anda
peroleh tsb.

REGRESI LINIER
Jawab (a) :
i

xi

1
2
3
4
5
6
7

yi
1
2
3
4
5
6
7
28

xi^2
0,5
2,5
2,0
4,0
3,5
6,0
5,5
24

1
4
9
16
25
36
49
140

REGRESI LINIER
a1 =

n xi yi xi yi
n xi2 ( xi )

7 119,5 28 24
7 140 282

a1 = 0,8392857
a0 =

a1 xi
n

24 0,8392857 28
7

a0 = 0,0714286

Jadi persamaan garis lurus regresi linier :

y = 0,0714286 + 0,8392857 x

x iy i
0,5
5,0
6,0
16,0
17,5
36,0
38,5
119.5

REGRESI LINIER
Gambar kurva hasil regresi :
6

y = 0,0714286 + 0,8392857 x

y3

REGRESI LINIER
Jawaban (b) :
i

xi

yi

1
2
3
4
5
6
7

Rt2

1
2
3
4
5
6
7
28
4,00

0,5
2,5
2,0
4,0
3,5
6,0
5,5
24
3,429

(yi )^2 (yi-a0-a1xi)^2

8,577
0,862
2,041
0,327
0,005
6,612
4,291
22,714

0,168686
0,562500
0,347258
0,326531
0,589605
0,797194
0,199298
2,991071

REGRESI LINIER
Simpangan baku total :
Sy =

St
22,714
=
= 1,9457
n 1
7 1

Kesalahan standar taksiran :

Sy

Sr
2,991071
=
=
= 0,7734
n2
72

Sy/x < Sy :
Model regresi baik

Koefisien determinasi :
S S r 22,714 2,991
r2 = t
=
= 0,8683
St
22,714
Koefisien korelasi :
r = 0,9318

REGRESI EKSPONENSIAL
Regresi eksponensial digunakan utk menentukan
fungsi eksponensial yang paling sesuai dengan
sekumpulan titik data (xi,yi) yang diketahui.
Regresi eksponensial merupakan pengembangan
dari regresi linier dengan memanfaatkan fungsi
logaritma.
ax + b
Contoh : y = e
ln y = ln e ax +b
dimana z = ln y
z = ax + b

Dg demikian dapat digunakan regresi linier dalam

menentukan fungsi eksponensial atau fungsi
non linier lainnya yang paling sesuai dg data.

REGRESI EKSPONENSIAL
Tabel transformasi fungsi-fungsi non linier menjadi
fungsi linier :
Pencocokan
fungsi

Dijadikan
fungsi linier

a
+b
x

y = au + b

y=

b
y=
x+a
y = ab

1 1
a
= x+
y b
b
z = px + q
ln y = (ln b )x + ln a
z = px + q

Substitusi
variabel
u=

1
x

1
1
b=
y
p
a = bq
z=

z = ln y b = e p
a = eq

REGRESI EKSPONENSIAL
Pencocokan
fungsi

y = be ax

y = e ax +b
y = C be ax
y = ax b

Dijadikan
fungsi linier
ln y = ax + ln b

z = ax + q
ln y = ax + b

z = ax + b

ln (C y ) = ax + ln b
z = px + q

Substitusi
variabel
z = ln y b = e q
z = ln y
z = ln (C y )
a = p b = eq

ln y = b ln x + ln a

z = ln y u = ln x

z = pu + q

b = p a = eq

REGRESI EKSPONENSIAL
Pencocokan
fungsi

Dijadikan
fungsi linier

Substitusi
variabel
z = ln ( y x )

ln y ln x = bx + ln a

y = ax e bx

z = px + q

b = p a = eq

ln y = ax + b

y = e ax +b

z = ln y

z = ax + b

y = a ln x + b

y = au + b

u = ln x

C
y=
1 + b e ax

C
ln 1 = ax + ln b
y
z = ax + q

C
z = ln 1
y
q
b=e

REGRESI EKSPONENSIAL
Contoh :
Dapatkan regresi yg paling sesuai dr sekumpulan
data sbb :
8

y
4

0,5 1,7 3,4 5,7 8,4

2

REGRESI EKSPONENSIAL
Jawab :
Dari plotting titik-titik
data terlihat bahwa
kecenderungan
kurva hasil regresi
adalah tidak linier.
Coba plot lagi titiktitik data dengan
menggunakan skala
logaritma.

8
6

ln(y)
2

ln(x)

Fungsi yang sesuai adalah : y = a xb

REGRESI EKSPONENSIAL
Fungsi tsb. ditransformasikan menjadi fungsi linier:
y = ax b
ln y = b ln x + ln a z = pu + q

dimana :
z = ln y
u = ln x
b= p
a = eq

REGRESI EKSPONENSIAL
i

xi

yi

0,5

1,7 0,6931 0,5306 0,480453 0,367803

3,4 1,0986 1,2238 1,206949 1,344455

5,7 1,3863 1,7405 1,921812 2,412798

8,4 1,6094 2,1282 2,590290 3,425257

ui

zi
0 -0,6931

4,7875

ui^2

uiz i
0

4,93 6,199504 7,550313

REGRESI EKSPONENSIAL
p=

n ui z i ui z i
n ui2 ( ui )

5 7,550313 4,7875 4,93

5 6,199504 4,7875 2

p = 1,7517236
q=

p ui
n

4,93 1,7517236 4,7875

5

q = -0,6912816

Jadi persamaan garis lurusnya :

z = 1,7517236 u 0,6912816

REGRESI EKSPONENSIAL
Untuk memperoleh persamaan kurva hasil regresi
dari data awal harus dihitung koefisien a dan b :
a = eq = 0,5009336
b = p = 1,7517236
Sehingga :
y = 0,5009336 x1,7517236 y
8

REGRESI POLINOMIAL
Regresi polinomial digunakan untuk menentukan
fungsi polinomial yang paling sesuai dengan
sekumpulan titik data (xi,yi) yang diketahui.
Prosedur kuadrat terkecil dapat diperluas untuk
mencocokkan data terhadap fungsi polinomial
derajat ke m.
Fungsi pendekatan :
y = a0 + a1 x + a2 x 2 + K + am x m + E

Jumlah kuadrat residual (Sr) dapat ditulis sbb :

n

S r = yi a0 a1 xi a2 xi2 K am xim
i =1

REGRESI POLINOMIAL
Dengan cara yang sama seperti pada regresi linier
untuk mendapatkan jumlah kuadrat terkecil maka :
S r
= 2 yi a0 a1 xi a2 xi2 K am xim = 0
a0

S r
= 2 xi yi a0 a1 xi a2 xi2 K am xim = 0
a1

S r
= 2 xi2 yi a0 a1 xi a2 xi2 K am xim = 0
a2

M
S r
= 2 xim yi a0 a1 xi a2 xi2 K am xim = 0
am

REGRESI POLINOMIAL
Sehingga :
na0 + a1 xi + a2 xi2 + K + am xim = yi
a0 xi + a1 xi2 + a2 xi3 + K + am xim +1 = xi yi
a0 xi2 + a1 xi3 + a2 xi4 + K + am xim + 2 = xi2 yi
M
a0 xim + a1 xim +1 + a2 xim + 2 + K + am xi2 m = xim yi

Persamaan normal tersebut dapat diselesaikan

dengan metode yang sudah dipelajari dalam persamaan linier simultan yaitu dengan membentuk
matriks normal terlebih dahulu.

REGRESI POLINOMIAL
Model matriks normal dari regresi polinomial orde
m adalah sbb :
n

xi
xi2

M
xm
i

x
x
x

x
x
x

i
2
i
3
i

m +1
i

2
i
3
i
4
i

m+ 2
i

L
L
L
M
L

x
x
x

m
i
m +1
i
m+2
i

2m
i

a 0 yi

a1 xi yi
a2 = xi2 yi

M M
a x m y
m i i

Hasil dari model matrik normal di atas adalah nilainilai a0, a1, a2, , am

REGRESI POLINOMIAL
Kesalahan standar taksiran dari regresi polinomial
adalah :
Sy x =

Sr
n (m + 1)

n = jumlah data
m = orde polinomial

Dan koefisien determinasi :

r2 =

St S r
St

dengan St = ( yi y )

REGRESI POLINOMIAL
Contoh :
Dapatkan kurva polinomial orde dua yang mewakili
data di bawah ini dan hitunglah kesalahan standar
taksiran dan koefisien determinasinya :
x

2,1

7,7 13,6 27,2 40,9 61,1

REGRESI POLINOMIAL
Jawab :
i

xi

1
2
3
4
5
6

0
1
2
3
4
5
15

yi
2,1
7,7
13,6
27,2
40,9
61,1
152,6

x i2

x i3

x i4

0
1
4
9
16
25
55

0
1
8
27
64
125
225

0
1
16
81
256
625
979

x iy i

xi2yi

0
0
7,7
7,7
27,2
54,4
81,6
244,8
163,6
654,4
305,5
1528
585,6 2488,8

REGRESI POLINOMIAL
Persamaan normal :
+ 15a1
+ 55a2
6 a0
15a0 + 55a1 + 225a2
55a0 + 225a1 + 979a2

=
=

152,6
585,6

= 2488,8

Dibentuk Augmented matrix :

6 15 55 152,6
15 55 225 585,6

55 225 979 2488,8

REGRESI POLINOMIAL
Dengam metode eliminasi Gauss Jordan akhirnya
didapatkan :
1 0 0 2,478571 a0
0 1 0 2,359286 a

1
0 0 1 1,860714 a2

Sehingga persamaan kurva yang paling mendekati

adalah :
y = 2,478571 + 2,359286 x + 1,860714 x 2

REGRESI POLINOMIAL
i

xi

1
2
3
4
5
6

0
1
2
3
4
5
15

yi
2,1
7,7
13,6
27,2
40,9
61,1
152,6

(yi )2
544,4444
314,4711
140,0278
3,1211
239,2178
1272,1111
2513,3933

(yi-a0-a1xi
-a2xi2)2
0,1433163
1,0028592
1,0816000
0,8048653
0,6195939
0,0943367
3,7465714

REGRESI POLINOMIAL
Kesalahan standar taksiran :
Sy x =

Sr
3,7465714
=
= 1,117523
n (m + 1)
6 (2 + 1)

Koefisien determinasi :
r2 =

S t S r 2513,3933 3,7465714
=
= 0,998509
St
2513,3933

REGRESI POLINOMIAL
70

60

50

40

y
30

20

10