Modul 3 PDF

Seri Matematika Terapan untuk S2
Modul 3:
Regresi Linier dengan Metode Kuadrat Terkecil
A. Pendahuluan Metode Kuadrat Terkecil

Metode kuadrat terkecil, yang lebih dikenal dengan nama
Least-Squares Method, adalah salah satu metode
pendekatan yang paling penting dalam dunia keteknikan
untuk: (a). regresi ataupun pembentukan persamaan dari titiktitik data diskretnya (dalam pemodelan), dan (b). analisis
sesatan pengukuran (dalam validasi model).
Metode kuadrat terkecil termasuk dalam keluarga metodemetode pendekatan sesatan terdistribusi (distributed error
approximation methods), berdasarkan karakterisik kerjanya
yang melakukan pengurangan sesatan menyeluruh (global
error) yang terukur berdasarkan interval pendekatan
keseluruhan (whole approximation interval) sesuai dengan
order pendekatan yang meningkat. Metode ini berbeda dengan
metode-metode asimptotis, khususnya yang dikembangkan
melalui pendekatan melalui deret Taylor, karena metode
asimptotis memiliki karakteristik kerja yang memperkecil
sesatan pada beberapa titik tertentu, sesuai dengan order
pendekatan yang meningkat.
Metode kuadrat terkecil ini juga memainkan peranan penting
dalam teori statistik, karena metode ini seringkali digunakan
dalam penyelesaian problem-problem yang melibatkan
kumpulan data yang tersusun secara acak, seperti dalam
sesatan-sesatan percobaan. Namun demikian, hal-hal yang
berhubungan dengan teori statistik tidak akan dibahas secara
khusus dalam modul ini.
Intellectual Property of DR. Ir. Setijo Bismo, DEA., TGP-FTUI
Modul 3 - Regresi Linier dengan Metode Kuadrat Terkecil (1/1)
B. Persamaan dan Model sebagai obyek regresi

Seperti telah dijelaskan di atas, dalam dunia keteknikan metode
kuadrat terkecil ini digunakan untuk melakukan regresi dan atau
pencocokan kurva yang diharapkan dapat membentuk
persamaan matematis tertentu. Secara empiris, persamaanpersamaan matematis tertentu yang sering digunakan di
antaranya adalah:
(a). Persamaan garis lurus (linier):
= ax + b
(b). Persamaan parabolis (kuadratis):
p x2 + q x + r
(c). Persamaan polinomial (secara umum):

y
= c1 + c2 x + c3 x 2 + L + ck x k 1 + L + c n x n 1
ck x k 1
k =1
(d). Persamaan eksponensial:

(e). Persamaan asimptotis:
+cx+ d
= a eb x
a x2 + b x
cx + d
C. Regresi Sederhana untuk Persamaan Linier

Bentuk umum dari persamaan linier, dapat dituliskan sebagai
berikut:
= ax + b
dengan:
a = kelandaian (slope) kurva garis lurus
b = perpotongan (intercept) kurva dengan ordinat
atau sumbu tegak
Regresi yang dimaksudkan disini adalah: pencarian hargaharga tetapan a dan b berdasarkan deretan data yang ada
(jumlah atau pasangan data x-y sebanyak N buah).
Sebagai contoh, di bawah ini diberikan 1 set data (x-y)
sebanyak 7 buah:
Tabel 1. Set data regresi linier.
-3
-0.22
-2
0.67
-1
1.55
1.99
2.55
3.25
4.11
Hasil pengaluran kurva (plotting) titik-titik tersebut di atas dapat

dilihat pada Gb. 1 di bawah ini.
5
y = 0.6841x + 1.9850
4.11
3.25
2.55
intercept
1.99
1.55
slope
0.67
-0.22
-1
-5
-4
-3
-2
-1
Gambar 1. Kurva regresi linier, dengan N = 7.
Persamaan sebaran (S atau distribusi) yang menyatakan

sesatan terdistribusi dari persamaan linier tersebut dinyatakan
sebagai:
= ( y a x b )2
Persyaratan yang harus dipenuhi untuk dapat menghitung a

dan b adalah minimisasi turunan persamaan di atas terhadap
tetapan a dan b (dalam hal ini, a dan b dianggap sebagai
variabel-variabel semu), sehingga membentuk persamaanpersamaan berikut:
(a ).
dS
da
= 0; dan
(b).
dS
db
= 0.
Untuk lebih jelasnya, kronologis penurunan kedua persamaan

di atas adalah sebagai berikut:
(a).
d
2
( y a x b)
da
persamaan berikut:
= 0 , sehingga akan terbentuk
( y a x b ) ( x) = 0 , atau
a x2 + b x = x y
(b).
(A)
d
2
= 0,
( y a x b)
db
terbentuk persamaan berikut:
sehingga
kemudian
( y a x b ) (1) = 0 , atau
ax + N b = y
(B)
Kedua persamaan (A) dan (B) seperti di atas adalah suatu

sistem persamaan aljabar linier (SPAL), bila disusun-ulang
sebagai berikut:
x 2 x a

x N b
x y
y

(C)
yang identik dengan persamaan matriks [ A] [x] = [b]. Solusi

SPAL tersebut relatif sangat mudah dilakukan dengan metode
analitis.
Dengan menggunakan aturan Cramer, solusi konstantakonstanta a dan b adalah:
x y
det
y
x 2
det
x
x
N
; dan
b =
x 2
det
x
x 2
det
x
x y
y

x
Karena hanya membentuk persamaan matriks berorder 2, maka

determinan-determinan matriks di atas dapat langsung dihitung,
dengan rincian sebagai berikut:
x 2 x
det
x N
[ x
x y x
det
y
N
[ xy N
N ( x )2
x y ]
dan
x 2 x y
det
x y
[ x
y x xy
sehingga, diperoleh solusi harga-harga a dan b:

a
b =
[ xy N
x y ]
= 0,684143; dan
2
2
x N ( x )
[ x y x x y ]
[ x N ( x ) ]
2
= 1,985000
Tugas di rumah:
Coba buat program dalam FORTRAN untuk mencari hargaharga a dan b dari satu set data berikut:
No.
1
2
3
4
5
6
7
x
-1.0
1.0
3.0
5.0
7.0
9.0
11.0
y
5.00
9.00
13.00
17.00
21.00
25.00
29.00
D. Regresi Persamaan Parabola

Persamaan Parabola atau Persamaan Kuadrat mempunyai
bentuk umum yang dapat dituliskan sebagai berikut:
y
p x2 + q x + r
Regresi yang dimaksudkan disini adalah: pencarian hargaharga tetapan p, q dan r berdasarkan set data yang diberikan
(ingat: jumlah atau pasangan data x-y sebanyak N buah !).
Persamaan sebaran (S) yang menyatakan sesatan terdistribusi

dari persamaan linier tersebut dinyatakan sebagai:
= y p x2 q x r
)2
Persyaratan yang harus dipenuhi untuk dapat menghitung p, q

dan r adalah minimisasi turunan persamaan di atas terhadap
tetapan p q dan r (dalam hal ini, p, q dan r dianggap sebagai
variabel-variabel semu), sehingga membentuk persamaanpersamaan minimisasi berikut:
dS
dp
dS
(b).
dq
(a ).
(c).
dS
dr
= 0;
= 0; dan
= 0.
Tahapan penurunan ketiga persamaan-persamaan di atas

terhadap p, q, dan r adalah sebagai berikut:
(a).
2
d
y p x2 q x r
d p
persamaan berikut:
= 0 , yang membentuk
2
2
y p x q x r ( x ) = 0 , atau
p x 4 + q x3 + r x 2
(b).
= x2 y
2
d
y p x2 q x r
d q
(E)
= 0 , yang membentuk:
2
y p x q x r ( x) = 0 , atau
p x3 + q x 2 + r x = x y
(c).
2
d
2
y
p
x
q
x
r
d r
(F)
= 0 , dan dihasilkan
2
y p x q x r ( 1) = 0 , atau
p x2 + q x + r N
= y
(G)
Seperti halnya pada regresi persamaan linier, ketiga

persamaan (E), (F), dan (G) di atas juga membentuk suatu
sistem persamaan aljabar linier (SPAL) dengan oreder 3, bila
disusun-ulang sebagai berikut:
x 4 x 3 x 2 p
3

2
x x x q
2

x
x
N
x 2 y
= x y
(H)
Solusi SPAL di atas dapat dilakukan melalui 2 cara, yaitu: (a).

analitis (aljabar) dan (b). numeris. Berbagai solusi SPAL
(dengan menggunakan metode numeris) telah dijelaskan pada
modul-modul pelajaran terdahulu. Sebagai catatan, determinan
dari matriks bujur-sangkar dengan rank 3 dapat dihitung
sebagai berikut:
a11 a12 a13
det a21 a22 a23
a31 a32 a33
a11 a22 a33 + a12 a23 a31 + a13 a21 a32

a31 a22 a13 a32 a23 a11 a33 a21 a12
Dengan menggunakan metode analitis, sebenarnya SPAL di

atas masih relatif mudah diselesaikan, yaitu dengan
menggunakan aturan Cramer untuk mencari solusi konstanta
atau parameter-parameter p, q dan r.
x 2 y
det x y
y
x 4
det x 3
x 2
3
2
x x
2
x
x

x N
;
3
2
x x
2
x x
x N
x 4
det x 3
x 2
x 4
det x 3
x 2
2
2
x y x
x
y
x

N
y
; dan
3
2
x x
2
x x
x N
x 4
det x 3
x 2
x 4
det x 3
x 2
3
2
x x y
2
x
x
y
x y
3
2
x x
2
x x
x N
Berdasarkan catatan tentang determinan matriks berorder 3

seperti di atas, maka determinan-determinan matriks di atas
berturut-turut adalah sebagai berikut:
x 4 x3 x 2
det x 3 x 2 x
x2
x N
4
2
3
2
x x N + x x x +
( )3
( x2 ) x4 N ( x3 )2
= x 2 x3 x x 2
2
2
3
x 2 y x 3 x 2
x yx N + x x y +
2
det x y x 2 x = x 2 x y x x 2 y
2
y
2
3
(
x N
x) x y N x y x
( )
x 4 x 2 y x 2
det x 3 x y x
x2
N
y
4
2
2
x xy N + x y x x +
( )2
= x 2 x3 y x 2 x y
4
3
2
x x y N x x y
dan
x 4 x3 x 2 y
det x 3 x 2 x y
x2
x y
4
2
2
3
x x y + x x xy +
( )2 x2 y
4
32
x x x y ( x ) y
= x x3 x 2 y x 2
Tugas di rumah:
Coba buat program dalam FORTRAN untuk mencari hargaharga p, q dan r berdasarkan kurva di bawah ini:
6.00
4.00
2.00
0.00
-2.00
-4.00
-6.00
-4.0
-2.0
0.0
2.0
4.0
Pasangan data (x-y) dari kurva di atas dapat diberikan

seperti pada tabel berikut:
No.
1
2
3
4
5
6
x
-3.0
-2.2
-0.9
-0.1
1.2
2.5
y
4.00
-0.16
-4.19
-4.99
-3.56
1.25
E. Regresi Persamaan Kubus (polinomial order 3)

Persamaan Kubus atau Persamaan polinomial order 3
mempunyai bentuk umum yang dapat dituliskan sebagai
berikut:
y
= c3 x 3 + c2 x 2 + c1 x + c0
Regresi yang dimaksudkan disini adalah: pencarian hargaharga parameter c0 sampai dengan c3 berdasarkan set data
yang diberikan (ingat: pasangan data x-y selalu berjumlah N
buah !).
dari persamaan linier tersebut dinyatakan sebagai:
= y c3 x 3 c2 x 2 c1 x c0
)2
Persyaratan yang harus dipenuhi untuk dapat menghitung

parameter-parameter c0 sampai dengan c3 adalah minimisasi
turunan persamaan di atas, masing-masing terhadap setiap
parameter (dalam hal ini, c0 sampai dengan c3 dianggap
sebagai variabel-variabel semu), sehingga membentuk
persamaan-persamaan minimisasi berikut:
(a ).
dS
d c0
= 0;
(b).
dS
d c1
= 0;
(c).
dS
d c2
= 0; dan
(d).
dS
d c3
= 0
Tahapan penurunan ketiga persamaan-persamaan di atas

terhadap c0 sampai dengan c3 adalah sebagai berikut:
(a).
2
d
3
2
y
c
x
c
x
c
x
c
3
2
1
0
d c3
= 0,
membentuk persamaan berikut:
3
2
3
y c3 x c2 x c1 x c0 ( x ) = 0 , atau
c3 x 6 + c2 x 5 + c1 x 4 + c0 x 3
(b).
d
d c2
= x3 y
y c x3 c x 2 c x c 2
3
2
1
0
(I)
= 0,
membentuk:
3
2
2
y c3 x c2 x c1 x c0 ( x ) = 0 , atau
c3 x 5 + c2 x 4 + c1 x 3 + c0 x 2
(c).
= x2 y
2
d
y c3 x 3 c2 x 2 c1 x c0
d c1
(J)
= 0,
dihasilkan:
3
2
y c3 x c2 x c1 x c0 ( x) = 0 , atau
c3 x 4 + c2 x 3 + c1 x 2 + c0 x = x y
d
d c0
(d).
y c x3 c x 2 c x c 2
3
2
1
0
(K)
= 0,
dihasilkan:
3
2
y c3 x c2 x c1 x c0 (1) = 0 , atau
c3 x 3 + c2 x 2 + c1 x + c0 N
= y
(L)
Sistem Persamaan Aljabar Linier (SPAL) yang terbentuk dari

persamaan-persamaan (I), (J), (K), dan (L) adalah sebagai
berikut:
x 6
5
x
x 4
3
x
5
4
3
x x x c3
4
3
2
x x x c2
3
2
x x x c1

2
x
x
N
c0
x 3 y
2
x y
=
x y
(M)
Tugas Kelompok:
Buat program dalam FORTRAN untuk mencari harga-harga
konstanta dari c0 sampai cn dari suatu persamaan
polinomial, dari order 3 (n = 3) sampai dengan order 7 (n =
7). Artinya, program tersebut dapat menangani sembarang
polinomial dari order 3 sampai 7 bahkan lebih tinggi lagi.
Gunakan subroutine EGAUSS untuk solusi SPAL yang
terbentuk, dan buat program yang membaca data dari file
ASCII (text file, dengan ekstensi *.dta).
F. Regresi Multilinier
Beberapa persamaan aljabar dapat membentuk suatu relasi
linier atau yang sejenisnya, antara beberapa variabel bebas
(independent variables) dengan sebuah variabel terikat
(dependent variable). Relasi tersebut seringkali dijumpai dalam
dunia keteknikan, termasuk hasil logaritmik dari persamaanpersamaan analisis adimensional ataupun relasi analogi
bilangan-bilangan tak berdimensi.
Bentuk umum dari persamaan multilinier seperti di atas dapat
disederhanakan dalam relasi fungsi matematis berikut:
y (u , v , w )
c1 u + k 2 v + k3 w
Bila persamaan multilinier tersebut memiliki jumlah variabel

bebas yang lebih besar lagi, maka secara sistematis dapat
dituliskan sebagai berikut:
y ( x1 , x2 ,L , xn ) = c1 x1 + c2 x2 + c3 x3 + L + cn xn
dari persamaan multilinier tersebut dapat dinyatakan sebagai:
S
= ( y c1 x1 c2 x2 c3 x3 L cn xn )2
Menarik untuk dicatat, bahwa jumlah konstanta atau parameter

(c1 sampai dengan cn) yang dimiliki suatu persamaan multilinier
sekurang-kurangnya sama dengan jumlah variabel bebasnya.
Seperti biasanya, persyaratan yang harus dipenuhi untuk dapat
menghitung konstanta-konstanta c1 sampai dengan cn, adalah
minimisasi turunan persamaan di atas terhadap masing-masing
konstanta (dalam hal ini, semua konstanta dianggap sebagai
variabel-variabel semu), sehingga membentuk persamaanpersamaan berikut:
(a ).
dS
d c1
= 0;
(b).
dS
d c2
= 0;
(c).
dS
d c3
= 0;
dS
d cn
= 0
M
(d).
Tahapan diferensiasi persamaan-persamaan di atas terhadap

masing-masing parameternya (dari c1 sampai dengan cn) dapat
disajikan sebagai berikut:
(a).
d
2
( y c1 x1 c2 x2 c3 x3 L cn xn )
d c1
= 0,

( y c1 x1 c2 x2 c3 x3 L cn xn ) ( x1 ) = 0
dan, setelah disusun-ulang menjadi:

c1 x12 + c2 x1 x2 + c3 x1 x3 + L + cn x1 xn
(b).
d
2
( y c1 x1 c2 x2 c3 x3 L cn xn )
d c2
= x1 y
(O)
= 0,

( y c1 x1 c2 x2 c3 x3 L cn xn ) ( x2 ) = 0

c1 x1 x2 + c2 x22 + c3 x2 x3 + L + cn x2 xn
= x2 y
(P)
(c).
d
2
( y c1 x1 c2 x2 c3 x3 L cn xn )
d c3
= 0,

( y c1 x1 c2 x2 c3 x3 L cn xn ) ( x3 ) = 0

c1 x1 x3 + c2 x2 x3 + c3 x32 + L + cn x3 xn
M
(d).
d
2
( y c1 x1 c2 x2 c3 x3 L cn xn )
d cn
= x3 y
(Q)
= 0,

( y c1 x1 c2 x2 c3 x3 L cn xn ) ( xn ) = 0

c1 x1 xn + c2 x2 xn + c3 x3 xn + L + cn xn2
= xn y
(R)
Sistem Persamaan Aljabar Linier (SPAL) yang terbentuk dari

persamaan-persamaan (O), (P), (Q), dan (R) adalah sebagai
berikut:
x 2
1
x1 x2
x x
1 3
M
x1 xn
x1 y
x1 x2 x1 x3 L x1 xn c1
x y
2
x2
x2 x3 L x2 xn c2
2
2
L x3 xn c3 = x3 y
x2 x3 x3

M
M
M
M
O M
2 c
x2 xn x3 xn L xn n
xn y
(S)
G. Soal-soal Latihan
1. Vargaftik (1975) memperkenalkan suatu data kapasitas
panas untuk metilsikloheksana, sebagai berikut (T adalah

suhu absolut dalam K; dan Cp adalah kapasitas panas zat
yang dinyatakan dalam kJ/kgK):
T
Cp
150
160
170
180
190
200
210
220
230
240
250
260
270
280
290
300
1,426
1,447
1,469
1,492
1,516
1,541
1,567
1,596
1,627
1,661
1,696
1,732
1,770
1,808
1,848
1,888
Lakukanlah pencocokan kurva (curve fitting), bila diinginkan

persamaan Cp(T) sebagai fungsi dari temperatur dalam
persamaan kuadrat: C p (T ) = a + bT + cT 2 !
2. Suatu model yang paling umum untuk pengungkapan laju
reaksi kimia order satu tak-berdimensi adalah dC dt = k C
dengan C (t = 0) = 1 . Bentuk terintegrasi dari model tersebut
adalah C = exp(k t ) , yang sebenarnya nonlinier pada
parameter k. Dengan data yang diberikan di bawah ini,
tentukan nilai terbaik untuk k. Kembangkan juga prosedur
hitungan saudara untuk nilai nonlinier dari k.!
t (detik)
C (mol/L.detik)
0,2
0,75
0,5
0,55
1,0
0,21
1,5
0,13
2,0
0,04
Data tentang laju reaksi pada berbagai konsentrasi (C) dan

suhu reaksi (T) diberikan pada tabel di bawah ini:

Laju reaksi
0,0360
1,01
7,45
0,0231
0,649
4,79
0,0135
0,378
2,80
0,8
0,8
0,8
0,4
0,4
0,4
0,2
0,2
0,2
300
400
500
300
400
500
300
400
500
3. Dari tabel data laju reaksi seperti disajikan di atas, diinginkan

untuk melakukan validasi data menjadi persamaan model
nonlinier:
Laju reaksi = K
C
ea / T
1 + 0,3 C
dengan cara menghitung harga-harga parameter K dan a.

Coba Anda fikirkan dengan baik, kemudian berikan
pendapat Anda tentang bagaimana caranya melakukan
pencocokan data seperti di atas ?
4. Gilliland dan Sherwood (1934) mendapatkan data tentang
perpindahan massa untuk berbagai cairan yang jatuh bebas
pada dinding kolom terbasahi (wetted-wall column). Data
tersebut dapat dilihat pada tabel data yang diberikan di
bawah ini sehingga dapat digunakan untuk melakukan
validasi model nonlinier berikut:
Sh = B1 Re B2 Sc B3
Dari persamaan yang nonlinier seperti di atas, fikirkanlah

dengan baik dan kemudian carilah cara yang paling mudah
untuk melakukan pencocokan data seperti di atas
(maksudnya: menghitung parameter-parameter B1 sampai
B3 sedemikian rupa sehingga didapat korelasi yang sesuai)?
Jika dari hasil-hasil penelitian Gilliland dan Sherwood di atas

diperoleh suatu korelasi empiris berikut:
Sh = 0,0336 Re 0,789 Sc 0,436
Cobalah lakukan suatu perbandingan, mana yang terbaik

antara hasil penelitian (experiment) dan hasil perhitungan
(prediction) jika deviasi baku didefinisikan seperti di bawah ?
n
2
[Shexp Sh pred ]i
std. dev. = i =1
N 3
Tabel Data Perpindahan Massa dari Gilliland dan Sherwood.

Sh
43,7
21,5
24,2
88,0
51,6
50,7
32,3
56,0
26,1
41,3
92,8
54,2
65,5
38,2
93,0
70,6
42,9
19,8
Re
10,800
5,290
3,120
14,400
6,620
8,700
4,250
8,570
2,900
4,950
14,800
7,480
9,170
4,720
16,300
13,000
7,700
2,330
Sc
0,60
0,60
1,80
1,80
1,875
1,875
1,86
1,86
2,16
2,16
2,17
2,17
2,26
2,26
1,83
1,83
1,61
1,61
H. Daftar Pustaka
Atkinson, Kendal E., An Introduction to Numerical Analysis, John
Wiley & Sons, Toronto, pp. 44-48, 1978.
Atkinson, L.V., Harley, P.J., An Introduction to Numerical
Methods with Pascal, Addison-Wesley Publishing Co., Tokyo,
pp. 49-51, 1983.
Hanna, O.T., Sandall, O.C., Computational Methods in Chemical
Engineering, Prentice-Hall International Inc., Englewood Cliffs,
New Jersey, pp. 121-149, 1995.
Press, W.H., Flannery, B.P., Teukolsky, S.A., dan Vetterling, W.T.,
Numerical Recipes, Cambridge Univ. Press, 1986.

Modul 3 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul 3 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Seri Matematika Terapan untuk S2

A. Pendahuluan Metode Kuadrat Terkecil

Intellectual Property of DR. Ir. Setijo Bismo, DEA., TGP-FTUI

Modul 3 - Regresi Linier dengan Metode Kuadrat Terkecil (1/1)

Seri Matematika Terapan untuk S2

B. Persamaan dan Model sebagai obyek regresi

(b). Persamaan parabolis (kuadratis):

(c). Persamaan polinomial (secara umum):

(d). Persamaan eksponensial:

C. Regresi Sederhana untuk Persamaan Linier

Modul 3 - Regresi Linier dengan Metode Kuadrat Terkecil (2/2)

Seri Matematika Terapan untuk S2

Hasil pengaluran kurva (plotting) titik-titik tersebut di atas dapat

Gambar 1. Kurva regresi linier, dengan N = 7.

Persamaan sebaran (S atau distribusi) yang menyatakan

Modul 3 - Regresi Linier dengan Metode Kuadrat Terkecil (3/3)

Seri Matematika Terapan untuk S2

Persyaratan yang harus dipenuhi untuk dapat menghitung a

Untuk lebih jelasnya, kronologis penurunan kedua persamaan

= 0 , sehingga akan terbentuk

Kedua persamaan (A) dan (B) seperti di atas adalah suatu

Modul 3 - Regresi Linier dengan Metode Kuadrat Terkecil (4/4)

Seri Matematika Terapan untuk S2

yang identik dengan persamaan matriks [ A] [x] = [b]. Solusi

Karena hanya membentuk persamaan matriks berorder 2, maka

Intellectual Property of DR. Ir. Setijo Bismo, DEA., TGP-FTUI

Modul 3 - Regresi Linier dengan Metode Kuadrat Terkecil (5/5)

Seri Matematika Terapan untuk S2

sehingga, diperoleh solusi harga-harga a dan b:

D. Regresi Persamaan Parabola

Modul 3 - Regresi Linier dengan Metode Kuadrat Terkecil (6/6)

Seri Matematika Terapan untuk S2

Persamaan sebaran (S) yang menyatakan sesatan terdistribusi

Persyaratan yang harus dipenuhi untuk dapat menghitung p, q

Tahapan penurunan ketiga persamaan-persamaan di atas

Intellectual Property of DR. Ir. Setijo Bismo, DEA., TGP-FTUI

Modul 3 - Regresi Linier dengan Metode Kuadrat Terkecil (7/7)

Seri Matematika Terapan untuk S2

Seperti halnya pada regresi persamaan linier, ketiga

Solusi SPAL di atas dapat dilakukan melalui 2 cara, yaitu: (a).

a11 a22 a33 + a12 a23 a31 + a13 a21 a32

Dengan menggunakan metode analitis, sebenarnya SPAL di

Intellectual Property of DR. Ir. Setijo Bismo, DEA., TGP-FTUI

Modul 3 - Regresi Linier dengan Metode Kuadrat Terkecil (8/8)

Seri Matematika Terapan untuk S2

Berdasarkan catatan tentang determinan matriks berorder 3

Intellectual Property of DR. Ir. Setijo Bismo, DEA., TGP-FTUI

Modul 3 - Regresi Linier dengan Metode Kuadrat Terkecil (9/9)

Seri Matematika Terapan untuk S2

Pasangan data (x-y) dari kurva di atas dapat diberikan

Modul 3 - Regresi Linier dengan Metode Kuadrat Terkecil (10/10)

Seri Matematika Terapan untuk S2

E. Regresi Persamaan Kubus (polinomial order 3)

Persyaratan yang harus dipenuhi untuk dapat menghitung

Intellectual Property of DR. Ir. Setijo Bismo, DEA., TGP-FTUI

Modul 3 - Regresi Linier dengan Metode Kuadrat Terkecil (11/11)

Seri Matematika Terapan untuk S2

Tahapan penurunan ketiga persamaan-persamaan di atas

membentuk persamaan berikut:

Modul 3 - Regresi Linier dengan Metode Kuadrat Terkecil (12/12)

Seri Matematika Terapan untuk S2

Sistem Persamaan Aljabar Linier (SPAL) yang terbentuk dari

Modul 3 - Regresi Linier dengan Metode Kuadrat Terkecil (13/13)