BAB VI.

REGRESI LINIER DENGAN METODE KUADRAT TERKECIL

A. Tujuan
Agar mahasiswa dapat menyusun persamaan empirik dari data yang ada
dengan menggunakan pendekatan secara numeris.

B. Dasar teori

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 titik-titik data
diskretnya (dalam pemodelan), dan (b). analisis sesatan pengukuran (dalam validasi
model).

Metode Kuadrat Terkecil (Least Square Method) linier adalah suatu metode
yang digunakan untuk menentukan hubungan linier dari suatu data agar dapat
diprediksi nilai-nilainya yang mana nilai tersebut tidak terdapat pada data-data yang
kita miliki; terkadang proses yang melibatkan metode kuadrat terkecil untuk
menentukan hubungan dua variabel data berupa fungsi linier disebut sebagai regresi
linier.
Metode Kuadrat Terkecil ditemukan oleh Carl F. Gauss (matematikawan dan
fisikawan ternama asal Jerman, abad ke-17) ketika ia masih berumur 18 tahun, dan
karyanya ini masih dipakai sampai saat ini sebagai metode yang paling baik untuk
menentukan hubungan linier dari dua variabel data. Dengan metode kuadrat terkecil,
kita dapat menyajikan data dengan lebih berguna.
Metode yang dapat digunakan untuk analisis time series ini adalah

Metode Garis Linier Secara Bebas (Free Hand Method)

Metode Setengah Rata-Rata (Semi Average Method)
Metode Rata-Rata Bergerak (Moving Average Method)
Metode Kuadrat Terkecil (Least Square Method)

1
 Metode kuadrat terkecil termasuk dalam keluarga metode-metode 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.

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,
persamaan-persamaan matematis tertentu yang sering digunakan di antaranya adalah:

(a). Persamaan garis lurus (linier): y = ax+b

(b). Persamaan parabolis (kuadratis): y = p x2 + q x + r
(c). Persamaan polinomial (secara umum):

y = c +c x + c x2 + L + c xk -1 + L + c n xn -1
1 2 3 k

= ck xk -1

k =1

(d). Persamaan eksponensial: y = ae bx2 +cx+d

a x2 +bx

(e). Persamaan asimptotis: y =

cx+d

2
RRegresi Sederhana untuk Persamaan Linier

Analisis regresi linear sederhana dipergunakan untuk mengetahui pengaruh

antara satu buah variabel bebas terhadap satu buah variabel terikat. Bentuk umum dari
persamaan linier, dapat dituliskan sebagai berikut:

y= ax+b

dengan:

a = kelandaian (slope) kurva garis lurus

b = perpotongan (intercept) kurva dengan ordinat atau sumbu tegak

Dengan Y adalah variabel terikat dan X adalah variabel bebas. Koefisien a adalah
konstanta (intercept) yang merupakan titik potong antara garis regresi dengan sumbu Y
pada koordinat kartesius.
Regresi Linear Berganda

Analisis regresi linear berganda sebenarnya sama dengan analisis regresi linear
sederhana, hanya variabel bebasnya lebih dari satu buah. Persamaan umumnya adalah:
Y = a + b1 X1 + b2 X2 + .... + bn Xn
Dengan Y adalah variabel bebas, dan X adalah variabel-variabel bebas, a adalah konstanta
(intersept) dan b adalah koefisien regresi pada masing-masing variabel bebas.

Regresi Persamaan Parabola

Persamaan Parabola atau Persamaan Kuadrat mempunyai bentuk umum yang
dapat dituliskan sebagai berikut:

3
 y = p x2 + q x + r

Regresi yang dimaksudkan disini adalah: pencarian harga-harga tetapan p, q dan r

berdasarkan set data yang diberikan (ingat: jumlah atau pasangan data x-y sebanyak N
buah !).

Algoritma

Untuk persamaan y = ax
a. Mendefinisikan bentuk persamaan y = ax
b. Menentukan data nilai x,y
c. Menentukan data nilai x y
d. Menentukan jumlah (sum) dari x, y, dan x y
e. Mencari nilai
( x i y i )
a= 2
( xi)

Untuk persamaan y = a0 + a1x

a. Mendefinisikan bentuk persamaan y = a0 + a1x
b. Menentukan data nilai x, y
c. Menentukan nilai x2 dan (x*y)
d. Menentukan jumlah x, y, x2, dan (x*y)
e. Memasukkan nilai yang sudah didapat ke persamaan
na0 +a1 xi =yi ...
(1)
a0 x i +a 1 x 2 =x i y i
i ...(2)

f. Mengeleminasi kedua persamaan sehingga mendapatkan a0 atau a1.

g. Mensubstitusikan nilai a0 atau a1 kedalam persamaan

4
h. Memasukkan nilai a0 dan a1 kedalam persamaan y = a0 + a1x.

5
C. LATIHAN SOAL

1
y=a0.x
n x y x2 x.y
1 1,0000 0,4500 1,0000 0,4500
2 2,4500 0,5750 6,0025 1,4088
3 3,2000 0,6930 10,2400 2,2176
4 4,5000 0,7900 20,2500 3,5550
5 5,0500 0,9800 25,5025 4,9490
16,2000 3,4880 62,9950 12,5804
a= 0,1997
y=a0.x
y= 0,1997 x

6
 2
y=a0+a1x
n x y x2 xy
1 0,2500 2,0 0,0625 0,5000
2 0,3600 4,0 0,1296 1,4400
3 0,4200 6,0 0,1764 2,5200
4 0,5900 8,0 0,3481 4,7200
5 0,6800 10,0 0,4624 6,8000
6 0,7500 12,0 0,5625 9,0000
7 0,8200 14,0 0,6724 11,4800
8 0,9700 16,0 0,9409 15,5200
4,8400 72,0 3,3548 51,9800

72,00
8,0000 a0+ a1* 4,8400 = 00 * 4,8400
4,8400 a0+ a1* 3,3548 = 51,9800 * 8,0000

38,7200 a0+ 23,4256 a1 = 348,48

38,7200 a0+ 26,8384 a1 = 415,84

-3,4128 a1 = -67,36
a1 = 19,7375

8 a0+ 95,5293 = 72,0000

a0 = -2,9412
y=a0+a1x
y= -2,9412 + 19,7375 x

7
3
Berikut ini adalah data-data konsentrasi vs waktu untuk reaksi orde 1
Ca
(gmol/liter) 0,875 0,730 0,652 0,500 0,475 0,332
t (detik) 0 200 400 600 800 1000
Hitung nilai k!
y=a0x
n x y x2 x.y
1 0 0 0 0,0000
2 200 -0,1812 40000 -36,2359
3 400 -0,2942 160000 -117,6717
4 600 -0,5596 360000 -335,7695
5 800 -0,6109 640000 -488,7273
100000
6 1000 -0,9691 0 -969,0889
220000
3000 -2,6150 0 -1947,4933
a= -0,0009
k= 0,0009

8
 4
Tentukanlah tetapan dalam persamaan y=a 0+a1x supaya memenuhi data tersebut
x 0,8200 1,1090 1,3720 1,5200 1,7920 1,9970
y 1,2500 1,3500 1,4250 1,5750 1,6250 1,7950
y=a0+a1x
n x y x2 x.y
1 0,8200 1,2500 0,6724 1,0250
2 1,1090 1,3500 1,2299 1,4972
3 1,3720 1,4250 1,8824 1,9551
4 1,5200 1,5750 2,3104 2,3940
5 1,7920 1,6250 3,2113 2,9120
6 1,9970 1,7950 3,9880 3,5846
8,6100 9,0200 13,2943 13,3679

6 a0+ a1* 8,6100 = 9,0200 * 8,6100

8,6100 a0+ a1* 13,2943 = 13,3679 * 6

51,6600 a0+ 74,1321 a1 = 77,6622

51,6600 a0+ 79,7660 a1 = 80,2072

-5,6339 a1 = -2,5450
a1 = 0,4517

6 a0+ 3,8894 = 9,0200

a0 = 0,8551
y=a0+a1x
y= 0,8551 + 0,4517 x

D. TUGAS

9
1 Berikut ini adalah data-data konsentrasi vs waktu untuk orde 1
Ca (gmol/liter) 5,0000 4,3250 1,543 1,2615 0,9925 0,7054 0,5340 0,225
t (detik) 0 30 60 90 120 150 180 210
Hitung nilai k!
y=a0x
n x y x2 x.y
1 0 0 0 0,0000
2 30 -0,1450 900 -4,3508
3 60 -1,1757 3600 -70,5426
4 90 -1,3771 8100 -123,9423
5 120 -1,6170 14400 -194,0359
6 150 -1,9584 22500 -293,7642
7 180 -2,2368 32400 -402,6235
8 210 -3,1011 44100 -651,2295
-
840 -11,6112 126000 1740,4888
a= -0,0138
k= 0,0138

TUGAS Diketahui data kebutuhan etil asetat dari tahun 2008-2014 adalah sebagai berikut:
2 y=a0+a1x
n x y x2 x.y
1 2008 6217 4032064 12483736
Tahun 2 2009 7219 4036081 14502971
Kebutuhan Etil Asetat (ton/tahun)
3 2010 8263 4040100 16608630
4 2011 9301 4044121 18704311
5 2012 10927 10
4048144 21985124
6 2013 11846 4052169 23845998
7 2014 12635 4056196 25446890
14077 66408 28308875 133577660
 2008
6217
2009
7219
2010
8263
2011
9301
2012
10927
2013
11846
2014
12635

Berapa kebutuhan etil asetat pada tahun 2021?

y=a0+a1x
1407
7 y=
a0+ a1* - +
14077 = 1113,2857 x 66408 * 7
2229330,714
14077 a0+ a1* 3 28308875 = 133577660 * 7

98539 a0+ 198161929 a1 = 934825416

98539 a0+ 198162125 a1 = 935043620

-196 a1 = -218204
a1 = 1113,2857
7 a0+ 15671723 = 66408
a0 = -2229330,7143

11
E. KESIMPULAN DAN SARAN

A. Kesimpulan

Kualitatif:
Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara
satu atau beberapa variabel terhadap satu buah variabel.
Metode Kuadrat Terkecil ditemukan oleh Carl F. Gauss .

Analisis regresi linear sederhana dipergunakan untuk mengetahui pengaruh antara

satu buah variabel bebas terhadap satu buah variabel terikat.
Metode kuadrat terkecil lebih dikenal dengan nama Least-Squares Method.
Metode kuadrat terkecil adalah salah satu metode pendekatan yang paling
penting dalam dunia keteknikan untuk: (a). regresi ataupun pembentukan
persamaan dari titik-titik data diskretnya (dalam pemodelan), dan (b). analisis
sesatan pengukuran (dalam validasi model).
Bab ini kita mencari intersep dan slope dari suatu persamaan garis lurus.

Regresi linier metode kuadrat terkecil dapat digunakan untuk interpolasi atau
ekstrapolasi.
Persamaan garis lurus secara umum adalah :

y=a+bx

Dengan a sebagai intersep dan b sebagai slope.

.

12
 Kuantitatif:
1. n x y x2 x.y
1 1,0000 0,4500 1,0000 0,4500
2 2,4500 0,5750 6,0025 1,4088
3 3,2000 0,6930 10,2400 2,2176
4 4,5000 0,7900 20,2500 3,5550
5 5,0500 0,9800 25,5025 4,9490
16,2000 3,4880 62,9950 12,5804

y= 0,1997 x

2. n x y x2 xy
1 0,2500 2,0 0,0625 0,5000
2 0,3600 4,0 0,1296 1,4400
3 0,4200 6,0 0,1764 2,5200
4 0,5900 8,0 0,3481 4,7200
5 0,6800 10,0 0,4624 6,8000
6 0,7500 12,0 0,5625 9,0000
7 0,8200 14,0 0,6724 11,4800
8 0,9700 16,0 0,9409 15,5200
4,8400 72,0 3,3548 51,9800

y= -2,9412 + 19,7375 x

3. Ca
(gmol/liter) 0,8750 0,7300 0,6520 0,5000 0,4750 0,3320
t (detik) 0 200 400 600 800 1000

n x y x2 x.y
1 0 0 0 0,0000
2 200 -0,1812 40000 -36,2359
3 400 -0,2942 160000 -117,6717
4 600 -0,5596 360000 -335,7695
5 800 -0,6109 640000 -488,7273
6 1000 -0,9691 1000000 -969,0889
3000 -2,6150 2200000 -1947,4933
k= 0,0009

13
 4. x 0,8200 1,1090 1,3720 1,5200 1,7920 1,9970
y 1,2500 1,3500 1,4250 1,5750 1,6250 1,7950

n x y x2 x.y
1 0,8200 1,2500 0,6724 1,0250
2 1,1090 1,3500 1,2299 1,4972
3 1,3720 1,4250 1,8824 1,9551
4 1,5200 1,5750 2,3104 2,3940
5 1,7920 1,6250 3,2113 2,9120
6 1,9970 1,7950 3,9880 3,5846
8,6100 9,0200 13,2943 13,3679
y= 0,8551 + 0,4517 x

Ca 0,705
5. (gmol/liter) 5,0000 4,3250 1,543 1,2615 0,9925 4 0,5340 0,225
t (detik) 0 30 60 90 120 150 180 210

n x y x2 x.y
1 0 0 0 0,0000
2 30 -0,1450 900 -4,3508
3 60 -1,1757 3600 -70,5426
4 90 -1,3771 8100 -123,9423
5 120 -1,6170 14400 -194,0359
6 150 -1,9584 22500 -293,7642
7 180 -2,2368 32400 -402,6235
8 210 -3,1011 44100 -651,2295
840 -11,6112 126000 -1740,4888

k= 0,0138
Tahun Kebutuhan Etil Asetat
(ton/tahun)
2008 6217
2009 7219
2010 8263
2011 9301
2012 10927
2013 11846
2014 12635
6. n x y x2 x.y
1 2008 6217 4032064 12483736
2 2009 7219 4036081 14502971
3 2010 8263 4040100 16608630
4 2011 9301 4044121 18704311
5 2012 10927 4048144 21985124
6 2013 11846 4052169 1423845998
7 2014 12635 4056196 25446890
14077 66408 28308875 133577660
 y= -2229330,7143 + 1113,2857 x

B. Saran

Harap teliti dalam penulisan rumus atau formula pada Microsoft Excel, karena tanda
kurung dan simbol simbol matematika yang digunakan cukup banyak.
Harus jelih dalam menghitung a0 atau a1. Karena perhitungan a1 dan a0 masih dilakukan
secara manual dengan cara substitusi dan eliminasi .
Pada bagian tertentu rumus yang digunakan tidak terlalu banyak namun dibagian itulah
diperlukan kehati hatian agar tidak ada kesalahan .
Kesalahan penempatan koefisien koenfisen sering terjadi karena tidak teliti .
Perhatikan aslabmu! Jika tidak mengerti tanyakan.
Bisa juga tanya dengan teman sebelahmu.

Daftar Pustaka

1. BUKU PETUNJUK PRAKTIKUM KOMPUTASI PROSES

(diambil pada tanggal 13 November 2016, pukul 13:21)
2. https://gesaf.files.wordpress.com/2008/11/regresi-linier-dengan-metode-kuadrat-
terkecil2.pdf
(diambil pada tanggal 13 November 2016, pukul 13:22)
3. http://yupyonline.blogspot.co.id/2012/02/pengertian-regresi-linear.html
(diambil pada tanggal 13 November 2016, pukul 13:22)

15
4. http://fisikaveritas.blogspot.co.id/2013/06/penurunan-rumus-metode-kuadrat-terkecil.html

(diambil pada tanggal 13 November 2016, pukul 13:24)

5. http://www.rumusstatistik.com/2015/03/metode-least-square-pada-regresi-linier.html
(diambil pada tanggal 13 November 2016, pukul 13:24)

16