4.

Pemodelan Estimasi Biaya

Menurut Suharto (1997) yang dimaksud dengan pemodelan estimasi biaya

adalah suatu model matematis yang menggambarkan hubungan antara biaya
pelaksanaan bangunan gedung dengan suatu variabel fisik dari gedung tersebut.
Secara umum hubungan tersebut dapat digambarkan dengan persamaan sebagai
berikut :

y = f(x) ........................................................................................(5)

dimana y adalah besarnya biaya pelaksanaan konstruksi bangunan gedung dan x

merupakan suatu variabel fisik dari konstruksi bangunan gedung tersebut.
Variabel x dapat terdiri dan satu atau lebih variabel, bergantung kepada
karakteristik fisik serta tahapan estimasi atau waktu diadakannya estimasi.

Pada penelitian ini pendekatan yang digunakan dalam penyusunan model

biaya yaitu dengan metoda parameter, dimana untuk mengestimasi biaya
digunakan suatu model biaya yang disusun berdasarkan data proyek konstruksi
bangunan gedung yang telah selesai dilaksanakan dengan pertimbangan sebagai
berikut:

1. Proyek-proyek konstruksi bangunan gedung yang dibangun mengikuti pola

yang sudah ditetapkan yaitu standar Departemen Pemukiman dan Prasarana
Wilayah.
2. Data-data proyek bangunan gedung yang dibangun pemerintah tersedia dalam
jumlah yang cukup banyak dan dapat diperoleh dengan relatif mudah balk
pada instansi pemerintah yang menangani proyek, konsultan pengawas
maupun kontraktor yang melaksanakannya.
3. Data-data biaya proyek yang berasal dari periode atau waktu yang berbeda-
beda dapat disesuaikan atau diseragamkan menjadi biaya dasar pada waktu
penyusunan model dengan menggunakan faktor inflasi yang terjadi.
 Dilihat dari bentuk persamaan (5) maka untuk estimasi awal, nilai y
tersebut sesungguhnya menggambarkan suatu nilai "taksiran" atau pendugaan
terhadap besarnya biaya yang diperlukan untuk melaksanakan suatu proyek
dengan ukuran atau dimensi yang telah ditetapkan. Dengan menggunakan data-
data biaya proyek pada masa yang lalu dan dengan menggunakan metoda
"Analisis Regresi" maka dapat diketahui persamaan yang sesuai yang
menggambarkan hubungan antara biaya (y) dengan variabel fisik (x) dari proyek.
(Martin Skitmore, R.., No date available, Barrie, 1993 dan Ossenbruggen, 1984).

5. Bentuk Model Estimasi Biaya

Model estimasi biaya yang mempunyai dua variabel yaitu variabel x

sebagai variabel bebas (independent variable) dan varibel tak bebas (dependent
variable) dapat berbentuk sebagai persamaan Linier atau persamaan non-linier
dengan beberapa alternatif bentuk persamaan sebagai berikut (Alhusin, 2002) :

1 . Persamaan Linier : y=a+bx

2 . Persamaan logarith : y= a + b l n ( x )

3 . Persamaan Quadratic y = a + b1x + b2x2

4 . Persamaan Power : Y=a*xb
5 . Persamaan Eksponent y = a*e
(bx)

6 . Persamaan Multiple Regression : y = a + b1x1 + b2x2

dimana : y = biaya pelaksanaan konstruksi bangunan gedung

x = variabel fisik bangunan

a dan b = parameter-parameter persamaan

Alternatif-alternatif persamaan di atas pada dasarnya adalah menjelaskan pola
atau sifat fungsional keterkaitan antara fariabel x dan y. Untuk mengkaji dan
mengukur sejauh mana keterkaitan secara statistik maka digunakan "analisis
regresi" dari sekelompok data (sampel) yang mewakili keadaan populasi yang
sesungguhnya. Dengan menggunakan analisis regresi maka dapat dipilih
persamaan biaya (model biaya) mana yang paling sesuai yang dapat
menggambarkan hubungan antara y sebagai biaya dengan x sebagai variabel fisik
bangunan gedung. Gambar 3. menunjukkan urut-urutan langkah yang dilakukan
untuk mendapatkan model estimasi biaya pelaksanaan konstruksi bangunan
gedung.

6. Analisis Regresi

Analisis Regresi merupakan analisis ketergantungan dari suatu variabel

(peubah) yang tidak bebas (misalkan y) dengan suatu peubah bebas(misalkan x).
Bila hubungan peubah-peubah tersebut digambarkan pada suatu salib sumbu (dua
dimensi), maka akan dapat diketahui bentuk hubungan antara variabelvariabel
tersebut dengan membentuk suatu garis atau grafik dari sebaran titik-titik yang
dibentuk oleh varibel-variabel pada salib sumbu tersebut.(Dajan, 1986 dan
Newman, 1990).

Hubungan tersebut dapat berbentuk garis lurus (linier) atau berbentuk

bukan garis lurus (non linier). Analisis variabel-variabel yang mempunyai
hubungan yang linier disebut analisis regresi linier. Sedangkan analisis variabel-
variabel yang mempunyai hubungan yang tidak linier disebut analisis regresi non
linier. Persamaan yang diperoleh dari hasil analisis regresi disebut dengan
persamaan regresi (Siswanto, 1990).
 PROYEK
PENGUMPULAN
BANGUNAN
DATA
GEDUNG YANG
SUDAH
DILAKSANAKAN
ANALISIS DATA
LAJU INFLASI
PENYERAGAMAN
BIAYA

MODEL f(x) :
PERSAMAAN BIAYA FUNGSI LINEAR
y=f (x) FUNGSI NONLINEAR

KOEF, DETERMINASI
PENGUJIAN MODEL UJI SIDIK RAGAM
UJI SIMPANGAN MODEL
UJI REGRESI PARMAL

MODEL YANG
SESUAI

APLIKASI MODEL
PROYEK BARU UJI VALIDASI
MODEL

ANALISIS DAN
KESIMPULAN

Gambar 3. Bagan Alir Pemodelan Extimasi Awal Biaya

Pembangunan Gedung Dengan Analisis
Regresi.
6.1. Regresi linier

Persamaan regresi yang menggambarkan hubungan antara peubah

bebas x dan perubah tak bebas y dari suatu populasi data secara umum dapat
ditulis sebagai : y = f (x 1, x 2 ………x k / θ1 , θ2 ………. θk ) dimana θ
merupakan parameter regresi yang nilainnya akan ditaksir dari suatu sampel
yang diambil dari populasi tersebut.
Bentuk linier dari persamaan di atas adalah : y = θ1 + θ2 + ԑ dimana ԑ
merupakan kesalahan (galat) yang terjadi antara variabel y yang sesungguhnya
dengan y sebagai hasil regresi. Parameter θ1 dan θ2 akan ditaksir dengan
persamaan dari sampel sebagai berikut ( Sudjana, 1992):
y = a + bx ………………………………………………..............(6)
dimana a dan b merupakan parameter persamaan regresi. Ada beberapa
kemungkinan garis lurus yang dapat terbentuk, tergantung pada besarnya nilai
parameter a dan b tersebut. Garis yang terbaik adalah garis yang melalui titik data
dengan kesalahan (galat) yang terkecil (lihat gambar 4.). Besarnya galat adalah
selisih antara setiap nilai pengamatan yl dengan garis lurus
yi = a + bx adalah = / yi - yi / ( Sudjana, 1992 ).
y = a + bx

Gambar 4. Diagram Pencar Garis Regresi ( Sudjana, 1992)

 Untuk mendapatkan garis dengan kesalahan terkecil, yaitu dengan
meminimumkan nilai kuadrat kesalahan. Metoda ini disebut dengan metoda
kuadrat terkecil (least square methods) ( Sudjana, 1992).
n n

Δ = ∑( Yi − Y′i )² = ∑( Yi − a − bxi )2 … … … … … … … … … … … (7)

2

i =1 i =1

dimana n = jumlah titik data

𝑛
̅̅̅̅
∂Δ
= ∑ 2(yi − a − bxi )(−1) = 0 ………..……………………………………..…… (8)
∂𝑎
i=1

…
𝑛
̅̅
∂Δ̅̅
= ∑ 2(yi − 𝑎)(−xi ) = 0 ……….…….………………………………………….…… (9)
∂𝑎
i=1

Sehingga diperoleh nilai parameter a dan b sebagai berikut :

𝑛∑Xi 𝑌𝑖 −(𝛴𝑋𝑖 )(𝛴𝑌𝑖 )

b= ……….…….……………………………………………………... (10)
𝑛∑Xi ²−(𝛴𝑋𝑖 )²

a = y̅ − 𝑏x̅ ……….…………………………………………………………………………………... (11)

Dalam kasus dimana nilai peubah y dipengaruhi oleh lebih dari satu peubah
bebas linier lainnya (misalnya x 1 , x 2 dan seterusnya) maka analisis regresi
disebut dengan analisis regresi berganda (multiple linier regression) dengan
bentuk persamaan sebagai berikut :
y = a + b1x1 + b2 x2 + ........ +bmxm .............................................. (12)
Dimana a , b1 , b2, ...... dan bm merupakan parameter persamaan regresi dan dapat
ditentukan dengan metode kuadrat terkecil seperti di atas.
 Untuk kasus dimana nilai peubah y dipengaruhi oleh lebih dari dua
peubah bebas x maka analisis regresi diselesaikan dengan metoda matriks
dimana hal ini akan sangat membantu dalam melakukan manipulasi matematik.
(Walpole, 1995).

6.2. Regresi non linier

Hubungan antara variabel-variabel rekayasa tidak selalu dapat

dinyatakan secara linier (fungsi linier). Hubungan tersebut dapat juga
mempunyai kecenderungan hubungan yang non linier. Regresi non tinier
umumnya didasarkan kepada fungsi (nilai purata) yang diasumsikan non linier
dan nilai parameter-parameternya dapat ditentukan dengan analisis statistik
terhadap data pengamatan.
Bentuk umum persamaan regresi non tinier adalah: y = a + b f(x),
dimana f(x) merupakan fungsi non linier dari x. f(x) dapat berbentuk;
Persamaan logarith, Persamaan Quadratic, Persamaan Power, Persamaan
Eksponent dan lain-lain. Untuk menyelesaikan fungsi-fungsi yang non linier
tersebut, dapat dilakukan dengan merubah (mentransformasikan) fungsi
tersebut menjadi suatu fungsi yang linier dan seterusnya diselesaikan seperti
kasus linier diatas (Suprnto, 1996).

Sebagai contoh tinjau suatu persamaan non linier y = a*e(bx). Dalam

bentuk In menjadi : In (y) = In a + bx In (e). Dengan melakukan transformasi y' =
in (y) dan a' = In (a) maka diperoleh persamaan baru y' = a' + bx yang merupakan
persamaan linier baru dengan variabel-variabel x dan in (y).
 7. Pengujian Persamaan Regresi

Untuk menyatakan apakah model atau persamaan yang sudah diperoleh

benar-benar model yang paling sesuai (yang paling andal), maka perlu
dilakukan beberapa pengujian terhadap model tersebut. Kriteria pengujian
model tersebut adalah Koefisien Determinasi dan Koefisien Korelasi,
Pengujian Sidik Ragam, Pengujian Simpangan (Kesesuaian) Model dan
Pengujian Regresi Parsial (Algifari, 2000)

7.1. Koefisien determinasi dan koefisien korelasi

Koefisien determinasi (r 2 ) merupakan nilai yang menyatakan
besarnya keterandalan model yaitu yang menyatakan besarnya variasi y
yang dapat diterangkan oleh variabel x sesuai dengan persamaan yang
diperoleh. Untuk berbagai bentuk persamaan regresi, besarnya nilai
koefisien determinasi (r 2 ) menunjukkan tingkat keterandalan model,
sedangkan untuk bentuk persamaan yang linier, koefisien korelasi (r =
√𝑟 2) menunjukkan derajat keeratan hubungan antara variabel x dan
variabel y. Nilai koefisien determinasi berkisar antara 0 dan 1, dimana bila
nilai r 2 mendekati 1 berarti bahwa model yang diperoleh mempunyai derajat
keandalan semakin baik. Sebaliknya apabila nilai r 2 mendekati 0 berarti
derajat keandalan model semakin kurang. Nilai koefisien korelasi akan
berkisar antara -1 dan +1, dimana apabila nilai r mendekati +1 berarti
hubungan antara variabel semakin kuat dan searah, dan sebaliknya apabila
nilai r mendekati -1 berarti hubungan antara variabel semakin kuat dan
berlawanan arah (nilai y akan semakin kecil bila nilai x semakin besar). (Walpole,
1995).
Nilai Koefisien Determinasi (r 2) dapat ditentukan dengan menggunakan
persamaan:

𝐽𝐾𝑅
r2= ……….………………………………………………………………………………. (13)
𝐽𝐾𝑇

dimana,
JKR = jumlah kuadrat regresi

(Σxi )(Σyi )
=b {Σ xi yi − }
n

JKT = jumlah kuadrat total

(Σyi )²
= Σyi ² −
n
Nilai Koefisien Korelasi (r) dapat ditentukan dengan menggunakan
persamaan :

𝐽𝐾𝑅 ……….………………………………………………………….……. (14)

r = √𝑟² = √
𝐽𝐾𝑇

7.2. Sidik ragam regresi

Pengujian sidik ragam regresi merupakan pengujian terhadap nilai
koefisien atau parameter regresi, apakah nilai parameter tersebut dapat
diandalkan untuk menduga besarnya nilai y atau tidak. Hipotesis yang
digunakan adalah Hipotesis Nol (H o) dan Hipotesis Tandingan (H 1) sebagai
berikut:
Ho : β1 = 0 lawan H1 : β1 ≠ 0
 Keandalan model dapat diketahui dari hasil pengujian hipotesis apakah
ditolak atau diterima, dengan menggunakan uji F. Bila F hitung ≤ Ftabel maka Ho
diterima (H 1 ditolak), berarti β1 = 0 maka model tidak dapat diandalkan.
Sebaliknya bila Fhitung ≤ Ftabel maka H0 ditolak (H1 diterima) maka β1 ≠0 berarti
model diterima (Algifari, 2000) .
Tahapannya adalah sebagai berikut:

a). Perumusan :
Ho : β1 = 0 Variasi perubahan nilai variabel independen (x) tidak dapat
menjelaskan variasi perubahan nilai variabel dependen (y)
H1 : β1 ≠ 0 Variasi perubahan nilai variabel independen (x) dapat
menjelaskan variasi perubahan nilai variabel dependen (y)

b). Nilai Kritis : F(vl,v2,𝛼)

c). Fhitung

d). Keputusan
Bila Fhitung < Ftabel Menerima Ho, artinya : secara statistik dapat
dibuktikan bahwa variabel independen (x) tidak berpengaruh terhadap
perubahan nilai variabel dependen (y)
Bila Fhitung ≥ Ftabel Menolak Ho dan menerima H1 artinya : secara
statistic data yang digunakan membuktikan bahwa variable independen (x)
berpengaruh terhadap nilai variable dependen (y)

7.3. Uji simpangan model

Meskipun berdasarkan Sidik Ragam diperoleh hasil yang signifikan
(Fhitung ≥ Ftabel) serta nilai Koefisien Determinasi (r2) cukup tinggi, maka untuk
data yang mempunyai nilai yang berulang pada variabel x, maka model tersebut
belum tentu merupakan model yang terbaik (sesuai) dalam menggambarkan
hubungan x dan y. Untuk membuktikan apakah model tersebut merupakan model
yang sesuai, perlu dilakukan lagi suatu pengujian terhadap sisanya (residu).
Jumlah Kuadrat Sisa (JKS) terdiri dari dua bagian yaitu Jumlah Kuadrat
Simpangan Model (Lack of Fit / JKSM) dan Jumlah Kuadrat Galat Murni (Pure
Error/JKGM).
Simpangan model ini harus diuji apakah memberikan hasil yang signifikan
atau tidak. Bia hasil pengujian signifikan (Pvalue ≥ 𝛼) maka model dikatan
menyimpang, yang berarti model ini bukan model ang terbaik. Sebaliknya bila
hasil pengujian tidak signifikan (Pvalue ≤ 𝛼 ) maka model tersebut merupakan
model yang terbaik dalam menggambar hubungan antara variable y dan x (
Algifari, 2000 ).
Tahapannya adalah sebagai berikut:

a) Perumusan :
H o : β1 = 0 Secara statistik persamaan regresi tidak dapat digunakan
untuk menaksir nilai variabel dependen (y) pada nilai variabel independen
(x) tertentu
H1 : β1 ≠ 0 Secara statistik persamaan regresi dapat digunakan untuk
menaksir nilai variabel dependen (y) pada nilai variabel independen (x)
tertentu
b) Pvalue = Signif F
c) 𝛼 = 0,05
d) Keputasan :
Bila P value < α Menolak Ho dan menerima H1 artinya: Secara statistik
persamaan regresi tersebut dapat digunakan untuk menaksir nilai variabel
dependen (y) pada nilai variabel independen (x) tertentu
Bila : P value > α Menolak H1 dan menerima Ho artinya: Secara statistik
persamaan regresi tersebut tidak dapat digunakan untuk menaksir nilai
variabel dependen (y) pada nilai variabel independen (x) tertentu
7.4. Uji regresi parsial
Persamaan regresi yang diperoleh dalam suatu proses penghitungan tidak
selalu baik untuk mengestimasi nilai variabel dependen (y). Untuk mengetahui
apakah suatu persamaan regresi yang dihasilkan adalah baik untuk mengestimasi
nilai variabel dependen adalah Uji Regresi Parsial.
Uji Regresi Parsial bertujuan untuk memastikan apakah variabel
independen (x) yang terdapat dalam persamaan tersebut secara individu
berpengaruh terhadap nilai variabel dependen (y) (Algifari, 2000).
Tahapannya adalah sebagai berikut:

a) Perumusan :

H0 : β1 = 0 Variasi perubahan nilai variable independen (x) tidak

berpengaruh terhadap variasi perubahan nilai variabel dependen (y)

H 1 : β1 = 0 Menerima H1 , artinya : secara statistic variabel

independen (x) berpengaruh terhadap nilai variabel dependen (y)

b) Nilai Kritis : t(n-k;𝛼)

c) Keputusan :

Bila thitung < ttabel Menerima Ho, artinya : secara statistik variabel

independen (x) tidak berpengaruh terhadap nilai variabel dependen (y)

Bila thitung > ttabel Menerima HI , artinya : secara statistik variabel

independen (x) berpengaruh terhadap nilai variabel dependen (y)

Untuk memudahkan perhitungan maka pembentukan altenatif model

atau persamaan regresi serta pengujian-pengujian atas persamaan-persamaan

regresi yang terbentuk tersebut (Koefisien Determinasi, Sidik Ragam, Uji

Simpangan Model dan Uji Regresi Parsial) dipergunakan atau memanfaatkan

data -data hasil perhitungan program aplikasi Statistical Product and Service

Solutions (SPSS) yang diperlukan.

8. Rentang Nilai Parameter Persamaan Regresi

Dalam praktek, kita sering mengestimasi nilai rata -rata Y pada nilai
X tertentu, katakana X = X Misalnya Y = biaya bangunan gedung dan X =
volume beton bertulang. Estimasi demikian bisa berupa estimasi tunggal (point
forecast) dan juga estimasi interval (interval forecast). ̂
Y = a + bX, merupakan
̂ = a + bXo. Untuk mencari nilai rata-rata
penduga dari E (Y/X). Untuk X = Xo ⇒ Y
( = nilai yang diharapkan varians dari ̂
Y dan akan menunjukkan bagaimana Y
dapat dipergunakan untuk membuat estimasi. (Supranto, 1996)
Menurut Supranto (1996) estimasi tunggal rata-rata Y atau individu Y
untuk X = Xo, adalah sebagai berikut:
̂
Y = a + bXo ……….…………………………………………………………………………….……. (15)
̂o adalah nilai Y
Misalkan Y ̂ untuk X = Xo. Rata-rata distribusi Y adalah sebagai
berikut :
E( ̂Yo ) = E(a+bXo) = E(a) + E(b)Xo = A + BXo = E (Yo/Xo)
Untuk mencari Variansi ( ̂
Yo ) perhatikan bahwa :
̂o = a + bXo = ( Y
Y ̅ ˗ b ̅X ) + bXo = Y
̅ ˗ b( ̅Xo ˗ ̅X )

Var ( ̂
Yo ) = Var { ̅Y + b( ̅Xo ˗ ̅X }
= Var ( ̅
Y ) + Var {b( ̅Xo ˗ ̅X } , Xo dan ̅X = konstan
̅ ) + ( Xo - ̅X )2 Var (b)
= Var ( Y
Oleh karena observasi Y, dianggap bebas (karena acak), maka
 ΣYi 1 nσ2ԑ σ2ԑ
̅ ) = Var(
Var ( Y )= 𝛴 Var ( yi ) = =
𝑛 𝑛² n² n
σ2ԑ
Sedangkan Var (b) = 𝜎𝑏2 =
∑x2i

σ2ԑ (Xo− ̅X) ² σ2ԑ ……….…………………………………….……. (16)

Var ( ̂
Yo ) = σŷ²o = +
n ∑x2i

Kesalahan baku Yo adalah sebagai berikut :

1 (Xo−X)²….………………………………………………………...……..……. (17)
σ𝑦̂ o = 𝜎𝜀 √{ + }
n ∑x2i

̂ o−E ( Yo/ Xo ) Y
Y ̂ o−E ( Yo/ Xo )
t = =
̂o
sy 1 ( Xo−X)²
se √𝑛+
∑x2
i

𝑆𝑒 adalah penduga σ
𝑆𝑦𝑜 adalah penduga σ𝑦𝑜
T merupakan fungsi t dengan derajat kebebasan ( n – 2 )
Menurut Supranto (1996) rumus pendugaan interval E (Yo/Xo) dengan tingkat
keyakinan ( 1 – α ) adalah sebagai berikut:

̂ 𝑜 ≤ E ( Yo/Xo) ≤ ̂Y + 𝑡α/2 sŷo ……………………………..……..……. (18)

(1) 𝑌̂ - t α/2 sy

atau

1 (X𝑜−X)²
(2) (a + bXO) - t α/2 se √{ + } ≤ E (Yo/Xo) ≤ (a + bXo)+ t α/2
n ∑x2i

1 (X𝑜−X)² …………………………..……..…………………………..……………. (19)

se √{ + }
n ∑x2i

Untuk membuat suatu estimasi interval bagi individu Yo jika X = Xo

Untuk Individu Yo, diperoleh hubungan :
Yo = A + BXo + 𝜀0
E(Ŷo – Yo) = E (Ŷo) – E(Yo) = A + BXo – A – Bxo = 0

Ŷo selain merupakan penduga tak bias individu Yo juga sebagai penduga tak bias
E(Ŷo – Yo) = Var (Ŷo) + VarYo)

σ2ε ̅ )²
(Xo−X
= + σ2ε + σ2ε
n ∑x2i̇

1 ̅ )2
(Xo−X
= σε ² {1 + + }
n ∑x2i̇

1 ̅ )2
(Xo−X
Var ( Ŷo – Yo) = σε ² {1 + + } …………………………..…….……. (20)
n ∑x2i̇

dimana; se adalah penduga bagi σε

Ŷo − Yo Ŷo – Yo
Jadi t =
̂o – yo)
=
s(y ̅ )2
1 (Xo−X
Se √{1+n+ }
∑x2̇
i

T merupakan fungsi t dengan derajat kebebasan (n – α ) adalah sebagai berikut;

(1) Ŷo –t α/2 s( y
̂ o – yo) ≤ Yo ≤ Ŷo + t α/2 s( ŷo – yo ) …….………….. (21)

atau …

1 ̅ )2
(Xo−X
(2) (a + bXo) - t α⁄ Se √1 + + ≤ Yo ≤ (a+bXo) +
2 n ∑x2i̇

1 ̅ )2
(Xo−X
t α2 Se √1 + + ……….……….......................................…. (22)
n ∑x2i̇
 Metoda kuadrat terkecil (least square method) selain digunakan untuk
mengestimasi parameter sebagai koefisian dari suatu hubungan linier, dapat juga
digunakan untuk yang bukan linier. Ada bentuk-bentuk hubungan fungsional yang
bukan linier namun dapat ditransformasikan menjadi linier dan ada pula yang
tidak dapat. Berikut ini adalah bentuk fungsi bukan linier yang dapat diubah
bentuknya (ditransformasikan) menjadi linier. (Supranto, 1996)
1. Y = AXB dapat diunah menjadi bentuk linier ⇒ log A + B log X ⇒Yo = Ao
+ Bx0 dimana Yo = log X Transformasi ini disebut “double-log
transformation”. Metoda kuadrat terkecil kemudian iterapkan pada Yo =
Ao +BXo
1 1
2. Y=A+B dapat diubah menjadi Y = A + BZ dimana Z = ,Z=
X X
variabel baru hasil transformasi. Transformasi ini disebut “reciprocal
transformation”
3. Y = AeBX ⇒ log Y = log A + BX ⇒ Yo = Ao + BX, dimana Yo = log Y, Ao
= log A dan Bo = log B. Transformasi ini disebut “semi log transformasi”.
Metoda kuadrat terkecil kemudian diterapkan pada Yo = Ao + Bo X.