Pemodelan Estimasi Biaya
Pemodelan Estimasi Biaya
y = f(x) ........................................................................................(5)
6. Analisis Regresi
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
i =1 i =1
…
𝑛
̅̅
∂Δ̅̅
= ∑ 2(yi − 𝑎)(−xi ) = 0 ……….…….………………………………………….…… (9)
∂𝑎
i=1
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).
𝐽𝐾𝑅
r2= ……….………………………………………………………………………………. (13)
𝐽𝐾𝑇
dimana,
JKR = jumlah kuadrat regresi
(Σxi )(Σyi )
=b {Σ xi yi − }
n
(Σyi )²
= Σyi ² −
n
Nilai Koefisien Korelasi (r) dapat ditentukan dengan menggunakan
persamaan :
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)
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)
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 :
c) Keputusan :
Bila thitung < ttabel Menerima Ho, artinya : secara statistik variabel
data -data hasil perhitungan program aplikasi Statistical Product and Service
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
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:
atau
1 (X𝑜−X)²
(2) (a + bXO) - t α/2 se √{ + } ≤ E (Yo/Xo) ≤ (a + bXo)+ t α/2
n ∑x2i
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
Ŷo − Yo Ŷo – Yo
Jadi t =
̂o – yo)
=
s(y ̅ )2
1 (Xo−X
Se √{1+n+ }
∑x2̇
i
(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.