Dalam praktek sering dijumpai data yang diberikan dalam bentuk tabel
Curve fitting
Interpolasi
Contoh dibawah ini merupakan hasil pengukuran dua titik A dan B yang
.A .. . .
f(x)
. . . . . . ..
. . . .
. . .B
. . .
. . . x
Gambar 4.1. Plot data pengukuran
Interpolasi
Bila data diketahui sangat besar maka pendekatan yang dilakukan adalah
Gambar dibawah menunjukkan sket kurva yang dibuat dari data yang sama
dengan cara regresi kuadrat terkecil (gbr. 4.2.a) dan interpolasi (4.2.b dan c)
. . . . . .
x x x
a b c
32
. . .
a. Tidak melalui semua titik pengukuran, tetapi hanya mengikuti trend dari
Dalam bab ini akan dibahas lebih mendalam regresi kuadrat terkecil,
berikutnya.
statistik, oleh karena itu sebelum mempelajari regresi kuadrat terkecil lebih
mendalam dalam sub bab berikut akan diingat kembali beberapa prinsip
statistik.
Contoh pada tabel dibawah adalah hasil pengukuran debit rerata tahunan
_
Nilai rerata data ( y ) adalah jumlah nilai data dibagi dengan cacah data (n)
y
y i
dengan penjumlahan ( ) adalah dari i = 1 sampai n dari data dalam tabel 4.1
y i
y i 1
n
15
y i
y i 1
15
105.51
y 7.034
15
σ
D2
(y i y) 2
n 1 n 1
dengan D2 adalah jumlah dari kuadrat residu antara data dan nilai rerata.
Penyebaran juga dapat dipresentasikan oleh kuadrat dari deviasi standar, yang
disebut Varians.
_
σ2
D2
(y i y) 2
n 1 n 1
dari tabel tersebut dapat dihitung nilai standar deviasi dan varians.
- Standar deviasi
_
σ
(y i y) 2
110.507
2.810
n 1 15 1
- Varians
_
σ 2
(y i y) 2
110.507
7.893
n 1 15 1
dicari suatu kurva g(x) yang akan mewakili titik percobaan tersebut. Cara
merupakan fungsi terbaik g(x) yang digambarkan oleh titik percobaan, tetapi
cara ini tidak memuaskan terutama bila penyebarannya titik-titik cukup banyak
kuadrat terkecil .
. .
f(x)
.. . . g(x)
yi Mi
. . . . . . ..
g(xi)
. . . . Gi
. .
. . .
x
Gambar 4.3. kurva mewakili titik-titk data
plot titik data tersebut dapat diketahui pola secara umum dari kumpulan
2. Dipilih suatu fungsi g(x) yang dianggap bias mewakili f(x) yang
Ei = MiGi = yi – g(xi : ao , a1 , … ar )
35
E i y i g(x i )
2 2
D2 = 4.2
i 1 i 1
nol
D 2
0
a o
D 2 D 2
a 1
0 . . . . . .
a r
0 4.3.
Bentuk paling sederhana dari regresi kuadrat terkecil adalah bila kurva
adalah : g(x) = a + bx
D 2
0
a
n
y i a b(x i ) 2 0
a i 1
n
2 y i a b(x i ) 0
i 1
36
D 2
0
b
n
y i a b(x i ) 2 0
b i 1
n
2 (y i a bx i )x i 0
i 1
Penjumlahan masing-masing suku pada persm. 4.6 dan 4.7 adalah dari i
sampai n
dengan a = na
na = yi - xib
1
a= (yi - xib) 4.10
n
1 1
a=( yi - xib)
n n
atau,
4.11
_ _
a y bx
1
xi (yi - xib) + xi2b = xiyi
n
atau,
n x i yi x i yi
b= 4.12
n x i ( x i ) 2
2
Dt 2 D 2
r= 4.13
Dt 2
dengan
r : koefisien korelasi
n _ n
Dt 2 (y i y) 2 dan D 2 (y i a bx) 2
i 1 i 1
sangat jelek. Koefisien korelasi ini juga dapat digunakan untuk memilih suatu
persamaan. dari beberapa alternatif yang ada, terutama dalam regresi garis
tidak lurus. Kurva lengkung dapat didekati dengan beberapa tipe persamaan,
misalnya bentuk y = axb, y = aeb, y = a0 + a1x + a2x2 atau persamaan lain. Dari
Contoh .
X 4 6 8 10 14 16 20 22 24 28
Y 30 18 22 28 14 22 16 8 20 8
Penyelesaian :
gambar 4.4, yang dapat diwakili oleh garis lurus. Penyelesaian dilakukan
10 28 8 224 784
152 186 2432 2912
y .
30 . . .
-
20 . . .
. . .
10
.
0 . x
10 20 30
x
x i
152
15,2
n 10
y
y i
186
18,6
n 10
y = a + bx
dengan,
y = 28,5849 – 0,6569 x
. .
y . .
y . .
. . . .. . . . .
. . . . . .
x x
Tampak bahwa pendekatan dengan garis lurus menimbulkan kesalahan
yang sangat berarti. Berikut ini diberikan beberapa fungsi pendekatan dari data
1. Fungsi eksponensial
y = a1eb1x 4.14
ln y = ln a1 + b1x 4.15
y=a1eb1x b1
1
ln a1
x x
2. Persamaan berpangkat
Contoh lain dari kurva tak linier adalah persamaan berpangkat seperti
y = a2xb2 4.16
memotong sumbu log y pada log a2. Gambar 4.7 bibawah menunjukkan
y=a2xb2 log y
y
b1
1
x
Log x
log a2
Contoh 2.
x 1 2 3 4 5
Penyelesaian
f(x)
5 o o
x
0 5
a. Transformasi log.
41
_
q
log x i
2,0791
0,4158
n 5
_
p
log y i
2,1411
0,4282
n 5
n q i p i q i p i
B
n q i ( q i ) 2
2
p = -0,3024 + 1,7572 q
mengigat :
B = b, b = 1,7572
y = 0,4984 x1,7572
b. Transformasi ln
y = a ebx
ln y = ln aebx = ln a + ln ebx
ln y = ln a + bx
p = ln y A = ln a
q=x B=b
p = A + Bq
_
y
y i
19,7
3,94
n 5
_
q
q i
15
3
n 5
_
p
p i
4,93
0,99
n 5
n q i p i q i p i
B
n q i ( q i ) 2
2
p = -1,0657 + 0,68525 q
mengingat :
B = b, b = 0,68525
y = 0,34447 e0,68525x
Untuk memilih salah satu dari kedua hasil terbaik, dihitung nilai koefisien
4.13
Dt 2 D 2
r
Dt 2
dengan
n
Dt2 = (yi y) 2
i 1
n
D2 = (yi y ( x))
i 1
2
Dt 2 D 2 40.132 0..00238
r
Dt 2 40.132
r = 0,99997
Dt 2 D 2 40.132 5.60746
r
Dt 2 40.132
r = 0,92751
Dari kedua nilai tersebut diatas, terlihat bahwa koefisien korelasi r untuk
transformasi log adalah lebih besar dari transformasi ln, sehingga dapat
44
disimpulkan bahwa persamaan yang didapat dari transformasi log adalah lebih
baik.