Formulasi fungsi regresi linear akan menghasilkan koefisien korelasi yang rendah.

Untuk itu
dapat dilakukan alternative regresi nonlinear, dengan tetap menggunakan cara yang
digunakan untuk mencari fungsi regresi linear. Ada dua model yang akan dibahas pada
subbab ini, yaitu Model Eksponensial dan Model Fungsi Berpangkat.

Persamaan umum yang digunakan untuk Regresi Nonlinear Model eksponensial

adalah:

y = aebx
(5.22)

Pada persamaan tersebut, a dan b merupakan konstanta fungsi eksponensial yang

akan dicari berdasarkan titik-titik data.

Persamaan 5.22 ditulis dalam bentuk logaritma natural :

ln y = ln a + ln (ebx)

Atau dapat dituliskan juga sebagai berikut :

ln y = ln a + bx (5.23)

Persamaan 5.23 merupakan fungsi linear jika digambarkan pada koordinar dengan
absis x dan ordinat ln y. Karena Persamaan 5.23 merupakan “fungsi linear” maka
persamaan-persamaan untuk memperoleh fungsi regresi linear dapat dituliskan kembali
sebagai berikut.

𝑛 ∑𝑛 𝑛 𝑛
𝑖=1 𝑥𝑖.ln 𝑦𝑖− ∑𝑖=1 ln 𝑦𝑖 ∑𝑖=1 𝑥𝑖
𝑏= (5.24)
𝑛 ∑𝑛 𝑛
𝑖=1 𝑥𝑖²− (∑𝑖=1 𝑥𝑖 )²
Dengan diperolehnya nilai b, koefisien a dihitung dengan menggunakan Persamaan
5.18, yang dituliskan kembali sebagai berikut.

∑𝑛
𝑖=1 ln 𝑦𝑖 𝑏 ∑𝑛
𝑖=1 𝑥𝑖
ln 𝑎 = − = ̅̅̅̅̅ ̅̅̅
ln 𝑦-𝑏𝑥 (5.25)
𝑛 𝑛
Contoh Soal :

Selesaikan permasalahan pada subbab 5.1a tentang uji tarik batang baja di laboratorium.
Dengan data tersebut tentukan fungsi regresi nonlinear dengan.
 Regresi Polinomial

Hasil analisis fungsi regresi ditampilkan pada Gambar 5.8 dan 5.9. Pada Gambar 5.8
fungsi regresi eksponensial bersama-sama dengan titik data disajikan dalam sumbu
koordinat absis τ dan ordinat ln(ε), sedangkan pada Gambar 5.9 digunakan sumbu koordinat
τ-ε.

Berdasarkan Tabel 5.7, dapat dihitung juga besarnya koefisien korelasi:

 St dan Sr dihitung dengan persamaan di bawah ini.

𝑆𝑡 = ∑𝑛𝑖=1(𝜀𝑖 − 𝜀)̅ ² = 47,8

𝑆𝑟 = ∑𝑛𝑖=1(𝜀𝑖 − 𝑎𝑒 𝑏𝑟 ) = 5,47

 Koefisien Korelasi dihitung sebagai berikut.

𝑆𝑡 − 𝑆𝑟 47,8 − 5,47
𝑟=√ = √ = 0,94
𝑆𝑡 47,8
5.4 REGRESI NONLINEAR DENGAN MODEL FUNGSI BERPANGKAT

Persamaan umum yang digunakan untuk regresi Nonlinear Model Fungsi Berpangkat
adalah:

y = axb (5.26)

Pada persamaan tersebut a dan b merupakan konstanta fungsi berpangkat yang

akan dicari berdasarkan titik-titik data yang ada. Persamaan 5.26 dapat dituliskan dalam
bentuk logaritma, diperoleh:

log y = log a + b log x

Persamaan di atas jika digambarkan pada sumbu koordinat dengan absis log x dan
ordinat log y, membentuk garis linear. Mengingat persamaan tersebut merupakan “fungsi
linear” maka persamaan-persamaan untuk memperoleh fungsi regresi linear dapat dipakai,
dan formulasi untuk menghitung konstanta fungsi regresi linear dapat dituliskan kembali
sebagai berikut.

𝑛 ∑𝑛 𝑛 𝑛
𝑖=1 log 𝑥𝑖.log 𝑦𝑖− ∑𝑖=1 log 𝑦𝑖 ∑𝑖=1 log 𝑥𝑖
𝑏= (5.27)
𝑛 ∑𝑛 𝑛
𝑖=1 (log 𝑥𝑖)²− (∑𝑖=1 log 𝑥𝑖 )²

Dengan diperolehnya nilai b, koefisien a dihitung dengan menggunakan Persamaan

5.25, yang dituliskan kembali sebagai berikut.

∑𝑛
𝑖=1 log 𝑦𝑖 𝑎 ∑𝑛
𝑖=1 log 𝑥𝑖
log 𝑎 = − = ̅̅̅̅̅̅ ̅̅̅̅̅̅̅̅̅
log 𝑦-𝑏𝑙𝑜𝑔 𝑥 (5.28)
𝑛 𝑛
Contoh Soal:

Selesaikan permasalahan pada subbab 5.1a tentang uji tarik batang baja di laboratorium.
Dengan data tersebut, tentukan fungsi regresi nonlnear dengan Model Fungsi berpangkat
dan jika diketahui batang baja diberi tegangan tarik sebesar 9.000 N/m 2, tentukan besarnya
regangan yang terjadi.

Penyelesaian:

Hasil pengujian tarik batang baja seperti disajikan pada Tabel 5.6, ditampilkan pada Gambar
5.10. Pada gambartersebut titik-titik data dipresentasikan dengan menggunakan sumbu
logaritma pada koordinat kartesian.
 Persamaan dasar fungsi berpangkat yang memberikan hubungan tengangan-
regangan diberikan sebagai berikut.

𝜀 = 𝑎𝑟 𝑏

Persamaan tersebut di atas dilinearkan dengan melogaritmakan kedua ruas,

sehingga diperoleh:

log ε = log a + b. logr

Konstanta a dan b diperoleh dengan menggunakan formulasi berikut.

𝑛 ∑𝑛 𝑛 𝑛
𝑖=1(log 𝜏𝑖.log 𝜀𝑖)− ∑𝑖=1 log 𝜀𝑖 ∑𝑖=1 𝜏𝑖
𝑏= (5.27a)
𝑛 ∑𝑛 𝑛
𝑖=1(log 𝜏𝑖)²− (∑𝑖=1 log 𝜏𝑖 )²

∑𝑛
𝑖=1 log 𝜀𝑖 𝑎1 ∑𝑛
𝑖=1 log 𝜏𝑖
log 𝑎 = − = ̅̅̅̅̅̅ ̅̅̅̅̅̅̅̅𝜏
log 𝜀 -𝑏𝑙𝑜𝑔 (5.28a)
𝑛 𝑛
Proses hitungan konstanta a dan b dilakukan dengan bantuan Microsoft Excel dan
disajikan pada Tabel 5.8 berikut.

i τ ε log (τ) log (ε) log (τ) log (ε) (log (τ))² a r^b
1 7.2 2.0 0.86 0.30 0.26 0.74 3.59 3.24 2.51
2 7.5 4.5 0.88 0.65 0.57 0.77 3.82 0.49 0.46
3 8.0 6.0 0.90 0.78 0.70 0.82 4.24 4.54 3.11
4 5.2 1.3 0.72 0.11 0.08 0.51 2.14 6.20 0.70
5 10.0 8.5 1.00 0.93 0.93 1.00 0.04 22.09 6.07
6 1.8 0.5 0.26 -0.30 -0.08 0.07 0.64 10.89 0.01
∑ 39.7 22.8 4.61 2.47 2.47 3.89 47.45 12.86
Berdasarkan hasil hitungan pada table tersebut, konstanta a dan b dihitung sebagai
berikut.
6 .2,47−2.47 . 4,61
𝑏= = 1,586
6 .3,89−4,612

2,47 1,586 .4,61

log 𝑎 = − = −0,806
6 6

𝑎 = 10−0,806 = 0,156
Dengan diperolehnya nilai konstanta a dan b, maka persamaan fungsi regresi
berpangkat dapat dituliskan sebagai berikut.

𝑎 = 0,156. 𝑟1,586
 Berdasarkan Tabel 5.8 di atas, dapat dihitung juga besarnya koefisien korelasi:

 St dan Sr dihitung dengan persamaan di bawah ini.

𝑆𝑡 = ∑(𝜀𝑖 − 𝜀 𝑏 ) = 47,8
𝑖=1
𝑛

𝑆𝑟 = ∑(𝜀𝑖 − 𝑎𝜏 𝑏 ) = 12,86
𝑖=1

 Koefisien korelasi dihitung sebagai berikut.

𝑆𝑡 − 𝑆𝑟 47,8 − 12,86
𝑟=√ = √ = 0,855
𝑆𝑡 47,8

Kurva regresi berpangkat serta titik data disajikan pada Gambar 5.11 dengan skala
logaritma.