Bab III

ANALISIS REGRESI

 Dalam analisa data sering dilakukan

pembuatan kurva yang dapat mewakili
suatu rangkaian data yang diberikan
dalam sistem koordinat x-y .
 Karena faktor sering adanya kesalahan
dan ketidakpastian dalam pengujian, atau
terdapatnya variasi perubahan data dari
waktu ke waktu maka titik-titik data akan
tersebar dalam koordinat x-y
 Dalam analisa regresi akan dibuat kurva
atau persamaan fungsi berdasarkan
sebaran titik data.
 Kurva yang terbentuk diharapkan dapat
mewakili titik-titik data tersebut.
 Setelah kurva terbentuk, seringkali
dilakukan ekstrapolasi untuk
mendapatkan nilai y yang berkaitan
dengan nilai x yang berada di luar
rangkaian data yang telah ada
sebelumnya.
Contoh
Kurva Regresi
6
Terbentuk dari
persamaan Regresi
5

3
Kurva Data

0
0 2 4 6 8 10 12 14 16 18

Series1
 Contoh Data
55
50
Data Bisa diabaikan
45
(data terlalu tinggi dari rata2 data lainnya)
40
35
Axis Title

Trend Line
30 “Linier”
25
20
15
10
5
Data Bisa diabaikan
(data terlalu rendah dari rata2 data lainnya)
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Axis Title
BENTUK –BENTUK ANALISIS REGRESI

1. REGRESI LINIER

Bentuk paling sederhanan dari regresi dengan

menggunakan metode kuadrat terkecil adalah
apabila kurva yang mewakili titik-titik data
merupakan garis lurus.

Bentuk persamaannya adalah :

yt  a  b.x
Dalam hal ini :

n.  xi . y i   xi .  y i
b
n.  xi  ( xi )
2 2

a  y  b.x

n  jumlah data
 Yi
_

y  nilai rata  rata dari data y (y  )

n.
_
 Xi
x  nilai rata  rata dari data x (x  )
n.
Jumlah kuadrat dari kesalahan dapat dihitung

 
n
D   yi  y
2 2
t berdasarkan nilai y rata-rata
i 1

n
D    yi  yt 
2 2
berdasarkan nilai hasil regresi
i 1

Sehingga untuk menghitung nilai koefisien korelasi ( R )

adalah :

Untuk persamaan garis regresi yang

representative mempunyai nilai R2 ≈ 1
Contoh 1
Tentukanlah persamaan garis regresi Linier dari pasangan data
berikut

X 1 2 3 4 5 6 7 8
Y 19 39 68 106 148 214 288 288

Penyelesaian
Menghitung nilai a dan b

n.  xi . y i   xi .  y i
b
n.  xi  ( xi )
2

yt  a  b.x
2

a  y  b.x
Penyelesaian

_
Table Perhitungan 1197
y   149,63
`No Xi Yi Xi.Yi Xi2 8.
1 1 19 19 1.00
_
36
2 2 39 78 4.00
x 8.
 4,5
3 3 68 204 9.00
4 4 116 464 16.00
5 5 165 825 25.00
6 6 214 1284 36.00
7 7 288 2016 49.00
8 8 288 2304 64.00
Ʃ 8 36 1197 7194 204.00
 n.  xi . y i   xi .  y i
b
n.  xi  (  xi ) 2
2

(8  7194 )  (36  1197 ) 11.440

b   43,04
(8  204 )  (36) 2
336
n =8
ΣX = 36
ΣY = 1197
a  y  b.x Σ X.Y = 7194
Σ (X2} = 204
a  149,63  (43,04  4,5)   44,04 (Σ X)2 = (36)2

Sehingga
y t  a  b.x
y t  44,04  43,04.x
 _
Menghitung Deviasi Standar 1197
y   149,63
y t  44,04  43,04.x 8.
Tabel hitungan
`No Xi Yi Yt Dt2 D2
1 1 19 -1.00 17062.89 400.000
2 2 39 42.04 12237.89 9.216
3 3 68 85.07 6662.64 291.434
4 4 116 128.11 1130.64 146.583
5 5 165 171.14 236.39 37.735
6 6 214 214.18 4144.14 0.032
7 7 288 257.21 19147.64 947.760
8 8 288 300.25 19147.64 150.063
Σ 79769.88 1982.821

 
n
D    yi  yt 
n
D   yi  y
2 2 2 2
t
i 1 i 1
Menghitung Koefisien Korelasi
(Tingkat kesesuaian data awal dengan nilai hasil regresi)

Dt  D 2
2

R2  2
Dt

79.769,88  1982,82
R 
2
 0,975
79.769,88
Gambar Kurva

Contoh soal 1
350

300

250 Kurva Hasil

yt = 43.03x - 44.03
Regresi
R² = 0.975
200
data
150
Linear (data)
100
Kurva Data
50

0
0 2 4 6 8 10
-50
2. LINIERISASI KURVA TAK LINIER
Ada dua cara untuk melinierisasi kurva tak
linier yaitu

a. Persamaan Bilangan Berpangkat

Persamaan ini merupakan hasil transformasi
persamaan fungsi logaritma sehingga disebut dengan
“transformasi log”.

Bentuk persamaannya adalah

yt  a.x b
 Jika persamaan tersebut ditransformasi linier bentuk
fungsi logaritma akan menghasilkan bentuk persamaan
sebagai berikut :

log . y  log a.x b 

log . y  log .a  b. log x

Jika dimisalkan ;
p = log y ; B = b
A = log a ; q = log x

Maka bentuk persamaan linier hasil transformasi

dapat ditulis

p  A  B.q
Dalam hal ini:
 log .xi  log . y i
q  p 
n n

n.  qi . pi   qi .  pi
B

n.  qi   qi
2

2

A  p  B.q

n = jumlah data
Contoh soal ( Transformasi Log ) X Y
1 0.2
Tentukanlah persamaan garis 2 1.2
regresi dari pasangan data berikut 3 2.8
4 6
60
5 15
6 22
50
7 38
8 48
40

30

20

10

0
0 1 2 3 4 5 6 7 8 9
1. Hitung parameter p dan q
n.  qi . pi   qi .  pi
B A  p  B.q

n.  qi   qi
2 2

Dalam hal ini p = log y
q = log x
Transformasi log
`No Xi Yi qi pi qi.pi qi2
1 1 0.2 0 -0.699 0.000 0.000
2 2 1.2 0.301 0.079 0.024 0.091
3 3 2.8 0.477 0.447 0.213 0.228
4 4 6 0.602 0.778 0.468 0.362
5 5 12 0.699 1.079 0.754 0.489
6 6 22 0.778 1.342 1.045 0.606
7 7 38 0.845 1.580 1.335 0.714
8 8 48 0.903 1.681 1.518 0.816
Σ 36 130.2 4.605 6.288 5.358 3.305
2. Menentukan bentuk persamaan Linier
4.605 n = 8
= = 0.576
8 ΣX = 36
ΣY = 130.2
6.288
= = 0.786 Σq = 4.605
8
Σp = 6.288
Σ q.p = 5.358
B
n.  qi . pi   qi .  pi Σ (q2} = 3.305

n.  qi   qi
2

2
(Σ q)2 = (4.605)2
8 × 5.358 − 4.605 × 6.288 13.904
𝐵= = = 2.661
8 × 3.305 − 4.6052 5.226

A  p  B.q p  A  B.q
𝐴 = 0.786 − 2.661 × 0.576 = −0.746
3. Menghitungan nilai bilangan a dan b
Bentuk persamaan linier hasil transformasi
p  A  B.q
Dalam hal ini
p = log y ; B = b
A = log a ; q = log x

Bentuk Persamaan Bilangan berpangkat

yt  a.x b
4. Menentukan bentuk persamaan non-linier

−0.746 = 𝑙𝑜𝑔. 𝑎 𝒂 = 𝟏𝟎−𝟎.𝟕𝟒𝟔 = 𝟎. 𝟏𝟖𝟎

2.661 = 𝑏 𝒃 = 𝟐. 𝟔𝟔𝟏

yt  a.x b

𝒀𝒕 = 𝟎. 𝟏𝟖𝟎 . 𝑿𝟐.𝟔𝟔𝟏
5. Menentukan nilai koefisien korelasi (R2)

 
n
. 𝑿𝟐.𝟔𝟔𝟏 D   yi  y
2
𝒀𝒕 = 𝟎. 𝟏𝟖𝟎 t
2

i 1
𝑌𝑖 130.2 n
D 2    yi  yt 
2
𝑌= = = 16.275
𝑛 8
i 1

`No Xi Yi Yt Dt2 D2
1 1 0.2 0.18 258.406 0.000
2 2 1.2 1.14 227.256 0.004
3 3 2.8 3.34 181.576 0.292
4 4 6 7.18 105.576 1.394
5 5 12 13.00 18.276 1.004
6 6 22 21.12 32.776 0.775
7 7 38 31.83 471.976 38.104
8 8 48 45.40 1006.476 6.742
Σ 130.2 2302.315 48.316
 2302.315 − 48.316
𝑅2 =
2302.315

𝑹𝟐 = 𝟎. 𝟗𝟕𝟗
Penggambaran

60

50

40

30

20

10
y = 0.180x2.661
R² = 0.979
0
0 1 2 3 4 5 6 7 8 9

Kurva Data Kurva Regresi Transf. Log

b. Persamaan Fungsi Eksponensial
Dalam persamaan ini digunakan
penyelesaian dalam bentuk fungsi
logaritma natural atau yang disebut
dengan “transformasi ln”.

Bentuk persamaannya adalah

yt  a.e b. x
Jika persamaan tersebut ditransformasi linier
bentuk fungsi logaritma natural akan
menghasilkan bentuk persamaan sebagai
berikut :
y  a.e b. x

ln . y  ln a.e b. x  ln y  ln a  b.x. ln e

Karena ln e = 1 , maka

ln y  ln a  b.x
Jika dimisalkan ;
p = ln y ; B = b
A = ln a ; q = x

Maka bentuk persamaan linier hasil transformasi dapat

ditulis :
p  A  B.q
Dalam hal ini:
n.  qi . pi   qi .  pi A  p  B.q
B dan

n.  qi   qi
2 2

 qi  ln . yi
q dan p
n n
n = jumlah data
Nilai koefisien korelasi ( r ) dari kedua bentuk transformasi
tersebut dapat dihitung dengan rumus sebagai berikut :

Dt2  D 2
r
Dt2
Contoh soal ( Transformasi Ln ) X Y
0.1 60
Tentukanlah persamaan garis 0.8 70
regresi dari pasangan data berikut 1.5 120
2.3 140
2.9 200
600 3.6 275
4.7 370
500 5.5 545
Kurva Data
400

300

200

100

0
0 1 2 3 4 5 6
 n.  qi . pi   qi .  pi
B A  p  B.q
n.  qi   qi
2
 2

Dalam hal ini p = ln y
q = x
Transformasi ln
No Xi = qi Yi qi2 pi = ln yi qi.pi

1 0.1 60 0.010 4.094 0.409

2 0.8 70 0.640 4.248 3.399
3 1.5 120 2.250 4.787 7.181
4 2.3 140 5.290 4.942 11.366
5 2.9 200 8.410 5.298 15.365
6 3.6 275 12.960 5.617 20.220
7 4.7 370 22.090 5.914 27.793
8 5.5 545 30.250 6.301 34.654
Σ 21.4 1780 81.900 41.201 120.389
2. Menentukan bentuk persamaan Linier
𝑝𝑖 𝑙𝑛. 𝑌𝑖 41.201 n = 8
𝑝= = = = 5.150
𝑛 𝑛 8 ΣX = 21.4
ΣY = 1780
𝑞𝑖 𝑋𝑖 21.40
𝑞= = = = 2.675 Σq = 21.4
𝑛 𝑛 8
Σp = 41.201
Σ q.p = 120.389
B
n.  qi . pi   qi .  pi Σ (q2} = 81.900

n.  qi   qi
2 2
 (Σ q)2 = (21.4)2
8 × 120.389 − 21.4 × 41.201 81.40
𝐵= = = 0.413
8 × 81.900 − 21.42 187.24

A  p  B.q p  A  B.q
𝐴 = 5.150 − 0.413 × 2.675 = 4.046
3. Menghitungan nilai bilangan a dan b
Bentuk persamaan linier hasil transformasi
p  A  B.q
Dalam hal ini
p = ln y ; B = b
A = ln a ; q = x

Bentuk Persamaan Bilangan berpangkat

yt  a.e b. x
4. Menentukan bentuk persamaan non-linier

𝐴 = 𝑙𝑛. 𝑎
4.046 = 𝑙𝑛. 𝑎 𝒂 = 𝒆𝟒.𝟎𝟒𝟔 = 𝟓𝟕. 𝟏𝟖𝟏

𝐵=𝑏
0.413 = 𝑏 𝒃 = 𝟎. 𝟒𝟏𝟑

yt  a.e b. x

𝒀𝒕 = 𝟓𝟕. 𝟏𝟖𝟏. 𝒆𝟎.𝟒𝟏𝟑 . 𝑿

5. Menentukan nilai koefisien korelasi (R2)

 
n
D   yi  y
𝟎.𝟒𝟏𝟑 . 𝑿 2 2
𝒀𝒕 = 𝟓𝟕. 𝟏𝟖𝟏. 𝒆 t
i 1
𝑌𝑖 1780 n
𝑌= = = 222.50
D 2    yi  yt 
2
𝑛 8
i 1

`No Xi Yi yt Dt2 D2
1 0.1 60 59.59 26406.25 0.168
2 0.8 70 79.55 23256.25 91.185
3 1.5 120 106.19 10506.25 190.627
4 2.3 140 147.73 6806.25 59.820
5 2.9 200 189.24 506.25 115.710
6 3.6 275 252.63 2756.25 500.500
7 4.7 370 397.77 21756.25 771.363
8 5.5 545 553.38 104006.25 70.161
Σ 1780 196000 1799.534
 2
196000 − 1799.534
𝑅 =
196000

𝑹𝟐 = 𝟎. 𝟗𝟗𝟎𝟖
Penggambaran

600

500

400
y = 57.181e0.4127x
R² = 0.9908
300

200

100

0
0 1 2 3 4 5 6

Kurva Data Kurva Regresi Transf. Ln

Contoh soal
Contoh soal
3. REGRESI POLINOMIAL
Bentuk persamaan polinomial order 1 ( persamaan linier )
adalah :
y  a0  a1 .x

Bentuk persamaan polinomial order 2

( persamaan kuadratik ) adalah :

y  a0  a1 .x  a2 .x 2

Bentuk persamaan polinomial order 3

( persamaan berpangkat tiga ) adalah :

y  a0  a1 .x  a2 .x  a3 .x
2 3
Sehingga bentuk persamaan polinomial order r dapat
ditulis sebagai berikut :

y  a0  a1 .x  a2 .x  a3 .x  .......... .  a r .x
2 3 r
Sedangkan jumlah kuadrat dari kesalahan dapat dihitung

  
n
D   yi  a0  a1.x  a2 .x  a3 .x  ...........  ar .x
2 2 3 r 2

i 1

Jika persamaan terakhir tersebut diturunkan terhadap

tiap-tiap koefisien polinomial ( a0, a1, a2, ...., ar ) dan
disama dengankan nol maka akan diperoleh :

D 2
  
n
 2  xi yi  a0  a1 .x  a2 .x 2  a3 .x 3  ...........  ar .x r  0
r

 ar i 1
Jika dimatrikskan akan berbentuk sbb :

 n  xi  xi , ,  xi   a 0    y i 
2 r
 r 1
 a    x .y 
  xi  xi 2
 xi . .  x i   1   i i 
3

 2 r 2 
    xi . y i 
2
  xi  xi  xi . .  xi  a 2
3 4
    
 , .  .  . 
    
 , .  . . 
  x r  x r 1 r 2 r r 
   r 
 i i  xi . .  xi  ar   xi . yi 

Dari persamaan matriks ini akan dicari nilai koefisien

dari a0, a1, a2, ...., ar dengan metode yang telah
dipelajari pada bab sebelumnya .
Untuk materi kali ini, pembahasan soal hanya
diselesaikan sebatas persamaan regresi polinomial
order dua ( regresi kuadratik ).

Bentuk persamaan matriksnya adalah

 n  xi 1  xi 2   a 0    y i 
 1 3    
  xi  xi  xi    a1     xi . yi 
2

 x 2  x 3  x 4  a   x 2 . y 
 i i i   2  i i

Dengan bentuk akhir persamaan polinomialnya adalah :

yt  a0  a1 .x  a2 .x 2
4. REGRESI LINIER DENGAN BANYAK VARIABEL
Secara umum persamaan regresi dengan m variabel ( m =
jumlah variabel ) mempunyai bentuk
y  a0  a1.x1  a2 .x2  ...... am .xm
dimana untuk nilai a0, a1, a2 sampai am dapat dihitung dari
sistem persamaan berikut
 n

 x1,i x 2 ,i ...... xm ,i 

 a0  
a    i 
y 
  x1,i  x1,i  x1,i. x2,i ..... 1,i. m,i 
x x
2
 1    x1,i. yi .
   a2   x y 
  x2,i  x2,i. x1,i  2 ,i x x  .     2 ,i . i 
2
x ........ 2 ,i . m , i 
*
. . . .    . 
  .   
. . . .  .  . 
 x     xm,i. yi 
 m,i  xm,i. x1,i  m,i. 2,i  m,i 
2
x x x a m 
Dalam hal ini n adalah jumlah data
# REGRESI LINIER BERGANDA ( DUA VARIABEL )

Metode regresi linier untuk kasus dimana y memiliki fungsi

linier dari dua variabel x1 dan x2 dapat dituliskan :

y  a0  a1 .x1  a2 .x2
Dengan menurunkan persamaan kuadrat dari kesalahan
terhadap tiap-tiap koefisien dari polinomialnya ( seperti
yang dilakukan pada pasal sebelumnya ), maka akan
diperoleh suatu persamaan dalam bentuk matriks seperti
dibawah ini
 n  x1  x2  a0    yi 
  x  x 2  x .x    a     x . y 
 1 1 1 2  1  1 

 x2  x1.x2  x2 2  a2   x2 . y 

Sedangkan untuk nilai a0 , a1 , a2 dapat dicari dengan
menggunakan metode perhitungan seperti yang telah
dibahas pada bab sebelumnya.( sistem persamaan linier )