MAKALAH

PENGHAMPIRAN FUNGSI : REGRESI LINIER

METODE NUMERIK

Diajukan untuk melengkapi salah satu Tugas Metode Numerik oleh Dosen Bapak
Darta, M.Pd dan Bapak Dosen Thesa Kandaga, M.Pd

Disusun Oleh :

Nurmala Indah Septiany (175050010)

Clareen Meuthia Aullya (175050023)

Anisul Mutawahis (175050024)

PROGAM STUDI PENDIDIKAN MATEMATIKA

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS PASUNDAN
BANDUNG
2020
 KATA PENGANTAR

Puji syukur penulis haturkan kehadirat Allah SWT yang sudah

menganugerahkan rahmat beserta inayahnya-Nya. Karena dengan itu, penulis
diberi kekuatan untuk menyelesaikan tugas makalah mata kuliah Metode Numerik
ini yaitu yang berisi tentang Penghampiran Fungsi Regresi Linier

Adapun pengajuan laporan ini ditujukan untuk memenuhi tugas. Lewat

penyusunan makalah ini penulis selalu tidak jauh dari hambatan, tantangan serta
kesulitan, akan tetapi karena binaan dan dukungan dari semua pihak, akhirnya
hambatan tersebut dapat teratasi dengan lancar.

Melalui penyusunan makalah ini pastinya penulis sadar akan banyak

ditemukan kekurangan yang ada pada laporan ini. Baik dari segi kualitas maupun
segi kuantitas dari bahan presentasi yang ditampillkan.

Penulis

Tim Penyusun

i
 DAFTAR ISI

KATA PENGANTAR ............................................................................................ i

DAFTAR ISI .......................................................................................................... ii

BAB I PENDAHULUAN ...................................................................................... 1

A. LATAR BELAKANG .................................................................................... 1

B. RUMUSAN MASALAH................................................................................ 1

C. TUJUAN PENULISAN.................................................................................. 1

D. MANFAAT PENULISAN ............................................................................. 1

BAB II PEMBAHASAN ....................................................................................... 3

A. SEJARAH REGRESI LINIER ....................................................................... 3

B. PENGERTIAN DAN MANFAAT REGRESI LINIER ..... Error! Bookmark

not defined.

C. CONTOH SOAL ............................................................................................ 8

PENUTUP ............................................................................................................ 13

A. KESIMPULAN .......................................................................................... 13

B. SARAN ...................................................................................................... 13

DAFTAR PUSTAKA

LAMPIRAN

ii
 BAB I
PENDAHULUAN

A. LATAR BELAKANG
Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk
mengukur ada atau tidaknya korelasi antar variabel. Jika kita memiliki dua buah
variabel atau lebih maka sudah selayaknya apabila kita ingin mempelajari
bagaimana variabel-variabel itu berhubungan atau dapat diramalkan.
Istilah regresi (ramalan/taksiran) pertama kali diperkenalkan oleh Sir
Francis Galton pada tahun 1877 sehubungan dengan penelitiannya terhadap tinggi
manusia, yaitu antara tinggi anak dan tinggi orang tuanya. Pada penelitiannya
Galton mendapatkan bahwa tinggi anak dari orang tua yang tinggi cenderung
meningkat atau menurun dari berat rata-rata populasi. Garis yang menunjukkan
hubungan tersebut disebut garis regresi

B. RUMUSAN MASALAH
1. Bagaimana sejarah dari regresi linier ?
2. Apa manfaat dari regresi linier ?
3. Bagaimana penurunan rumus untuk regresi linier ?
4. Bagaimana contoh kasus regresi linier ?

C. TUJUAN PENULISAN
1. Untuk mengetahui sejarah dari regresi linier
2. Untuk mengetahui manfaat dari regresi linier
3. Untuk mengetahui penurunan rumus dari regresi linier
4. Untuk mengetahui contoh kasus dari regresi linier

D. MANFAAT PENULISAN
Penulisan makalah ini bermanfaat bagi:

1. Penulis , yaitu sebagai penambah pengetahuan tentang Penghampiran

fungsi : Regresi Linier.

1
2. Pembaca, yaitu sebagai penambah pengetahuan tentang Penghampiran
fungsi : Regresi Linier sebagai wahana dalam menambah wawasan
keilmuan dan sebagai titik awal yang bisa kembangkan.
3. Lembaga, yaitu sebagai tambahan pengetahuan dan pustaka yang terkait
dengan Penghampiran fungsi : Regresi Linier

2
 BAB II
PEMBAHASAN

A. SEJARAH REGRESI LINIER

Istilah regresi dikemukakan untuk pertama kali oleh seorang antropolog dan
ahli meteorology Francis Galton dalam artikelnya “Family Likeness in Stature”
pada tahun 1886. Ada juga sumber lain yang menyatakan istilah regresi pertama
kali mucul dalam pidato Francis Galton didepan Section H of The British
Association di Aberdeen, 1855, yang dimuat di majalah Nature September 1855
dan dalam sebuah makalah “Regression towards mediocrity in hereditary stature”,
yang dimuat dalam Journal of The Antrhopological Institute (Draper and Smith,
1992).

Galton menyebutkan bahwa, tinggi rata-rata badan anak yang lahir ternyata
akan cenderung bergerak mundur (regress) mendekati tinggi rata-ratabadan dari
populasi secara keseluruhan meskipun kecenderungan orangtua yang berbadan
tinggi akan punya anak berbadan tinggi ataupun orangtua berbadan pendek akan
punya anak berbadan pendek.

Hukum regressi umum Galton ini kemudian dikonfirmasi oleh temannya,

Karl Pearson, dengan menggumpulkan lebih dari satu juta rekord data tinggi badan
dari anggota sejumlah keluarga. Dia menemukan bahwa kebanyakan sebuah

3
keluarga dengan ayah berpostur tinggi memiliki anak yang lebih pendek dan
keluarga dengan ayah berpostur pendek memiliki anak yang lebih tinggi. Oleh
karena itu, “regresi” tinggi dan pendek badan seorang anak akan cenderung sama
dengan tinggi rata-rata populasi. Dalam bahasa Galton, hal ini disebut “regression
to mediocrity” . Tetapi sekarang makna regresi telah berbeda jauh berbeda dari apa
yang dimaksudkan oleh Galton. Secara umum analisis regresi diartikan sebagai
suatu analisis tentang ketergantungan suatu variabel kepada variabel lain yaitu
variabel bebas dalam rangka membuat estimasi atau prediksi dari nilai rata-rata
variabel tergantung dengan diketahuinya nilai variabel bebas.

Untuk lebih jelas, mari kita lihat penjelasan berikut:

Jika hukum regresi umum, Galton tertarik untuk mencari tahu mengapa distribusi
tinggi suatu populasi yang tidak mengalami perubahan besar antar generasi (stabil).
Maka analisis regresi sekarang tidak untuk menjelaskan mengapa hal itu terjadi
tetapi lebih untuk mencari tahu bagaimana memprediksi rata-rata tinggi anak jika
tinggi dari orangtua mereka diketahui.

Perhatikan gambar diatas, beberapa penjelasan gambar sbb:

1. Gambar menunjukkan distribusi dari tinggi anak (sumbu y) sesuai dengan

anggapan (penemuan Galton) terhadap tinggi badan ayahnya.
2. Titik yang membentuk garis disebut dengan rata-rata (mean value)
3. Garis yang terbentuk disebut garis regresi.

4
 4. Tinggi anak disebut variabel dependent atau variabel y sedangkan tinggi
ayah adalah variabel independent atau variabel x

Dengan data diatas kita dapat membentuk sebuah garis regresi yang dapat
memprediksi tinggi anak jika tinggi ayah diketahui. Analisis regresi ini secara
umum disebut regersi linier, karena hanya menggunakan satu variabel dependent.

B. PENGERTIAN DAN MANFAAT REGRESI LINIER

Misalkan (𝑥𝑖 , 𝑦𝑖 ) adalah data hasil pengukuran. Kita akan menghampiri
titik-titik tersebut dengan sebuah garis lurus. Garis lurus tersebut dibuat sedemikian
sehingga galatnya sekecil mungkin dengan titik-titik data.

Fungsi linear dapat dinyatakan oleh 𝑔(𝑥) = 𝑎 + 𝑏𝑥 dengan adan b konstanta yang
akan ditentukan .

Kesalahan atau yang biasa disebut dengan galat dari masing-masing titik data
didefinisikan oleh

𝑑𝑖 = 𝑦𝑖 − 𝑔(𝑥𝑖 ) = 𝑦𝑖 − (𝑎 + 𝑏𝑥𝑖 ) , 𝑖 = 1,2,3, … , 𝑁

𝑁 adalah banyaknya titik data.

Metode yang digunakan dalam regresi linear adalah Metode Kuadrat Terkecil.
Tujuanm dari metode ini adalah untuk membuat kesalahan atau galat yang terjadi
sekecil mungkin. Caranya adalah dengan mengkuadratkan kesalahan (𝑑𝑖 ) dimana;

2
𝑑𝑖 2 = 𝐷 = (𝑦1 − (𝑎 + 𝑏𝑥1 )) + (𝑦2 − (𝑎 + 𝑏𝑥2 ))2 + ⋯ + (𝑦𝑖 − (𝑎 + 𝑏𝑥𝑖 ))2

5
Maka total kuadratnya adalah:

𝐷 = ∑𝑁 2 𝑁
𝑖=1(𝑑1 ) = ∑𝑖=1(𝑦𝑖 − 𝑎 − 𝑏𝑥)
2

Akan dicari a dan b sedemikian sehingga 𝐷 sekecil mungkin. Nilai minimum untuk
𝐷 terjadi jika turunan-turunan parsial 𝐷 terhadap 𝑎 dan 𝑏 menjadi nol:

𝑑𝐷
=0
𝑑𝑎

𝑑𝐷
=0
𝑑𝑏

Artinya

𝑑[∑(𝑦𝑖 −𝑎−𝑏𝑥𝑖 )2 ]
=0
𝑑𝑎

𝑑[∑(𝑦𝑖 −𝑎−𝑏𝑥𝑖 )2 ]
=0
𝑑𝑎

Kemudian langkah selanjutnya untuk mendapatkan 𝑎 dan 𝑏 adalah :

Turunkan terlebih dahulu terhadap a

𝑑[∑(𝑦𝑖 −𝑎−𝑏𝑥𝑖 )2 ]
=0
𝑑𝑎

2 ∑(𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 )(−1) = 0

−2 ∑(𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 ) = 0 ........... persamaan (1)

Kemudian turunkan terhadap b

𝑑[∑(𝑦𝑖 −𝑎−𝑏𝑥𝑖 )2 ]
=0
𝑑𝑏

2 ∑(𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 )(−𝑥𝑖 ) = 0

−2 ∑(𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 )(𝑥𝑖 ) = 0 .......... persamaan (2)

1
Dari persamaan (1) dan (2), kalikan dengan (− 2). Dari persamaan 1 dapat dituliskan

∑(𝑦𝑖 ) − ∑ 𝑎 − ∑ 𝑏𝑥𝑖 = 0

∑ 𝑦𝑖 = ∑ 𝑎 + ∑ 𝑏𝑥𝑖 atau

∑ 𝑎 + ∑ 𝑏𝑥𝑖 = ∑ 𝑦𝑖

6
Karena ∑ 𝑎 adalah konstanta, maka jumlah dari a adalah N (banyaknya data ),
kemudian persamaannya dapat kita ubah menjadi

𝑁 𝑎 + ∑ 𝑏𝑥𝑖 = ∑ 𝑦𝑖

Kemudian dari persamaan (2) dapat dituliskan

∑(𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 )(𝑥𝑖 ) = 0

∑ 𝑥𝑖 𝑦𝑖 − ∑ 𝑎𝑥𝑖 − ∑ 𝑏(𝑥1 )2 = 0

∑ 𝑥𝑖 𝑦𝑖 = ∑ 𝑎𝑥𝑖 + ∑ 𝑏(𝑥1 )2 atau

∑ 𝑎𝑥𝑖 + ∑ 𝑏(𝑥1 )2 = ∑ 𝑥𝑖 𝑦𝑖

Maka dari kedua persamaan tersebut dapat dituliskan sebagi berikut:

𝑁 𝑎 + ∑ 𝑏𝑥𝑖 = ∑ 𝑦𝑖

∑ 𝑎𝑥𝑖 + ∑ 𝑏(𝑥1 )2 = ∑ 𝑥𝑖 𝑦𝑖

Kemudian dari kedua persamaan tersebut,ubah kedalam bentuk matriks

𝑁 ∑ 𝑥𝑖 𝑎 ∑ 𝑦𝑖
[ ].[ ] = [ ]
∑ 𝑥𝑖 ∑ 𝑥𝑖 2 𝑏 ∑ 𝑥𝑖 𝑦𝑖

Dari persamaan matriks diatas, untuk mencari 𝑎 dan 𝑏 dapat menggunakan aturan
Cramer

∑ 𝑦𝑖 ∑ 𝑥𝑖
𝑑𝑒𝑡[ ]
∑ 𝑥𝑖 𝑦 𝑖 ∑ 𝑥𝑖 2 (∑ 𝑦𝑖 ).(∑ 𝑥𝑖 2 )−(∑ 𝑥𝑖 ).(∑ 𝑥𝑖 𝑦𝑖 )
𝑎= 𝑁 ∑ 𝑥𝑖 =
𝑑𝑒𝑡[ ] 𝑁.(∑ 𝑥𝑖 2 )−(∑ 𝑥𝑖 )2
∑ 𝑥𝑖 ∑ 𝑥 𝑖 2

Agar lebih mudah untuk mencari 𝑎 dapat menggunakan rumus

∑ 𝑦𝑖 −𝑏(∑ 𝑥𝑖 )
𝑎= 𝑁

𝑁 ∑ 𝑦𝑖
𝑑𝑒𝑡[ ]
∑ 𝑥𝑖 ∑ 𝑥𝑖 𝑦 𝑖 𝑁.(∑ 𝑥𝑖 𝑦𝑖 )−(∑ 𝑥𝑖 ).(∑ 𝑦𝑖 )
𝑏= 𝑁 ∑ 𝑥𝑖 =
𝑑𝑒𝑡[ ] 𝑁.(∑ 𝑥𝑖 2 )−(∑ 𝑥𝑖 )2
∑ 𝑥𝑖 ∑ 𝑥𝑖 2

7
Regresi linier memiliki manfaat, diantaranya ;

1. Dapat memprediksi pertambahan penduduk per tahun

2. Dapat menentukan pengaruh promosi terhadap penjualan
3. Dapat menentukan pengaruh holding time dengan kekuatan material.
4. Dapat menentukan kurva kecenderungan ekonomi untuk “meramalkan ”
kecenderungan masa depan.

C. Contoh Soal Regresi Linier

 Contoh 1

Jika didketahui himpunan data hasil pengukuran seperti Tabel 1.

Tabel 1.
i x y
1 2,1 2,9
2 6,22 3,83
3 7,17 5,98
4 10,52 5,71
5 13,68 7,34
i= 1, 2 , ... = N

Tentukan persamaan garis regresi di atas !

Penyelesaian :

i x y 𝑥𝑖 2 𝑥𝑖 𝑦𝑖
1 2,1 2,9 4,41 6,09
2 6,22 3,83 38,6884 23,8226
3 7,17 5,98 51,4089 42,8766
4 10,52 5,71 110,6704 60,0692
5 13,68 7,34 187,1424 100,4112
39,69 26,16 392,3201 238,7416

8
N=5

∑ 𝑥𝑖 = 39,69 ∑ 𝑥𝑖 2 = 392,3201

∑ 𝑦𝑖 = 26,16 ∑ 𝑥𝑖 𝑦𝑖 = 238,7416

Sehingga persamaan yang kita dapat menggunakan persamaan berikut :

𝐿𝑎 + ∑ 𝑥𝑖 𝑏 = ∑ 𝑦𝑖

∑ 𝑥𝑖 𝑎 + ∑ 𝑥𝑖 2 = ∑ 𝑥𝑖 𝑦𝑖

⟹ 5 a + 39,69 b = 26,16

⟹ 39,69 a + 392, 3201 b = 233,2696

Kemudian kita akan mencari a dan b :

∑ 𝑥𝑖 𝑦𝑖 −(∑ 𝑥𝑖 )(∑ 𝑦𝑖 )
𝑏= 𝐿 (∑ 𝑥𝑖 2 )=(∑ 𝑥𝑖 )2

5 (238,7416)−(39,69)(26,16)
𝑏= 5 (392,3201)−1575,2961

155,4176
𝑏 = 386,3044

𝑏 = 0,4023

∑ 𝑦𝑖 −𝑏(∑ 𝑥𝑖 )
𝑎= 𝐿

26,16−0,4023 (39,69)
𝑎= 5

10,192713
𝑎= 5

𝑎 = 2,0384

Sehingga kita mendapatkan b = 0,4023 dan a = 2,0384. Kemudian masukan

ke persamaan fungsi linear. Garis regresinya g(x) = 2,0384 + 0,4023 x.
Dalam Tbel 2. Dicantumlkan dan garis yang dicocokan. Kemudian
subtitusikan x ke dalam g. Untuk mencari simpangan yaitu y – g.

Tabel 2.
i x y g= a + bx simpangan

9
 1 2,1 2,9 2,88323 0,01677
2 6,22 3,83 4,54071 -0,71071
3 7,17 5,98 4,92289 1,05711
4 10,52 5,71 6,27059 -0,56059
5 13,68 7,34 7,54187 -0,20186

 Contoh 2
Tentukan persamaan garis lurus yang mencocokkan data pada tabel berikt
ini;

Tabel 3.
i xi yi

1 0,1 0,61
2 0,4 0,92
3 0,5 0,99
4 0,7 1,52
5 0,7 1,47
6 0,9 2,03

Penyelesaian :

2
Dari data tabel di atas, buatlah lagi dengan menambahkan nilai xi dan

xi . y i

Tabel 4.

i xi yi xi
2
xi . yi

1 0,1 0,61 0,01 0,061

2 0,4 0,92 0,16 0,368
3 0,5 0,99 0,25 0,495
4 0,7 1,52 0,49 1,064
5 0,7 1,47 0,49 1,029

10
 6 0,9 2,03 0,81 1,827
⅀ 3,3 7,54 2,21 4,844
Dari tabel di atas, kita dapat menentukan nilai ;

N 6

x i  3,3 y i  7,54

x i
2
 2,21  x .y
i i  4,844

Sehingga kita dapat menggunakan persamaan

N .a   xi .b   y i

 x .a   x
i i
2
  xi . y i

Dan dapat kita tulis persamaannya menjadi

6a  3,3b  7,54
3,3a  2,21b  4,844

Kemudian akan dicari nilai a dan b menggunakan rumus ;

a
 y   x .bi i

N
N . x i . y i  ( xi )( y i )
b
N . xi  ( xi ) 2
2

Akan dicari nilai b terlebih dahulu yaitu ;

6.4,844  (3,3)(7,54)
b
6.2,21  (3,3) 2
29,064  24,882
b
13,26  10,89
4,182
b
2,37
b  1,7645

Setelah mendapat nilai b, lalu subtitusikan nilai b ke persamaan rumus

untuk mencari nilai a,

11
 7,54  3,3b
a
6
7,54  3,3(1,7645 )
a
6
7,54  5,8228
a
6
2,312
a
6
a  0,3853

Sehingga kita mendapatkan a = 0,3853 dan b = 1,7645. Kemudian

masukan ke persamaan fungsi linear. Garis regresinya g(x) 0,3853 +
1,7645x. Lalu akan dicantumkan kecocokan garisnya dengan subtitusikan x
ke dalam g. Untuk mencari simpangan yaitu y – g.

Tabel 5.

i xi yi g ( x)  a  bx yi  g

1 0,1 0,61 0,56175 0,04825

2 0,4 0,92 1,09110 -0,17110

3 0,5 0,99 1.26755 -0,2775

4 0,7 1,52 1,62045 -0,10045

5 0,7 1,47 1,62405 -0,15045

6 0,9 2,03 1,97335 0,05665

12
 BAB III
PENUTUP

A. KESIMPULAN
Fungsi linear dapat dinyatakan oleh 𝑔(𝑥) = 𝑎 + 𝑏𝑥 dengan adan b
konstanta yang akan ditentukan . Metode yang digunakan dalam regresi linear
adalah Metode Kuadrat Terkecil. Tujuan dari metode ini adalah untuk
membuat kesalahan atau galat yang terjadi sekecil mungkin.

Persamaan garisnya ;

𝑁 𝑎 + ∑ 𝑏𝑥𝑖 = ∑ 𝑦𝑖

∑ 𝑎𝑥𝑖 + ∑ 𝑏(𝑥1 )2 = ∑ 𝑥𝑖 𝑦𝑖

Untuk mencari nilai a dan b, rumusnya ;

a
 y   x .b
i i
N
N . x i . yi  ( xi )( y i )
b
N . xi  ( xi ) 2
2

B. SARAN
Dalam makalah ini masih banyak kekurang, penulis harapkan bagi
pemakalah yang akan membahas poko bahasan regresi linier dapat
memperdalam lagi pokok bahasan tersebut.

13
 DAFTRA PUSTAKA
Juanda, Bambang. 2003. Metode Statistika. ITB: Bogor

Sudjana. 1989. Metoda Statistika. Tarsito: Bandung.

I Nyoman Susisla. 1993. Dasar-Dasar Metode Numerik. ITB.Bandung

14
 LAMPIRAN

Link Youtube hasil presentasi ;

https://youtu.be/XiQJWV57fJk

15