ANALISIS REGRESI

A. Prinsip Statistik
Sebagai contoh data pengukuran debit rata-rata tahunan sungai Serang di
Stasiun Bendungan, Kab. Kulon Progo selama 15 tahun :

Tabel 1. Debit Sungai

yi (debit)
Tahun yi - ȳ (yi – ȳ)2
(m3/d)
1971 8,52 1,486 2,208
1972 3,33 -3,704 13,720
1973 7,85 0,816 0,666
1974 7,65 0,616 0,379
1975 10,91 3,876 15,023
1976 4,17 -2,864 8,202
1977 3,40 -3,634 13,206
1978 8,00 0,966 0,933
1979 13,4 6,366 40,526

1980 5,40 -1,634 2,670

1981 8,87 1,836 3,371
1982 4,73 -2,304 5,308
1983 7,40 0,366 0,134
1984 6,88 -0,154 0,024
1985 5,00 -2,034 4,137
2
∑yi = 105,51 ∑ (yi – ȳ) = 110,507

 Nilai rata-rata :

y i
ȳ 
n

i = 1 sampai n

y i 105.51
   7.034 ȳ
n 15
  Deviasi Standar :
Untuk mengukur penyebaran data terhadap nilai rata-rata.

2 110.5
D  2.809
σ=  ; D = ∑ (yi – ȳ)2
n1 15  1

Makin besar penyebaran data maka σ makin besar.

 Varians :
Merupakan kuardrat dari deviasi standar.
σ2 = ∑ (yi – y)2 = 110,507 = 7,893
n-1 15 – 1

B. Metode Kuadrat Terkecil

Gambar 1. Kurva mewakili titik-titik data

Teknik tersebut dilakukan dengan prosedur berikut :
1. Gambar titik-titik data pada sistem koordinat x-y. akan terlihat ‘trend’
kumpulan data, kemudian dapat ditentukan bentuk kurva lurus/lengkung.

2. Pilih suatu fungsi g(x) yang mewakili f(x) :

g(x) = a0 + a1x + a2x2 + …… + arxr
a0, a1, a2, ……., ar : parameter
 3. Tentukan parameter a0, a1, a2, ……., ar sedemikian rupa sehingga g (x i ; a0, a1,
…., ar) melalui sedekat mungkin titik-titik data.
4. Koordinat titik-titik data : M (xi, yi) ; i=1, 2, …., n
Fungsi yang dipilih : g (xi ; a0, a1, …., ar)
Selisih ordinat :
Ei = MiGi = yi – g (xi ; a0, a1, …., ar)
= yi – (a0 + a1xi + a2xi2 + …… + arxir)
5. Pilih fungsi g(x) yang mempunyai kesalahan E i terkecil. Dalam metode ini
jumlah kuadrat dari kesalahan adalah terkecil.

D2  ∑ Ei2  ∑ (yi – g(xi))2

6. Dicari parameter a0, a1, a2, ……., ar sedemikian sehingga D2 minimum. D2

minimum jika turunan pertama terhadap a0, a1, a2, ……., ar adalah nol :
∂D2
 0
∂a0
∂D2
 0
∂a1
.
.
∂D2
 0
∂ar

7. Dari persamaan tahap 6 akan diperoleh nilai-nilai parameter a 0, a1, a2, …….,
ar. Dengan demikian persamaan kurva terbaik yang mewakili titik-titik data
telah diperoleh.

C. Metode Kuadrat Terkecil Untuk Kurva Linier

Bentuk paling sederhana dari regresi kuadrat terkecil adalah apabila kurva yang
mewakili titik-titik data merupakan garis lurus, sehingga persamaannya :
 g(x) = a + bx
Dalam hal ini, a0 = a dan a1 = b.

Contoh :
Tentukan persamaan garis yang mewakili data berikut
x 4 6 8 10 14 16 20 22 24 28
y 30 28 22 28 14 22 16 8 20 8

Penyelesaian :
Tabel 2. Hitungan regresi linier
No xi yi xi yi Xi2
1 4 30 120 16
2 6 18 108 36
3 8 22 176 64
4 10 28 280 100
5 14 14 196 196
6 16 22 352 256
7 20 16 320 400
8 22 8 176 484
9 24 20 480 576
10 28 8 224 784
∑ 152 186 2432 2912

 Nilai rata-rata x dan y :

x 152
x̄    15.2
n 10

186
ȳ  y   18.6
n 10

 Persamaan garis yang mewakili titik-titik data adalah :

Y = a + bx
Dengan :

nx i yi  x i  y i 10  2432  152  186 3952

     0.6569
b
2
nx i  x i   2
10  2912  152
2 6016
 a = ȳ - b x̄ = 18.6 + 0.6569 x 15.2 = 28.5849

Jadi persamaan garis adalah :

y = 28,5849 – 0,6569 x

Penggambaran titik-titik data pada sistem koordinat x-y diberikan dalam

Gambar 2, yang dapat diwakili oleh garis lurus.

Gambar 2. Sebaran titik-titik data pada sistem koordinat

D. Linierisasi Kurva Tidak Linier

Sering dijumpai bahwa sebaran titik-titik pada sistem koordinat mempunyai
kecenderungan ‘trend’ yang berupa kurva lengkung, sehingga persamaan pada
poin C tidak dapat digunakan. Agar persamaan regresi linier dapat digunakan
untuk mempresentasikan kurva lengkung, maka perlu dilakukan transformasi
koordinat sedemikian sehingga sebaran titik data bisa dipresentasikan dalam
kurva linier.
 Gambar 3. Titik data didekati dengan garis lurus dan lengkung

Contoh :

Tentukan persamaan kurva lengkung yang mewakili data berikut :

x 1 2 3 4 5

y 0,5 1,7 3,4 5,7 8,4

1. Transformasi log

Misalkan persamaan kurva yang dicari :

y = axb

transformasi dengan fungsi log :

log y = log axb

log y = log a + b log x

Dilakukan transformasi berikut :

p = log y B=b

A = log a q = log x

Sehingga persamaan di atas dapat ditulis dalam bentuk :

p=A+Bq

Tabel 3. Hitungan regresi linier dengan transformasi log

No xi yi qi = log xi pi = log yi qi pi qi 2

1 1 0,5 0 -0,3010 0 0

2 2 1,7 0.3010 0,2304 0,0693 0,0906

3 3 3,4 0.4771 0,5315 0,2536 0,2276

 4 4 5,7 0,6020 0,7559 0,4550 0,3624

5 5 8,4 0,6990 0,9243 0,6461 0,4886

∑ 15 19,7 2,0791 2,1411 1,4240 1,1692

Dari tabel didapat parameter berikut :

logx i 2.0971
q̄    0.4158
n 5

logy i 2.1411
p̄    0.42822
n 5

Koefisien B :
nq i pi  q i  p i 5( 1.4240)  ( 2.0791) ( 2.1411 )
B   1.7572
2
nq i  q i 
2
 5  ( 1.1692)  2.0791
2

Koefisien A :

A = p – B q = 0,42822 – 1,7572 x 0,4158 = -0,3024

Persamaan transformasi :

p = -0,3024 + 1,7572 q

Karena : A = log a -0,3024 = log a

a = 0,4984

B=b b = 1,7572

Persamaan yang dicari : y = 0,4984 x1,7572

2. Transformasi ln

Misalkan persamaan kurva : y = aebx

Transformasi dengan fungsi ln :

ln y = ln aebx

= ln a + ln aebx
 ln y = ln a + b x

Dilakukan transformasi berikut :

p = ln y A = ln a

q=x B=b

Sehingga persamaan di atas dapat ditulis dalam bentuk :

p =A + B q

Tabel 4. Hitungan regresi linier dengan transformasi ln

No xi = qi yi qi2 = xi2 pi = ln yi qipi

1 1 0,5 1 -0,6931 -0,6931

2 2 1,7 4 0,5306 1,0612

3 3 3,4 9 1,2238 3,6714

4 4 5,7 16 1,7405 6,962

5 5 8,4 25 2,1282 10,641

∑ 15 19,7 55 4,93 21,6425

Dari tabel 4 didapat beberapa parameter berikut :

q i 15
q̄    3
n 5

p i 4.93
p̄    0.986
n 5

Koefisien B :
nq i pi  q i  p i 5( 21.6425)  15( 4.93) 34.2625
B    0.68525
2
nq i  q i  2
 5  ( 55 )  15
2 50

Koefisien A :
A = p – B q = 0,986 – 0,68525 x 3,0 = -1, 06975

Persamaan transformasi : p = -1, 06975 + 0,68525 q

A = ln a -1, 06975 = ln a a = 0,3431

B=b b = 0,68525

Persamaan yang dicari : y = 0,3431 e0,68525 x

Untuk memilih salah satu dari kedua hasil yang terbaik, dihitung nilai koefisien
korelasi :

2 2
Dt  D
r 
2
Dt

Dt = ∑ (yi – ȳ)2

D = ∑ (yi – a0 - a1 x)2

Tabel 5. Hitungan koefisien korelasi

Transformasi log Transformasi ln

No xi yi
g(xi) D2 Dt2 g(xi) D2 Dt2

1 1 0,5 0,4984 0,000003 11,8336 0,8635 0,03367 11,8336

2 2 1,7 1,6848 0,000231 5,0176 1,3563 0,11813 5,0176

3 3 3,4 3,4354 0,00125 0,2916 2,6912 0,50240 0,2916

4 4 5,7 5,6953 0,000022 3,0976 5,3401 0,12953 3,0976

5 5 8,4 8,4296 0,000876 19,8916 10,5963 4,82373 19,8916

∑ 0,00238 40, 132 ∑ 5,00746 40, 132

Nilai r untuk transformasi log :

2 2
Dt  D 40.132  0.00238
r   0.99997
2 40.132
Dt transformasi ln :
Nilai r untuk

2 2
Dt  D 40.132  5.60746
r   0.92751
Dt
2 40.132

Koefisien korelasi r transformasi log lebih besar dari pada transformasi ln,
sehingga transformasi log lebih baik.
E. Regresi Polinomial
Persamaan polynomial order r :

y = a0 + a1x + a2x2 + …… + arxr

Jumlah kuadrat kesalahan :

D2 = ∑ (yi – (a0 + a1 xi + a2xi2 + …… + arxir))2

Contoh :
Cari persamaan kurva polynomial order dua dari data :

xi 0 1 2 3 4 5

yi 2,1 7,7 13,6 27,2 40,9 61,1

Persamaan polynomial order 2 :

g(x) = a0 + a1x + a2x2

Ei = yi + g(x)

Ei2 = ∑ (yi - a0 - a1x - a2x2)2

D2 = ∑ Ei2

Dideferensial D2 terhadap tiap koefisien polynomial kemudian disamadengankan

nol menghasilkan bentuk :

 n x i x
2   y i 
 i   a0 
 x 3
  
x
2
x i  a1   x i yi 
 i 
i  
  a   2 
2 3 4  2   x i  yi 
 x i x i x i


Tabel 6. Hitungan regresi polinomial order dua

No xi yi xi2 xi3 xi4 xiyi Xi2yi

1 0 2,1 0 0 0 0 0

2 1 7,7 1 1 1 7,7 7,7

3 2 13,6 4 8 16 27,2 54,4

4 3 27,2 9 27 81 81,6 244,8

5 4 40,9 16 64 256 163,6 654,4

 6 5 61,1 25 125 625 305,5 1527,5

152,6 55 225 979 585,6 2488,8

Diperoleh sistem persamaan :

6a0 + 15a1 + 55a2 = 152,6

15a0 + 55a1 + 225a2 = 585,6

55a0 + 225a1 + 979a2 = 2488,8

Penyelesaian persamaan :

a2 = 1,860714

a1 = 2,359286

a0 = 2,478571

Persamaan kurva :

y = 2,478571 + 2,359286 x + 1,860714 x2

F. Regresi Linier Dengan Banyak Variabel

Untuk y sebagai fungsi linier terhadap x1 dan x2 :

y = a0 + a1x1 + a2x2

Jumlah kuadrat kesalahan :

D2 = ∑ (yi – (a0 + a1 x1,i + a2x2,i))2

Variable yang diamati merupakan fungsi dari 2 variabel. Kuadrat kesalahan :

∂D2
 2  ( y i   a0  a1 x1 i  a2 x2 i  0
∂a0
∂D2
 2  x 1 i  yi  a0  a1 x1 i  a2 x2 i  0
∂a1
∂D2
 2  x 2 i  yi  a0  a1 x1 i  a2 x2 i  0
∂a2
Persamaan tersebut dapat ditulis dalam bentuk berikut :

n a0 + ∑ x1,i a1 + ∑ x2,i a2 = ∑ yi
 ∑ x1,i a0 + ∑ x1,i2 a1 + ∑ x1,i x2,i a2 = ∑ x1,i yi

∑ x2,i a0 + ∑ x1,i x2,i a1 + ∑ x2,i2 a2 = ∑ x2,i yi

Dalam notasi matriks :

 n x 1 i x 2 i   a0   y i 
   
 x  x 2  
x 1 i  x2 i  1
a  x 1 i i 
 y
 1 i 1 i
  a   x 
 x 2 i x 1 i  x2 i
2 
 x 2 i   2  2 i  yi 


Contoh :

Buat persamaan kurva yang mewakili data berikut :

x1 0 2 2,5 1 4 7

x2 0 1 2 3 6 2

y 5 10 9 0 3 27

Tabel 7. Hitungan regresi linier dengan banyak variable

No y x1 x2 x12 x22 x1x2 x1y x2y

1 5 0 0 0 0 0 0 0

2 10 2 1 4 1 2 20 10

3 9 2,5 2 6,25 4 5 22,5 18

4 0 1 3 1 9 3 0 0

5 3 4 6 16 36 24 12 18

6 27 7 2 49 4 14 189 55

∑ 54 16,5 76,25 54 48 243,5 101

Diperoleh persamaan :

6 16,5 14 a0 54

16,5 76,25 48 a1 = 243,5

 14 48 54 a2 101

Diperoleh hasil :

a0 = 5

a1 = 4

a2 = -5

Sehingga persamaan kurva : y = 5 + 4 x1 – 3 x2