MODUL PERKULIAHAN

Metode Numerik
Regresi Linier

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

13
Teknik Teknik Sipil W111700062 MAsnia, M.Pd

Abstract Kompetensi

Analisis regresi/curva fitting digunakan Mahasiswa diharapkan mampu menentukan

untuk memprediksi suatu permasalahan. persamaan regresi dalam bentuk regresi linear,
Bentuk-bentuk regresi meliputi regresi non linear dan polinomial serta menentukan
linear, non linear dan polinomial. Bila koefisien korelasinya.
persamaan regresi diketahui maka kita
dapat menentukan koefisien korelasinya
(r). Semakin mendekati nilai 1 maka r nya
semakin baik.
Pendahuluan
Data yang sering dijumpai di lapangan oleh ahli ilmu alam dan rekayasawan sering
dalam bentuk data diskrit, yang umumnya disajikan dalam bentuk tabel. Data tersebut tentu
diperoleh dari hasil riset di lapangan atau hasil percobaan di lab. Sebagai gambaran, sebuah
percobaan di laboratorium fisika dasar mengenai hubungan antara jarak tempuh benda yang
jatuh bebas terhadap waktu tempuh, hasilnya seperti tabel 13.1 sebagai berikut:

Tabel 13.1

y (meter) 10 20 30 40 50 60 70 80 90 100

t (detik) 1.45 2.0 2.4 2.85 3.0 3.5 3.75 4.0 `4.2 4.52

Masalah yang sering dijumpai terhadap data tersebut adalah menentukan suatu nilai di
antara titik-titik tersebut tanpa melakukan pengukuran lagi. Misalkan kita ingin mengetahui
berapa jarak tempuh benda ketika waktu tempuhnya 12,5 detik?. Pertanyaan ini tidak langsung
dapat terjawab, karena fungsi yang menghubungkan variabel t dan y tidak diketahui. Salah satu
solusinya adalah dengan mencari fungsi yang mencocokkan (fit ) titik-titik dalam table tersebut.
Pendekatan semacam ini disebut pecocokan kurva ( curve fitting ) dan fungsi yang diperoleh
dengan pendekatan ini merupakan fungsi hampiran dan tentu saja nilai fungsi yang diperoleh
juga merupakan nilai hampiran ( hasilnya tidak setepat nilai eksaknya ), tetapi cara pendekatan
ini dalam praktek sudah mencukupi, karena rumus yang menghubungkan dua variabel atau dua
besaran fisika sulit ditemukan.

Disamping untuk menghitung nilai fungsi, pencocokan kurva juga dapat digunakan untuk
mempermudah perhitungan numerik yang lain, misalnya menghitung turunan (derevatif) suatu
fungsi dan atau menghitung nilai integral. Sebagai contoh kita dihadapkan dengan fungsi yang
mempunyai bentuk cukup rumit, seperti

1
ln( 2 x 2
− 4 x 2 )5
f ( x) = …………………………(13.1)
1 + 2 x5

Menghitung turunan fungsi seperti pada pers.(13.1) untuk x=a adalah merupakan perkerjaan
yang tidak mudah, apalagi untuk menghitung turunan yang lebih tinggi ordenya tentu makin
sulit. Di sini solusi yang bersifat pendekatan atau solusi hampiran diperlukan.

2020 Metode Numerik Pusat Bahan Ajar dan eLearning

2 Masnia, M.Pd http://www.mercubuana.ac.id
 Demikian pula, untuk menghitung integral fungsi seperti pada pers.(13.1) dalam interval,
misalkan [0,1],

1
− 4x 2 )5
1 2
ln( 2 x

0 1 + 2x5
dx …………………………..(13.2)

Penyelesaikan pers.(13.2) merupakan pekerjaan yang tidak mudah, bahkan secara analitik
belum tentu dapat dilakukan, karena bentuk integrand- nya tidak dijumpai dalam rumusan
integral yang umum. Dengan demikian untuk menyelesaikan pers.(13.2) harus dilakukan
dengan penyederhanaan fungsi f (x) menjadi polinom p n (x ) yang mempunyai derajat  n,

yang dalam hal ini

n
p n ( x) =  ai x i = a 0 x 0 + a1 x 1 + a 2 x 2 + ... + a n x n = a 0 + a1 x + a 2 x 2 + ... + a n x n …(13.3).
i =0

Menghitung turunan atau mengintegralkan suku-suku polinom menjadi lebih mudah, karena
rumus untuk menghitung turunan atau mengintegralkan polinom menjadi sangat sederhana,
yaitu ,

(i) Jika f ( x ) = ax n , maka f ' ( x ) = nax n +1

a
 ax dx = x n +1 + C
n
(ii)
(n + 1)
Untuk membentuk polinom ini, kita memerlukan beberapa titik diskrit, yang umumnya berjarak
sama dari fungsi f dan titik-titik tersebut direpresentasikan dalam bentuk table, yang
selanjutnya titik-titik data ini dicocokkan untuk menentukan polinom, p n (x ) untuk menghampiri

fungsi asalnya. Perhatikan dua kurva dibawah ini,

y y

x x

2020 Metode Numerik Pusat Bahan Ajar dan eLearning

3 Masnia, M.Pd http://www.mercubuana.ac.id
 (a) Regresi (b) Interpolasi

Gambar 13.1 Pencocokkan kurva dengan metode (a) regresi, dan (b) interpolasi

Pencocokan kurva adalah sebuah metode yang mencocokkan titik data dengan sebuah kurva (
curve fitting ) fungsi. Bentuk-bentuk regresi/curva fitting:

1. Linier : y = a + bx
2. Non Linier : y = a ebx , y = a xb

3. Polinomial : y = a0 + a1x + a2x2 + ….. + anxn

Regresi Linier

Gambar 13.1 Regresi linier

Metode yang digunakan dalam regresi linier adalah Metode Kwadrat Terkecil.
Tujuan dari metode ini adalah untuk membuat kesalahan yang terjadi sekecil mungkin, seperti
terlihat dalam gambar 13.1. Caranya adalah dengan mengkuadratkan kesalahan (D2), dimana;
D2 = (y1- f(x1))2 + (y2- f(x2))2 + …. + (yn- f(xn))2
Dari bentuk regresi

2020 Metode Numerik Pusat Bahan Ajar dan eLearning

4 Masnia, M.Pd http://www.mercubuana.ac.id
Y = a + bx
a dan b harus dibuat sedemikian hingga agar D2 menjadi minimum, sehingga:
∂D2/∂a = 0
∂D2/∂b = 0
sehingga:

Setelah didapat a dan b, lalu masukkan ke persamaan regresi y = a + bx Untuk memprediksi

apakah garis regresi yang kita buat sudah mempunyai kesalahan yang sekecil mungkin,
maka perlu dihitung suatu koefisien yang dinamakan koefisien korelasi (r). Koefisien
korelasi mempunyai harga dari 0 – 1. Semakin mendekati nilai 1 maka
r nya semakin baik. Rumus untuk menghitung r adalah:

Dimana

Contoh:
Tentukan persamaan garis yang mewakili data berikut ini:

Dengan menggunakan persamaan regresi y = a + bx,

Penyelesaiannya sebagai berikut:

2020 Metode Numerik Pusat Bahan Ajar dan eLearning

5 Masnia, M.Pd http://www.mercubuana.ac.id
Dari tabel diatas dapat ditentukan:

Persamaan garis yang mewakili:

Y = a + bx
Dengan :

Sehingga persamaan garisnya:

y = 28,5849 – 0,6569x
Nilai koefisien korelasinya:

2020 Metode Numerik Pusat Bahan Ajar dan eLearning

6 Masnia, M.Pd http://www.mercubuana.ac.id
Dengan melihat nilai r diatas maka persamaan garis yang diperoleh dengan regresi linier
belum memuaskan, sehingga perlu dicari dengan regresi non linier.

Contoh 2
Tentukan persamaan garis yang mewakili data berikut ini:
i xi yi = f(xi)
0 1 0.5
1 2 2.5
2 3 2
3 4 4
4 5 3.5
5 6 6
6 7 5.5

2020 Metode Numerik Pusat Bahan Ajar dan eLearning

7 Masnia, M.Pd http://www.mercubuana.ac.id
Kuantifikasi kesalahan

Kesalahan standar

Perhatikan kemiripannya dengan deviasi standar

2020 Metode Numerik Pusat Bahan Ajar dan eLearning

8 Masnia, M.Pd http://www.mercubuana.ac.id
Beda antara kedua kesalahan tersebut menunjukkan perbaikan atau pengurangan kesalahan

Contoh 3
Seorang engineer ingin mempelajari hubungan antara suhu ruangan dengan jumlah cacat
yang diakibatkannya, sehingga dapat memprediksi atau meramalkan jumlah cacat produksi
jika suhu ruangan tersebut tidak terkendali. Engineer tersebut kemudian mengambil data
selama 30 hari terhadap rata-rata (mean) suhu ruangan dan jumlah cacat produksi.

PENYELESAIAN
Tujuan : Memprediksi jumlah cacat produksi jika suhu ruangan tidak terkendali
Varibel Faktor Penyebab (X) : Suhu Ruangan
Variabel Akibat (Y) : Jumlah Cacat Produksi
Berikut ini adalah data yang berhasil dikumpulkan selama 30 hari (berbentuk tabel) :
Tanggal Rata-rata suhu ruangan Jumlah Cacat
1 24 10
2 22 5
3 21 6
4 20 3
5 22 6
6 19 4
7 20 5
8 23 9
9 24 11
10 25 13
11 21 7
12 20 4
13 20 6
14 19 3
15 25 12
16 27 13
17 28 16
18 25 12

2020 Metode Numerik Pusat Bahan Ajar dan eLearning

9 Masnia, M.Pd http://www.mercubuana.ac.id
 19 26 14
20 24 12
21 27 16
22 23 9
23 24 14
24 23 11
25 22 7
26 21 5
27 26 12
28 25 11
29 26 13
30 27 14

Menghitung X², Y², XY dan total dari masing-masingnya

Tanggal Rata- Jumlah

rata Cacat
suhu (Y) x^2 y^2 x.y
ruangan
(X)
1 24 10 576 100 240
2 22 5 484 25 110
3 21 6 441 36 126
4 20 3 400 9 60
5 22 6 484 36 132
6 19 4 361 16 76
7 20 5 400 25 100
8 23 9 529 81 207
9 24 11 576 121 264
10 25 13 625 169 325
11 21 7 441 49 147
12 20 4 400 16 80
13 20 6 400 36 120
14 19 3 361 9 57
15 25 12 625 144 300
16 27 13 729 169 351
17 28 16 784 256 448
18 25 12 625 144 300
19 26 14 676 196 364
20 24 12 576 144 288
21 27 16 729 256 432
22 23 9 529 81 207
23 24 14 576 196 336
24 23 11 529 121 253

2020 Metode Numerik Pusat Bahan Ajar dan eLearning

10 Masnia, M.Pd http://www.mercubuana.ac.id
 25 22 7 484 49 154
26 21 5 441 25 105
27 26 12 676 144 312
28 25 11 625 121 275
29 26 13 676 169 338
30 27 14 729 196 378
Jumlah 699 283 16487 3139 6885

Hitung a dan b berdasarkan rumus regresi linear sederhana

Menghitung konstanta (a) :

( y )( x ) − ( x )( xy )
2

a=
n( x ) − ( x )2 2

(4665821) − (4812615)
a=
494610 − 488601
− 146794
a=
6009
a = −24.43
Menghitung koefisien regresi b
n( xy ) − ( x )( y )
b=
( )
n  x 2 − ( x )
2

b=
(30)(6885) − (699 )(283)
30(16487 ) − (699 )
2

b=
(206550 ) − (197817 )
(494610 ) − (488601)
8733
b=
6009
b = 1.4533
Model persamaan Regresi
Y = a + bX
Y = -24,38 + 1,45X

Prediksi atau Peramalan terhadap Variabel Faktor Penyebab atau Variabel Akibat

I. Prediksikan jumlah cacat produksi jika suhu dalam keadaan tinggi (Variabel X), contohnya
30°C

2020 Metode Numerik Pusat Bahan Ajar dan eLearning

11 Masnia, M.Pd http://www.mercubuana.ac.id
Y = -24,43 + 1,45 (30)
Y = 19,07
Jadi, jika suhu ruangan mencapai 30°C, maka akan diprediksikan akan terdapat 19,07 unit
cacat yang dihasilkan oleh produksi.
II. Jika cacat produksi (Variabel Y) yang ditargetkan hanya boleh 4 unit, maka berapakah suhu
ruangan yang diperlukan untuk mencapai target tersebut ?

4 = -24,43 + 1,45X
1,45X = 4 + 24,43
X = 28,43 : 1,45
X = 19,61
Jadi, prediksi suhu ruangan yang paling sesuai untuk mencapai target cacat produksi adalah
sekitar 19,07°C.

Latihan soal
1. Tentukan persmaan garis lurus yang mencocokan data pada table di bawah ini,
kemudian perkirakan nilai untuk x = 1.0
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

2020 Metode Numerik Pusat Bahan Ajar dan eLearning

12 Masnia, M.Pd http://www.mercubuana.ac.id
Daftar Pustaka
1. Chapra, Steven C. Numerucal Methods for engineers 7, 2015
2. Chapra, Steven C. Applaid Numerucal Methods with MATLAB for engineers and science,
2005
3. Harijono Djojodihardjo, Metode Numerik, Gramedia, Jakarta, 2000
4. Kreyzig, Erwin. Advanced Engineering Mathematics 10th edition, 2009
5. Purcell, Edwin J., Kalkulus jilid I, Erlangga, Jakarta, 2006
6. I Ketut Adi Atmika, Metode Numerik, Diktat Mata Kuliah, Jurusan Teknik Mesin, Fakultas
Teknik, Universitas Udayana, 2016
7. Agus Setiawan, Analisis Numerik, Diktat Kuliah, Teknik Sipil, Universitas Pembangunan
Jaya, 2016

2020 Metode Numerik Pusat Bahan Ajar dan eLearning

13 Masnia, M.Pd http://www.mercubuana.ac.id