Skripsi: Penyelesaian Persamaan Regresi Linier Berganda Dengan Pendekatan Metode Kuadrat Terkecil Dan Metode Matriks
Skripsi: Penyelesaian Persamaan Regresi Linier Berganda Dengan Pendekatan Metode Kuadrat Terkecil Dan Metode Matriks
SKRIPSI
Oleh :
ADIF FANANI
98120662
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOOGI
UNIVERSITAS ISLAM NEGERI
MALANG
2005
PENYELESAIAN PERSAMAAN REGRESI LINIER
BERGANDA DENGAN PENDEKATAN METODE
KUADRAT TERKECIL DAN METODE MATRIKS
SKRIPSI
Diajukan Kepada:
Universitas Islam Negeri (UIN) Malang
Untuk Memenuhi Salah Satu Persyaratan Dalam
Memperoleh Gelar Sarjana Sains (S.Si)
Oleh :
ADIF FANANI
98120662
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOOGI
UNIVERSITAS ISLAM NEGERI
MALANG
2005
ii
PENYELESAIAN PERSAMAAN REGRESI LINIER
BERGANDA DENGAN PENDEKATAN METODE
KUADRAT TERKECIL DAN METODE MATRIKS
SKRIPSI
Oleh :
ADIF FANANI
98120662
Pembimbing
Tanggal 11 Mei 2005
Mengetahui,
iii
SKRIPSI
Oleh
Adif Fanani
98120662
Pembimbing,
Sri Harini,M.Si
NIP. 150 318 321
Mengetahui,
Dekan Fakultas Sains dan Teknologi
iv
MOTTO
v
PERSEMBAHAN
1. Alloh SWT atas segala rahmat dan nikmatnya yang tak
dapat kuhitung
vi
KATA PENGANTAR
Segala rasa syukur hanya bagi Allah SWT, dzat yang memiliki apa yang
ada dilangit dan dibumi yang senantiasa melimpahkan rahmad dan karunianya,
dijalan beliau.
Penulis sadar bahwa karya ini masih jauh dari sempurna, oleh karena itu
kritik dan saran sangat diharapkan untuk perbaikan kedepan. Dalam proses
penyelesaian karyaini dari awal hingga selesainya penulisan ini banyak pihak
yang telah membantu baik moral atau material, untuk itu pada kesempatan yang
baik inipenulis ingin mengucapkan terima kasih dan rasa hormat yang sebesar-
besarnya kepada :
1. Bapak dan Ibu yang aku sayangi terima kasih atas dukungan dan doanya.
2. Bapak Prof. DR. H. Imam Suprayogo, selaku Rektor Universitas Islam Negeri
(UIN) Malang
3. Bapak Drs. Turmudi, M.Si selaku Dekan Fakultas Sains dan Teknologi.
4. Ibu Sri Harini, M.Si selaku Dosen pembimbing yang telah meluangkan
5. Bapak dan Ibu Dosen Jurusan Matematika yang telah memberikan ilmu dan
vii
6. Seluruh pihak yang banyak berperan dalam penyusunan sekripsi ini yang tidak
Dan tiada karya yang sempurna tanpa kritik dan saran yang dapat menambal
Penulis
viii
DAFTAR ISI
ix
2.3. Persamaan Regresi…………………………………………………………………………….28
2.3.1. Pengertian Regresi………………………………………………………………….28
2.3.2. Scatter Diagram (Diagram Pencar)……………………………………..28
2.3.3. Tipe-tipe Analisis Regresi…………………………………………………..…31
2.3.3.1. Model Analisis Regresi Linier Sederhana…….…31
2.3.3.2. Model Analisis Regresi Linier Berganda…………33
BAB IV PENUTUP
4.1. Kesimpulan ........................................................................................ 52
4.2. Saran .................................................................................................... 52
DAFTAR PUSTAKA
x
ABSTRAKSI
Fanani, Adif. 2005. Penyelesaian Persamaan Regresi Linier Berganda
Dengan Pendekatan Metode Kuadrat Terkecil dan Metode Matriks.
Skripsi, Jurusan Matematika, Fakultas Saintek, Universitas Islam
Negeri (UIN) Malang. Dosen Pembimbing: Sri Harini, M.Si
xi
ABSTRACT
Fanani, Adif. 2005, The Solution to the Multiple Linear Regression Equation
by Smallest Square Method and Matrix Method Approaches. Thesis,
Mathematic Department, Faculty of Science and Technology, State
Islam University (UIN) of Malang. Advisor: Sri Harini, M.Si.
xii
BAB I
PENDAHULUAN
linier terdapat salah satu materi yang dipelajari yaitu matriks. Matriks ialah
suatu jajaran bilangan yang disusun dalam bentuk baris dan lajur sehingga
terbentuk suatu persegi panjang. Cara yang biasa digunakan untuk menuliskan
x n (ukuran baris selalu disebut lebih dahulu) dan unsur aij berada pada baris i
pengembangan lebih lanjut dari system persamaan linier. Oleh karena itu
1
2
data itu kualitatif). dan mengenai sebuah variable, diskrit atau kontinyu (jika
data itu kuantitatif). Banyak persoalan atau fenomena yang mempunyai lebih
dari sebuah variabel missal : berat orang dewasa laki-laki sampai taraf tertentu
hasil mproduksi padi tergantung pada jumlah pupuk yang digunakan, curah
hujan dan sebagainya. Sehingga terasa perlu untuk mempelajari analisis data
yang terdiri dari banyak variabel. Jika dimiliki dua atau lebih variabel adalah
membahas bentuk hubungan antar variable ini dalam ilmu statistik biasa
dikenal dengan analisis regresi (AR). Analisi regresi adalah analisis yang
dipakai untuk mencari bentuk hubungan antara 2 variabel atau lebih, yang
terdiri dari varibel terikat (y) dan varibel bebas (x). terdapat banyak jenis
analisis regresi linier baik yang sederhana maupun analisis regresi berganda.
Pada tugas akhir ini akan dibahas tentang pengujian parameter dalam
belakang masalah yang telah diuraikan maka dalam tugas akhir ini penulis
Sesuai dengan latar belakang masalah yang telah diuraikan maka penulis
salah penafsiran dalam bahasan ini maka dibatasi persamaan regresi linier
berganda dengan 2 (dua) variabel bebas (X) dan 1 (satu) varibel terikat (Y)
dan metode yang dipakai adalah metode kuadrat terkecil (MKT) dan matriks.
Manfaat yang bisa diambil dari penulisantugas akhir ini bagi penulis dan
1. bagi penulis
matriks
4
2. bagi pembaca
bidang matematika
keilmuan matematika
pendidikan
khususnya matematika
literature dan kajian pustaka yaitu suatu metode yang dilakukan dengan cara
mempelajari buku-buku yang berhubungan dengan materi pada tugas akhir ini,
regresi.
5
Adapun sistematika penulisan dari tugas akhir ini adalah sebagai berikut:
BAB I. PENDAHULUAN
metode penulisan .
Pada bab ini mencakup materi matriks yang membahas pengertian matriks,
jenis-jenis matriks dan operasi matriks. Pada bab ini juga berisi tentang
persamaan regresi
Pada bab ini berisi tentang kesimpulan dari seluruh pembahasan yang telah
KAJIAN TEORI
2.1 Matriks
Definisi 1:
⎡ a 11 a 12 ... a 1 j... a 1n ⎤
⎢a a 22 ... a 2 j... a 2n ⎥⎥
⎢ 21
⎢ . . . . ⎥
⎢ ⎥
⎢ . . . . ⎥
⎢ . . . . ⎥
A= ⎢ ⎥ Baris i
⎢ a i1 a i2 ... a ij ... a in ⎥
⎢ . . . . ⎥
⎢ ⎥
⎢ . . . . ⎥
⎢ . . . . ⎥
⎢ ⎥
⎢⎣a m1 a m2 ... a mj ... a mn ⎥⎦
dulu) dan unsur aij berada pada baris i dan kolom j. Dua matriks dikatakan
SAMA jika keduanya sama dalam segala hal; dengan kata lain ukurannya
Unsur-unsur diagonal matriks A adalah a11, a22, a33, …, yaitu yang nomor
6
7
dengan j < i.
Unsur-unsur segitiga
Un atas, aij, i<j
su r- u
nsu
rd
iag
on
al :
ai ,
j i =j
Unsur-unsur segitiga
bawah aij, i<j
A berukuranm x n, denganm = n
Gambar 2.1
jika semua unsur segitiga bawahnya nol; dengan kata lain unsur yang tidak
nol merupakan unsur diagonal atau unsur segitiga atas. Suatu matriks
Contoh 1:
⎡1 0 2 ⎤ ⎡1 0 0⎤ ⎡1 2 1 1 ⎤
D = ⎢⎢0 3 0⎥⎥ , L = ⎢ 2 0 0⎥ , U =
⎢ ⎥
⎢0 3 2 3⎥ , R = [1 2 2]
⎢ ⎥
⎣⎢0 0 0⎥⎦ ⎣⎢3 3 5⎥⎦ ⎣⎢0 0 4 5⎦⎥
8
⎡5⎤ ⎡0 3 2⎤ ⎡0 0 0 ⎤
C= ⎢⎢6⎥⎥ , A = ⎢⎢3 0 5⎥⎥ , dan Z = ⎢0 0 0 ⎥
⎢ ⎥
⎢⎣3⎥⎦ ⎢⎣2 6 0⎥⎦ ⎢⎣0 0 0⎥⎦
segitiga.
a) Matriks Baris
Matriks baris disebut juga vektor baris, adalah matriks yang terdiri atas
Ditulis A (1 x 4)
b) Matriks Identitas
⎡1 0 0 ⎤
⎡1 0 ⎤
Contoh : I = ⎢⎢0 1 0⎥⎥ I= ⎢ ⎥
⎢⎣0 0 1⎥⎦ ⎣0 1 ⎦
c) Matriks Invers
⎛ 3 2⎞ ⎛ 1 − 2⎞
Contoh : A = ⎜⎜ ⎟⎟ dan B = ⎜⎜ ⎟⎟
⎝1 1⎠ ⎝−1 3 ⎠
⎛ 3 2⎞ ⎛ 1 − 2⎞ ⎛ 1 0⎞
AB = ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ Ternyata AB = I
⎝1 1⎠ ⎝ − 1 3 ⎠ ⎝ 0 1⎠
⎛ 1 − 2⎞ ⎛ 3 2⎞ ⎛ 1 0⎞
BA = ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ Ternyata BA = I
⎝ − 1 3 ⎠ ⎝1 1⎠ ⎝ 0 1⎠
⎛ a b⎞
suatu matriks A = ⎜⎜ ⎟⎟ maka determinannya adalah ad – bc. Invers
⎝ c d ⎠
⎛ d − b⎞
⎜⎜ ⎟
⎛ a b⎞ -1 ⎝ − c a ⎟⎠
dengan A = ⎜⎜ ⎟⎟ adalah A =
⎝ c d⎠ ad − bc
d) Matriks Kolom
Disebut juga vektor lajur. Adalah matriks yang terdiri atas hanya satu
⎛ 3⎞
⎜ ⎟
Contoh : ⎜ 2 ⎟ adalah matriks kolom 3 x 1. dilambangkan : A3x1
⎜ 5⎟
⎝ ⎠
e) Matriks m x n
Adalah matriks yang mempunyai m baris dan n lajur. Atau matriks yang
berordo m x n.
⎛ 1 2 3⎞
Contoh : ⎜⎜ ⎟⎟ adalah matriks 2 x 3
⎝ 4 5 6⎠
⎛ 1 2⎞
⎜ ⎟
⎜ 3 4 ⎟ adalah matriks 3 x 2
⎜ 5 6⎟
⎝ ⎠
f) Matriks Persegi
Atau Square matriks. Adalah matriks yang jumlah baris dan kolomnya
matriks m = n atau A m x n
⎛1 2⎞
Contoh : ⎜⎜ ⎟⎟ adalah matriks persegi 2 x 2
⎝ 3 4⎠
⎛ 5 4 2⎞
⎜ ⎟
⎜ 1 5 6 ⎟ adalah matriks persegi 3 x 3
⎜9 3 7⎟
⎝ ⎠
g) Matriks Transpose
Atau transpose dari suatu matriks. Adalah matriks baru yang diperoleh
dari matriks lain dengan menukar baris menjadi kolom dan kolom
transposenya A-1
11
⎛ 1 3⎞ ⎛1 2⎞
Contoh : A = ⎜⎜ ⎟⎟ Transposenya A-1 = ⎜⎜ ⎟⎟
⎝ 2 4 ⎠ ⎝ 3 4⎠
⎛ a 11 a 21 ⎞
⎛a a 12 a 13 ⎞ ⎜ ⎟
Jadi bila A = ⎜⎜ 11 ⎟⎟ maka A-1 = ⎜ a 12 a 22 ⎟
⎝ a 21 a 22 a 23 ⎠ ⎜a a 23 ⎟⎠
⎝ 13
Sifat-sifat transpose :
a. (A + B)T = AT + BT
b. (AT)T = A
d. (AB)T = ATBT
Definisi 2:
A dan B yang seletak; dengan kata lain, jika A dan B keduanya berukuran
m x n, maka:
memenuhi.
Contoh 2:
⎡2 0⎤ ⎡1 5⎤
Diketahui matriks A = ⎢⎢4 3⎥⎥ , B = ⎢ 0 3⎥
⎢ ⎥
⎢⎣6 7 ⎥⎦ ⎢⎣2 6⎥⎦
⎡ 2 0 ⎤ ⎡1 5⎤
Maka A + B = ⎢⎢4 3⎥⎥ + ⎢⎢0 3⎥⎥
⎢⎣6 7 ⎥⎦ ⎢⎣2 6⎥⎦
⎡3 5 ⎤
= ⎢⎢4 6 ⎥⎥
⎢⎣8 13⎥⎦
Definisi 3:
= (-1)A.
Contoh 3:
⎡ 2 0 ⎤ ⎡1 5⎤
Maka 2A + 3B = 2 ⎢⎢4 3⎥⎥ + ⎢⎢0 3⎥⎥
⎢⎣6 7⎥⎦ ⎢⎣2 6⎥⎦
13
⎡ 4 0 ⎤ ⎡3 15⎤
= ⎢⎢ 8 6 ⎥⎥ + ⎢⎢0 9 ⎥⎥
⎢⎣12 14⎥⎦ ⎢⎣6 18⎥⎦
⎡ 7 15 ⎤
= ⎢⎢ 8 15 ⎥⎥
⎢⎣18 32⎥⎦
⎡1 5⎤ ⎡ − 1 − 5 ⎤
B – B = B + (-1)B = ⎢⎢0 3⎥⎥ + ⎢⎢ 0 − 3⎥⎥
⎢⎣2 6⎥⎦ ⎢⎣− 1 − 6⎥⎦
⎡0 0⎤
= ⎢⎢0 0⎥⎥ = 0
⎢⎣0 0⎥⎦
Definisi 4:
⎡ C1 ⎤
⎢C ⎥
⎢ 2⎥
⎢ . ⎥
RC = [r1.r2…rn] ⎢ ⎥
⎢ . ⎥
⎢ . ⎥
⎢ ⎥
⎣⎢C n ⎦⎥
n
= r1C1 + r2C2 + … + rnCn = ∑ riCi
i =1
⎡ x1 ⎤
⎢x ⎥
⎢ 2⎥
⎢ . ⎥
[a1.a2…an] ⎢ ⎥ = b
⎢ . ⎥
⎢ . ⎥
⎢ ⎥
⎢⎣ x n ⎥⎦
perkalian matriks.
Definisi 5:
n
= ai1b1j + ai2b2j + … + ainbnj = ∑ a ik b kj
k =1
didalam setiap suku, subkrip a yang kedua selalu sama dengan subkrip b
kolom matriks yang pertama sama dengan banyaknya baris matriks yang
hasil kalinya:
(A) (B) = AB
Contoh 4:
⎡ 2 0⎤
⎡1 4 5 ⎤ ⎢ − 1 2⎥
A= ⎢ ⎥ dan B = ⎢ ⎥
⎣2 1 − 3⎦ ⎢⎣ 3 7 ⎥⎦
⎡ 1x 2 + 4 x (−1) + 5x3 1x 0 + 4x 2 + 5x 7 ⎤
AB = ⎢ ⎥
⎣2x 2 + 1x (−1) + (−3) x3 2x 0 + 1x 2 + (−3) x 7⎦
16
⎡ 13 43 ⎤
= ⎢ ⎥
⎣− 6 − 19⎦
⎡ 2 0⎤ ⎡2 8 10 ⎤
⎢ ⎥ ⎡1 4 5 ⎤ ⎢
BA = ⎢− 1 2⎥ ⎢ ⎥ = ⎢ 3 − 2 − 11⎥⎥
2 1 − 3⎦
⎢⎣ 3 7 ⎥⎦ ⎣ ⎢⎣17 19 − 6 ⎥⎦
3. Hasil kali dua matriks tidak nol mungkin saja berupa matriks nol.
“mensuaikan” suatu kurva pada titik pada bidang yang perpadan dengan
titik-titik tersebut, diputuskan bentuk umum dari kurva y = f(x) yang akan
disuaikan.
17
y y y
Gambar 2.2
ada suatu “galat” pengukuran dalam data yang membuat tidak mungkin
mencari kurva dengan bentuk yang diinginkan yang melalui semua titik.
Dimulai dengan kasus yang paling sederhana : menduga suatu garis lurus
ketitik-titik data.
2.2.2 Penduga atau Taksiran Kuadrat Terkecil dari Suatu Garis Lurus
y = a + bx
Y1 = a + bx1
Y2 = a + bx2
Yn = a + bxn
⎡1 x 1 ⎤
⎢1 x ⎥
⎢ 2⎥
⎡y ⎤
⎢ . . ⎥ ⎡a ⎤ ⎢ 1 ⎥
⎢ ⎥ ⎢ ⎥ = ⎢y 2 ⎥
⎢ . . ⎥ ⎣b ⎦ ⎢ y ⎥
⎢. . ⎥ ⎣ 3⎦
⎢ ⎥
⎣⎢1 x n ⎦⎥
atau secara lebih ringkas, sebagai
Mv = y..................................................... (1)
⎡ y1 ⎤ ⎡1 x1 ⎤
⎢y ⎥ ⎢1 x ⎥
⎢ 2⎥ ⎢ 2⎥
⎢ . ⎥ ⎢. . ⎥ ⎡a ⎤
Dimana y = ⎢ ⎥ , M = ⎢ ⎥ , v = ⎢ ⎥ ..................................... (2)
⎢ . ⎥ ⎢. . ⎥ ⎣b ⎦
⎢ . ⎥ ⎢. . ⎥
⎢ ⎥ ⎢ ⎥
⎣⎢ y n ⎦⎥ ⎣⎢1 x x ⎦⎥
Jika titik-titik data tersebut tak kolinear, maka tidak mungkin mencari
koefieisen a dan b yang memenuhi sistem (1) secara tepat, artinya sistem
tersebut tak konsisten. Dalam kasus ini akan dicari suatu penyelesaian
kuadrat terkecil.
19
⎡a * ⎤
v = v* = ⎢ * ⎥
⎢⎣b ⎥⎦
y − Mv ............................................................................................ (3)
komponen didapatkan:
2
y − Mv = ( y1 − a − bx1 ) 2 + ( y 2 − a − bx 2 ) 2 + ... + ( y n − a − bx n ) 2 (4)
Anggap
d1 = y1 − a − bx1 ,d 2 = y 2 − a − bx 2 ,...dn = y n − a − bx n
2
y − Mv = d12 + d 22 + ... + d 2n ...................................... (5)
sebagai jarak vertikal antara garis y = a + bx dan titik data (xi, yi). Jarak ini
merupakan suatu ukuran “galat” pada titik (xi, yi) yang dihasilkan dari suai
tak tepat dari y = a + bx pada titik-titik data. Karena (3) dan (5)
meminimalkan dengan vektor v yang sama, suai garis lurus kuadrat terkecil
meminimalkan jalan kuadrat galat ini, oleh karena itulah namanya suai garis
y
(xiyi)
(xiyi) d1 + bx
y=a dn
d1
y1 (xnyn)
a + bxi
x
(a)
Gambar 2.3.d Mengukur galat vertikal pada penduga garis lurus kuadrat
terkecil
(Anton, 2000:225)
Persamaan Normal
MTMv = MTy
V* = (MTM)-1MTy
Contoh :
Cari suai garis lurus kuadrat terkecil terhadap empat titik (0,1), (1,3), (2,4)
1
0
-1 0 1 2 3 4
Gambar 2.4
(Anton, 2000:226)
21
Penyelesaian
1 0
1 1
M=
1 2
1 3
⎡4 6 ⎤
MTM = ⎢ ⎥
⎣6 14⎦
1 ⎡ 7 − 3⎤
(MTM)-1= 10 ⎢− 3 2 ⎥
⎣ ⎦
⎡1 ⎤
⎢ ⎥
1 ⎡ 7 − 3⎤ ⎡1 1 1 1⎤ ⎢2⎥ ⎡1,5⎤
v* = (MTM)-1 MTy = 10 ⎢− 3 2 ⎥ ⎢0 1 2 3⎥ ⎢3⎥ = ⎢ 1 ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
⎢ ⎥
⎣ 4⎦
ke n titik
(x1,y1),(x2,y2), …, (xn,yn)
y1 = a0 + a1x1 + … + amx1m
22
y2 = a0 + a1x2 + … + amx2m
yn = a0 + a1xn + … + amxnm
Mv = y .............................................................................................. (7)
Dimana
MTMv = MTy
y − Mv
V* = (MTM)-1 MTy
b yang bisa dipandang sebagai vektor galat yang dihasilkan dari hampiran
x. Jika
23
2
meminimalkan e = (e12 + e22 + … + em2)2 sehingga istilah yang dipakai
Definisi 6:
berkenaan dengan hasikali dalam Euclidean pada Rm. Vektor seperti itu
(Anton, 2000:67)
Gambar 2.5
(Anton, 2000:68)
ada suatu pendekatan yang lebih baik: Dari Teorema Proyeksi dan u =
b – Ax = b - proywb
Euclidean.
Euclidean.
25
Didapatkan bahwa b – Ax terletak pada ruang kosong dari AT. Oleh karena
normal terkait.
Teorema 1
ATAx = ATb
Proywb = Ax
(Anton, 2000:69)
Bukti
Sistem normal ATAx = ATb konsisten, karena sistem ini dipenuhi oleh suatu
ATAx = ATb
26
ATb – ATAx = 0
B – Ax = b - proywb
Maka
Ax = proywb
Teorema 2
(Anton, 2000:69)
Bukti
(a) Æ (b)
ini bisa dibalik dengan menunjukkan bahwa sistem linier ATAx = 0 hanya
dari sistem ini, maka Ax berada dalam ruang kosong dari AT dan juga
Euclidean.
Euclidean.
(b) Æ (a)
oleh:
Lebih jauh jika W adalah ruang kolom dari A, maka proyeksi ortogonal dair
b pada W adalah:
28
Bukti
ATb
x=
AT A
x = ATb (ATA)-1
= (ATA)-1 ATb
kali diperkenalkan pada tahun 1877 oleh Sir Francis Galton (1822 – 1911)
ayahnya.
satu atau lebih variabel yang lain, yaitu variabel-variabel penjelas (variabel-
variabel independen), dengan tujuan untuk menaksir dan atau meramal rata-
rata atau mean populasi variabel dependen dengan dasar nilai tertentu dari
variabel penjelas.
hubungan antar variabel. Tujuan utama dalam pengenaan analisis itu adalah
29
garis regresinya.
grafik yang disebut diagram pencar (diagram tebaran, scatter diagram) yang
Contoh 5:
Tabel 1
1 A 9,65 50
2 B 9,15 100
3 C 9,25 80
4 D 9,55 100
5 E 9,45 70
6 F 9,55 40
7 G 9,45 60
8 H 9,7 100
9 I 8,65 50
10 J 9,35 80
30
Nilai UTS D
100 B H
80 C J
60 E
G
40 I A
F
20
Nilai Tugas
8 8,5 9 9,5 10
Gambar 2.6
(Rasyad, 2003:120)
diagramnya mengelompok. Jika ditarik sebuah garis lurus maka garis lurus
itu membelah kelompok titik-titik itu. Jadi, ada hubungan antara nilai tugas
dan nilai UTS. Hubungan itu bisa positif dan bisa juga negatif. Pada
nilai UTSnya.
Y Y Y
X X X
a. Hubungan Garis b. Hubungan Garis c. Hubungan Garis Negatif
Positif Positif tapi Lebih tersebar
Y Y Y
X X X
d. Hubungan Garis e. Hubungan Garis f. Tak ada Hubungan
Lengkung Positif Lengkung Negatif
Gambar 2.7
(Rasyad, 2003:121)
Dari diagram pencar diatas, bisa dilihat bahwa ada suatu bentuk
kompleks. Hubungan yang paling sederhana berupa fungsi linier, yang jika
32
sebagai berikut:
Y
E(Y Xi)
Δy = perubahan dalam y
Δ x = perubahan dalam x
(Hakim, 2001:231)
Gambar 2.8
Adapun nilai Y observasi (Y data asli) bisa kita cari dari rumus yang
random dalam Y untuk observasi ke-i, yaitu selisih antara Y dan E(Y|Xi).
diprediksi nilai satu buah variabel dependen dengan dasar nilai satu
variabel penjelas. Akan tetapi dapat dilihat bahwa fenomena diatas jarang
terjadi didunia nyata. Yang lebih sering terjadi dalam dunia nyata adalah
oleh lebih dari satu buah variabel penjelas. Jika dimaukkan semua variabel
dependen.
variabel penjelas, maka modal analisis regresi linier berganda dapat ditulis
sebagai berikut :
34
Dimana :
β0 = intersep Y
Y = variabel terikat
X = variabel bebas
regresi linier berganda dengan 2 variabel bebas, maka model regresi linier
PEMBAHASAN
Y β 0 β1X i β 2 X j + εi
Dimana :
Y = variabel terikat
0 = data jenis 1
X = variabel bebas
εi = error sebanyak i
Jika 0 dan 1 dan 2 telah diperoleh berarti garis linier untuk model tersebut
dengan data asli, dan dapat dilihat seberapa tepat garis tersebut mencocokkan
Yang menjadi masalah adalah bagaimana cara menentukan garis yang paling baik
atau paling tepat dalam mencocokkan diri dengan sebaran-sebaran tersebut. Dengan
kata lain, yang menjadi masalah adalah bagaimana cara menentukan besarnya nilai
β0, β1 dan β2 (karena bentuk garis linier tersebut ditentukan oleh besar β0, β1 dan β2.
Suatu garis akan dikatakan paling baik dalam mencocokkan diri dengan sebaran data
jika garis tersebut beda antara nilai Y aktual (Yi) dan Y rata-rata [E(Y|Xi)] menjadi
sekecil mungkin.
Selisih ini dinamakan error (εi). Perhatikan bahwa akan ada banyak sekali error atau
[Yi – E(Y|Xi)]. Oleh karena itu akan diminumkan jumlah atau sigma dari [Yi –
E(Y|Xi)] tersebut untuk mencari garis regresi yang paling dekat ke semua Y
observasi. Tetapi perhatikan bahwa [Yi – E(Y|Xi)] ada yang bernilai positif dan ada
yang bernilai negatif, karena itu meminimalkan sigma [Yi – E(Y|Xi)] belum tentu
akan menghasilkan garis regresi yang paling dekat ke semua Yi karena bisa jadi
error yang negatif dan yang positif akan saling meniadakan adalah meminimalkan
sigma kuadrat dari [Yi – E(Y|Xi)] tersebut. Maka secara matematis, yang dilakukan
adalah meminimisasi:
N N 2
i Yi (Y!X i
2
i 1 i 1
N N 2
i Yi ( 0 1 2 X j
2
i 1 i 1
persamaan tersebut biasa dikenal dengan metode kuadrat terkecil (least squared
method). Dengan meminimasi persamaan kuadrat tersebut akan didapatkan nilai β0,
β1 dan β2 yang akan membuat persamaan tersebut menjadi yang paling baik dalam
mencari turunan pertama dari fungsi tersebut, lalu dibuat sama dengan nol. Dalam
hal ini persamaan tersebut diturunkan terhadap β0, β1 dan β2 maka : penurunan
terhadap β0:
N N 2
i Yi ( 0 1 X i 2 X j )
2
i 1
i 1
0
0 0
N
2 Yi 0 1 X i 2 X j 0
i 1
N
Yi 0 1 X i 2 X j 0
i 1
N N N
Yi N 0 1 X i 2 X j 0
i 1 i 1 i 1
N N N
Yi N0 1 X i 2 X j 0
i 1 i 1 i 1
Penurunan terhadap β1
N N 2
i Yi ( 0 1 X i 2 X j )
2
i 1
i 1
0
1 1
N
2 X i Yi 0 1 X i 2 X j 0
i 1
N N N N
X i Yi 0 X i 1 X i 2 X i X j 0
2
i 1 i 1 i 1 i 1
N N N N
X i Yi 0 X i 1 X i 2 X i X j 0
2
i 1 i 1 i 1 i 1
j1
Penurunan terhadap β2
N N 2
i Yi ( 0 1 X i 2 X j )
2
i 1
i 1
0
2 2
N
2 X j Yi 0 1X i 2 X j 0
j1
N
X j Yi 0 1X i 2 X j 0
j1
N N N N
X j Yi 0 X j 1 X i X j 2 X j 0
2
i 1 j1 i 1 j1
j1 j1
N N N N
X Y 0 X j 1 X i X j 2 X j
2
j i
i 1 j1 i 1 j1
j1 j1
2
Dari langkah-langkah penurunan i terhadap β0, β1 dan β2 didapat
i 1
N N N
I. Yi N 0 X i 2 X j ................................................. 3.1a
i 1 i ` j `
N N N N
X i Yi 0 X i 1 X i 2 X i X j ...........................3.1b
2
II.
i 1 i 1 i 1 i 1
j1
N N N N
Y 1 X i 2 X j
i
N 0 j1
i 1
i 1
N N N N
atau Y 0 1 X 2 X
0 Y 1 X 2 X
N N N N
X i Yi Y 1 X 2 X X i 1 X i 2 X i X j
2
i 1 i 1 i 1 i 1
j1
N N N N N N
X i Yi Y X i 1 X X i 2 X i 1 X i 2 X i X j
2
i 1 i 1 i 1 i 1 i 1 i 1
j1
atau
2
N N N
N N
N N
X i Yi 1 / N Yi X i 1 1 / N X i X i 2 1 / N X i X j X i X j
2
i 1 i 1 i 1 i 1
i 1 i 1 i 1
j1
N N
2
N N
N N 2 N
X i Yi 1 / N Yi X i 1 X i 1 / N X i 2 X i X j 1 / N X i X j
i 1 i 1 i 1
i 1 i 1 i 1 i 1 j1
......................................................................................................3.1d
X Y Y X X X
N N N N
1 X i X j 2 X j
2
i i 1 2 j
i 1 j1 i 1 j1
j1 j1
N N N N N N
X j Yi Y X j 1 X X j 2 X X j 1 X i X j 2 X j
2
2
N N N N
X j Yi 1 / N Yi X j 1 1 / N X i X j X i X j
i 1 j1
j1 i 1
j1
N N 2
2 1 X j X j
N j1 j1
N
N N
X j Yi 1 / N Yi X j 1 X i X j 1 / N X i X j
i 1
i 1 j1
j1
N N
2
X Y 1 / N Y X X 1 / N X i 2 X X 1 / N X i X j ! X j 1 / N X j
2 2 2 2
i i i i 1 i i j
X Y 1 / N Y X X X
1 / N X i X j 2 X j 1 / N X j ! X i X j 1 / N X i X j
2 2
j i i j 1 i j
X Y i i 1
N
Y X i i
β1 X i 1
2
X β X X
N i
2
2 i j
X j
2
1
N
X j
2
X Y j i 1
N
Y X i j
β1 X i X j 1 X X β X
N i j
2
2 j
2
1 X
N j
2
X X i j 1
N
X X i j
X Y X N
X i Yi j 1
N
Yi X i X j 1 Y X X
2 2
1
2
i i j 2 i i j
N
i
2
X j
2
1
N
Xi
2
X j
2
1
N
Xi
2
X j
2
1
N2
Xi
2
X j
2
X Y X X j i i j 1
N
X Y X X j i i j 1
N
Yi X j X j
Y X X X X X N
Xi X j Xi X j
2
1 2 i j i j i i j 1
N
1
N
Xi X j Xi X j 1
N2
Xj
2
X i
2
X i Yi X j j Yi X i X j 1
N N
Xj 1 X j Yi 1
2 2 2
N
Y1 X i X j 1
N
Yi X j X i X j 1
N2
1 Yi X i X j
2 2
1
N2 1 j i j
Y X X X i X1 X j 2 X i X j 1 2
2 2
N
2 2
N
1 X i X j 2 X i X j X i X j
2
N
X1Yj X j Yi X i X j 1
N
Yi X j 1
N
Yi X j X i
2 2
1 X i
2
j
2
Xi X j
2
1 X i Yi X j 1
N
Yi X i X j X j Yi X i X j 1
N
Yi X j X i X j
2 2
X X X X
i
2
j
2
i j
2
1 X i Yi X j X i
Y
X X j Yi X i X j X j X i X j
yi
2 i 2
N
j N
1 X i Yi X j X i
Yi X j Yi X i X j X j X i X j i
X Y
2 2
N
j
N
Yi 2
j X j Yi i X i X j
Y
1 X i Yi X j X i
2
N N
Yi Yi
X j X j Yi X j X i X j
1 X i Yi X i
2
N N
Yi Yi
X j X j X j Yi X i X j
1 X i Yi
2 2
N N
1
X X X X
i
2
j
2
i j
2
dimana xi = X - X dan y = Y - Y
Persamaan 3.1.d dieliminasi dengan Persamaan 3.1.e, maka
N
2
N
2
X i Yi 1 Yi X i 1 X i 1 X i 2 X i X j 1 X i X j
N
X j Yi 1 Y X j 1 X i X j
N i
1
N
X i X j 2 X j 1 N X j 2
2
X X 1 N X X
i j i j
X 1 N
i
2
i
2
X i Yi X i X j X j Yi X i 1 X i Yi X i X j 1 X j Yi X i
2 2
N N
1 Y X X X 1 Y X X 2 X X 2 X 2 X 2
N i i i j N i j i 2 i j i j
2 2
N N
2 X i X j X i X j 1 Yi X i X j 1 Yi X j X i
2 2
X j Yi X i X i Y1X i X j 1 X i Yi X i X j 1 X j Yi X i
2
N N
2
Y 1
X j Yi X i X j X i X i Yi X i X j Yi X i X i X j
2 2
2 N N
X i X j X i j
2 2 2
Y Y
X i X j
X j Yi X j X i X i Yi X i
2
2 N N
X i X j X i X j
2 2 2
Y Y
X i X j
X j Yi X i X i Yi
2
2 N N
X i X j X i X j
2 2
2
X Y X X Y X X 2
2
X X X X , dimana y Y Y
j i i i j
2 2 2 i
i j i j
Sehingga didapatkan rumus-rumus untuk 0, 1 dan 2 sebagai berikut:
2
j i i i j
0 Y 1 X1 2 X ...........................................(3.1.h)
dimana:
x = X - X dan y = Y - Y
ΣX = jumlah X
ΣY = jumlah Y
Dari persamaan normal (3.1a, 3.1b dan 3.1c) yang telah diperoleh dapat
N N N
Yi = Nβ0 + β1
i 1
X i + β2
i 1
X
i 1
j
N N N N
X i Yi = β0 X i + β1 X i + β2 X X
2
i j
i 1 i 1 i 1 i 1
j1
N N N N
X Y X X X X
2
j i = β0 j + β1 i j + β2 j
i 1 i 1 i 1 j1
j1 j1
N
X X 1 0 Y
2
X1 X X X 1 2 1 X 1 Y
2
1 ………………(3.2)
X 2 X X X
2
2 X 2 Y
1 2 2
N
X X 1 2
Misalkan A = X1 X X X
2
1 1 2 , maka:
X 2 X X X
2
1 2 2
N
X X N
1 X 2 1
det A = X1 X X X X X
2 2
1 1 2 1 1
X 2 X X X X X X
2
1 2 2 2 1 2
= (N )+( )+( )
–( - (N )–( )
Kofaktor A =
Kofaktor A =
Kofaktor A =
Adj A =
A -1 = adj (A)
=
Dari Persamaan 3.2 diperoleh :
= = A-1
= =
= =
3.3. Contoh Penyelesaian Analisis Regresi Linier Berganda dengan Metode
Contoh Kasus
untuk mesin pemanas ruangan (selanjutnya akan disebut minyak pemanas) oleh
rumah tangga di sebuah kota selama bulan Januari. Dalam analisis ini diambil data
berupa 15 rumah tangga. Meskipun banyak variabel yang bisa dimasukkan yang
pemanas, untuk penyederhanaan hanya dua variabel penjelas yang akan dievaluasi di
sini, yaitu suhu udara rata-rata harian (diukur dalam derajat Fahrenheit)
dilambangkan dengan X1, dan jumlah penyekat ruangan yang dipakai dalam rumah,
diukur dalam inci, dilambangkan dengan X2. Diharapkan dengan semakin tingginya
suhu udara harian, semakin sedikit penggunaan mesin pemanas ruangan, sehingga
semakin sedikit pula minyak pemanas yang dikonsumsi. Demikian, juga semakin
banyak sekat ruangan yang dipunyai sebuah rumah tangga, suhu udara semakin
terjaga sehingga semakin sedikit kerja mesin pemanas ruangan, dan semakin sedikit
TABEL 3
PENCARIAN NILAI-NILAI YANG DIPERLUKAN UNTUK MENCARI
KOEFISIEN-KOEFISIEN REGRESI GANDA DARI KASUS MINYAK
PEMANAS SUHU PENYEKAT RUANGAN.
Perhitungan β1
x y x x y x x
1 2
2
2 1 2
β1 =
x x x x
1
2
2
2
1 2
2
=
32.701,87123,33 2.509,877,67
5.986,93123,33 7,672
4.033.121,627 19.250,703
=
738.368,077 58,829
4.013.870,924
=
738.309,248
= -5,43657
= -5,44
Perhitungan β2
x y x x y x x
2 1
2
1 1 2
β2 =
x x x x
1
2
2
2
1 2
2
=
2.509,875.986,93 3.2701,877,67
5.986,93123,33 7,672
15.026.415,99 250.823,343
=
738.368,077 58,829
14.775.592,64
=
738.309,248
= -20,0127422
= -20,01
Penghitungan β0
β0 = Y 1 X1 2 X 2
= 562,22
Dimana:
model regresi linier sederhana. Intersep β0 yang dihitung sebesar 562,15 menaksir
jumlah harapan atau rata-rata konsumsi minyak pemanas selama bulan Januari
jika rata-rata suhu udara harian adalah 0oF untuk rumah yang tidak mempunyai
penyekat ruangan.
Slope dari rata-rata suhu udara harian dengan konsumsi minyak pemanas
(β1 = -5,44) dapat diinterpretasikan bahwa untuk rumah tangga yang penggunaan
akan menurun sebesar 5,44 per bulan untuk setiap kenaikan 1oF per hari.
minyak pemanas (β2 = -20,01), dapat diinterpretasikan, bahwa untuk suhu udara
ruangan.
N X i X j 0 Y
= X Y diperoleh matriks
X i X X X 1 i
2
i i j
X j
X X i j X j
2
2 X j Y
15 604 95 0 3247,4
604 5986,93 7,67 = 32701,87
1
95 7,67 123,33 2 2509,87
15 604 95
Misal A 604 5986,93 7,67 , maka
95 7,67 123,33
15 604 95 15 604
det A = 604 5986,93 7,67
604 5986,33
95 7,67 123,33 95 7,67
det A = (15) (5986,33) (123,33) + (604) (7,67) (95) + (95) (604) (7,67) –
882,4335 – 44992757
det A = - 87069951
Kofaktor A
1
A-1 = Adj (A)
det A
0 Y
= A-1
1 X iY
2 X j Y
β0 = 562,21
β1 = -5,43
β2 = - 20,02
terkecil (MKT) dan metode matriks didapat hasil 0, 1, 2 dengan keakuratan
sama.
BAB IV
PENUTUP
4.1 Kesimpulan
dengan metode kuadrat terkecil (MKT) dan dengan matriks, dapat diambil
kesimpulan:
dapat digunakan metode kuadrat terkecil dan matriks, dimana dari kedua cara
4.2 Saran
52
DAFTAR PUSTAKA
Draper, Norman dan Smith, Harry, 1992. Analisis Regresi Terapan. Jakarta : PT
Gramedia Pustaka Utama.
Rasyad, Rasdihan, 2003. Metode Statistik Deskriptif Untuk Umum. Jakarta : Grasindo.
STAIN Malang, 2000. Pedoman Penyusunan Skripsi Program Studi Matematika Jurusan
MIPA. Malang : STAIN Malang.
DAFTAR GAMBAR
Gambar 5 Vektor………………………………….…………….……………. 23
2. Nim : 98120662
3. Fakultas/Jurusan : Saintek/Matematika