Regresi Non-Linier

Nur Hatima Inda Arifin, M.Kom

Fakultas Teknik, Universitas Nurul Jadid,

1
Pengertian Regresi

 Regresi: perumusan/pemodelan asosiasi antara satu

variabel dependen dan satu/lebih variabel
independen, dalam bentuk persamaan yang
memungkinkan penaksiran nilai variabel dependen.

 Dalam Regresi Linier, model yang dipilih dalam

perumusan asosiasi adalah persamaan linier.
y = f(x) = ax + b

 Dalam Regresi Nonlinier, model yang dipilih dalam

perumusan asosiasi adalah persamaan nonlinier.
y = f(polinom, eksponensial, pangkat, dll.)

2
Regresi vs. pola sebaran data

 Jika diketahui n pasangan data: (x1,y1), (x2,y2),

(x3,y3),… , (xn,yn) dengan x variabel independen dan y
variabel dependen.

 Pada data akan dipaskan suatu fungsi y = f(x) yang

paling bisa mengikuti pola perubahan y vs. x.

• Jika pola sebaran data memperlihatkan

kecenderungan linier, maka diambil regresi
linier.
• Jika pola sebaran data memperlihatkan
kecenderungan nonlinier, maka diambil regresi
nonlinier.
3
Pola Sebaran Data Cenderung Linier

80

60
y

40

20

0
0 3 6 9 12 15
x

4
Pola Sebaran Data Cenderung Nonlinier

300

225
y

150

75

0
0 3 6 9 12 15
x

5
Pola Sebaran Data Cenderung Nonlinier

25

15

5
y

-5 0 2 4 6 8

-15

-25
x

6
Regresi Nonlinier

 Dalam regresi nonlinier, model regresi yang sering

dipilih adalah:

 Model exponensial f x aebx

 Model pangkat f x axb

 Model pertumbuhan jenuh f x 

ax
b x
 Model polinomial f x  a
0
 a
1
x  ... a
n
x n

 Fungsi tersebut dipaskan pada n pasangan data:

(x1,y1), (x2,y2), (x3,y3),… , (xn,yn)
dengan mengatur nilai koefisiennya.
7
Regresi Nonlinier

 Pas (cocok) atau tidaknya model regresi dengan

data bisa dilihat dari seberapa jauh nilai data bisa
didekati oleh nilai taksiran regresi.

 Oleh karena itu didefinisikanlah error sebagai selisih

antara nilai data dan nilai taksiran fungsi regresi:
Error, i = yi – f(xi)
dengan i=1..n

8
Model Regresi Eksponensial

Uraian Rinci

9
Regresi Nonlinier: Model Eksponensial

 Pada himpunan data (xi,yi) dengan i=1..n

akan diregresikan model eksponensial,
f(x) = a.ebx.

 Error regresi
(selisih antara nilai data & taksiran fungsi regresi)
adalah:
Error, i = yi – f(xi) = yi – a.ebxi.

dengan i=1..n

10
Error dalam Regresi Non-Linier

1,6
Error,  i  yi  f xi 

1,2
y

0,8

0,4

0
0 1 2 3 4 5
x

11
Kriteria Error sbg Syarat Pengepasan

 Suatufungsi regresi bisa dipandang paling pas jika

errornya minimum.
 Kriteria error yang paling bisa dipakai untuk
menentukan koefisien persamaan regresi adalah jumlah
kuadrat error, S = (i)2
n n

S      y  ae 
2 bxi 2
i i
i1 i1

 Nilai jumlah kuadrat error, (i)2 diminimalkan

dengan menolkan turunannya terhadap
koefisien2 persamaan regresi.
12
Meminimalkan Jumlah Kuadrat Error
Metode “Least Square”

 Turunan S terhadap a dinolkan:

S  n 
    
n
 
2 2
yi  aebx i
yi  aebxi

a a i1 i1 a

S  n

 2 yi  aebx ebx  0
a i1
i
 i


 Turunan S terhadap b dinolkan:

S r   n 
    
n

2 2
yi  aebx i
yi  aebx i

b b i1 i1 b

S r
 
  2 yi ae bx aebx xi  0 
n
i i

b i1
13
Meminimalkan Jumlah Kuadrat Error
Metode “Least Square”

 Hasilnya:
n n
  yi e bxi
 a  e 2bxi  0
i1 i1
n n

 ii
y x
i1
e bxi
 a  i 0
x e 2bxi

i1
 Koefisien a dari persamaan 1 bisa disulihkan ke
persamaan 2 sehingga diperoleh persamaan
nonlinier dalam b:
n
bxi
 yi e
n
 yi x i e bxi i1 n
 xie2bxi  0
n
i1 2bxi i1
e
i1 14
Meminimalkan Jumlah Kuadrat Error
Metode “Least Square”

 Persamaan nonlinier dalam b ini:

n
bxi
 yi e
n
 yi x i e bxi i1 n
 xie2bxi  0
n
i1 2bxi i1
e
i1
bisa diselesaikan dengan metode bisection atau
secant.

15
Model Regresi Polinomial

Uraian Rinci

16
Regresi Nonlinier: Model Polinomial

 Pada himpunan data (xi,yi) dengan i=1..n akan

diregresikan model polinomial, f(x) = a0 + a1.x +
a2.x2 + … + am.xm, dengan m ≤ (n-1).

 Error regresi (selisih antara nilai data dan nilai

taksiran fungsi regresi):
Error, i =yi – f(xi)=yi–(a0+a1.xi+…+am.xi m).

dengan i=1..n

 Jumlah kuadrat error:

  
n n
S    i   yi  a0  a1 xi  a x  ...  a x
2 2 m 2
2 i m i
i1 i1

17
Error dalam Regresi Non-Linier

1,6
Error,  i  yi  f xi 

1,2
y

0,8

0,4

0
0 1 2 3 4 5
x

18
Kriteria Error sbg Syarat Pengepasan

 Suatufungsi regresi bisa dipandang paling pas jika

errornya minimum.
 Kriteria error yang paling bisa dipakai untuk
menentukan koefisien persamaan regresi adalah jumlah
kuadrat error, S = (i)2

  
n n

S    i   yi  a0  a1 xi  a x  ...  a x
2 2 m 2
2 i m i
i1 i1

 Nilai jumlah kuadrat error, (i)2 diminimalkan

dengan menolkan turunannya terhadap
koefisien2 persamaan regresi.
19
Meminimalkan Jumlah Kuadrat Error
Metode “Least Square”

 Turunan S terhadap ai (i=0..m) dinolkan:

S  
  2. yi  a0  a1xi . . .  a m xim (1)  0
n

a0 i1
S
 
  2. yi  a 0  a1 xi  . . .  am xim (xi )  0
n

a1 i1
...
S  
  2. yi  a0  a1xi . . .  am xim ( xim )  0
n

am i1

20
Meminimalkan Jumlah Kuadrat Error
Metode “Least Square”
 atau:

n n n n

 0  1i
a  a x  ...   m i   yi
a x m

i1 i1 i1 i1

n n n n

 0i 1i
a x  a x 2
 ...   m i   yi x i
a x m1

i1 i1 i1 i1

...
n n n n

 0i 1i
a x m
 a x m1
 ...   mi  ii
a x 2m
 y x m

i1 i1 i1 i1

21
Meminimalkan Jumlah Kuadrat Error
Metode “Least Square”
 atau:

a0n a1  xi  ...  am  xim   yi

a0  xi  a1  xi2  ...  a m  xim1   yi x i
a0  xi2  a1  xi3  ...  a m  xim2   yi x i2
...
a0  xim  a1  xim1  ...  a m  xi2m   yi xim

22
Meminimalkan Jumlah Kuadrat Error
Metode “Least Square”

 Dalam bentuk matriks:

 n

 xi ...  i  a0    yi 
x m

  xi  ix 2
...  xim1   a1    xi y i 

 ... ... ... ...   ...   ... 
 2m 
   
 i  i ...  xi a m   xi yi 
m m1 m
x x

dengan penjumlahan () dilakukan untuk i=1..n.

Matriks lalu bisa diselesaikan untuk memperoleh ai.

23
Contoh:
Tabel data
 Data hubungan koefisien Suhu, Koef. Ekspansi,
ekspansi termal () dg T (oF)  (in/(ino
F))
suhu (T) akan diregresi
dengan fungsi polinom 80 6,47E-06
orde-2: 40 6,24E-06
(T) = a0+ a1.T + a2.T2 -40 5,72E-06
karena sebarannya -120 5,09E-06
cenderung kuadratik. -200 4,30E-06

 Sarana: Microsoft
-280 3,33E-06
Excel -340 2,45E-06
24
Contoh:
Sebaran data

7,E-06
Koef. ekspansi termal, Alpha (in/in/F)

6,E-06

5,E-06

4,E-06

3,E-06

2,E-06

1,E-06

0,E+00
-400 -300 -200 -100 0 100
Suhu, T (F)

25
Contoh:
Koefisien model
 Dalam bentuk matriks:

 n T  T   a0    yi 
2

 3  
i i
 
  T i T Ti
2
i   a1     y iTi 
  Ti 2 T T 3 4

i  2 
a    y T 2
i i 

 i 
dengan penjumlahan () dilakukan untuk i=1..n.
Matriks lalu bisa diselesaikan untuk memperoleh ai.

26
Contoh:
Koefisien model
 Dalam bentuk matriks:
 7 -860 258000 a0   3,3600E - 05 
 -860 258000 - 70472000  a   - 2,6978E - 03
  1   
258000 - 70472000 21363360000a2  8,5013E - 01 

 Matriks ditata ulang (pivoting) lalu diselesaikan

untuk memperoleh ai dengan cara eliminasi.
258000 - 70472000 21363360000a0   8,5013E - 01 
 -860 258000 - 70472000  a   - 2,6978E - 03
  1   
 7 -860 258000 a2 3,3600E - 05 
27
Contoh:
Koefisien model
 Hasil eliminasi:
7 -860 258000 a0   3,3600E - 05 
0 23093,33333 739200  a    0,000135973 
  1   
0 0 - 355300,757a2  4,34005E -06

 Substitusi mundur memberikan nilai ai berikut:

a2  -1,22152E -11
 a    6,27899E - 09   T   a  a T  a T 2
 1   0 1 2

a0 6,02163E - 06 

28
Contoh:
Data vs. Kurva Regresi

7,E-06
Koef. ekspansi termal, Alpha (in/in/F)

6,E-06

5,E-06

4,E-06
Data
3,E-06 Regresi
2,E-06

1,E-06

0,E+00
-400 -300 -200 -100 0 100
Suhu, T (F)

29
Contoh:
% Error Regresi

1,2

1
% Error Regresi

0,8

0,6

0,4

0,2

0
-400 -300 -200 -100 0 100
Suhu, T (F)

30
Linearisasi
Model Nonlinier

Linearisasi data eksponensial dengan

transformasi logaritma + Regresi
Linier

31
Transformasi Data:
Linierisasi Data Nonlinier

 Ada kalanya himpunan data (xi,yi) yang

memperlihatkan kecenderungan nonlinier bisa
ditransformasi sehingga kecenderungannya menjadi
linier.
 Transformasi bisa dilakukan dengan menggunakan
fungsi kebalikan dari kecenderungan data aslinya:

 Data ekponensial dilinierkan dengan fungsi log.

 Data pangkat dilinierkan dengan fungsi log.
 Data kuadratik dilinierkan dengan akar kuadrat,
dlsb.

32
Transformasi Data:
Linierisasi Data Nonlinier (Eksponensial)
 Banyak proses fisik atau kimiawi bisa dimodelkan oleh
persamaan ekponensial:

y  aebx
 Model nonlinier diubah menjadi linier
ini bisa
melalui transformasi dengan fungsi log:
ln y  ln a  bx
z a0 a1

z  a0  a1x
 a0 & a1 selanjutnya bisa ditentukan
Koefisien2 model
dengan regresi linier.

33
Koefisien Model Linier

 Koefisien a0

a0 
 zi  xi   zi xi  xi
2

n xi   xi 
2 2

 Koefisien a1
n  zi x i   xi  zi
a1 
n  xi   xi 
2 2

34
Koefisien Model Nonlinier
(Eksponensial)
 Setelah koefisien a0 dan a1 diperoleh, nilai
koefisien model nonlinier aslinya
y  aebx
bisa ditentukan sebagai:
b  a1
a  e a0

35
Contoh:
Tabel data
 Untuk pemindaian batu t (jam) I (intensitas relatif)
ginjal biasa diinjeksikan
beberapa tetes isotop 0 1
Teknesium-99.
Separonya akan meluruh 1 0,89
tiap 6 jam. Perlu 24 jam
agar radiasinya kembali 3 0,71
ke tingkat alamiahnya.
5 0,56
 Sarana: Microsoft
Excel 7 0,45
9 0,36

36
Contoh:
Sebaran data

1
Intensitas Radiasi Relatif, I

0,8

0,6

0,4

0,2

0
0 2 4 6 8 10
Waktu, t (jam)

37
Contoh:
Transformasi data
 Proses peluruhan isotop dimodelkan oleh persamaan
ekponensial:
I  Aet
 Model nonlinier diubah menjadi linier
ini bisa
melalui transformasi dengan fungsi log:
ln I   ln A   t
z a0 a1

z  a0  a1t
 a0 & a1 selanjutnya bisa ditentukan
Koefisien2 model
dengan regresi linier.

38
Contoh:
Koefisien Model Linier

 Koefisien a0

a0 
 zi  ti   zi it ti
2

n ti   ti 
2 2

 Koefisien a1
n  z it i   t i  z i
a1 
n  ti   ti 
2 2

39
Contoh: Lembar Kerja Excel
A B C D E
1 i ti zi (ti)^2 ti.zi
2 1 0 =LN(B16) =B2^2 =B2*C2
3 2 1
4 3 3
5 4 5
6 5 7
7 6 9 copy copy copy
8 = =SUM(B2:B7) copy
9 n= =A7
10 a0 = =(C8*D8-E8*B8)/(B9*D8-B8^2)
11 a1 = =(B9*E8-B8*C8)/(B9*D8-B8^2)
12 A= =EXP(B10)
13 Lambda = =B11
Contoh:
Data vs. Kurva Regresi

1
Intensitas Radiasi Relatif, I

0,8

0,6

0,4
I (data)
0,2
Regresi

0
0 2 4 6 8 10
Waktu, t (jam)

41
Contoh:
% Error Regresi

0,8

0,6
% Error

0,4

0,2

0
0 2 4 6 8
Waktu, t (jam)

42