Kelas D

LAPORAN PRAKTIKUM
Praktikum Analisis Regresi Terapan
Modul 3 : Regresi Non Linier

Nomor Tanggal Tanda Tangan

Nama Praktikan Praktikan
Mahasiswa Kumpul
Lathifah Aliya Pratiwi 19611180 16-11-2020

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
1. Ina Hazizah Septian
2. Titis Dwi Patrica

Mujiati Dwi Kartikasari,

S.Si., M.Sc.

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2020/2021

i
Daftar Isi

Halaman sampul ................................................................................................... i

Daftar Isi.............................................................................................................. ii
Daftar Gambar .................................................................................................... iv
1 Pendahuluan ................................................................................................. 1
1.1 Pengertian .............................................................................................. 1
1.2 Metode Regresi Non Linier .................................................................... 1
1.2.1 Regresi Polynomial ......................................................................... 1
1.2.2 Regresi Logistik.............................................................................. 2
1.2.3 Regresi Logaritma .......................................................................... 3
1.3 Notasi Model ......................................................................................... 3
2 Deskripsi Kerja ............................................................................................ 6
2.1 Studi Kasus ............................................................................................ 6
2.2 Langkah Kerja ....................................................................................... 7
2.2.1 Menyimpan Data dengan Format CSV Excel .................................. 7
2.2.2 Membuka Aplikasi R-studio ........................................................... 7
2.2.3 Mengestimasi Plot .......................................................................... 8
2.2.4 Model Terbaik ................................................................................ 9
2.2.5 Koefisien Determinasi Model Terbaik ............................................ 9
2.2.6 Interprestasi Model Terbaik .......................................................... 10
2.2.7 Perbandingan data actual dan data prediksi ................................... 10
2.2.8 Kesalahan Prediksi ....................................................................... 10
3 Pembahasan ............................................................................................... 11
3.1 Hasil Estimasi Plot ............................................................................... 11
3.1.1 Hasil regresi linier metode kuadratik ............................................. 13
3.1.2 Hasil Regresi Non Linier Metode Kubik ....................................... 14
3.2 Perbandingan Data Aktual dan Data Prediksi ....................................... 16
3.2.1 Hasil MAPE ................................................................................. 17
4 Penutup ...................................................................................................... 18
4.1 Kesimpulan.......................................................................................... 18

ii
5 Daftar Pustaka ............................................................................................ 19

iii
Daftar Gambar

Gambar 2.1. Data Inflasi dan Pertumbuhan Ekonomi 2010-2017 ........................ 6

Gambar 2.2. Penyusunan Data di Excel .............................................................. 7
Gambar 2.3. Penyimpanan dalam Format CSV ................................................... 7
Gambar 2.4. Aplikasi R-Studio ........................................................................... 7
Gambar 2.5. Syntax memanggil data dalam bentuk CSV..................................... 8
Gambar 2.6. Syntax Identifikasi Variabel ............................................................ 8
Gambar 2.7. Syntax Analisis Regresi .................................................................. 8
Gambar 2.9. Syntax untuk melihat Plot ............................................................... 9
Gambar 2.10. Syntax Regresi Non Linier Kuadratik ........................................... 9
Gambar 2.11. Syntax Regresi Non Linier Kubik ................................................. 9
Gambar 2.12. Syntax Prediksi .......................................................................... 10
Gambar 3.1. Hasil Analisis Regresi Sederhana ................................................. 11
Gambar 3.3. Hasil scatterplot............................................................................ 12
Gambar 3.4. Hasil Regresi Non Linier Metode Kuadratik ................................. 13
Gambar 3.5. Hasil Regresi Non Linier Metode Kubik ....................................... 14
Gambar 3.6. Hasil Data Prediksi ....................................................................... 16
Gambar 3.7. Hasil MAPE ................................................................................. 17

iv
1 Pendahuluan

1.1 Pengertian
Regresi non linier adalah suatu metode untuk mendapatkan model non linier
yang menyatakan hubungan variabel dependen dan variabel independen. Regresi
non linier dapat mengestimasi model hubungan variabel dependen dan
independen dalam bentuk non linier dengan keakuratan yang lebih baik daripada
regresi linier, karena dalam mengestimasi model dipakai iterasi algoritma. Secara
umum model regresi non linier dapat dinyatakan dalam persamaan :

1.2 Metode Regresi Non Linier

Ada beberapa metode transformasi variabel yang dikenal dalam regresi non
linier dan dapat digunakan antara lain :

1. Regresi polynomial, yang terdiri dari regresi polynomial kuadratik, kubik,

dan lain sebagainya;

2. Regresi logistic;

3. Regresi logaritma

1.2.1 Regresi Polynomial

Regresi polynomial dalam pelaksanaannya terbagi atas beberapa model
persamaan tergantung pada jumlah pangkat yang dibutuhkan pada kategori yang
sudah ditentukan, diantaranya :
 Regresi polynomial kuadratik dengan jumlah pangkat pada kategori
sebanyak 2;
 Regresi polynomial kubik dengan jumlah pangkat pada kategori sebanyak
3;
 Regresi polynomial kwartet dengan jumlah pangkat pada kategori
sebanyak 4.

1
Untuk menduga bentuk regresi polynomial berpangkat atau berderajat dua, tiga,
dan empat serta seterusnya dibutuhkan persyaratan sebagai berikut :
1. N > pangkat +1 (pasangan data) harus lebih banyak dari jumlah
pangkat+1;
2. Ei atau nilai error harus berupa variabel random;
3. Garis persamaan atau persebaran datanya mengikuti persamaan lengkung
(cekung atau cembung) tergantung nilai koefisien regresi yang ada.
4. Model ini lebih banyak berlaku pada dunia ekonomi, pendidikan, dan
menyangkut kemampuan manusia.

1.2.2 Regresi Logistik

Model logistic biasanya digunakan untuk mewakili data yang
menggambarkan perkembangan atau pertumbuhan yang mula-mula cepat sekali,
tetapi lambat laun agak lambat, dimana kecepatan pertumbuhannya makin
kerkurang sampai akhirnya tercapai suatu titik jenuh.
Regresi logistic dirancang untuk melakukan perdiksi keanggotaan grup. Artinya
tujuan dari analisis regresi logistic adalah untuk mengetahui seberapa jauh model
yang digunakan mampu memprediksi secara benar kategori grup dari sejumlah
indivisu.
Syarat-syarat regresi logistic :
1. Variabel independen merupakan campuran antara variabel diskrit dan
kontinu;
2. Distribusi data yang digunakan tidak normal.
Kelebihan regresi logistic disbanding regresi yang lain :
1. Regresi logistic tidak memiliki asumsi normalitas atas variabel bebas yang
digunakan dalam model. Artinya variabel penjelas tidak harus memiliki
distribusi normal, linier, maupun memiliki varian yang sama dalam setiap
grup.
2. Variabel bebas dalam regresi logistic bisa campuran dari variabel kontinu,
diskrit, dan dikotomis.

2
 3. Regresi logistic amat bermanfaat digunakan apabila distribusi respon atas
variabel terikat diharapkan non linier dengan satu atau lebih variabel
bebas.
Karena model yang dihasilkan dengan regresi logistic bersifat non linier,
persamaan yang digunakan untuk mendeskripsikan hasil sedikit lebih kompleks
disbanding regresi berganda. Variabel Y adalah probabilitas mendapatkan 2 hasil
atau lebih berdasarkan fungsi non linier dari kombinasi linier sejumlah variabel
bebas.

1.2.3 Regresi Logaritma

Regresi logaritma merupakan transformasi dari persamaan regresi
eksponensial, dimana model ini sering digunakan dalam memprediksi jumlah
penduduk di masa yang akan datang, karena bentuk pertumbuhan penduduk yang
cenderung mengikuti pola garis eksponensial. Selain itu, model ini sering
digunakan untuk mengatasi masalah regresi yang semula diduga linier ternyata
tidak linier.
Bentuk lain dari fungsi logaritma adalah “semi-log transformation”, dengan
persamaan , dimana besarnya sudut kemiringan makin berkurang
seiring dengan makin bertambahnya X. Fungsi semacam ini sering pula disebut
sebagai “steadygrowth function”.

1.3 Notasi Model

Huruf Y memerankan fungsi sebagai variabel dependen atau variabel
terikat. Y sering juga disebut sebagai variabel gayut, variabel yang dipengaruhi,
atau variabel endogin. Dengan alasan keseragaman, penulisan huruf Y diletakkan
disebelah kiri tanda persamaan. Sedang variabel independen yang secara umum
disimbolkan dengan huruf X diletakkan disebelah kanan tanda persamaan.
Huruf X menggambarkan variabel bebas atau variabel yang mempengaruhi. Oleh
karena itu variabel ini mempunyai nama lain seperti variabel independen, variabel
penduga, variabel estimator, atau juga variabel eksogen. Peletakannya di sebelah
kanan tanda persamaan menunjukkan perannya sebagai variabel yang
mempengaruhi.

3
 Huruf b0sering juga dituliskan dengan huruf a, a, atau juga b0. Secara
substansi penulisan itu mempunyai arti yang sama, yaitu menunjukkan konstanta
atau intercept yang merupakan sifat bawaan dari variabel Y. Konstanta ini
mempunyai angka yang bersifat tetap yang sekaligus menunjukkan titik potong
garis regresi pada sumbu Y. Jika konstanta itu bertanda positif maka titik
potongnya di sebelah atas titik origin (0), sedang bila bertanda negatif titik
potongnya di sebelah bawah titik origin. Nilai konstanta ini merupakan nilai dari
variabel Y ketika variabel X bernilai nol. Atau dengan bahasa yang mudah, nilai
konstanta merupakan sifat bawaan dari Y.
Huruf b1, b2, bn merupakan parameter yang menunjukkan slope atau
kemiringan garis regresi. Parameter ini sering juga dituliskan dengan bentuk b,
atau b1, b2, bn. Meskipun dituliskan dengan tanda yang berbeda, secara substansi
parameter ini menunjukkan beta atau koefisien korelasi yang sekaligus
menunjukkan tingkat elastisitas dari variabel X tersebut. Nilai beta ini
memungkinkan untuk bernilai positif maupun negatif. Tanda positif menunjukkan
hubungan yang searah antara variabel X dengan variabel Y. Artinya jika X
mengalami peningkatan maka Y juga mengalami peningkatan. Sebaliknya jika X
mengalami penurunan maka Y pun akan menurun. Arah hubungan seperti itu
tidak terjadi pada beta yang berangka negatif. Karena jika tandanya negatif arah
hubungan X terhadap Y saling berlawanan. Jika X meningkat maka Y menurun,
sebaliknya jika X menurun maka nilai statistik t meningkat.
Demikian pula, karena nilai koefisien korelasi ini juga menunjukkan
tingkat elastisitas, maka dari besarnya nilai koefisien korelasi (b) tersebut dapat
ditentukan jenis elastisitasnya. Jika nilai b besarnya lebih dari satu (b>1) maka
disebut elastis. Artinya, jika variabel X mengalami perubahan, maka variabel Y
akan mengalami perubahan yang lebih besar dari perubahan yang ada pada
variabel X tersebut. Jika nilai b besarnya sama dengan angka satu (b=1) disebut
uniter elastis. Artinya, jika variabel X mengalami perubahan, maka variabel Y
akan mengalami perubahan yang sama besar dengan perubahan yang ada pada
variabel X tersebut. Jika nilai b besarnya lebih kecil dari angka satu (b<1 ada=""
akan="" artinya="" dari="" disebut="" inelastis.="" jika="" kecil="" lebih=""

4
maka="" mengalami="" o:p="" pada="" perubahan="" tersebut.="" variabel=""
x="" y="" yang="">
Huruf e merupakan kependekan dari error term atau kesalahan
penggganggu. Simbol error ini tidak jarang dituliskan dalam huruf e atau m.
Simbol ini merupakan karakteristik dari ekonometrika yang tidak dapat
dilepaskan dari unsur-unsur stokhastik atau hal-hal yang mengandung probabilita,
karena hasil yang ditunjukkan oleh model ekonometrika hanya bersifat perkiraan,
dalam arti tidak menunjukkan kebenaran yang mutlak. Oleh karena itu nama lain
dari simbol ini tidak terlepas dari sifat dasar itu seperti: disturbance error
atau stochastic disturbance.
Kesalahan pengganggu ini sendiri mempunyai banyak sebab yang dapat
menimbulkannya seperti:
1. Tidak seluruh variabel bebas yang mempunyai potensi dalam mempengaruhi
variabel terikat dapat disebutkan dalam model.
2. Kesalahan asumsi dalam menentukan teori yang diwujudkan sebagai model.
3. Ketidaklengkapan data yang dianalisis.
4. Ketidaktepatan model yang digunakan. Misalnya, seharusnya digunakan
model kuadratik tetapi justru yang digunakan adalah model linier, atau
sebaliknya. (Pengetahuan, 2013)

5
2 Deskripsi Kerja

2.1 Studi Kasus

Berikut merupakan data inflasi dan pertumbuhan ekonomi tahunan di Indonesia
tahun 2010-2017

Gambar 2.1. Data Inflasi dan Pertumbuhan Ekonomi 2010-2017

Dengan menggunakan iflasi sebagai variabel independen (X) dan pertumbuhan
ekonomi sebagai variabel dependen (Y). Lakukan :
1. Estimasi Plot
2. Estimasi model linier
3. Model terbaik yang didapatkan
4. Koefisien determinasi model terbaik
5. Interprestasi model terbaik
6. Perbandingan data actual dan data prediksi
7. Kesalahan prediksi (MAPE)

6
2.2 Langkah Kerja

2.2.1 Menyimpan Data dengan Format CSV Excel

1. Praktikan menyalin data dan menyusunnya ke dalam excel

Gambar 2.2. Penyusunan Data di Excel

2. Praktikan menyimpan data dalam format CSV.

Gambar 2.3. Penyimpanan dalam Format CSV

2.2.2 Membuka Aplikasi R-studio

1. Praktikan membuka aplikasi R-studio untuk melakukan analisis regresi
non linier

Gambar 2.4. Aplikasi R-Studio

7
2.2.3 Mengestimasi Plot
1. Praktikan memanggil data yang telah disimpan dengan format CSV
dengan syntax seperti dibawah ini :

Gambar 2.5. Syntax memanggil data dalam bentuk CSV

Syntax read.csv digunakan untuk memanggil data dalam format csv. Jika data
tidak dalam format csv maka data tidak akan bisa ditampilkan. Kemudian syntax
file.choose () itu artinya kita dapat memilih file yang akan ditampilkan dalam R
dan yang akan dianalisis. Dan syntax sep digunakan untuk memisahkan data excel
atau menghilangkan ; agar data dapat terpisah.
2. Pratikan melakukan identifikasi variabel dependen (Y) dan variabel
Independen

Gambar 2.6. Syntax Identifikasi Variabel

3. Praktikan melakukan analisis regresi

Gambar 2.7. Syntax Analisis Regresi

Analisis tersebut untuk melakukan pendugaan apakah data yang telah ada
termasuk data dalam bentuk linier atau tidak. Dengan analisis ini jika data
diketahui tidak linier maka akan dilakukan analisis lanjutan dengan analisis
regresi non linier.

8
 4. Pratikan melakukan estimasi plot

Gambar 2.8. Syntax Estimasi Plot

Syntax tersebut digunakan untuk mengestimasi data bagaimanakah persebaran
data tersebut. Kemudian ditarik garis untuk mendekati titik-titik regresi tersebut.
5. Untuk melihat plotnya maka praktikan dapat mengginakan perintah seperti
dibawah ini

Gambar 2.9. Syntax untuk melihat Plot

2.2.4 Model Terbaik

A. Regresi Non Linier Kuadratik
1. Praktikan melakukan analisis regresi kuadratik untuk melihat modelnya
layak digunakan atau tidak layak

Gambar 2.10. Syntax Regresi Non Linier Kuadratik

B. Regresi Non Linier Kubik

1. Praktikan melakukan analisis regresi kubik untuk melihat apakah model
layak digunakan atau tidak layak.

Gambar 2.11. Syntax Regresi Non Linier Kubik

Dari kedua hasil analisis di atas maka dapat ditarik sebuah model terbaik atau
model yang layak digunakan.

2.2.5 Koefisien Determinasi Model Terbaik

1. Praktikan menentukan koefisien determinasi dari model terbaik yang telah
didapatkan dari langkah kerja sebelumnya.

9
2.2.6 Interprestasi Model Terbaik
1. Praktikan melakukan interpretasi dari model yang telah didapatkan dari
analisis yang telah dilakukan.

2.2.7 Perbandingan data actual dan data prediksi

1. Praktikan melakukan prediksi data dengan cara merandom bilangan secara
acak dan melakukan perbandingan antara data actual dan data prediksi.

Gambar 2.12. Syntax Prediksi

2.2.8 Kesalahan Prediksi
1. Praktikan juga melakukan kesalahan prediksi dari data prediksi di atas.

Gambar 2.13. Syntax Mape

10
3 Pembahasan

3.1 Hasil Estimasi Plot

Sebelum mendapatkan hasil estimasi plot, terlebih dahulu di analisis regresi
linier sederhana. Dengan analisis tersebut akan didapatkan sebuah model regresi
linier sederhana, model tersebut akan dianalisis apakah model tersebut layak
digunakan atau tidak layak digunakan. Berikut adalah hasil analisis regresi
sederhana :

Gambar 3.1. Hasil Analisis Regresi Sederhana

Dari hasil di atas dapat dilakukan uji overall. Berikut adalah tahapan ujinya :
Hipotesis Uji
H0:  0 ,  1 = 0 (model tidak layak digunakan)

H1: salah satu dari  i ≠ 0 , i = 0,1 (model layak digunakan)

Tingkat Signifikansi
 = 5% = 0,05
Daerah Kritis
Tolak H0 jika p-value ≤ 
Statistik Uji
Diperoleh p-value = 0.693
Keputusan
Karena nilai p-value >  = 0,05 , maka keputusannya gagal tolak H0.
Kesimpulan
Dengan tingkat kepercayaan 95% maka data yang ada mendukung untuk gagl
tolak H0, jadi dapat disimpulkan bahwa model regresi tidak layak digunakan.

11
 Karena hasil yang didapat menyatakan bahwa model tidak layak
digunakan, kemudian untuk meyakinkan bahwa model tidak layak yang dilakukan
praktikan ialah dengan melihat nilai R2 sebesar 0.02783 atau 2.783%, berarti
sudah jelas bahwa model tidak layak digunakan karena kemampuan model untuk
menyelesaikan masalah hanya sebesar 2.783%. Dilihat dari Gambar 3.2, data
tidak mengikuti garis linier (lurus) sehingga model yang digunakan adalah model
nonlinier.

Gambar 3.2. Hasil Plot Regresi Linier Sederhana

Selanjutnya praktikan akan menguji data menggunakan regresi nonlinier
karena data tidak cocok digunakan dengan menggunakan regresi linier sederhana.
Langkah yang pertama praktikan lakukan ialah melihat plot dari data untuk
melihat persebaran datanya apakah linier atau tidak. Praktikan melihat plot
menggunakan software R, dapat dilihat pada Gambar 3.3

Gambar 3.3. Hasil scatterplot

12
 Karena bentuk kurva tersebut berbentuk parabola maka model yang
mungkin adalah kuadratik atau kubik. Langkah selanjutnya adalah praktikan
melakukan analisis regresi menggunakan analisis non linier kuadratik dan kubik.
Berikut adalah hasil analisis regresi non linier dengan metode kuadratik dan
kubik.

3.1.1 Hasil regresi linier metode kuadratik

Gambar 3.4. Hasil Regresi Non Linier Metode Kuadratik

Estimasi model kuadratik adalah ŷ = -2.85693 + 3.35673X – 0.28443 X2 .

Uji Overall :
1. Hipotesis Uji
H0:  0 ,  1 = 0 (model tidak layak digunakan)

H1: salah satu dari  i ≠ 0 , i = 0,1 (model layak digunakan)

2. Tingkat Signifikansi
 = 5% = 0,05
3. Daerah Kritis
Tolak H0 jika p-value ≤ 
4. Statistik Uji
Diperoleh p-value = 0.04054
5. Keputusan
Karena nilai p-value <  = 0,05 , maka keputusannya tolak H0.
6. Kesimpulan
Dengan menggunakan tingkat kepercayaan sebesar 95% maka data yang ada
tolak H0. Jadi model tersebut layak untuk digunakan.

13
Uji Parsial
1. Hipotesis
: = 0 (i=0,1,2) (koefisien regresi tidak signifikan dalam model)
: ≠ 0 (i=0,1,2) (koefisien regresi signifikan dalam model)
2. Taraf Signifikansi
α = 5% = 0,05
3. Daerah Kritis
Tolak H0 jika p-value ≤ 
4. Statistik Uji dan Keputusan
koefisien p-value tanda alfa keputusan
X 0,0158 < 0,05 Tolak H0
X2 0,0166 < 0,05 Tolak H0
5. Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% data yang ada mendukung
untuk tolak H0 maka dapat dinyatakan bahwa koefisien X dan X2 regresi
signifikan dalam model.

3.1.2 Hasil Regresi Non Linier Metode Kubik

Berikut adalah hasil regresi non linier metode kubik menggunakan R :

Gambar 3.5. Hasil Regresi Non Linier Metode Kubik

Estimasi model kubik adalah ŷ = -0,65258 + 2,04335X – 0.04042X2 – 0,01420X3

14
Uji Overall :
Hipotesis Uji
H0:  0 ,  1 = 0 (model tidak layak digunakan)

H1: salah satu dari  i ≠ 0 , i = 0,1 (model layak digunakan)

Tingkat Signifikansi
 = 5% = 0,05
Daerah Kritis
Tolak H0 jika p-value ≤ 
Statistik Uji
Diperoleh p-value = 0.1256
Keputusan
Karena nilai p-value >  = 0,05 , maka keputusannya gagal tolak H0.
Kesimpulan
Dengan menggunakan tingkat kepercayaan sebesar 95% maka data yang ada
mendukung untuk gagal tolak H0. Jadi model tersebut tidak layak untuk
digunakan.
Uji Parsial
Hipotesis
: = 0 (i=0,1,2) (koefisien regresi tidak signifikan dalam model)
: ≠ 0 (i=0,1,2) (koefisien regresi signifikan dalam model)
Taraf Signifikansi
α = 5% = 0,05
Daerah Kritis
Tolak H0 jika p-value ≤ 
Statistik Uji dan Keputusan
koefisien p-value tanda alfa keputusan
X 0,696 > 0,05 Gagal Tolak H0
X2 0,966 > 0,05 Gagal Tolak H0
X3 0,796 > 0,05 Gagal Tolak H0

15
Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% data yang ada mendukung untuk
gagal tolak H0 maka dapat dinyatakan bahwa koefisien X, X2 , dan X3 regresi
tidak signifikan dalam model.
Dari kedua hasil analisis regresi non linier dengan menggunakan kedua
metode yaitu metode kuadratik dan kubik maka didapatkan hasil model terbaik
dimana model yang memenuhi semua uji baik uji overall maupun uji parsial.
Model terbaik diperoleh dari metode kubik yaitu sebagai berikut :

Kemudian dilihat dari gambar 3.4. didapatkan hasil koefisien determinasi

sebesar 0,7226 nilai tersebut dilihat dari Multiple R-Squared. Nilai koefisien
determinasi sebesar 0,7226 atau 72,26% artinya keragaman model dapat
dijelaskan oleh variabel independen sebesar 72,26% dan sisanya sebesar 27,74%
dijelaskan oleh variabel lain di luar model.
Untuk interprestasi model terbaik tersebut adalah:
 Untuk nilai X, dengan menganggap faktor lain konstan, setiap perubahan
satu satuan X, menyebabkan perubahan kenaikan Y sebesar 3,35673.
 Untuk nilai X2, dengan menganggap faktor lain konstan, setiap perubahan
satu satuan X2 menyebabkan perubahan kenaikan Y sebesar -0,28443.

3.2 Perbandingan Data Aktual dan Data Prediksi

Berikut adalah perbandingan data aktual dan data prediksi

Gambar 3.6. Hasil Data Prediksi

16
Dengan menggunakan model regresi non linier kuadratik maka didapatkan data
prediksi seperti gambar 3.6. Dengan data tersebut jika dibandingkan data prediksi
tidak terlalu menyimpang jauh dari data aktualnya. Kemudian untuk menguji data
prediksi apakah menyimpang terlalu jauh maka dapat digunakan pengujian mape.

3.2.1 Hasil MAPE

Gambar 3.7. Hasil MAPE

Nilai MAPE digunakan untuk meramalkan tingkat kesalahan dalam prediksi.
Nilai MAPE yang dihasilkan tersebut sebesar 6,159198% dapat disimpulkan
bahwa prediksi yang dihasilkan dari model tersebut sangat baik karena kurang
dari 10%.

17
4 Penutup

4.1 Kesimpulan
Berdasarkan praktikum yang telah praktikan lakukan yaitu melakukan
analisis regresi non linear dengan menggunakan softwere R dan SPSS maka kini
praktikan dapat mengambil kesimpulan dari apa yang telah praktikan lakukan,
antara lain:
1. Didapatkan model regresi non linear yaitu

2. Setelah melakukan penaksiran model, maka telah didapatkan penaksiran

model terbaik yaitu model kuadratik.
3. Nilai Rsquare metode quadratic adalah 0.7226 atau 72.26 %. Artinya
yaitu keragaman model dapat dijelaskan oleh variabel independen sebesar
72.26% dan sisanya sebesar 27.74 % dijelaskan oleh variabel lain di luar
model.
4. Nilai MAPE yang didapatkan sebesar sebesar 6.159198% . Prediksi yang
dihasilkan dari model sangat baik karena nilai MAPE-nya kurang dari
10%.

18
5 Daftar Pustaka

Tri Utari, Dina.,. (2017). Modul Praktikum Analisis Regresi Terapan: UII
Tarigan, E. Y. (2009, Maret 9). Analisis Regresi Nonlinier Dengan Model
Kuadratik. skripsi.
https://repository.usd.ac.id/35474/2/143114025_full.pdf

19