1

MODUL PERKULIAHAN

Metode Numerik

Regresi Linier

Abstrak Sub-CPMK

Analisis regresi/curva fitting Mahasiswa diharapkan mampu menentukan

digunakan untuk memprediksi persamaan regresi dalam bentuk regresi linear, non
suatu permasalahan. Bentuk- linear dan polinomial serta menentukan koefisien
bentuk regresi meliputi regresi korelasinya.
linear, non linear dan polinomial.
Bila persamaan regresi diketahui
maka kita dapat menentukan
koefisien korelasinya (r). Semakin
mendekati nilai 1 maka r nya
semakin baik.

Fakultas Program Studi Tatap Muka Disusun Oleh

TEKNIK Teknik Sipil

13 Hafsah Adha Diana, M.Pd.
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.

2021 Metode Numerik

2 Hafsah Adha Diana, M.Pd.
Biro Bahan Ajar E-learning dan MKCU
http://pbael.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 = a0 x 0 + a1 x1 + a 2 x 2 + ... + a n x n = a0 + 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) = naxn +1

a
 ax dx = (n + 1) x
n +1
(ii) n
+C

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
(a) Regresi (b) Interpolasi

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

2021 Metode Numerik

3 Hafsah Adha Diana, M.Pd.
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
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
Y = a + bx
a dan b harus dibuat sedemikian hingga agar D2 menjadi minimum, sehingga:
∂D2/∂a = 0
∂D2/∂b = 0
sehingga:

2021 Metode Numerik

4 Hafsah Adha Diana, M.Pd.
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
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:

2021 Metode Numerik

5 Hafsah Adha Diana, M.Pd.
Biro Bahan Ajar E-learning dan MKCU
http://pbael.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:

2021 Metode Numerik

6 Hafsah Adha Diana, M.Pd.
Biro Bahan Ajar E-learning dan MKCU
http://pbael.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

2021 Metode Numerik

7 Hafsah Adha Diana, M.Pd.
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
Kuantifikasi kesalahan

Kesalahan standar

Perhatikan kemiripannya dengan deviasi standar

2021 Metode Numerik

8 Hafsah Adha Diana, M.Pd.
Biro Bahan Ajar E-learning dan MKCU
http://pbael.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

2021 Metode Numerik

9 Hafsah Adha Diana, M.Pd.
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
 15 25 12
16 27 13
17 28 16
18 25 12
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

2021 Metode Numerik

10 Hafsah Adha Diana, M.Pd.
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
 21 27 16 729 256 432
22 23 9 529 81 207
23 24 14 576 196 336
24 23 11 529 121 253
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

2021 Metode Numerik

11 Hafsah Adha Diana, M.Pd.
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
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
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. Tentukann koefisien korelasi, persamaan garis lurus , dan buat grafik yang
menggambarkan regresi liniernya 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

2021 Metode Numerik

12 Hafsah Adha Diana, M.Pd.
Biro Bahan Ajar E-learning dan MKCU
http://pbael.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. Agus Setiawan, Analisis Numerik, Diktat Kuliah, Teknik Sipil, Universitas Pembangunan
Jaya, 2016
7. I Ketut Adi Atmika, Metode Numerik, Diktat Mata Kuliah, Jurusan Teknik Mesin, Fakultas
Teknik, Universitas Udayana, 2016

2021 Metode Numerik

13 Hafsah Adha Diana, M.Pd.
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/