MODUL PERKULIAHAN
Metode Numerik
Regresi Linier
Abstrak Sub-CPMK
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.
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
Menghitung turunan atau mengintegralkan suku-suku polinom menjadi lebih mudah, karena
rumus untuk menghitung turunan atau mengintegralkan polinom menjadi sangat
sederhana, yaitu ,
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
y y
x x
(a) Regresi (b) Interpolasi
Gambar 13.1 Pencocokkan kurva dengan metode (a) regresi, dan (b) interpolasi
1. Linier : y = a + bx
2. Non Linier : y = a ebx , y = a xb
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:
Dimana
Contoh:
Tentukan persamaan garis yang mewakili data berikut ini:
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
Kesalahan standar
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
( 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
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