Analisis Regresi Nonlinier Dengan Model Kuadratik: Universitas Sumatera Utara

ANALISIS REGRESI NONLINIER DENGAN MODEL
KUADRATIK
SKRIPSI
EFRIDA YANTI TARIGAN

060823041
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2009
Universitas Sumatera Utara

ANALISIS REGRESI NONLINIER DENGAN MODEL
KUADRATIK
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar sarjana
Sains
EFRIDA YANTI TARIGAN

060823041
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
MEDAN
2009

PERSETUJUAN
Judul : ANALISIS REGRESI NONLINIER DENGAN

MODEL
KUADRATIK
Kategori : SKRIPSI
Nama : EFRIDA YANTI TARIGAN
NIM : 060823041
Program Studi : SARJANA (S1) EKSTENSI STATISTIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN
ALAM
Diluluskan di
Medan, 2009
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Drs. Suwarno Ariswoyo, M.Si Dra. Rahmawati Pane

M.Si
NIP 130 810 774 NIP 131 474 682
Diketahui / Disetujui Oleh

Departemen Matematika FMIPA USU
Dr. Saib Suwilo, M.Sc

NIP. 131796149

PERNYATAAN
ANALISI REGRESI NONLINIER DENGAN MODEL KUADRATIK
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Juni 2009
Efrida Yanti Tarigan

060823041

PENGHARGAAN
Puji dan syukur saya panjatkan kepada Tuhan Yang Maha Esa yang telah memberikan
rahmat dan hidayah-Nya sehingga skripsi ini dapat diselesaikan dengan sebaik-
baiknya.
Ucapan terima kasih saya sampaikan kepada Ibu Dra. Rahmawati Pane, M.Si
dan Bapak Drs. Suwarno Ariswoyo, M.Si selaku pembimbing pada penyelesaian
skripsi ini yang telah mengarahkan saya serta telah meluangkan waktu, tenaga,
pikiran, dan bantuannya sehingga skripsi saya ini dapat selesai tepat waktu.
Saya juga mengucapkan terima kasih kepada Bapak Dr. Eddy Marlianto, M.Sc
selaku Dekan FMIPA USU, Bapak Dr. Saib Suwilo, M.Sc selaku Ketua Departemen
Matematika, Bapak Drs. Henry Rani Sitepu, M.Si selaku Sekretaris Departemen
Matematika di FMIPA USU, Bapak Drs. Marwan Harahap M.Eng selaku koordinator
Ekstensi Matematika di FMIPA USU. Bapak Drs. Haluddin Panjaitan dan Bapak Drs.
Ramli Barus, M.Si selaku dosen penguji. Dan staf pengajar Matematika di FMIPA
USU beserta pegawai Administrasi.
Saya juga mengucapakan terima kasih kepada kedua orang tua saya yang
tercinta yang telah sabar dan tetap memberikan bantuan moril, materil dan dorongan
yang sangat saya perlukan. Akhirnya saya juga mengucapkan terima kasih kepada
teman-teman kuliah saya yang telah selesai tetapi selalu memotivasi saya untuk tetap
semangat hingga terselesaikannya skripsi ini. Dan juga tak lupa buat rekan-rekan kerja
dan pimpinan saya di PT.ITC Finance yang telah memberikan dispensasi waktu untuk
menyelesaikan skripsi ini. Semoga segala bentuk bantuan yang telah diberikan
mendapat balasan dari Tuhan Yang Maha Esa.
Sebagai seorang mahasiswa, saya menyadari bahwa masih banyak terdapat

kekurangan ataupun kesilapan dalam menyelesaikan skripsi ini. Oleh karena itu, kritik
dan saran yang membangun sangat diharapkan demi perbaikan tulisan ini.
Medan, Juni 2009

Penulis,
Efrida Yanti Tarigan

ABSTRAK
Regresi Nonlinier adalah regresi yang memuat parameter nonlinier, artinya

jika parameter tersebut diturunkan terhadap parameter itu sendiri maka hasil
turunannya masih mengandung parameter itu sendiri. Penaksiran regresi dilakukan
untuk menentukan taksiran parameter regresi. Salah satu metode yang dapat
digunakan untuk menaksir parameter model regresi nonlinier adalah metode kuadrat
terkecil dimana secara konseptual sama dengan metode kuadrat terkecil pada model
regresi linier. Skripsi ini bertujuan untuk melinierkan persamaan regresi nonlinier
model kuadratik dengan menggunakan metode kuadrat terkecil.

ABSTRACT
Nonlinear Regression is regression that contain nonlinear parameter, it means

that if the parameter is derivated to parameter itself, hence the result of it is derivative
still contain that parameter. Regression estimation is done to determine estimator of
regression parameter. One of the method that used to estimate nonlinear regression
model parameter is nonlinear least square where conceptually it’s equal to least square
method at linear regression model. The skripsi purpose to be linear equation of
nonlinear regression quadratic models with least square method.

DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak v
Abstract vi
Daftar Isi vii
Bab 1 Pendahuluan 1
1.1. Latar Belakang 1
1.2. Perumusan Masalah 3
1.3. Pembatasan Masalah 4
1.4. Tujuan Penelitian 4
1.5. Metodologi Penelitian 4
1.6. Tinjauan Pustaka 5
1.7. Kontribusi Penelitian 6
Bab 2 Landasan Teori 7

2.1. Regresi Nonlinier Model Kuadratik 7
2.2. Metode Kuadrat Terkecil 7
2.3. Pendugaan Parameter 8
2.4. Menghitung Determinan 10
2.5. Turunan Parsial 11
2.6. Analisa Varians 11
2.7. Inferensia Tentang Parameter Regresi 13
Bab 3 Pembahasan 14
3.1. Menentukan Model Regresi Nonlinier 14

3.2. Perumusan Matriks Umum untuk Kuadrat Terkecil Linier 15
3.3. Persamaan dan Model Regresi 16
3.4. Uji Parameter Regresi Kuadratik 21
3.5. Uji Selang Kepercayaan Parameter Regresi Nonlinier Model Kuadratik 22
3.6. Contoh Kasus 22
3.7. Mencocokkan Model Terhadap Data 28
3.8. Menaksir Maksimum atau Minimum pada sebuah fungsi Regresi Kuadratik 29
Bab 4 Kesimpulan dan Saran 31
Daftar Pustaka 32

ABSTRAK
Regresi Nonlinier adalah regresi yang memuat parameter nonlinier, artinya

jika parameter tersebut diturunkan terhadap parameter itu sendiri maka hasil
turunannya masih mengandung parameter itu sendiri. Penaksiran regresi dilakukan
untuk menentukan taksiran parameter regresi. Salah satu metode yang dapat
digunakan untuk menaksir parameter model regresi nonlinier adalah metode kuadrat
terkecil dimana secara konseptual sama dengan metode kuadrat terkecil pada model
regresi linier. Skripsi ini bertujuan untuk melinierkan persamaan regresi nonlinier
model kuadratik dengan menggunakan metode kuadrat terkecil.

ABSTRACT
Nonlinear Regression is regression that contain nonlinear parameter, it means

that if the parameter is derivated to parameter itself, hence the result of it is derivative
still contain that parameter. Regression estimation is done to determine estimator of
regression parameter. One of the method that used to estimate nonlinear regression
model parameter is nonlinear least square where conceptually it’s equal to least square
method at linear regression model. The skripsi purpose to be linear equation of
nonlinear regression quadratic models with least square method.

Bab 1
PENDAHULUAN
1.1. Latar Belakang
Banyak penelitian yang bertujuan mencari dasar-dasar untuk mengadakan prediksi

suatu variabel dari informasi-informasi yang diperoleh dari variablel tersebut.
Misalnya, apakah keadaan cuaca dapat diramalkan dari suhu, tekanan udara,
kelembaban udara dan kecepatan angin; Apakah prestasi pemain sepak bola dapat
diprediksikan dari keahliannya dan umur pemain tersebut; dan lain sebagainya. Maka
diperlukan metoda untuk dapat memecahkan semua masalah yang ada untuk
memudahkan dalam pengambilan keputusan. Salah satu metoda untuk memprediksi
adalah regresi.
Dalam kehidupan sehari-hari kita sering melihat suatu peristiwa atau keadaan
yang sering terjadi akibat peristiwa atau keadaan yang lain. Untuk mengetahui
hubungan antara kejadian tersebut, terutama untuk menulusuri pola hubungan yang
modelnya belum diketahui maka analisis regresi dapat dijadikan alat untuk membantu
menganalisa hubungan tersebut.
Dalam Analisis regresi dikenal dua macam variabel atau peubah yaitu variabel
bebas (independent variable) adalah suatu variabel yang nilainya telah diketahui dan
variabel tidak bebas (dependent variable) adalah variabel yang nilainya belum
diketahui dan yang akan diramalkan. Suatu variabel dapat diramalkan dari variabel
lain apabila antara variabel yang diramalkan (dependent variabel) dengan variabel
yang nilainya diketahui (independent variabel) terdapat hubungan atau korelasi yang
signifikan. Korelasi antara variabel bebas dengan variabel tidak bebas dapat
dilukiskan dalam suatu garis. Garis ini yang disebut garis regresi. Garis regresi
mungkin merupakan garis lurus (linier) yang disebut regresi linier.

Regresi linier dapat di bedakan menjadi dua bagian, yaitu regresi linier
sederhana dan regresi linier berganda. Regresi linier sederhana mengamati pengaruh
satu variabel bebas (independent variable) terhadap variabel tidak bebas (dependent
variable). Secara matematis regresi linier sederhana dapat dituliskan dalam bentuk
persamaan sebagai berikut:
Υˆ = a + bΧ
Dengan :
Υ̂ = variabel yang diramalkan (dependent variable)
Χ = Variabel yang diketahui (Independent variable)
a = besarnya nilai Υ̂ pada saat nilai X = 0
b = besarnya perubahan nilai Υ̂ apabila nilai X bertambah satu satuan, yang disebut
koefisien regresi.
Untuk mencari nilai-nilai koefisien regresi b atau nilai a kita dapat menggunakan
metode kuadrat terkecil.
Sedangkan kalau regresi linier berganda mengamati pengaruh lebih dari satu
variabel bebas (Independent variable) terhadap variabel tidak bebas (dependent
variable), minimal ada dua buah variabel bebas. Secara matematis dapat dituliskan
dalam bentuk persamaan sebagai berikut:
Υˆ = a + b1Χ1 + b2 Χ 2 + b3 Χ 3 +  + bn Χ n
Dengan :
Υ̂ = variabel yang diramalkan (dependent variable)
Χ1 , Χ 2 , Χ 3 ,, Χ n = variabel yang diketahui (Independent variable)
b1 , b2 , b3 ,, bn = koefisien regresi
Untuk mencari nilai-nilai b1 , b2 , b3 ,, bn dapat menggunakan beberapa cara, yaitu :
dengan n persamaan normal, eliminasi gauss dan determinan.
Garis regresi mungkin juga merupakan garis lengkung yang disebut regresi
nonlinier. Apabila hubungan fungsi antara variabel bebas X dan variabel tidak bebas
Y bersifat non linier, maksudnya jika data asli Xi dan Yi ditebarkan pada diagram
tebar (scater diagram) tidak mengikuti garis lurus tetapi mengikuti suatu bentuk kurva

tertentu, maka analisis regresi yang cocok untuk menerangkan hubungan antara X dan
Y tersebut adalah analisis regresi non linier. Pada dasarnya regresi non linier yang
memiliki parameter yang bersifat linier dapat diduga dengan menggunakan metode
kuadrat terkecil dengan jalan mentransformasikan ke dalam bentuk linier, dimana data
asli dari variabel X atau Y atau kedua-duanya X dan Y ditransformasikan ke dalam
bentuk tertentu yang apabila data ditansformasi itu ditebarkan pada diagram tebar
(scatter diagram) akan memperlihatkan hubungan yang mendekati garis lurus.
Pada tulisan ini akan di jelaskan cara menganalisa data yang berbentuk regresi
nonlinier model kuadratik. Regresi nonlinier menggunakan observasi data dengan
model fungsi dimana parameter-parameternya terdapat dalam daerah fungsi penduga
atau funsi harapan nonlinier. Regresi nonlinier ini digunakan apabila dalam suatu
kasus tidak tersedianya informasi yang pasti tentang bentuk hubungan antara peubah
respon dan peubah bebas. Secara umum model nonlinier dapat ditulis sebagai berikut :
Υ = f (ζ 1 , ζ 2 , .ζ k.;θ1.,θ 2,, .θ p.) +.ε
Dengan
Υ = Peubah respons
ζ = Peubah bebas
θ = Parameter
ε = Galat
Regresi non linier model kuadratik merupakan hubungan antara dua peubah
yang terdiri dari variabel dependen dan variabel independen sehingga akan diperoleh
suatu kurva yang membentuk garis lengkung menaik atau menurun. Dari uraian di atas
penulis memilih judul tulisan : “Analisis Regresi Non Linier Dengan Model
Kuadratik”.
1.2. Identifikasi Masalah
Masalah yang akan di bahas dalam penelitian ini adalah bagaimana menyelesaikan
suatu persoalan atau kasus yang tidak dapat lagi diselesaikan dalam model linier.
Maksudnya suatu masalah yang hipotesis kelinierannya telah di tolak, maka kita perlu

memperbaikinya dengan regresi non linier, dan untuk mengetahui sejauh mana
aplikasi analisis regresi nonlinier dengan menggunakan model kuadratik. Bentuk
Model Kuadratik dengan parameter sebagai berikut :
Υ = β 0 + β1Χ i + β 2 Χ i2
dengan parameternya adalah β
1.3. Pembatasan Masalah
Ruang lingkup dalam tulisan ini dibatasi pada penaksiran koefisen regreni nonlinier
model kuadratik dengan munggunakan metode kuadrat terkecil dan menyelesaikan
contoh kasus nonlinier model kuadratik.
1.4. Tujuan Penelitian
Tujuan penelitian ini adalah untuk mengetahui cara dan langkah-langkah

menyelesaikan persoalan atau kasus regresi nonlinier model kuadratik.
1.5. Metodologi Peneletian
Dalam Penelitian ini penulis melakukan studi literatur dengan meneliti buku-buku
yang membahas mengenai regresi nonlinier dan metode kuadrat terkecil pada kasus
model nonlinier. Adapun langkah-langkah penelitian ini adalah sebagai berikut :
1. Membentuk model kuadratik
2. Menaksir koefisien regresi nonlinier model kuadratik dengan menggunakan
metode kuadrat terkecil
3. Menguji model kuadratik
4. Menyelesaikan contoh kasus nonlinier model kuadratik.
1.6. Tinjauan Pustaka

Menurut Gallant,A. Ronald.1942, Secara umum model nonlinier dapat ditulis sebagai
berikut :
Υ = f (ζ 1 , ζ 2 , .ζ k.;θ1.,θ 2,, .θ p.) +.ε
Dengan
Y = Peubah respons
ζ = Peubah bebas
θ = Parameter
ε = Galat
Dilambangkan dengan
ζ = ( ζ 1 , ζ 2 , . . .ζ, k )
θ = ( θ1 ,θ 2 ,...,θ k )
Dapat diringkas
Υ = f (ζ ,θ ) + ε
Atau
E(Y) = f (ζ ,θ )
Jika diasumsikan bahwa E (ε ) = 0 . Artinya galat-galatnya tidak berkorelasi,
dan bahwa V a (rε ) = σ dan ε ~ Ν (0, Ισ ) , yang berarti galat-galatnya saling bebas
2 2
satu sama lain.

Bila n data amatannya berbentuk :
Υu , ζ 1u , ζ 2u ,..., ζ ku
Untuk u = 1,2,…,n, dapat dituliskan bentuknya ke dalam model alternatifnya
Υu = f (ζ u , ζ 2u , .ζ k .;θu1.,θ 2,, .θ p ). + ε. u
Dengan ε u adalah galat ke-u, u = 1, 2, …, n. Ini dapat di ringkas menjadi
Υu = f (ζ u ,θ ) + ε u
Dengan
ζ u = (ζ 1u , ζ 2u , . ζ. k. )u, . Asumsi kenormalan dan kebebasan galat dengan demikian
dapat dituliskan menjadi ε ~ N (O, Iσ ) , dengan ε = (ε1 , ε 2 , . .ε.n ,) dan seperti

2

biasanya 0 adalah vektor nol dan I adalah matriks identitas, keduanya berukuran yang
sesuai. Jumlah kuadrat galat untuk model nonlinier didefinisikan sebagai
S (θ ) = ∑ {Υu − f (ζ u ,θ )} (Draper et al,1996)

n 2
u =1
 f (ζ 1 ,θ ) 
dengan :
 Υ1   ε1 
     
Υ   f (ζ 2 ,θ ) ε 
Υ =  2 f (θ ) =   ε =  2
     
Υ   f (ζ ,θ ) ε 
  
 n  n   n
sehingga didapat jumlah kuadrat galatnya
(Sθ ) =E∑ [Υu − f (ζ u ,θ )]

n 2
S (Gallant,1942)
u =1
1.7. Kontribusi Penelitian
Hasil Penelitian ini adalah mengetahui bagaimana cara mendapatkan penyelesaian

suatu persoalan atau kasus regresi nonlinier dengan menggunakan model kuadratik.

Bab 2
LANDASAN TEORI
2.1. Regresi Nonlinier Model Kuadratik
Regresi nonlinier Model Kuadratik adalah model regresi yang parameternya adalah
nonlinier artinya apabila diturunkan terhadap parameternya sendiri maka hasil yang
didapat masih mengandung parameter. Model regresi kuadratik itu adalah sebagai
berikut: Υi = β 0 + β1 Χ i + β 2 Χ i2 + ε i
Dengan : Χ i adalah variabel penjelas

Υi adalah variabel terikat
β 0 adalah parameter pertama

β1 adalah parameter kedua
ε i adalah galat / penyimpangan
2.2. Metode Kuadrat Terkecil
Metode kuadrat terkecil dipakai untuk menentukan bentuk regresi apakah

persamaanya linier atau nonlinier. Cara ini berpangkal pada kenyataan bahwa jumlah
pangkat dua (kuadrat) dari pada jarak antara titik - titik dengan garis regresi yang
sedang dicari harus sekecil mungkin. Metode kuadrat terkecil atau sering disebut
dengan metode OLS (Ordinary Least Square) yang diperkenalkan oleh Carl Friedrich
gauss, seorang matematikawan Jerman. Penaksir – penaksir yang dihasilkan
berdasarkan metode kuadrat terkecil adalah bersifat takbias dan konsisten. Didalam
kenyataannya, salah satu penaksir tak bias linear memiliki varians yang minimum,
sehingga disebut penaksir tak bias linear terbaik (Best Linear Unbiasad Estimator /
BLUE ). Sifat ini merupakan dasar dari dalil Gauss - Markov theorem), Sebagai
berikut:

Dalil Gauss Markov : Berdasarkan sejumlah asumsi tertentu pendugaan
berdasarkan metode kuadrat terkecil akan menghasilkan penduga takbias linear terbaik
(Best Linear Unbiasad Estimator / BLUE ), dengan koefisien regresi memiliki varians
minimum.
Estimasi regresi dilakukan untuk menentukan estimator parameter regresi. Salah

satu metode yang digunakan untuk mengestimasi parameter model regresi nonlinier
adalah kuadrat terkecil nonlinier dimana secara konseptual sama dengan metode
kuadrat terkecil pada model regresi linier.
2.3. Pendugaan Parameter
Untuk menyelesaikan suatu masalah nonlinier, metode yang seringkali ditempuh dan
ternyata berhasil adalah menuliskan persamaan normal secara terinci dan
mengembangkan suatu tekhnik iteratif yang digunakan untuk memperoleh taksiran
parameter diantaranya adalah: Metode linearisasi (metode deret taylor), Stepest
Descent, dan Jalan Tengah Marquadrt. Metode–metode ini dapat diselesaikan dengan
menggunakan program komputer.
Metode linearisasi (atau metode deret taylor) menggunakan hasil–hasil kuadrat
ditentukan berbentuk Yu = f (ξ , θ ) + ε u . dengan θ10 ,θ 20 ,θ p 0 adalah nilai-nilai awal

terkecil pada model yang ditentukan dalam beberapa tahap. Misalkan model yang
bagi parameter–parameter θ 0 , θ1 , θ p . Nilai–nilai awal itu merupakan taksiran kasar
belaka atau mungkin pula merupakan nilai–nilai dugaan awal berdasarkan informasi
yang tersedia. (Misalnya perkiraan berdasarkan informasi yang diperoleh dari
perhitungan lain yang serupa atau yang diperkirakan benar oleh peneliti berdasarkan
pengalaman dan pengetahuannya). Nilai–nilai awal itu diharapkan akan diperbaiki
f (ξ , θ ) disekitar titik θ 0 = (θ10 , θ 20 , θ p 0 ) dan membatasi penguraian sampai

dalam proses iterasi yang selanjutnya dilakukan penguraian deret Taylor bagi
'
turunan pertama. Dapat dikatakan bahwa, bila θ dekat pada θ 0 maka,

 ∂f (ξ u , θ )
f (ξ u , θ ) = f (ξ u , θ 0 ) + ∑   (θ i − θ i 0 )
P
i =1  ∂θ i  θ =θ
0
f u0 = f (ξ u , θ 0 )
Bila ditetapkan
β i0 = θ i − θ i 0
 ∂f (ξ u , θ ) 
Z iu0 =  
 ∂θ i  θ =θ 0
Maka bentuknya menjadi
Yu − f u0 = ∑ β i0 Z iu0 + ε u
p
i =1
Dengan kata lain persamaan diatas sudah berbentuk linier. Sekarang penulis
dapat menaksir parameter-parameter β i0 , i = 1,2,  , p dengan cara menerapkan teori
kuadrat terkecil.
 Z 110  Z p01 
 0 
0
Z 21
 Z 12  Z p0 2 
{ }
0
   
Z 22
Dengan : Z 0 =  0 0 
= Z iu0 , p × n
 
 Z 1u  Z pu 
  
Z 20u
 0 
 Z 1n Z 20n 
0
 Z pn
Y1 − f10 
b10   
 0 Y2 − f 20 
  
b0 =  2  dan y 0 =   =Y − f

b
Yu − f u0 
0
 0   
b p 
 
Yn − f n0 
β 0 = (β10 , β 20 ,, β p0 ) diberikan oleh b0 = Z 0 ' Z 0( ) ( )

Misalnya, dengan notasi yang sudah jelas maksudnya, maka taksiran bagi
Z0 Y − f 0
−1 '
dengan demikian vektor b0 akan meminimumkan jumlah kuadrat galat

2.4. Menghitung Determinan
Salah satu cara untuk menghitung determinan matriks A yang disingkat dengan Α
adalah dengan menggunakan aturan cramer. Dengan bentuk sebagai berikut :

a11 a12 a13 a11 a12
Α = a 21 a 22 a 23 a 21 a 22
a 31 a 32 a 33 a 31 a 32
= (a11 a 22 a 33 + a12 a 23 a 31 + a13 a 21 a 32 ) − (a13 a 22 a 31 + a11 a 23 a 32 + a12 a 21 a 33 )
2.4.1. Minor dan Kofaktor Suatu Determinan
Andaikan diketahui suatu determinan dari suatu matriks tingkat n. Jika elemen-elemen
dari baris ke-i dan kolom ke-j dikeluarkan, maka akan terdapat suatu determinan dari
matriks tingkat n-1, yang disebut minor pertama dari matriks A atau determinan A.
Yang ditulis dengan Μ ij dan juga dikatakan minor dari elemen a ij . Harga dari minor
ditulis dengan (− 1) Μ ij . Yang disebut kofaktor dan disingkat dengan Κ ij dari

ij
elemen a ij . Maka Κ ij = (− 1) Μ ij .
i+ j
Contoh:
a11 a12 a13
Minor dari Α = a 21 a 22 a 23
a 31 a 32 a 33
Μ 11 =
a 22 a 23
Misalkan :
a 32 a 33
Μ 12 =
a 21 a 23
a 31 a 33
Μ 13 =
a 21 a 22
a 31 a 32
Κ 11 = (− 1) Μ 11 = Μ 11
1+1
Dengan Kofaktornya :
Κ 12 = (− 1) Μ 12 = − Μ 12
1+ 2
Κ 13 = (− 1) Μ 13 = Μ 13
1+ 3

Maka : Α = a11 Μ 11 − a12 Μ 12 + a13 Μ 13
= a11 Κ 11 + a12 Κ 12 + a13 Κ 13

Dari contoh di atas dapat disimpulkan bahwa harga determinan suatu matriks A
tingkat n sama dengan jumlah hasil ganda setiap elemen suatu baris atau kolom dari
Α dengan kofaktor-kofaktor yang bersesuaian.
Jadi : Α = a1 j Κ 1 j + a 2 j Κ 2 j +  + a nj Κ nj
2.5. Turunan Parsial
Misalkan z = f ( x, y ) fungsi 2 variabel yang terdefenisi disekitar titik ( x, y ) . Turunan
Turunan parsial z = f ( x, y ) terhadap x ditulis:

parsial dari f terhadap x adalah turunan z terhadap x dan y tetap konstan
f ( x, y ) = f (x, y ) didefenisikan sebagai berikut:

∂ ∂
z=
∂x ∂x
f ( x + h, y ) − f ( x , y )
f ( x, y ) = f x ( x, y ) = lim
∂
∂x h →0 h
Turunan parsial z = f ( x, y ) terhadap y ditulis:
f ( x, y ) = f (x, y ) didefenisikan sebagai berikut:

∂ ∂
z=
∂y ∂y
f ( x, y + k ) − f ( x, y )
f ( x, y ) = f y (x, y ) = lim
∂
∂y k →0 k
2.6. Analisa Varians
Analisa Varians adalah suatu metode untuk menguraikan varians total menjadi
komponen-komponen yang mengukur berbagai sumber varians. Didalam analisa ini
diasumsikan bahwa sampel acak yang dipilih berasal dari populasi yang normal
dengan varians yang sama. Kecuali bila sampelnya besar, asumsi tentang distribusi
normal tidak diperlukan lagi.

Pada pengujian dengan analisa varians, maka dengan mudah akan diketahui
apakah terdapat perbedaan yang signifikan atau tidak dari beberapa nilai rata- rata
sampel yang diselidiki, yang pada akhirnya diperoleh suatu keyakinan menerima
hipotesis nol atau menerima hipotesis alternatifnya.
Untuk menguji ada atau tidaknya perbedaan nilai rata – rata sampel, maka
perlulah menguji validitas hipotesis nol dengan memanfaatkan seluruh data yang ada.
Ηo : µ1 = µ 2 = µ 3  µ t yang menyatakan bahwa beberapa nilai rata – rata sampel

memiliki nilai parameter populasi yang sama. Bila asumsi ini dipenuhi, maka
rata-rata populasi untuk berbagai macam sampel berasal dari satu macam
populasi atau dari populasi yang sama.
Ηo : µ1 ≠ µ 2 ≠ µ 3  µ t yang menyatakan bahwa setidaknya ada nilai rata – rata
sampel yang diperoleh dari populasi tertentu memiliki rata rata yang berbeda
untuk suatu i ≠ j . Dengan demikian menurut hipotesis alternatifnya,
perbedaan antara beberapa sampel sangat signifikan.
Prosedur selanjutnya adalah mengetahui besarnya varians populasi σ 2 . Untuk
mengetahui varians populasi ini dilakukan pendugaan besarnya varians antar
kelompok dan varians dalam sampel .Bila data sebanyak r kelompok dan tiap-tiap
kelompok mempunyai µ ukuran sampel, maka uji statistik distribusi F merupakan
rasio:
F= = 2
Varians antar kelompok nS x2
Varians dalam sampel Sp
Bila perbedaan kedua varians S x2 dan S p2 sangat kecil atau mendekati satu,
kemungkinan hipotesis nol diterima. Sebaliknya bila nilai F terlalu besar,

kecenderungan hipotesis nol akan ditolak sehinga ada
kemungkinan µ1 ≠ µ 2 ≠  ≠ µ n sampel, berarti acak yang dipilih bukan berasal dari
populasi yang sama sehingga kemungkinan besar hipotesis alternatifnya yang

diterima.

2.7. Inferensia Tentang Parameter Regresi
 σ 2 (b0 ) σ (b0 , b1 )  σ (b0 , bn )

Matriks Varians Kovarians :
σ (b1 , b0 ) σ 2 (b1 )  σ (b1 , bn )

 
σ (b ) = 
 
2
 
σ (bn , b0 ) σ (bn , b1 )  σ (bn ) 
  
2
σ 2 (b ) = σ 2 ( X ′X )−1
Yang diberikan oleh:
 s 2 (b0 ) s (b0 , b1 )  s (b0 , bn )

Taksiran Matriks Varians Kovarians :
s (b , b ) s 2 (b1 )  s (b1 , bn )
 
s 2 (b ) =  1 0
   
 
 s (bn , b0 ) s(bn , b1 )  s (bn ) 

2
s n2×n (b ) = MSE ( X ′X )
Yang diberikan oleh:
−1

Bab 3
PEMBAHASAN
3.1. Menentukan Model Regresi Nonlinier
Bentuk Regresi Nonlinier Model Kuadratik adalah sebagai berikut:

Yi = β 0 + β1 xi + β 2 xi2
Jumlah kuadrat galat dari model kuadratik tersebut adalah:
S = Yi − β 0 + β1 xi + β 2 xi2
Penaksiran kuadrat terkecil dari β adalah meminimumkan jumlah kuadrat galat dari
parameter β yaitu β̂ , dimana SSEβˆ = ∑ Yi − f ξ , βˆ { ( )}

n 2
( )
i =1
Dengan f ξ , βˆ = β 0 + β1 xi + β 2 xi2
Untuk menghitung jumlah kuadrat galat dapat juga dilakukan dengan

menggunakan matrik sebagai berikut:
( ) [ ( )] [ ( )]
′
SSE βˆ = Y − f βˆ Y − f βˆ dimana
f (βˆ ) = [ f (ξ , βˆ ), f (ξ , βˆ ),  f (ξ , βˆ ),] dan Y = [Y , Y , Y ]

' '
1 2 n 1 2 n
∑ {Y ( )}  ∂f (ξ u , β ) 
− f ξ u , βˆ   maka
n
 ∂β i  θ =θˆ
Menurut persamaan normal yaitu
u =1
u
terlebih dahulu penulis diferensialkan dari SSE (β ) terhadap parameternya masing-

masing dan disamakan dengan nol. Setiap persamaan normalnya akan diberikan
sebagai berikut :

∂SSE θˆ() n  ∂f (ξ , θ ) 
= −2∑ {Yi − f (ξ i , θ )}  = 0 Dan selanjutnya dilakukan penaksiran
∂θ j  ∂θ j 
i
i −1
ˆ ˆ
parameter model nonlinernya dengan menggunakan kuadrat terkecil.
3.2. Perumusan Matriks Umum untuk Kuadrat Terkecil Linier
Ada tiga jenis regresi yaitu Linear sederhana, polynomial, dan linear ganda. ketiga
regresi tersebut berasal dari model kuadrat terkecil linear umum berikut ini:
y = a 0 z 0 + a1 z1 + a 2 z 2 + a3 z 3 +  + a m z m + e
Dengan z 0 , z1 ,  z m merupakan m + 1 fungsi yang berbeda. Dapat dilihat

dengan mudah bagaiman regresi linear sederhana dan berganda berada didalam model
ini, Yaitu z 0 = 1 , z1 = x1 z 2 = x 2 ,  z m = x m . Lebih lanjut, regresi polynomial juga
termasuk di dalam model ini , jika z merupakan fungsi monomial sederhana seperti
pada z 0 = 1 , z1 = x1 z 2 = x 2 ,  z m = x m . Istilah linear hanya mengacu pada
ketergantungan model terhadap parameternya yaitu nilai a. Sebagaimana regresi

polynomial, maka fungsi – fungsi nya itu sendiri dapat sama sekali tak linear.
[Υ ] = [Z ][Α] + [Ε]
Persamaannya dapat dinyatakan dalam notasi matriks sebagai berikut:
Dengan [Ζ] merupakan matriks dari nilai nilai variabel bebas yang ditinjau,
 z 01 z11  z m1 
z z12  z m 2 
[Ζ] =  02
   
 
 
 z 0n z1n  z mn 
data. Vektor kolom [Υ ] berisi nilai variabel tak bebas yang ditinjau.
Dimana m merupakan jumlah variabel didalam model dan n merupakan jumlah

[Υ ]T = [ y1 , y 2  y n ]'
[A]T = [a1 , a 2  a m ]'

Vektor kolom {A} adalah berisi koefisien
Dan vektor kolom [Ε] berisi residu
[Ε]T = [e1 , e2  en ]'
Jumlah kuadrat dari bagian sisanya untuk model ini dapat didefinisikan
sebagai berikut
S r = ∑  y i − ∑ a j z ji 
 
2
n m
i =1  j =0 
Besaran ini dapat dibuat minimum dengan menggunakan turunan parsial

terhadap masing- masing koefisiennya dan selanjutnya menetapkan persamaan yang
dihasilkan sama dengan nol. Hasil dari proses ini akan berupa persamaan biasa yang
[Ζ]T [Ζ][Α] = [Ζ] [Υ ]

dapat dinyatakan secara ringkas dalam matriks sebagai berikut.
T
[Y ] [Ζ]T [Ζ][Α]
[Ζ]T
=
[Y ] = [Z ][ A]
Dan juga dapat dihasilkan [Α] = [Ζ] [Z ]−1 [Ζ]T [Υ ]

T
3.3. Persamaan dan Model Regresi
Kuadrat Terkecil ini digunakan untuk melakukan regresi dan atau pencocokan kurva
yang diharapkan dapat membentuk persamaan matematis tertentu. Secara empiris,
persamaan - persamaan matematis tertentu yang sering digunakan di antaranya adalah:
(a). Persamaan ‘garis lurus’ (linier): y = a x + b
(b). Persamaan parabolis (kuadratis): y = px 2 + qx + r
(c). Persamaan polynomial secara umum:

y = c1 + c 2 x + c3 x 2 +  + c k x k −1 +  + c n x n −1
(d). Persamaan eksponensial: y = ae bx + cx + d

2
ax 2 + bx
(e). Persamaan asimptotis: y =
cx + d
Dan masih banyak model yang lainnya
3.3.1 Model Kuadratik
Persamaan kuadratik atau persamaan kuadrat mempunyai bentuk umum yang dapat
dituliskan sebagai berikut:
Yi = β 0 + β1 xi + β 2 xi2 + ε i
Regresi yang dimaksudkan disini adalah pencarian harga tetapan β 0 , β1 , β 2 .
Persamaan yang menyatakan galat terdistribusi dari persamaan nonlinier tersebut
( )
dinyatakan sebagai berikut:
S = ∑ Yi − β 0 − β1 xi − β 2 xi2
n
2
i =1
Persyaratan yang dapat dipenuhi untuk dapat menghitung β 0 , β1 , β 2 adalah

minimisasi turunan persamaan diatas terhadap parameter β 0 , β1 , β 2 sehingga terbentuk
persamaan sebagai berikut:
(a ) = =0
dβ 0
dS
(b ) = =0
dβ 1
dS
(c ) = =0
dβ 2
dS
Tahapan penurunan (a, b dan c) diatas terhadap β 0 , β1 , β 2 adalah sebagai

berikut:

(a ) ∑ (Y − β 0 − β1 xi − β 2 xi2 ) = 0 yang membentuk persamaan sebagai berikut:
n
dβ 0
d 2
i =1
i
(
2∑ Yi − β 0 − β1 xi − β 2 xi2 (− 1) = 0 )
n
i =1
(
− 2∑ Yi − β 0 − β1 xi − β 2 xi2 = 0 )
n
i =1
∑ (Y − β 0 − β1 xi − β 2 xi2 = 0 )
n
i =1
i
∑ Yi = ∑ β 0 + ∑ β1 xi + ∑ β 2 xi2
n n n n
i =1 i =1 i =1 i =1
∑ Yi = Nβ 0 + β1 ∑ xi + β 2 ∑ xi2 …………………………………………(1)
n n n
i =1 i =1 i =1
(b ) d n
∑
dβ1 i =1
(
Yi − β 0 − β1 xi − β 2 xi2 ) 2
= 0 yang membentuk persamaan sebagai berikut:
(
2∑ Yi − β 0 − β1 xi − β 2 xi2 (− xi ) = 0 )
n
i =1
(
− xi ∑ Yi − β 0 − β1 xi − β 2 xi2 = 0 )
n
i =1
∑ (Y x − β 0 xi − β1 xi2 − β 2 xi3 = 0 )
n
i =1
i i
∑Y x = β 0 ∑ xi + β1 ∑ xi2 + β 2 ∑ xi3
n n n n
i =1 i =1 i =1 i =1
i i
∑ xiYi = β 0 ∑ xi + β1 ∑ xi2 + β 2 ∑ xi3 ………..………………………...... (2)

n n n n
i =1 i =1 i =1 i =1
(c ) ∑ (Y − β 0 − β1 xi − β 2 xi2 ) = 0 yang membentuk persamaan sebagai berikut:

n
dβ 2
d 2
i =1
i
∑ (Y − β 0 − β1 xi − β 2 xi2 − xi2 = 0 )( )
n
i =1
i
(
− xi2 ∑ Yi − β 0 − β1 xi − β 2 xi2 = 0 )
n
i =1

∑ (Y x − β 0 xi2 − β1 xi3 − β 2 xi4 = 0 )
n
2
i =1
i i
∑ Yi xi2 = β 0 ∑ xi2 + β1 ∑ xi3 + β 2 ∑ xi4

n n n n
i =1 i =1 i =1 i =1
∑ xi2Yi = β 0 ∑ xi2 + β1 ∑ xi3 + β 2 ∑ xi4 ………..………………………… (3)

n n n n
i =1 i =1 i =1 i =1
Seperti halnya pada regresi persaman linier, ketiga persamaan tersebut juga
membentuk suatu sistem persaman linier dengan order 3 yang dapat disusun ulang
sebagai berikut:
 N ∑x ∑x  β 0   ∑ Y 
 ∑x ∑x ∑x  1   ∑ xY 
  β  =  
2

∑ x 2 ∑x ∑x  β 2  ∑ x 2 Y 
2 3
4
 
3
Solusi persamaan diatas dapat dilakukan 2 cara yaitu analitis dan numeris.
Berikut adalah cara yang dilakukan dengan metode analitis yaitu dengan
menggunakan aturan cramer untuk mencari parameter-parameter β 0 , β1 dan β 2
∑x ∑x
Misalkan :
 N 
A=  ∑x ∑x ∑x
 
2

∑ x 2 ∑x ∑x
2 3
4
 
3
 ∑Y ∑x ∑x 
A1 =  ∑ xY ∑x ∑x
 
2

∑ x 2 Y ∑x ∑x
2 3
4
 
3
 N ∑Y ∑ x 
A2 =  ∑ x ∑ xY ∑ x
 
2

∑ x 2 ∑x Y ∑x
3
4
 
2
 N ∑ x ∑ Y 
A3 =  ∑ x ∑ x ∑ xY 

∑ x 2 ∑ x ∑ x Y 
2

3 2
Maka dapat dicari nilai dari parameter-parameter β 0 , β1 dan β 2 , yaitu:

β0 =
det ( A1 )
det A
 ∑Y ∑x ∑ x 
det  ∑ xY ∑x ∑x 

2
∑ x 2 Y ∑x ∑ x 
2 3
β0 = 
∑x ∑ x 
3 4
 N
det  ∑ x ∑x ∑x 

2
∑ x 2 ∑x ∑ x 
2 3

3 4
β1 =
det ( A2 )
det A
 N ∑Y ∑ x 
det  ∑ x ∑ xY ∑x 

2
∑ x 2 ∑x Y ∑ x 
3
β1 = 
∑x ∑ x 
2 4
 N
det  ∑ x ∑x ∑x 

2
∑ x 2 ∑x ∑ x 
2 3

3 4
β2 =
det ( A3 )
∑x ∑ Y 
det A
 N
det  ∑ x ∑x ∑ xY 

∑ x 2 ∑x ∑ x Y 
2
β2 = 
∑x ∑ x 
3 2
 N
det  ∑ x ∑x ∑x 

2
∑ x 2 ∑x ∑ x 
2 3

3 4
Selanjutnya estimasi dari setiap parameter didistribusikan kedalam persamaan normal

dan menghitung galat setiap data yang diamati.
Persamaan normalnya menjadi
Yˆi = b0 + b1 xi + b2 xi2 + ε i

3.4. Uji Parameter Regresi Kuadratik
Sebelum melakukan Uji parameter Regresi Kuadratik yang harus dilakukan

adalah menguji modelnya terlebih dahulu untuk mengetahui apakah sudah tepat
hubungan nonlinier dengan model kuadratik yaitu sebagai berikut:
H 0 : E (Y ) = β 0 + β1 x + β 2 x 22
Langkah 1 Menguji Hipotesis
H 1 : E (Y ) ≠ β 0 + β1 x + β 2 x 22
Langkah 2 Menentukan taraf signifikan dan derajat kebebasan dari model tersebut.
kebebasanya adalah df1 = (r − 1) df 2 = r (n − 1)

Untuk model ini diambil taraf signifikannya 0,05 dan derajat
Langkah 3 Daerah penerimaan adalah : Fhitung ≤ Ftabel
Daerah penolakan adalah : Fhitung ≥ Ftabel
MSLF
Langkah 4 Pengujian Statistik F0 =
MSPE
Langkah 5 Kesimpulan yang dapat diperoleh dari perhitungan tersebut.
Langkah selanjutnya adalah menguji koefisien regresi dari model regresi

tersebut yaitu dengan cara sebagai berikut:
Uji parameter yang dilakukan disini adalah uji parameter terhadap Variabel
penjelasnya yang kuadratiknya saja yaitu terhadap β 2
Langkah 1 Menguji Hipotesis
H0 : β2 = 0
H1 : β 2 ≠ 0
Dengan hipotesis nolnya adalah bahwa tidak ada hubungan kuadratik terhadap
variabel penjelasnya.Hipotesis tandingannya adalah menyatakan bahwa ada hubungan
kuadratik dengan variabel penjelasnya.
Langkah 2 Menentukan taraf signifikan dan derajat kebebasan dari model tersebut.
kebebasanya

Langkah 3 Daerah penerimaan adalah : t hitung ≤ t tabel
Daerah penolakan adalah : t hitung > t tabel
s (b2 )
b2
Langkah 4 Pengujian Statistik t0 =
Langkah 5 Kesimpulan yang dapat diperoleh dari perhitungan tersebut.
3.5. Uji Selang Kepercayaan Parameter Regresi Nonlinier Model Kuadratik
Analisis selanjutnya yang dilakukan adalah untuk mengetahui selang kepercayaan

parameter regresi yaitu dengan cara sebagai berikut:
Langkah 1 menentukan nilai dari t (tabel) yaitu t(1- 0,05/2 ;n – p) = ( 0,975 ; n-3)
Langkah 2 menentukan nilai dari setiap parameter yang terlebih dahulu ditaksir
s (b1 ) dan s (b2 )

dengan menggunakan metode OLS dan menentukan nilai dari
Langkah 3 menetukan batas interval dari setiap parameter regresi model kuadratik
tersebut yaitu:
b1 − t (0,975 ; n − 3) s (b1 ) ≤ β1 ≤ b1 + t (0,975 ; n − 3) s (b1 )
b2 − t (0,975 ; n − 3) s (b2 ) ≤ β 2 ≤ b2 + t (0,975 ; n − 3) s (b2 )
3.6.Contoh Kasus
Seorang Pegawai café kopi ingin mengetahui seberapa besar hubungan diantara
pemakaian dispenser dalam penjualan kopi dengan banyaknya penjualan kopi
tersebut.

Tabel 3.1
Data untuk penjualan kopi di cafeteria
Cafetaria Jumlah dispenser Penjualan kopi

(Xi) (Yi)
1 0 508,1
2 0 498,4
3 1 568,2
4 1 577,3
5 2 651,7
6 2 657,0
7 3 713,4
8 3 697,5
9 4 755,3
10 4 758,9
11 5 787,6
12 5 792,1
13 6 841,4
14 6 831,8
( Sumber: buku Applied linear Statistical Models hal: 300 – 320 )
(Neter, Jhon and Wasserman,William. 1985)
Penyelesaian:
Didalam contoh ini diketahui variabel terikatnya adalah penjualan kopi dan variabel
penjelasnya adalah jumlah dispenser. Didalam analisa Regresi Nonlinier Model
Kuadratik Variabel penjelasnya yang dipakai hanya satu tetapi pada parameter yang
lainnya variabel penjelasnya itu sudah berpangkat dua atau bermodel kuadratik.Untuk
menyelesaikan contoh diatas terlebih dahulu data tersebut dibuatkan kedalam bentuk
matriks untuk mempermudah pengerjaan. Selanjutnya untuk menghitung seberapa
besar pengaruh yang ada dalam model tersebut dapat dikerjakan dengan menggunakan
SPSS dengan aplikasi terhadap regresi nonlinier model kuadratik.
Langkah pertama Menuliskan model kuadratik tersebut yaitu:

Yi = β 0 + β1 xi + β 2 xi2 + ε i
Dengan, xi = X i − X

Data untuk penjualan kopi di capetaria dibuatkan dalam matriks
x x2
 508,1  1 − 3 9
498,4

1
 − 3 9

568,2 1 − 2 4
   
577,3 1 − 2 4
 651,7  1 − 1 1
   
657,0 1 − 1 1
713,4 1 0 0
Y =  X = 
697,5 1 0 0
 755,3 1 1 1
   
 758,9  1 1 1
   
787,6 1 2 4
 792,1 1 2 4
   
 841,4  1 3 9
 831,8 

1
 3 9 
Langkah 2 Mencari taksiran dari parameter darimodel regresi nonlinier kuadratik

tersebut, dengan manual dapat diselesaikan dengan menggunakan
metode kuadrat terkecil. Untuk mempermudah penyelesaiiannya dapat
diselesaikan dengan menggunakan program computer yaitu SPSS,
karena dengan manual dengan banyak data yang ada akan memperlama
penganalisaan data. Hasil dari SPSS tersebut adalah sebagai berikut:
Tabel 3.2
Hasil dari regresi untuk penjualan kopi
Koefisien taksiran koefisien taksiran standard t
β0
regresi regresi deviasi
705,477 3,208 219,91
β1 54,893 1,050 52,28
β2 -4,249 0,606 -7,01

Tabel 3.3
Analisa variansi untuk penjualan kopi
Jenis variasi SS df MS
Regresi 171,773 2 85,887
x 168,741 1 168,741
2
x x 3,033 1 3,033
Error 679 11 61,7
Total 172,453 13 -
Matriks dari s 2 (b)
10,2912 − 1,4702
 0 0 
0
 1,1026
− 1,4702 0 0,3675 
Dari perhitungan regresi diatas didapat persamaan taksiran untuk persamaan Regresi
Nonlininier Model Kuadratik, yaitu sebagai berikut:
Yˆ = 705.47 + 54,89 x − 4,25 x 2
Langkah 3 Uji Regresi model kuadratik, yaitu sebagai berikut:
H 0 : E (Y ) = β 0 + β1 x + β 2 x 2
a) Menguji Hipotesis
H 1 : E (Y ) ≠ β 0 + β1 x + β 2 x 2
b) Menentukan taraf signifikan dan derajat kebebasan dari model

tersebut.
kebebasanya adalah F (0.95;4,7) = 4,12
c) Daerah penerimaan adalah : Fhitung ≤ Ftabel
Daerah penolakan adalah : Fhitung ≥ Ftabel

MSLF
d) Pengujian Statistik F0 =
MSPE
SSPE = ∑ (Yi − Y ) maka

n 2
SSPE = (508,1 − 503,25) +  + (831,8 − 836,6 ) = 292

i =1
2 2
Untuk x = −3, Y2 = 572,75 dan seterusnya sampai x = 3, dan Y14

Dengan derajat bebas untuk SSPE =(14-7) = 7 maka akan didapat
MSPE = SSPE / 7 =292 / 7 =41,7
Diperoleh galatnya sebagi berikut:
SSLF = SSE – SSPE = 679 – 292 =387
Untuk derajat bebas dari SSLF didapat ( 7-3 ) = 4 karena disini ada tiga
parameter yang ditaksir maka harus dikurangi dengan 3, sehingga
didapat MSLF sebagai berikut: MSLF = = = 96,8

SSLF 387
4 4
= 2,32
MSLF 96,8
F0 = =
MSPE 41,7
e) karena F hitung lebih kecil dari pada F tabel yaitu (2,32<4,12) maka
hipotesis diterima yang berarti model tersebut adalah model regresi
nonlinier model kuadratik.
Langkah 4 Menguji koefisien regresi dari model regresi tersebut yaitu dengan cara
sebagai berikut. Uji parameter yang dilakukan disini adalah uji
parameter terhadap Variabel penjelasnya yang kuadratiknya saja yaitu
terhadap β 2
a) Menguji Hipotesis
H0 : β2 = 0
H1 : β 2 ≠ 0
Dengan hipotesis nolnya adalah bahwa tidak ada hubungan kuadratik
terhadap variabel penjelas. Hipotesis tandingannya adalah menyatakan
bahwa ada hubungan kuadratik dengan variabel penjelasnya.

b) Menentukan taraf signifikan dan derajat kebebasan dari model tersebut.
kebebasanya yaitu t ( 0,975 ; 11 ) = 2,201
c) Daerah penerimaan adalah : t hitung ≤ t tabel
Daerah penolakan adalah : t hitung > t tabel
s (b2 )
b2
d) Pengujian Statistik thitung=
− 4,249
= −7,012
s (b2 ) 0,606
b2
thitung= =
e) Karena t hitung lebih besar dari t tabel atau (7,012 > 2,201) maka
kesimpulan yang dapat diperoleh dari perhitungan tersebut adalah
hipotesis nol ditolak yang berarti tidak ada lagi pengaruh model
kuadratik tersebut.
Langkah 5 Analisis selanjutnya yang dilakukan adalah untuk mengetahui selang

kepercayaan parameter regresi yaitu dengan cara sebagai berikut:
a) menentukan nilai dari t (tabel) yaitu t(1- 0,10/2 ;n – p) = ( 0,975 ; 14-3)

( 0,975 ; 11) = 2,201
b) menentukan nilai dari setiap parameter yang terlebih dahulu ditaksir
s (b1 ) dan s (b2 )

dengan menggunakan metode OLS dan menentukan nilai dari
b1 = 54,893 s (b1 ) = 1,050

b2 = −4,249 s (b2 ) = 0,606
c) menetukan batas interval dari setiap parameter regresi model kuadratik

tersebut yaitu:

b1 − t (0,975 ; n − 3) s (b1 ) ≤ β1 ≤ b1 + t (0,975 ; n − 3) s (b1 )
b2 − t (0,975 ; n − 3) s (b2 ) ≤ β 2 ≤ b2 + t (0,975 ; n − 3) s (b2 )
54,893 − 2,201(1,050) ≤ β1 ≤ b1 + 2,201(1,050)

52,58 ≤ β1 ≤ 57,20
− 4,249 − 2,201(0,606) ≤ β 2 ≤ −4,249 + 2,201(0,606)
− 5,58 ≤ β 2 ≤ −2,92
3.7. Mencocokkan Model Terhadap Data Dari Penjualan Kopi Pada Data di atas
(Tabel 3.1)
Karena x = X − X maka :
b0′ = b0 − b1 X + b2 X 2
b1′ = b1 − 2b2 X
b2′ = b2
Karena contoh data dari penjualan kopi tersebut memperoleh X = 3 maka

dapat diperoleh persamaan baru untuk persamaan regresi non linier model kuadratik
adalah sebagai berikut:
b0′ = 705,474 − 54,893(3) + (−4,249)(3) 2 = 502,554

b1′ = 54,893 − 2(−4,249)(3) = 80,387
b2′ = (−4,249)
Sehingga persamaannya menjadi:

Yˆ = 502,554 + 80,387 X − 4,249 X 2
Untuk x = 0 didapat Yˆ = 502,554 + 80,387(0) − 4,249(0 ) = 502,554

Dari Persamaan taksiran diatas, dapat dicocokkan kedalam data sebagai berikut:
2
Untuk x = 1 didapat Yˆ = 502,554 + 80,387(1) − 4,249(1) = 578,692

2
Untuk x = 2 didapat Yˆ = 502,554 + 80,387(2 ) − 4,249(2 ) = 646,332

2

2

2

2

2
3.8. Menaksir Maksimum atau Minimum pada sebuah fungsi Regresi Kuadratik
Didalam regresi model kuadratik perlu dicari titik maksimum dan minimum dari
model fungsi regresi kuadratik yaitu dengan cara sebagai berikut:
Yˆ = b0 + b1 x + b2 x 2
= b0 + b1 x + b2 x 2 = b1 + 2b2 x = 0
dYˆ d
dx dx
xm = −
b1
2b2
Disubsitusi kedalam persamaan regresi maka didapat
−b  −b 
Yˆ = b0 + b1  1  + b2  1 
2
 2b2   2b2 
= b0 − 1
b2
4b2
Maksimum (minimum) pada x m :
xm = −
b1
2b2
Didalam Variabel X titik maksimum (minimum) pada X m
X m= X −
b1
2b2
Taksiran dari X m adalah:
Y m= b0 −
ˆ b12
4b2
Yˆm adalah maksimum jika b2 adalah negatif, dan minimum jika b2 adalah positif.

Pada contoh data penjualan kopi kita dapat persamaan setelah dicocokkan terhadap
data itu adalah
Yˆ = 705,47 + 54,89 X − 4,25 X 2
Didapat:
X m= 3 − =9
54.89
2(−4.25)
Taksiran persamaan regresi kuadratik itu menjadi:
Yˆ = 705,47 + 54,89(9) − 4,25(9) 2 = 885
Maka contoh kita itu memiliki titik maksimum karena b2 adalah negative.

Bab 4
KESIMPULAN DAN SARAN
4.1. KESIMPULAN
Regresi Nonlinier Model Kuadratik adalah salah satu model regresi yang apabila
diturunkan terhadap parameternya sendiri masih mengandung parameter tersebut.
Salah satu metode untuk menaksir parameter dalam regresi nonlinier adalah dengan
menggunakan metode kuadrat terkecil. Dari contoh data yang diketahui, ternyata
terbukti bahwa metode kuadrat terkecil dapat melinierkan data yang persamaannya
nonlinier.
4.2. SARAN
Pada tulisan ini, penulis hanya membahas tentang penaksiran parameter regresi
nonlinier model kuadratik dengan menggunakan metode kuadrat terkecil. Bagi para
pembaca yang berminat dapat melanjutkan penelitian ini untuk menyelesaikan
penaksiran parameter Regresi Nonlinier untuk model nonlinier lainnya.

DAFTAR PUSTAKA
Draper, N. R. and Smith, H. 1996 Analisis Regresi Terapan. Pt Gramedia Pustaka

Utama, anggota IKAPI, Jakarta.
Gallant, A. Ronald. 1942. Nonlinear Statistical models. New York: Jhon Wiley &
Sone inc
Davidian, M. 1996. Nonlinear Regression. New York.
Faires, J.Douglas and Burden, L. Richard. Numerical Methods. 1993. Boston
Neter, Jhon and Wasserman, William. 1985. Applied Linear Statistical Models.
Printed in the United States of America
Soelistiyo. 2001. Dasar-Dasar Ekonometrika. Yogyakarta: BPPE.
Supranto, J. 1981. Statistik Teori dan Aplikasi. Erlangga. Jakarta.

Analisis Regresi Nonlinier Dengan Model Kuadratik: Universitas Sumatera Utara

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Regresi Nonlinier Dengan Model Kuadratik: Universitas Sumatera Utara

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS REGRESI NONLINIER DENGAN MODEL

EFRIDA YANTI TARIGAN

Universitas Sumatera Utara

EFRIDA YANTI TARIGAN

Universitas Sumatera Utara

Judul : ANALISIS REGRESI NONLINIER DENGAN

Drs. Suwarno Ariswoyo, M.Si Dra. Rahmawati Pane

Diketahui / Disetujui Oleh

Dr. Saib Suwilo, M.Sc

Universitas Sumatera Utara

ANALISI REGRESI NONLINIER DENGAN MODEL KUADRATIK

Medan, Juni 2009

Efrida Yanti Tarigan

Universitas Sumatera Utara

Sebagai seorang mahasiswa, saya menyadari bahwa masih banyak terdapat

Medan, Juni 2009

Efrida Yanti Tarigan

Universitas Sumatera Utara

Regresi Nonlinier adalah regresi yang memuat parameter nonlinier, artinya

Universitas Sumatera Utara

Nonlinear Regression is regression that contain nonlinear parameter, it means

Universitas Sumatera Utara

Bab 2 Landasan Teori 7

Universitas Sumatera Utara

Bab 4 Kesimpulan dan Saran 31

Universitas Sumatera Utara

Regresi Nonlinier adalah regresi yang memuat parameter nonlinier, artinya

Universitas Sumatera Utara

Nonlinear Regression is regression that contain nonlinear parameter, it means

Universitas Sumatera Utara

1.1. Latar Belakang

Banyak penelitian yang bertujuan mencari dasar-dasar untuk mengadakan prediksi

Universitas Sumatera Utara

b1 , b2 , b3 ,, bn = koefisien regresi

Untuk mencari nilai-nilai b1 , b2 , b3 ,, bn dapat menggunakan beberapa cara, yaitu :

dengan n persamaan normal, eliminasi gauss dan determinan.

Universitas Sumatera Utara

1.2. Identifikasi Masalah

Universitas Sumatera Utara

dengan parameternya adalah β

1.3. Pembatasan Masalah

1.4. Tujuan Penelitian

Tujuan penelitian ini adalah untuk mengetahui cara dan langkah-langkah

1.5. Metodologi Peneletian

1.6. Tinjauan Pustaka

Universitas Sumatera Utara

satu sama lain.

dapat dituliskan menjadi ε ~ N (O, Iσ ) , dengan ε = (ε1 , ε 2 , . .ε.n ,) dan seperti

Universitas Sumatera Utara

S (θ ) = ∑ {Υu − f (ζ u ,θ )} (Draper et al,1996)

(Sθ ) =E∑ [Υu − f (ζ u ,θ )]

1.7. Kontribusi Penelitian

Hasil Penelitian ini adalah mengetahui bagaimana cara mendapatkan penyelesaian

Universitas Sumatera Utara

2.1. Regresi Nonlinier Model Kuadratik

Dengan : Χ i adalah variabel penjelas

β 0 adalah parameter pertama

2.2. Metode Kuadrat Terkecil

Metode kuadrat terkecil dipakai untuk menentukan bentuk regresi apakah

Universitas Sumatera Utara

Estimasi regresi dilakukan untuk menentukan estimator parameter regresi. Salah

2.3. Pendugaan Parameter

Metode linearisasi (atau metode deret taylor) menggunakan hasil–hasil kuadrat