KUADRATIK
SKRIPSI
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2009
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar sarjana
Sains
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2009
Diluluskan di
Medan, 2009
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
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.
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 3 Pembahasan 14
3.1. Menentukan Model Regresi Nonlinier 14
Daftar Pustaka 32
PENDAHULUAN
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.
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)
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
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”.
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
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.
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.
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
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
S (Gallant,1942)
u =1
LANDASAN TEORI
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
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.
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
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
Z0 Y − f 0
−1 '
Salah satu cara untuk menghitung determinan matriks A yang disingkat dengan Α
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
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
Jadi : Α = a1 j Κ 1 j + a 2 j Κ 2 j + + a nj Κ nj
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.
Untuk menguji ada atau tidaknya perbedaan nilai rata – rata sampel, maka
perlulah menguji validitas hipotesis nol dengan memanfaatkan seluruh data yang ada.
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,
σ (bn , b0 ) σ (bn , b1 ) σ (bn )
2
σ 2 (b ) = σ 2 ( X ′X )−1
Yang diberikan oleh:
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
PEMBAHASAN
Penaksiran kuadrat terkecil dari β adalah meminimumkan jumlah kuadrat galat dari
( )
i =1
Dengan f ξ , βˆ = β 0 + β1 xi + β 2 xi2
( ) [ ( )] [ ( )]
′
SSE βˆ = Y − f βˆ Y − f βˆ dimana
∑ {Y ( )} ∂f (ξ u , β )
− f ξ u , βˆ maka
n
∂β i θ =θˆ
Menurut persamaan normal yaitu
u =1
u
i −1
ˆ ˆ
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
[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
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
[Y ] [Ζ]T [Ζ][Α]
[Ζ]T
=
[Y ] = [Z ][ A]
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:
ax 2 + bx
(e). Persamaan asimptotis: y =
cx + d
Dan masih banyak model yang lainnya
Persamaan kuadratik atau persamaan kuadrat mempunyai bentuk umum yang dapat
dituliskan sebagai berikut:
Yi = β 0 + β1 xi + β 2 xi2 + ε i
( )
dinyatakan sebagai berikut:
S = ∑ Yi − β 0 − β1 xi − β 2 xi2
n
2
i =1
(a ) = =0
dβ 0
dS
(b ) = =0
dβ 1
dS
(c ) = =0
dβ 2
dS
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
i =1 i =1 i =1 i =1
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
i =1
i i
i =1 i =1 i =1 i =1
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
∑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
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.
MSLF
Langkah 4 Pengujian Statistik F0 =
MSPE
Langkah 5 Kesimpulan yang dapat diperoleh dari perhitungan tersebut.
s (b2 )
b2
Langkah 4 Pengujian Statistik t0 =
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
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.
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.
Dengan, xi = X i − X
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
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
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
= 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.
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.
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
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
xm = −
b1
2b2
X m= X −
b1
2b2
Y m= b0 −
ˆ b12
4b2
Yˆm adalah maksimum jika b2 adalah negatif, dan minimum jika b2 adalah positif.
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.
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.
Gallant, A. Ronald. 1942. Nonlinear Statistical models. New York: Jhon Wiley &
Sone inc
Neter, Jhon and Wasserman, William. 1985. Applied Linear Statistical Models.
Printed in the United States of America