PENDAHULUAN
1
regresi nonlinear sederhana model inverse serta langkah-langkah analisis regresi
dengan menggunakan aplikasi SPSS.
1.2 Rumusan Masalah
1.2.1. Apa yang dimaksud regresi nonlinear sederhana?
1.2.2. Apa yang dimaksud regresi nonlinear sederhana model inverse?
1.2.3. Bagaimana pengujian kecocokan model regresi nonlinear sederhana
inverse dengan Uji F?
1.2.4. Bagaimana pengujian signifikasi koefisien model regresi nonlinear
sederhana inverse dengan Uji T?
1.2.5. Bagaiman pengujian asumsi dari model regresi nonlinear sederhana
inverse?
1.2.6. Bagaimana contoh soal dan pembahasan mengenai persamaan regrasi
nonlinear sederhana inverse?
1.3 Tujuan
1.3.1. Untuk mengetahui pengertian regresi nonlinear sederhana
1.3.2. Untuk mengetahui pengertian regresi nonlinear sederhana model inverse
1.3.3. Untuk mengetahui cara pengujian kecocokan model regresi nonlinear
sederhana inverse dengan Uji F
1.3.4. Untuk mengetahui cara pengujian signifikasi koefisien model regresi
nonlinear sederhana inverse dengan Uji T
1.3.5. Untuk mengetahui cara pengujian asumsi dari model regresi nonlinear
sederhana inverse
1.3.6. Untuk mengetahui contoh soal dan pembahasan mengenai persamaan
regrasi nonlinear sederhana inverse
2
BAB II
PEMBAHASAN
(
Y =exp β 0 +
β1
X )
Dalam makalah ini, akan dibahas menganai analisis regresi nonlinear
sederhana model inverse.
3
2.2 Regresi Nonlinear Sederhana Inverse
Regresi nonlinear sederhana inverse merupakan suatu alat statistika untuk
membuat suatu persamaan yang menerangkan hubungan antara variabel bebas dan
variabel tak bebas, di mana persamaan yang dihasilkan berupa persamaan inverse.
Berikut merupakan bentuk umum persamaan regresi nonlinear sederhana inverse.
b
Y^ =a+
X
b
Y =a+
X
1
Y =a+bx , x=
X
4
2.3 Pengujian Kecocokan Model Regresi Nonlinear Sederhana Inverse Terhadap
Data dengan Uji F (Uji Simultan)
Uji F dapat digunakan untuk menguji kecocokan model regresi dengan data
yang ada. Dengan kata lain, uji F menguji signifikasi secara simultan
(simultaneously) atau bersamaan seluruh koefisien regresi populasi. Berikut
perumusan hipotesis untuk uji F.
H 0 :Model tidak berarti (tidak signifikan)
H1: Model berarti (signifikan)
Pada H 0 berarti seluruh variabel bebas tidak memiliki pengaruh yang signifikan
secara statistika terhadap variabel tak bebas atau model yang didapat tidak sesuai
dengan data yang diberikan. Sedangkan H 1berarti bahwa model regresi sesuai
dengan data yang ada (merepresentasikan data). Pengambilan keputusan
dilakukan dengan ketentuan berikut.
Jika F hitung ≤ F kritis , maka H 0 diterima dan H 1 ditolak.
Jika F hitung > F kritis , , maka H 0 ditolak dan H 1 diterima.
Pengambilan keputusan terhadap hipotesis juga dapat dilakukan dengan
menggunakan pendekatan nilai probabilitas dari uji F. Nilai probabilitas dari uji F
dibandingkan dengan tingkat signifikasi yang digunakan. Berikut ini aturan
pengambilan keputusan terhadap hipotesis berdasarkan pendekatan nilai
probabilitas.
Jika nilai probabilitas ≥tingkat signifikasi, maka H 0 diterima dan H 1 ditolak.
Jika nilai probabilitas ¿tingkat signifikasi, maka H 0 ditolak dan H 1 diterima.
5
terhadap variabel tak bebas (berapapun nilai X , nilai Y akan konstan). Sedangkan
hipotesis alternatif menyatakan bahwa koefisien b tidak bernilai nol. Artinya
variabel bebas ( X ) memiliki pengaruh yang signifikan secara statistika terhadap
variabel tak bebas. Pengambilan keputusan dilakukan dengan ketentuan berikut.
Jika |t hitung|≤|t kritis|, maka H 0 diterima dan H 1 ditolak.
Jika |t hitung|>|t kritis|, maka H ¿¿ ditolak dan H 1 diterima.
Pengambilan keputusan terhadap hipotesis juga dapat dilakukan dengan
menggunakan pendekatan nilai probabilitas dari uji T. Nilai probabilitas dari uji T
dibandingkan dengan tingkat signifikasi yang digunakan. Berikut ini aturan
pengambilan keputusan terhadap hipotesis berdasarkan pendekatan nilai
probabilitas.
Jika nilai probabilitas ≥tingkat signifikasi, maka H 0 diterima dan H 1 ditolak.
Jika nilai probabilitas ¿tingkat signifikasi, maka H 0 ditolak dan H 1 diterima.
2
n
( Oi−Ei )
X =∑
2
i=1 Ei
2
X :Chi Square
Ei :Nilai ekspetasi ke
O i : Nilai observasi (pengamatan) ke−i
6
Jika nilai X 2 hitung ≤ nilai X 2 tabel, maka H 0 diterima dan H 1 ditolak
Jika nilai X 2 hitung ¿ nilai X 2 tabel, maka H 0 ditolak dan H 1 diterima
2.5.2 Uji Normalitas
Uji Kolmogorov-Smirnov dapat digunakan untuk menguji suatu asumsi
apakah suatu data sampel berasal dari populasi yang berdistribusi normal atau
tidak. Hipotesis nol menyatakan bahwa data yang diteliti berasal dari populasi
yang berdistribusi normal, sedangkan hipotesis alternative menyatakan bahwa
data yang diteliti tidak berasal dari populasi yang berdistribusi normal.
Pengambilan keputusan terhadap hipotesis dilakukan dengan menggunakan
pendekatan nilai probabilitas (p-value) dari uji Kolmogorov-Smirnov terhadap
tingkat signifikasi α (significance level). Berikut aturan pengambilan keputusan
berdasarkan pendekatan probabilitas.
Jika nilai probabilitas ≥tingkat signifikasi, maka H 0 diterima dan H 1 ditolak.
Jika nilai probabilitas ¿tingkat signifikasi, maka H 0 ditolak dan H 1 diterima.
√ n ∑ X −( ∑ X )
2 2
SX =
2
n (n−1)
√ n ∑ Y −( ∑ Y )
2 2
SY =
2
n ( n−1 )
S besar
F=
S kecil
7
3. Membandingkan F hitung dengan F tabel
Jika F hitung ≤ F tabel, maka kedua variabel tersebut homogen
Jika F hitung ¿ F tabel, maka kedua variabel tersebut tidak homogen
X Y
1 3
5 1,35
10 1,2
20 1,09
50 1,05
100 1,02
150 1,013
200 1,06
250 1,008
300 1,0067
8
Gambar 3.2 merupakan penyajian data pada tabel 2.1 dalam bentuk grafik.
Data ke- 1
X Y x= x
2
xY Y
2
i X
1 1 3 1 1 3 9
2 5 1,35 0,2 0.004 0,27 1,8225
3 10 1,2 0,1 0,01 0,12 1,44
4 20 1,09 0,05 0,0025 0,0545 1,1881
5 50 1,05 0,02 0,0004 0,021 1,1025
6 100 1,02 0,01 0,0001 0,0102 1,0404
7 150 1,013 0,006667 0,000044 0,006753 1,026169
8 200 1,06 0,005 0,000025 0,0053 1,1236
9 250 1,008 0,004 0,000016 0,004032 1,016064
9
10 300 1.0067 0,003333 0,000011 0,003356 1,013445
Total 1086 12,798 1,399 1,053 3,495 19,773
Tabel 2.2 Pengolahan Data untuk Menentukan Nilai a dan b
Sehingga nilai a dan b dapat dicari menggunakan rumus berikut.
( )( )
10 10 10
n ∑ xY − ∑x ∑Y
i=1 i=1 i=1
b=
(∑ ) (∑ )
10 10 2
2
n x − x
i =1 i=1
a=Y −b x
( )
10 10
∑ Y −b ∑ x
i=1 i=1
¿
n
12,798−1,988 ( 1,399 )
¿
10
12,798−2,781
¿
10
10,017
¿
10
¿ 1,0017
Berdasarkan perhitungan diperoleh nilai a dan b masing-masing 1,0017 dan 1,988
, sehingga persamaan regresi nonlinear sederhana inverse adalah
1,988
Y^ =1,0017 +
X
10
^ =1,0017 + 1,988
Gambar 2.3 Grafik Persamaan Regresi Nonlinear Y
X
2.6.2 Menggunakan Aplikasi SPSS
Untuk mengetahui apakah data memiliki model linear atau nonlinear,
maka terlebih dahulu data diuji dengan menggunakan regresi linear. Pengujian
dengan SPSS dapat dilakukan dengan menginput data pada worksheet SPSS.
Kemudian pilih Analysis – Regression – Linear. Masukkan X sebagai variabel
Independent dan Y sebagai variabel Dependent, kemudian klik OK. Sehingga
didapatkan hasil output sebagai berikut
Dari hasil output tersebut didapatkan nilai R Square 0,201 . Dapat disimpulkan
bahwa model linear kurang sesuai untuk menyesuaikan data tersebut. Seperti yang
terlihat pada gambar berikut, bahwa banyak titik-titik yang jauh dengan garis
regresi. Sehingga disimpulkan bahwa data tersebut memiliki model nonlinear.
Berdasarkan letak titik-titik pada grafik, pengujian kita coba menggunakan uji
inverse.
11
Persamaan regresi nonlinear sederhana dapat dilakukan melalui dua cara,
yaitu sebagai berikut
Cara 1 Dengan melakukan konversi variabel sehingga didapatkan bentuk
persamaan linear.
Persamaan regresi nonlinear sederhana inverse dari data pada tabel 2.1
dapat ditentukan menggunakan aplikasi SPSS dengan langkah-langkah sebagai
berikut.
a. Menginput data pada worksheet SPSS
1
b. Mengonversi X menjadi
X
Pilih Transform, kemudian pilih Compute Variable.
Ketik nama variabel dan bentuk konversi, kemudian klik OK.
12
Sehingga akan muncul kolom X 1 (variabel baru) yang merupakan hasil
1
transformasi X menjadi .
X
c. Meregresikan X 1 terhadap Y
Pilih Analyze – Regression – Linear. Masukkan Y sebagai variabel
dependen dan X 1 sebagai variabel independen. Pastikan Method adalah
Enter. Kemudian OK.
13
14
d. Menganalisis hasil output
15
1
Karena X 1= , maka persamaan regresi dapat ditulis sebagai
X
1,989
Y =1,001+
X
Hasil menggunakan aplikasi SPSS ini sesuai dengan hasil dengan
menggunakan metode kuadrat terkecil. Disamping itu, nilai dari R Square
yang didapatkan adalah 0,998 yang berarti bahwa model regresi yang
digunakan sesuai dengan data. Selain itu nilai Sig (0,000) kurang dari α (0,05)
yang berarti terjadi penolakan H 0 sehingga model tersebut merupakan model
yang signifikan (berarti). Pada model tersebut variabel X mempengaruhi
variabel Y , ditunjukkan dengan nilai Sig (0,000) yang kurang dari α (0,05).
16
17
e. Menganalisis hasil output
18
Pada
hasil output tersebut didapatkan nilai constant dan b1 berturut-turut 1,002 dan
1.988. Sehingga persamaan regresi invers yang didapatkan adalah
1,988
Y =1,002+
X
Hasil menggunakan aplikasi SPSS ini juga sesuai dengan hasil dengan
menggunakan metode kuadrat terkecil.
19
Dasar Pengembalian Keputusan
20
Dari hasil tes uji normal tersebut didapat nilai signifikasi (0.606) yang
lebih dari nilai α (0.005) sehingga disimpulkan bahwa data tersebut
berdistribusi normal.
b. Uji Kebebasan
Karena |T |<2, maka garis biru tidak akan pernah memotong daris
merah. Sehingga dapat dikatakan bahwa data tersebut saling bebas.
21
c. Uji Homogenitas
Uji homogenitas dengan menggunakan Minitab dilakukan dengan
langkah-langkah berikut:
GraphScatter PlotWith Connect LineOK
22
Dari gambar di atas, tampak bahwa grafik tersebut tidak memiliki pola.
Sehingga dapat dikatakan bahwa data tersebut merupakan data yang
homogen.
23
BAB III
PENUTUP
3.1 Kesimpulan
3.2 Saran
Seharusnya kita senantiasa memperdalam pengetahuan kita tentang
matematika. Matematika memberikan berbagai kemudahan bagi kita dalam
menjalani kehidupan. Salah satu contohnya adalah materi analisis regresi invers.
Dalam hal ini, analisis regresi invers ternyata mempermudah manusia di berbagai
bidang kehidupan.
24
DAFTAR RUJUKAN
25