Analisis Regresi Non-Linier

Model Sigmoid

MAKALAH
UNTUK MEMENUHI TUGAS MATAKULIAH
Analisis Regresi
yang dibina oleh Bapak Ir. Hendro Permadi, M.Si

Oleh:
Laras Setyowati (160311600229)
Leoni Saraswati (160311604622)
M. Hamiduddin (160311604700)
Raqqasyi Rahmatullah Musafir (160311604633)

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI MALANG
OKTOBER 2019
 BAB I
PENDAHULUAN

A. Latar Belakang
Analisis regresi merupakan salah satu analisis yang bertujuan untuk mengetahui
pengaruh suatu variabel terhadap variabel lain. Dalam analisis regresi, variabel yang
mempengaruhi disebut Independent variable (variabel bebas) dan variabel yang dipengaruhi
disebut Dependent Variable (variabel terkait). Gujarati (2006) mendefinisikan analisis
regresi merupakan suatu kajian terhadap hubungan satu variabel sebagai variabel yang
diterangkan (the explained variable) dengan satu kata atau dua variabel yang menerangkan
(the explanatory). Manfaat dari analisis regresi dalam penelitian yaitu model regresi dapat
digunakan untuk mengukur keeratan hubungan antara variabel dependen (tak bebas) dan
variabel independen (bebas), model regresi dapat digunakan untuk mengetahui pengaruh
suatu atau beberapa variabel independen terhadap variabel dependen (respons), model
regresi berguna untuk memprediksi pengaruh suatu atau beberapa variabel independen
terhadap variabel dependen (respons).
Berdasarkan pola hubungannya, analisis regresi terbagi atas analisis regresi linear
dan analisis regresi non linear. Regresi linear adalah alat statistik yang dipergunakan untuk
mengetahui pengaruh antara satu atau beberapa variabel terhadap satu variabel. Terdapat dua
jenis regresi yaitu regresi linear sederhana dan regresi linear berganda. Regresi linear
sederhana ini digunakan bila hanya terdapat satu variabel independen dan satu variabel
dependen, sedangkan regresi linear berganda digunakan bila terdapat satu variabel dependen
dan beberapa variabel independen. Regresi non-linear adalah suatu metode untuk
mendapatkan model non linear yang menyatakan variabel dependen dan independen.
Regresi linear sederhana mempelajari hubungan antara variabel terikat Y dengan
variabel bebasnya, dimana hubungan tersebut dapat dituliskan dalam bentuk persamaan
garis lurus Y =a+bX . Setiap titik pada garis yang memenuhi persamaan ini memiliki
koordinat X yang disebut dengan titik absis dan koordinat Y yang disebut dengan ordinat.
Misalkan terdapat suatu himpunan data dari kedua peubah tersebut dan dinotasikan sebagai
{( X i ,Y i ) ; i=1,2,3 , … }. Persamaan regresi linear umumnya ditulis sebagai
Y i=∝+ β X i +ε i
 Yang dimaksud linear dalam regresi linear adalah peubah tak bebasnya (Y )
merupakan fungsi linear dari parameter persamaannya yang bukan dari peubah bebasnya.
Dengan kata lain Y linear terhadap ∝ dan β . Dalam hal ini X adalah peubah bebas dan Y
peubah tak bebas, sedangkan ε adalah error atau kesalahan atau galatnya. Untuk
menyelesaikan persamaan di atas, nilai ∝ dan β harus diketahui terlebih dahulu, yang perlu
diduga terlebih dahulu dengan model regresi taksiran yaitu:
Y i=a+b x i+ ei
Dengan Metode Kuadrat Terkecil yaitu dengan meminimumkan ∑ ei akan diperoleh
nilai a dan b melalui rumus:
n ∑ X i ∑ Y i−(∑ X i )( ∑ Y i)
b=
n ( ∑ X i )− ( ∑ X i )
2 2

a=Y −b X
Kelinearan analisisi regresi dapat diuji melalui suatu pengujian hipotesis, dimana jika
hipotesis nol diterima, maka dapat disimpulkan bahwa pendekatan analisis regresi sederhana
yang dilakukan sudah mendekati pola data yang dibentuk pasangan data x dan y , atau
dikatakan model yang diperoleh sudah mendekati pola yang asli. Akan tetapi jika hipotesis
nol ditolak maka pendekatan analisis regresi linear sederhana tidak dapat dilakukan untuk
menarik kesimpulan dari pasangan data x dan y , dan sebagai gantinya dilakukan analisis
regresi non-linear. Bentuk hubungan regresi non-linear yang banyak digunakan yaitu:
a. Bentuk polinomial
 Polinomial pangkat k
2 k
y=b0 +b1 x+ b2 x +…+ bk x
 Polinomial pangkat tiga atau bentuk kubik
y=b0 +b1 x+ b2 x 2 +b 3 x 3
 Polinomial pangkat dua
2
y=b0 +b1 x+ b2 x
b. Bentuk khusus
Bentuk khusus ini antara lain bentuk eksponen, eksponen pertumbuhan, geometri,
compound, sigmoid, logistic, dan lain-lain, dimana setiap model dengan melakukan
transformasi menjadi bentuk linear, maka dengan metode kuadrat terkecil koefisien-
 koefisien dari model regresi non-linear dapat ditentukan. Secara umum, terdapat beberapa
model regresi non-linear, yaitu:
 Logarithmic
Y =a+b ln ⁡(x)
 Inverse
b
Y =a+
X
 Kuadratik
Y =a+bX + c X 2
 Kubik
2 3
Y =a+bX + c X +d X
 Coumpound
Y =a b X
 Power
b
Y =a X
 Sigmoid
b
a+
X
Y =e
 Eksponensial
bX
Y =a e
 Logistik
1 X
Y= a+b
U
Jika dihadapkan pada piliha beberapa model regresi yang digunakan, maka dapat
mengambil model yang terbaik berdasarkan pertimbangan berikut ini:
1. Nilai R yang besar
2. Nilai R2 yang besar, dan
3. Standard eror yang kecil
Untuk melakukan uji regresi non linear, dapat menggunakan minitab. Tetapi karena
pada minitab tidak tersedia bentuk-bentuk regresi non-linear maka harus
mentransformasikannya ke bentuk linear terlebih dahulu. Langkah-langkahnya akan
dijelaskan pada contoh permasalahan.
 Untuk selanjutnya akan dibahas secara khusus terkait analisis regresi non-linear
model sigmoid. Fungsi sigmoid merupakan fungsi yang menghasilkan kurva sigmoid yaitu
b
kurva yang berbentuk “S”. Model dari fungsi sigmoid adalah y=ea + x , sedangkan bentuk

linearnya adalah
b
ln y=a+ .
x

B. Rumusan Masalah
b
a. Bagaimana pendugaan regresi yang berbentuk ¿ e a+ x ?
b. Bagaimana mengubah suatu persamaan regresi non linear yang berbentuk sigmoid
menjadi regresi linear?
c. Bagaimana ANOVA yang diperoleh dari data yang diolah?

C. Tujuan
a. Mengetahui persamaan regresi model sigmoid
b. Mengubah suatu persamaan regresi non-linear yang berbentuk sigmoid menjadi regresi
linier
c. Mengetahui ANOVA yang diperoleh dari data yang diolah.
 BAB II

PEMBAHASAN

Persamaan Regresi Nonlinier Model Signoid

Suatu data yang diberikan tidak selalu dapat disajikan dalam bentuk kurva regresi
linier, kuadratik, maupun kubik. Tetapi terdapat suatu data yang disajikan dalam bentuk
kurva regresi nonlinier model sigmoid dengan menentukan parameternya.
Persamaan regresi model sigmoid sebagai berikut.
b
a+
X
Y =e
Dimana a dan b merupakan parameter. Untuk menentukan parameter a dan b ,
persamaan model sigmoid ditransformasikan terlebih dahulu ke model linier. Berikut
langkah transformasi model sigmoid ke model linier
b
a+
X
Y =e
b
a+
X
ln Y =ln e
b
ln Y =a+
X
1
Misalkan ln Y = y , =x , maka akan menjadi bentuk linier yaitu
X
y=a+bx
Dimana
1 1
nΣ( ln Y i)−( Σ )(Σ lnY i )
(x ¿ ¿i y i)−(Σ xi )( Σ y i) Xi Xi
b=nΣ atau b= ¿
n Σ x 2i −( Σ x i )2
( )
2
1 1
nΣ 2− Σ
Xi Xi

dan a= y−b x atau a=ln ( Y )−b ( X1 )

Setelah mentransformasi persamaan, selanjutnya dilakukan pengujian simultan
dan parsial.
1. Uji Simultan
Keberartian model yang diperoleh diuji dengan hipotesis yakni
H 0 :b1=b2=0 (model tidak berarti)
 H 1 : b1 ≠ b 2 (model berarti)

Dengan menggunakan uji F, jika F hitung > F tabel maka H 0 ditolak, jika
F hitung ≯ Ftabel makagagal menolak H 0.

2. Uji Parsial
Koefisien regresi dapat menentukan hubungan antar variabel yang diuji
dengan hipotesis yakni
H 0 :b1=0 (tidak ada pengaruh variabel X terhadap variabel Y)
H 1 : b1 ≠ 0 (ada pengaruh variabel X terhadap variabel )

Dengan menggunakan uji T, jika ¿ T hitung ∨¿∨T tabel ∨¿ maka H 0 ditolak, jika
|T hitung|≯ |T tabel| makagagal menolak H 0.
Contoh Kasus dan Analisis Data
 Contoh Kasus
Berikut data tinggi tanaman kacang tanah (cm)

Umur Tanaman dalam hari (X) Tinggi kacang tanah dalam cm (Y)
3 2.45
5 9.12
7 11.20
9 15.05
12 25.00
18 27.14
21 27.50
24 29.30
28 29.40
33 29.70
Data di atas akan dilakukan analisis regresi variable X terhadap variable Y .
 Perhitungan Manual
Dari hasil pengujian terhadap data di atas, diperoleh informasi bahwa data
tersebut memiliki persamaan regresi non-linier model sigmoid. Oleh karena itu,
persamaan regresi model sigmoid di transformasikan terlebih dahulu ke dalam
model linier dengan menggunakan table berikut.

X Y x=1/ X y=ln Y x
2
xy
 3 2.45 0.333333 1.16315 0.111111 0.298696
5 9.12 0.200000 2.21047 0.040000 0.442094
7 11.20 0.142857 2.41591 0.020408 0.345131
9 15.05 0.111111 2.71138 0.012346 0.301264
12 25.00 0.083333 3.05494 0.006944 0.268240
18 27.14 0.055556 3.30101 0.003086 0.183389
21 27.50 0.047619 3.31419 0.002268 0.157818
24 29.30 0.041667 3.37759 0.001736 0.140733
28 29.40 0.035714 3.38099 0.001276 0.120750
33 29.70 0.030303 3.39115 0.000918 0.102762
Σ 160 205.86 1.08149 28.2176 0.200093 2.36088

(x ¿ ¿i y i)−(Σ xi )( Σ y i)
b=nΣ 2
¿
n Σ x 2i −( Σ x i )
10 ( 2.36088 ) −(1.08149)(28.2176)
b= 2
10 ( 0.200093 )− (1.08149 )
23.6088−30.5170
b=
2.00093−1.1696
−6.9082
b=
0.83133
b=−8.3098
Kemudian, akan ditentukan nilai y dan x kemudian a yaitu
28.2176 1.08149
y= =2.8217 dan x= =0.10815
10 10
a= y−b x
a=2.8217+8.3098 (0.10815)
a=2.8217+0.8987
a=3.7204
Sehingga diperoleh persamaan y=3.5498−6.1709 x atau
1 8.3098
ln Y =3.7204−8.3098 atau Y =e3.7204− X
X
 Hasil Minitab

X Y x=1/ X y=ln Y
3 2.45 0.333333 1.16315
5 9.12 0.200000 2.21047
7 11.20 0.142857 2.41591
9 15.05 0.111111 2.71138
12 25.00 0.083333 3.05494
18 27.14 0.055556 3.30101
21 27.50 0.047619 3.31419
24 29.30 0.041667 3.37759
28 29.40 0.035714 3.38099
33 29.70 0.030303 3.39115

Untuk Uji Linier

MTB > Regress 'Y' 1 'X';

SUBC> Constant;
SUBC> Brief 2.

Regression Analysis: Y versus X

The regression equation is

Y = 6.52 + 0.879 X

Predictor Coef SE Coef T P

Constant 6.523 2.893 2.25 0.054
X 0.8790 0.1541 5.70 0.000

S = 4.78071 R-Sq = 80.3% R-Sq(adj) = 77.8%

Analysis of Variance

Source DF SS MS F P
Regression 1 743.21 743.21 32.52 0.000
Residual Error 8 182.84 22.86
Total 9 926.06

Untuk Uji Kuadrat

MTB > Fitline 'Y' 'X';

SUBC> Poly 2;
SUBC> Confidence 95.0.

Polynomial Regression Analysis: Y versus X

The regression equation is

Y = - 3.555 + 2.599 X - 0.04954 X**2

S = 2.11584 R-Sq = 96.6% R-Sq(adj) = 95.6%

Analysis of Variance

Source DF SS MS F P
Regression 2 894.717 447.359 99.93 0.000
Error 7 31.338 4.477
Total 9 926.055
Sequential Analysis of Variance

Source DF SS F P
Linear 1 743.214 32.52 0.000
Quadratic 1 151.504 33.84 0.001

Fitted Line: Y versus X

Untuk Uji Kubik

MTB > Fitline 'Y' 'X';

SUBC> Poly 3;
SUBC> Confidence 95.0.

Polynomial Regression Analysis: Y versus X

The regression equation is

Y = - 8.538 + 3.972 X - 0.1401 X**2 + 0.001660 X**3

S = 1.80901 R-Sq = 97.9% R-Sq(adj) = 96.8%

Analysis of Variance

Source DF SS MS F P
Regression 3 906.420 302.140 92.33 0.000
Error 6 19.635 3.273
Total 9 926.055

Sequential Analysis of Variance

Source DF SS F P
Linear 1 743.214 32.52 0.000
Quadratic 1 151.504 33.84 0.001
Cubic 1 11.703 3.58 0.107

Fitted Line: Y versus X

Untuk Uji Sigmoid

MTB > Name c7 "SRES1" c8 "RESI1" c9 "FITS1"

MTB > Fitline 'lnY' '1/X';
SUBC> Confidence 95.0;
SUBC> SResiduals 'SRES1';
SUBC> Resid 'RESI1';
SUBC> Fits 'FITS1'.

Regression Analysis: lnY versus 1/X

The regression equation is

lnY = 3.721 - 8.310 1/X
 S = 0.108040 R-Sq = 98.4% R-Sq(adj) = 98.2%

Analysis of Variance

Source DF SS MS F P
Regression 1 5.74116 5.74116 491.85 0.000
Error 8 0.09338 0.01167
Total 9 5.83454

Fitted Line: lnY versus 1/X

Koefisien determinasi (R-Sq) menggunakan model linier, kuadrat, kubik, dan

sigmoid berturut-turut 80.3%, 96.6%, 97,9%, dan 98,4%. Terlihat bahwa R-Sq
model sigmoid lebih tinggi dibandingkan model linier, kuadrat, dan kubik.
Sehingga persamaan dari model sigmoid lebih berarti.
 Uji Simultan
The regression equation is
ln y = 3,72 - 8,31 1/X

Predictor Coef SE Coef T P

Constant 3,72052 0,05301 70,19 0,000
1/X -8,3104 0,3747 -22,18 0,000

S = 0,108040 R-Sq = 98,4% R-Sq(adj) = 98,2%

Analysis of Variance

Source DF SS MS F P
Regression 1 5,7412 5,7412 491,85 0,000
Residual Error 8 0,0934 0,0117
Total 9 5,8345

Unusual Observations

Obs 1/X ln y Fit SE Fit Residual St Resid

1 0,333 0,8961 0,9504 0,0910 -0,0543 -0,93 X

X denotes an observation whose X value gives it large leverage.

Hipotesis :
H 0 : model yang diperoleh tidak berarti
H 1 : model yang diperoleh berarti
Menggunakan uji F :
 Ftabel dengan derajat bebas (8) dengan ∝=0,05 sebesar 3,44
Fhitung dari minitab yaitu 491,85 . Karena Fhitung¿ Ftabel , maka menolak H 0 dengan
kata lain model yang diperoleh berarti.

 Uji Parsial
The regression equation is
ln y = 3,72 - 8,31 1/X

Predictor Coef SE Coef T P

Constant 3,72052 0,05301 70,19 0,000
1/X -8,3104 0,3747 -22,18 0,000

S = 0,108040 R-Sq = 98,4% R-Sq(adj) = 98,2%

Analysis of Variance

Source DF SS MS F P
Regression 1 5,7412 5,7412 491,85 0,000
Residual Error 8 0,0934 0,0117
Total 9 5,8345

Unusual Observations

Obs 1/X ln y Fit SE Fit Residual St Resid

1 0,333 0,8961 0,9504 0,0910 -0,0543 -0,93 X

X denotes an observation whose X value gives it large leverage.

Hipotesis :
H 0 :b1=0 artinya tidak ada pengaruh antara umur kacang tanah dengan tinggi
kacang tanah.
H 1=b 1 ≠ 0 artinya ada pengaruh antara umur kacang tanah dengan tinggi kacang
tanah.

Menggunakan uji T :
Ttabel dengan ∝=0,025 dengan derajat bebas 8 diperoleh hasil 2,30 6
Thitung dari hasil minitab sebesar 22,18
Karena Thitung ¿ Ttabel sehingga menolak H 0
 Hal ini berarti ada pengaruh antara umur kacang tanah dengan tinggi kacang
tanah.

 Pengujian Asumsi
1. Uji Kebebasan

MTB > ACF 'SRES1'.

Dari hasil pengujian melalui minitab 16, terlihat bahwa garis biru tidak
memotong garis merah. Sehingga disimpulkan bahwa data tersebut saling
bebas.

2. Uji Normalitas

MTB > NormTest 'RESI1'.

 Dari hasil minitab 16, nilai dari P−Value=0,193>0,05 . Sehingga dapat
disimpulkan bahwa data tersebut berdistribusi normal.

3. Uji Homogenitas

MTB > Plot 'RESI1'*'FITS1';

SUBC> Symbol;
SUBC> Connect.

Dari hasil minitab 16, terlihat bahwa drafik dari scatterplot tersebut tidak
membentuk pola (acak) dari rentang nilai -2 sampai 2. Sehingga dapat
disimpulkan bahwa data tersebut homogeny.

Berdasarkan hasil pengujian menggunakan minitab, dapat terlihat bahwa

grafik tersebut tidak membentuk pola atau titik-titiknya saling menyebar
(acak) dan rentang nilainya berada di antara -2 sampai 2. Sehingga dapat
disimpulkan bahwa antara variabel terikat dan variabel bebas mempunyai
keragaman yang homogen.
 BAB III
PENUTUP

Kesimpulan
Dari hasil analisis regresi hubungan antara umur kacang tanah dengan pengamatan
tinggi tanaman kacang tanah (cm) dengan perhitungan secara manual, maupun
1
menggunakan minitab menghasilkan persamaan regresi linear ln Y =3.7204−8.3098 ,
X
8.3098
sedangkan persamaan regresi non-linear model sigmoid nya adalah Y =e3.7204− X

Berdasarkan hasil analisis diperoleh nilai Fhitung ( F=491,85 ) dengan signifikasi,

dimana nilai signifikasi ini F=0,000, dimana nilai signifikasi ini lebih kecil dari 0,05 yang
berarti nilai Fhitung lebih besar dari Ftabel, dengan kata lain data sangat mendukung adanya
hubungan antara umur kacang tanah dengan tinggi kacang tanah.