Fixregresi Non Linear Kelompok 4 PDF Free
Fixregresi Non Linear Kelompok 4 PDF Free
Fixregresi Non Linear Kelompok 4 PDF Free
MAKALAH
Oleh :
Agustia Tri Widayanti (160312604854)
Febri Nur Azis (160312604898)
Lailatul Mauludiyah (160312604903)
Wening Arum Pangestuty (160312604846)
Wiskandar (160312601710)
1.3 Tujuan
Berdasarkan rumusan masalah diatas, diketahui bahwa tujuan dari
penulisan materi ini sebagai berikut :
1. Mengetahui pengertian regresi non-linear secara umum.
2. Mengetahui model-model analisis regresi non-linear.
3. Mengetahui metode estimasi model regresi non-linear.
4. Memaparkan cara menentukan model regresi non-linear.
BAB II
TINJAUAN PUSTAKA
2.1 Regresi Non Linear
Regresi nonlinear adalah suatu metode untuk mendapatkan model non-
linear yang menyatakan hubungan variable dependen (Y) dan independen (X).
Tidak seperti regresi linear, yang dibatasi oleh waktu menaksir/ meramal, regresi
non-linear dapat mengistemasi model hubungan variable dependen dan independen
dalam bentuk non-linear dengan keakuratan yang baik.
Untuk regresi sederhana, regresi yang melibatkan satu variabel dependen
(Y) dan satu variabel independen (X), kelinearan Ŷ = 𝑎 + 𝑏𝑋 diyakinkan melalui
pengujian hipotesis jika hipotesis linear diterima, kita yakin hingga tingkat
keyakinan tertentu, bahwa regresi itu bentuknya linear tidak diragukan. Namun,
apabila ternyata hipotesis linear ditolak, maka regresi linear tidak cocok untuk
digunakan dalam mengambil kesimpulan dan karenanya perlu meningkat pada
pencarian regresi non-linear atau lengkung.
Berdasarkan kelinearan antar parameter pada model regresi, maka suatu
model regresi dapat diklasifikasikan menjadi dua macam yaitu model linear dan
non-linear. Model regresi dikatakan linear jika dapat dinyatakan dalam model :
𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝛽3 𝑥3 +. . +𝛽𝑘 𝑥𝑘 + 𝜀
Apabila model tidak dapat dinyatakan dalam model tersebut maka model
yang diperoleh adalah model non-linear. Secara umum model regresi non-linear
parametrik dengan 𝑌𝑖𝑗 sebagai variabel respon pada replikasi sebanyak 𝑛𝑖 dan setiap
nilai 𝑥𝑖 merupakan variabel independen , dapat dinyatakan dalam persamaan
(Ripley, 2002) :
𝑌𝑖𝑗 = 𝑓(𝑥𝑖 , 𝜃) + 𝜀𝑖𝑗
dengan f adalah fungsi regresi dengan parameter yang harus diduga dan ij
adalah galat dengan sifat N(0,α). Salah satu metode pendugaan parameter dalam
sistem non-linear adalah jalan tengah Marquardt (Marquadt’s compromise).
Metode Marquardt merupakan kompromi atau jalan tengah antara metode
linearisasi atau deret Taylor dengan metode steepest descent (Draper & Smith,
1996).Model persamaan yang non linear apapun bentuk persamaannya asalkan bisa
ditranformasikan menjadi bentuk linear, maka persamaan garis regresinya bisa
dicari.
Persamaan garis regresi model polinom yaitu suatu bentuk hubungan antar
satu peubah bebas X dengan derajat polinom p dengan satu peubah Y,
persamaannya adalah:
𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝛽2 𝑋 2 + 𝛽3 𝑋 3 + … + 𝛽𝑝 𝑋 𝑝
Jika pada Y pangkat tertingginya adalah 1, maka bentuk persamaannya
menjadi 𝑌 = 𝛽0 + 𝛽1 𝑋 yang disebut dengan regresi linear. Apabila pangkat
tertingginya 2, maka persamaannya menjadi 𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝛽2 𝑋 2 yang disebut
dengan regresi kuadratik.
∑ 𝑌 = β0 n + β1 ∑ X + β2 ∑ X 2
∑ 𝑋𝑌 = β0 ∑ X + β1 ∑ X 2 + β2 ∑ X 3
∑ X 2 𝑌 = β0 ∑ X 2 + β1 ∑ X 3 + β2 ∑ X 4
1 1 10
2 2 13
3 3 15
4 4 20
5 5 16
6 7 11
7 3 14
8 2 12
9 4 21
10 6 17
11 7 10
12 8 7
13 8 6
14 1 11
15 3 16
f. Klik OK
Diperoleh hasil sebagai berikut:
2. Uji Scatterplot
a. Klik Graph→Scatterplot
b. Isi kolom pada Y variabel dengan Y dan X variabel dengan X.
c. Klik OK
Diperoleh hasil sebagai berikut
Dari plot data tersebut maka persamaan garisnya diduga kuadratik.
3. Uji Fitted Line Plot
1. Uji linear
a. Klik Stat → Regression → Fitted Line Plot → Pilih Linear
b. Klik OK
Diperoleh hasil sebagai berikut
Untuk mengetahui bahwa data yang kita olah merupakan model kuadratik,
terlebih dahulu kita uji dengan uji linear. Dari gambar diatas kita mengetahui bahwa
R-Sq = 9,7 %, sedangkan apabila data tersebut merupakan model linear seharusnya
R-Sq mendekati 95%. Jadi dari uji linear ini mengetahui bahwa data yang kita
peroleh tidak cocok menggunakan model linear.
2. Uji Kuadratik
a. Klik Stat → Regression → Fitted Line Plot → Pilih Quadratic
b. Klik OK
Diperoleh hasil sebagai berikut
3. Uji Kubik
a. Klik Stat → Regression → Fitted Line Plot → Pilih Cubic
b. Klik OK
Diperoleh hasil sebagai berikut
Dari fitted line plot di atas dapat diketahui nilai-nilai sebagai berikut :
Statistik Linear Kuadratik Kubik
Dari hasil fitted line plot diatas dapat diketahui bahwa model terbaik adalah
model kuadratik dengan nilai S yang paling kecil dan nilai R-Sq (adj) yang besar.
Untuk tahapan pada ANOVA adalah sebagai berikut :
1. Mendapatkan nilai kuadrat dari variabel dosis obat (X)
2. Meregresikan kadar creatinin ginjal (Y) dengan variabel dosis obat (X) dan
dosis obat (X)^2
4. Menguadratkan nilai X
a. Klik Calc → calculator
b. Pada kolom Store results in variable isi dengan C6 , Expressions dengan X*X.
c. Klik OK
Diperoleh hasil sebagai berikut
5. Meregresikan kadar creatinin ginjal (Y) dengan variabel dosis obat (X) dan
dosis obat (X)^2.
a. Analisis regresi
b.Klik OK
Diperoleh hasil sebagai berikut
c. Klik OK
Sehingga diperoleh hasil sebagai berikut
Dari gambar tersebut dapat terlihat bahwa nilai sisan mengikuti sebaran
normal karena membentuk pola garis lurus dengan sudut kurang dari 45 derajat.
Selain itu dengan menggunakan uji Anderson Darling diperoleh nilai P = 0,431
dimana nilai P tersebut lebih dari 0,05 sehingga menujukkan bahwa sisaan
mengikuti sebaran normal.
2. Pengujian Heteroskedasitas Nilai Sisaan
Untuk menguji heteroskedasitas nilai sisaan dapat menggunakan
Minitab 16 dengan langkah-langkah sebagai berikut.
a. Klik Stat → Regression → Regression → Graphs
b. Centang Residuals vs Fits
c. Klik OK
Sehingga diperoleh hasil seperti berikut
Dari gambar tersebut terlihat bahwa titik-titik plot residual menyebar secara
acak dan tidak membentuk suatu pola tertentu, sehingga dapat disimpulkan bahwa
antara variabel terikat dengan variabel bebas mempunyai keragaman
homogen(tidak heteroskedasitas).
3. Pengujian Kebebasan Nilai Sisaan (Autokorelasi)
Untuk enguji kebebasan nilai sisaan dapat menggunakan Minitab 16
dengan langkah-langkah sebagai berikut
a. Klik Stat → Time Series → Autocorrelation
b. Isi Kolom Series dengan RESI 2
c. Klik OK
Sehingga diperoleh hasil seperti berikut
Dari gambar tersebut terlihat bahwa tiga garis biru (data) tidak melewati garis
merah. Garis merah merupakan selang kepercayaan yang merupakan garis batas
signifikansi autokorelasi. Hal itu berarti bahwa tidak ada korelasi antar sisaan atau
saling bebas.
4. Pengujian Model Regresi
Pengujian Koefisien Regresi Secara Serentak
Dengan menggunakan uji F :
Uji F digunakan untuk melihat pengaruh variabel bebas secara
keseluruhan(serentak) terhadap variabel terikat.
Hipotesis dari pengujian koefisien regresi secara serentak ini, yaitu
𝐻0 : 𝛽1 = 𝛽2
𝐻1 : Tidak semua 𝛽1 = 0 untuk 𝑖 = 1,2
Atau
Ho : Variabel bebas (X) yang menyatakan dosis obat tidak berpengaruh
terhadap variabel terikat (Y).
H1 : Variabel bebas (X) yang menyatakan dosis obat secara simultan
berpengaruh terhadap variabel terikat (Y).
Analysis of Variance
Source DF SS MS F P
Regression 2 222,93 111,46 33,44 0,000
Residual Error 12 40,00 3,33
Total 14 262,93
Dari pengujian dengan menggunakan Minitab 16 diperoleh nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 33,44
Untuk mencari nilai 𝐹𝑡𝑎𝑏𝑒𝑙 dapat menggunakan tabel uji F berikut.
Source DF SS MS F P
Regression 2 222,93 111,46 33,44 0,000
Residual Error 12 40,00 3,33
Total 14 262,93
Dari analisis diatas dapat dilihat bahwa nilai p value (P) adalah 0,000, yang
mana 0,000 < 0,05, sehingga dapat disimpulkan bahwa variabel bebas (𝑋) yang
menyatakan dosis obat berpengaruh secara parsial terhadap variabel terikat (Y ).
2. ANALISIS REGRESI NON LINEAR EKSPONENSIAL
Seorang peneliti ingin mengetahui pertumbuhan paru-paru itik Bali, untuk tujuan
tersebut dipelihara 20 ekor itik. Itik tersebut di potong masing-masing 5 ekor pada
minggu ke 0,2,4 dan 6 dan kemudian diambil paru-parunnya lalu dilakukan
pertimbangan.
Umur Ulangan Berat Paru-Paru
(Minggu)
(Y)
(X)
0 1 35
2 25
3 34
4 49
5 45
2 1 115
2 128
3 101
4 95
5 130
4 1 310
2 310
3 305
4 305
5 320
6 1 980
2 880
3 1010
4 985
5 1025
Perhitungan manual
ln 𝑌̂ = ln 𝑎 + 𝑏𝑋
𝑛 ( ∑ 𝑋𝑖 ln 𝑌𝑖 )−(∑ 𝑋𝑖 (∑ 𝐼𝑛𝑌𝑖 )
ln b = 2
𝑛 ∑ 𝑋𝑖 2 − (∑ 𝑋𝑖 )
20 (368,457)− (60)(104,7249)
= 20(280)− (60)2
= 0,542822
∑ ln 𝑌𝑖 ∑ 𝑋𝑖
ln a = − (ln 𝑏) ( )
𝑛 𝑛
104,7249 60
= - (0,5428) (20)
𝑛
= 3,60778
a = 𝑒 3,06778
= 36,88497
𝑌̂ = 𝑎𝑒 𝑏𝑥
Jadi 𝑌̂ = 36,89𝑒 0,54282𝑋
Analisis Regresi Non Linear Eksponensial yaitu sebagai berikut :
1. Analisis Regresi terlebih dahulu untuk melihat nilai R-Sq nya.
2. Uji Scatter Plot untuk menentukan model data nya.
3. Melinearkan variabel Y nya menjadi linear dengan cara
mentransformasikan menjadi bentuk ln Y .
4. Meregresikan variabel yang telah di transformasi dengan variabel bebas
(X).
5. Membandingkan nilai R-Sq nya. Jika R-Sq dari data yang telah
ditransformasi lebih besar dari pada data yang awal maka model
eksponensial dapat digunakan.
6. Pengujian asumsi-asumsi yang harus dipenuhi dalam regresi Linear
f. Uji Normalitas
g. Uji Heteroskedasitas
h. Uji Autokorelasi
i. Uji Multikonearitas
j. Pengujian Koefisien Regresi secara Serentak (Uji F) dan Pengujian
Koefisien Regresi secara Individu(Uji t).
1. Analisis Regresi
a. Input data pada minitab.
c. Klik OK
Sehingga diperoleh hasil seperti berikut
Dari plot data tersebut maka persamaan garisnya diduga : 𝑌̂ = 𝑎𝑒 𝑏𝑥 atau dalam
bentuk linear : 𝑌̂ = ln 𝑎 + 𝑏𝑋.
3. Transformasi Data
Setelah diketahui bahwa data berat paru-paru berdistribusi eksponensial
maka sebelum melakukan estimasi model regresi eksponensial maka data
jumlah penduduk terlebih dahulu dilakukan transformasi. Transformasi
dilakukan untuk variabel Y yang bertujuan membantu melinierkan kurva regresi
eksponensial. Metode transformasi yang dipilih ialah transformasi untuk data
jumlah berat paru-paru dengan menggunakan Ln (Logaritma Natural).
Lakukan transformasi Ln terhadapp Y, dengan cara :
a. Klik Calc → Calculator
b. Pada kolom Store results in variable isi dengan C7 , Expressions dengan
LN(Y).
c. Klik OK
Diperoleh hasil sebagai berikut
S 163,263 0,147405
Dari hasil analisis regresi diatas dapat diketahui bahwa model terbaik adalah
model eksponensial karena R-Sq nya lebih besar.
6. Uji Asumsi Yang Harus Dipenuhi
1. Uji Kenormalan Nilai Sisaan
Dari gambar tersebut dapat terlihat bahwa nilai sisan mengikuti sebaran
normal karena membentuk pola garis lurus dengan sudut kurang dari 45 derajat.
Selain itu dengan menggunakan uji Anderson Darling diperoleh nilai P =
0,118 dimana nilai P tersebut lebih dari 0,05 sehingga menujukkan bahwa
sisaan mengikuti sebaran normal.
2. Pengujian Heteroskedasitas Nilai Sisaan
Dari gambar tersebut terlihat bahwa titik-titik plot residual menyebar
secara acak dan tidak membentuk suatu pola tertentu, sehingga dapat disimpulkan
bahwa antara variabel terikat dengan variabel bebas mempunyai keragaman
homogen(tidak heteroskedasitas).
3. Uji Kebebasan Nilai Sisaan (Autocorelasi)
Dari gambar tersebut terlihat bahwa tiga garis biru (data) tidak melewati garis
merah. Garis merah merupakan selang kepercayaan yang merupakan garis batas
signifikansi autokorelasi. Hal itu berarti bahwa tidak ada korelasi antar sisaan atau
saling bebas.
4. Pengujian Model Regresi
a. Pengujian Koefisien Regresi Secara Serentak
Dengan menggunakan uji F :
Uji F digunakan untuk melihat pengaruh variabel bebas secara
keseluruhan(serentak) terhadap variabel terikat.
Hipotesis dari pengujian koefisien regresi secara serentak ini, yaitu
𝐻0 : 𝛽1 = 𝛽2
𝐻1 : Tidak semua 𝛽1 = 0 untuk 𝑖 = 1,2
Atau
Ho : Variabel bebas (X) yang menyatakan uur tidak berpengaruh terhadap
variabel terikat (Y).
H1 : Variabel bebas (X) yang menyatakan umur secara simultan
berpengaruh terhadap variabel terikat (Y).
Analysis of Variance
Source DF SS MS F P
Regression 1 29,466 29,466 1356,11 0,000
Residual Error 18 0,391 0,022
Total 19 29,857
Analysis of Variance
Source DF SS MS F P
Regression 1 29,466 29,466 1356,11 0,000
Residual Error 18 0,391 0,022
Total 19 29,857
Dari analisis diatas dapat dilihat bahwa nilai p value (P) adalah 0,000, yang
mana 0,000 < 0,05, sehingga dapat disimpulkan bahwa variabel bebas (𝑋) yang
menyatakan umur itik berpengaruh secara parsial terhadap variabel terikat (Y ).
BAB IV
PENUTUP
4.1 Kesimpulan
1) Data yang tidak linear bisa kita selesaikan dengan menggunakan Model
Regresi Non Linear, salah satunya yaitu dengan menggunakan Model
regresi Compound.
2) Model Regresi yang sesuai dengan hasil produksi home industri keripik
pisang (kg) dan lama waktu kerja (jam) pada tiap bulannya adalah model
regresi compound.
3) Total lama waktu kerja (jam) pada tiap bulannya sangat berpengaruh
terhadap hasil produksi home industri kerupuk rambak (kg).
DAFTAR PUSTAKA
Agustian, W. R., dkk, 2011. Analisis Regresi Non Linier Model Compound.
Universitas Negeri Malang. https://id.scribd.com, diakses 11 September
2019.
Rhosyied, A., Besari, S. I., & Wijaya, A., Model Regresi Non Linear dan Uji
Deteksi Hubungan Non Linear. https://54ud1.files.wordpress.com, diakses 18
September 2019.
Setiawan & Kusrini, D.W., 2010. Ekonometrika. Yogyakarta : CV Andi Offset