MODEL REGRESI NON-LINIER

MAKALAH

Disusun untuk memenuhi tugas matakuliah Ekonometrika

yang dibina oleh Ibu Trianingsih Eni Lestari, S.Si, M,Si

Oleh :
Agustia Tri Widayanti (160312604854)
Febri Nur Azis (160312604898)
Lailatul Mauludiyah (160312604903)
Wening Arum Pangestuty (160312604846)
Wiskandar (160312601710)

UNIVERSITAS NEGERI MALANG

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
JURUSAN MATEMATIKA
SEPTEMBER 2019
 BAB I
PENDAHULUAN
1.1 Latar belakang
Statistika adalah ilmu yang mempelajari bagaimana merencanakan,
mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data.
Singkatnya, statistika adalah ilmu yang berkenaan dengan data. Istilah 'statistika'
(statistics) berbeda dengan 'statistik' (statistic). Statistika merupakan ilmu yang
berkenaan dengan data, sedang statistik adalah data, informasi, atau hasil penerapan
algoritma statistika pada suatu data. Dari kumpulan data, statistika dapat digunakan
untuk menyimpulkan atau mendeskripsikan data, dinamakan statistika deskriptif.
Terdapat beberapa metode yang bisa digunakan mengolah data statistik,
salah satunya adalah metode analisis regresi. Analisis regresi merupakan metode
dalam statistika yang digunakan untuk mengetahui pola hubungan antara
variabel bebas dan variabel terikat (Hosmer and Lemeshow, 2000). Berdasarkan
pola hubungannya, analisis regresi terbagi atas analisis regresi linear dan
analisis regresi non-linear. Secara umum, bentuk non-linier dibedakan menjadi dua
yaitu bentuk polinomial berderajat n dan bentuk khusus seperti : model eksponen
dan compound.

1.2 Rumusan Masalah

Rumusan masalah yang didapatkan dari latar belakang diatas, daintaranya
sebagai berikut:
1. Apakah yang dimaksud dengan regresi non-linear?
2. Apa saja model-model dari regresi non-linear?
3. Apa saja metode estimasi untuk model regresi non-linear?
4. Bagaimana cara menentukan model regresi non-linear?

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.

2.2 Model Regresi Non-Linear

Secara umum, terdapat beberapa model regresi non-linear, antara lain:
Model Persamaan Bentuk Linear
Logaritma 𝑌 = 𝛽0 + 𝛽1 ln(𝑥) -
Invers 𝛽1 -
𝑌 = 𝛽0 +
𝑋
Kuadratik 𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝛽2 𝑋 2 -
Kubik 𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝛽2 𝑋 2 -
+ 𝛽3 𝑋 3
Compound 𝑌 = 𝛽0 𝛽1𝑋 ln Y = ln𝑎 + 𝑥𝑙𝑛 𝑏
Power 𝑌 = 𝛽0 𝑋𝛽1 ln Y = ln𝑎 + 𝑏 𝑙𝑛 𝑥
S 𝛽1 lnY = 𝑎 + 𝑏/𝑡
𝑌 = 𝐸𝑋𝑃 (𝛽0 + )
𝑋
Eksponensial 𝑌 = 𝛽0 𝑒 𝛽1𝑋 lnY = 𝑙𝑛𝑎 + 𝑏𝑥
Logistik 1 1 1
ln( − ) = 𝑙𝑛𝑎 + 𝑥𝑙𝑛𝑏
𝑌= 𝛽 + 𝛽1𝑋 𝑌 𝑈
𝑈 0

2.2.1 Model Regresi Non-Linear Kuadratik

Regresi non-linear sederhana kuadratik merupakan suatu teknik statistika
untuk membuat persamaan yang menjelaskan hubungan antara variabel bebas dan
variabel tak bebas, dimana persamaaan yang dihasilkan berupa persamaan
kuadratik. Secara umum, persamaan regresi non-linear sederhana kuadratik
memiliki bentuk
Y = β0 + β1 X + β2 X 2 .
Nilai β0 , β1 dan β2 dihitung dengan menyelesaikan sistem persamaan berikut :

∑ 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

Berikut diberikan contoh gambar dari kurava kuadratik

Gambar 2.3 Kurva Persamaan Kuadratik

2.2.2Model Regresi Non-Linear Eksponensial

Regresi non-linear sederhana eksponen merupakan suatu teknik stastistika
untuk membuat persamaan yang menjelaskan hubungan antara variabel bebas dan
variabel tak bebas, dimana persamaan yang dihasilkan berupa persamaan
eksponensial. Berikut merupakan bentuk umum persamaan regresi non-linear
sederhana eksponensial
𝑌 = 𝛽0 𝑒 𝛽1𝑋 .
Untuk menghitung nilai 𝛽0 dan 𝛽1, terlebih dahulu mentranformasikan bentuk
eksponensial ke bentuk linear. Berikut transformasi dari bentuk eksponensial ke
bentuk linear
𝑌 = 𝛽0 𝑒 𝛽1𝑋
ln𝑌 = ln(𝛽0 𝑒 𝛽1𝑋 )
ln𝑌 = ln𝛽0 + ln(𝑒 𝛽1𝑋 )
ln𝑌 = ln𝛽0 + 𝛽1 𝑋ln(𝑒)
ln𝑌 = ln𝛽0 + 𝛽1 𝑋
Misalkan 𝑦 = 𝑙𝑛𝑌, maka
ln𝑌 = ln𝛽0 + 𝛽1 𝑋
y = ln𝛽0 + 𝛽1 𝑋
Perhatikan bahwa y = ln𝛽0 + 𝛽1 𝑋 merupakan bentuk linear. Berikut diberikan
contoh gambar dari kurva persamaaan eksponensial.

Gambar 2.2 Kurva Persamaan Eksponensial

2.2.3 Model Regresi Non-Linear Power

Regresi non-linear sederhana power merupakan suatu teknik statistika untuk
membuat suatu persamaan yang menerangkan hubungan antara variabel bebas dan
variabel tak bebas, di mana persamaan yang dihasilkan berupa persamaan power.
Persamaan regresi non-linear hanya menggunakan satu variabel bebas. Secara
umum, persamaan regresi non-linear sederhana power memiliki bentuk
Y = β 0 X β1 .
Untuk menghitung nilai β0 dan β1, terlebih dalam mentransformasikan bentuk
power ke bentuk linear. Berikut transformasi dari bentuk power ke bentuk linear
Y = β 0 X β1
𝑙𝑛𝑌 = 𝐼𝑛(β0 X β1 )
𝐼𝑛𝑌 = 𝑙𝑛β0 + ln(X β1 )
𝐼𝑛𝑌 = 𝑙𝑛β0 + β1 lnX
Misal y = ln Y dan x = ln X, maka
𝐼𝑛𝑌 = 𝑙𝑛β0 + β1 lnX
𝑦 = 𝑙𝑛β0 + β1 x
Perhatikan bahwa y = ln𝛽0 + 𝛽1 𝑥 merupakan bentuk linear. Berikut diberikan
contoh gambar dari kurva persamaan power
 Gambar 2.2.3 Kurva Persamaan Power

2.3 Metode untuk Mengestimasi Model Regresi Nonlinier

1) Metode coba dan ralat (trial and error)
Langkah-langkah :
- Mencoba-coba memasukkan beberapa nilai 𝛽 pada persamaan regresi
- Menghitung galat kuadrat jumlah
- Model terbaik apabila jumlah galat kuadrat mempunyai nilai terkecil
Kelemahan :
- Harus mempunyai pengetahuan masa lalu tentang data yang akan
dimodelkan sehingga dapat mengestimasi nilai 𝛽 dari data tersebut
- Tidak adanya jaminan bahwa parameter yang dipilih memberikan SSE
yang minimum
- Jika nilai SSE tidak minimum, prosesnya membutuhkan waktu lama

2) Metode optimalisasi langsung (direct optimization)

Langkah-langkah :
- Menurunkan persamaan SSE dengan suatu nilai parameter atau koefisen
yang tidak diketahui
- Menyamakan persamaan tersebut dengan nol
- Menyelesaikan secara simultan
Kelemahan :
- Tidak dapat diselesaikan dengan mudah (secara eksplisit)
- Tetap memerlukan teknik coba dan ralat untuk menentukan nilai
parameter
- Proses sangat lambat untuk mencapai nilai estimasi yang konvergen
3) Metode linierisasi iteratif (iterative linierization)
Langkah-langkah :
- Melinearkan model nonlinier
- Parameternya akan diestimasi dengan metode OLS menggunakan suatu
nilai inisial yang disesuaikan (adjusted). Nilai tersebut digunakan untuk
merelinearisasi (relinearize) model
- Mengestimasi parameter dan menyesuaikan nilainya kembali
*proses diulang-ulang hingga nilai estimasi tidak berubah dari dua nilai
estimasi terakhir
Teknik yang dilakukan untuk melinear model nonlinier ini adalah
teknik kalkulus seri Taylor, yaitu dengan metode iterasi Gauss-Newton dan
Newton-Raphson. Beberapa program komputer juga sudah menggunakan
metode ini.
 BAB III
PEMBAHASAN
Seorang peneliti ingin mengetahui hubungan antara dosis obat tertentu (X) dengan
kadar Creatinin Ginjal (Y) pada percobaan kelinci, dari hasil penelitiannya
diperoleh hasil sebagai berikut :
No Dosis Kadar
Obat Creatin

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

Analisis Regresi Non Linear Kuadratik yaitu sebagai berikut :

1. Analisis Regresi terlebih dahulu untuk melihat nilai R-Sq nya.
2. Uji Scatterplot untuk menentukan model data.
3. Uji Fitted Line Plot linear, kuadratik dan kuik untuk menentukan model
yang terbaik.
4. Membuat variabel baru dengan cara mengkuadratkan nilai X nya (X2)
5. Meregresikan variabel terikat (Y) dengan variabel bebas (X) dan variabel
baru (X2) untuk membandingkan nilai R-Sq nya.
6. Jika R-Sq dari data yang telah ditambah dengan variabel baru sama dengan
analisis regresi sebelumnya sama berarti model kuadratik bisa digunakan
untuk data tersebut.
7. Pengujian asumsi-asumsi yang harus dipenuhi dalam regresi Linear
a. Uji Normalitas
b. Uji Heteroskedasitas
c. Uji Autokorelasi
d. Uji Multikonearitas
e. Pengujian Koefisien Regresi secara Serentak (Uji F) dan Pengujian
Koefisien Regresi secara Individu(Uji t).
1. Analisis Regresi
a. Input data pada minitab

b. Klik Stat → Regression → Regression

c. Pada kolom Responses isi dengan Y dan pada kolom preditor isi dengan
X.
 d. Klik tombol options kemudian centang Fit Intercept, Variance inflating
factors, Durbin-Watson statistic dan klik OK.

e. Klik Storage dan centang Residuals, Coefficients, Fits.

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

S 4,27286 1,82583 1,83340

R-Sq 9,7 % 84,6 % 85,9 %

R-Sq(adj) 2,8 % 82,2 % 82,1 %

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

6. Uji asumsi yang harus di penuhi

1. Pengujian Kenormalan Nilai Sisaan
Untuk menguji kenormalan nilai sisaan dapat mmenggunakan Minitab 16
dengan langkah-langkah sebagai berikut
a. Klik Stat → Basic Statistic → Normality Test
 b. Isi kolom Variable dengan RESI 2

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.

Pada soal diketahui bahwa 𝑘 = 1 dan 𝑛 = 15 , sehingga 𝑑𝑓(𝑁2) = 𝑛 − 𝑘 − 1 = 15

– 1 – 1 = 12, sehingga dari tabel diketahui nilai 𝐹𝑡𝑎𝑏𝑒𝑙 yaitu 4,75 . Karena 𝐹ℎ𝑖𝑡𝑢𝑛𝑔
= 33,44 dan 𝐹𝑡𝑎𝑏𝑒𝑙 yaitu 4,75 , maka 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 , sehingga menolak 𝐻0 dan
menerima 𝐻1 , artinya Variabel bebas (X) yang menyatakan dosis obat secara
simultan berpengaruh terhadap kadar kreatinin ginjal (Y).
Pengujian Koefisien Regresi
Dengan menggunakan uji T :
Uji-t digunakan untuk menguji berarti atau tidaknya hubungan variabel-
variabel independen(bebas) dengan variabel dependen(tetap).
Hipotesis dari pengujian koefisien regresi secara individual yaitu :
- 𝐻0 : 𝛽 = 0, artinya variabel bebas tidak mempunyai pengaruh yang signifikan
secara parsial terhadap variabel Y.
- 𝐻1 : 𝛽 ≠ 0, artinya variabel bebas mempunyai pengaruh yang signifikan secara
parsial terhadap variabel Y.
Berdasarkan pengujian menggunakan minitab 16 didapatkan:
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 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.

Diperoleh hasil sebagai berikut

2. Uji Scatterplot
a. Klik Graph → Scatterplot → Simple
b. Isi kolom Y variables dengan Y dan X variables dengan X.

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

4. Analisis Regresi data yang telah di transformasi.

Ln a = 3,608 , maka a = 𝑒 3,608 = 36,982, jadi Y = 36,892𝑒 0,543𝑋

5. Membandingkan Nilai R-Sq

Statistik Y Ln Y

S 163,263 0,147405

R-Sq 82,5 % 98,7%

R-Sq(adj) 81,6 % 98,6 %

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

Dari pengujian dengan menggunakan Minitab 16 diperoleh nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 =

1356,11 Untuk mencari nilai 𝐹𝑡𝑎𝑏𝑒𝑙 dapat menggunakan tabel uji F berikut.

Pada soal diketahui bahwa 𝑘 = 1 dan 𝑛 = 20 , sehingga 𝑑𝑓(𝑁2) = 𝑛 − 𝑘 − 1 = 20

– 1 – 1 = 18, sehingga dari tabel diketahui nilai 𝐹𝑡𝑎𝑏𝑒𝑙 yaitu 4,41. Karena 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 =
1356,11 dan 𝐹𝑡𝑎𝑏𝑒𝑙 yaitu 4,41 , maka 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 , sehingga menolak 𝐻0 dan
menerima 𝐻1 , artinya Variabel bebas (X) yang menyatakan umur itik secara
simultan berpengaruh terhadap berat paru-paru (Y).
Pengujian Koefisien Regresi
Dengan menggunakan uji T :
Uji-t digunakan untuk menguji berarti atau tidaknya hubungan variabel-
variabel independen(bebas) dengan variabel dependen(tetap).
Hipotesis dari pengujian koefisien regresi secara individual yaitu :
- 𝐻0 : 𝛽 = 0, artinya variabel bebas tidak mempunyai pengaruh yang signifikan
secara parsial terhadap variabel Y.
- 𝐻1 : 𝛽 ≠ 0, artinya variabel bebas mempunyai pengaruh yang signifikan secara
parsial terhadap variabel Y.
Berdasarkan pengujian menggunakan minitab 16 didapatkan:

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