MAKALAH

PENGHAMPIRAN FUNGSI DENGAN METODE KUADRAT TERKECIL DENGAN

REGRESI LINEAR DAN REGRESI POLINOM
Makalah ini disusun untuk memenuhi Tugas Metode Numerik
Dosen Pengampu :
Siti Faridah,M.Pd

OLEH :
Dinda Tri Amanda (200108110068)
Achmad Firmasnyah (200108110057)

PROGRAM STUDI TADRIS MATEMATIKA

FAKULTS ILMU TARBIYAH DAN KEGURUAN
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM MALANG
TAHUN 2022
PENGHAMPIRAN FUNGSI DENGAN METODE KUADRAT TERKECIL DENGAN
REGRESI LINEAR DAN REGRESI POLINOM

A. PENGHAMPIRAN FUNGSI DENGAN METODE KUADRAT TERKECIL

Metode kuadrat terkecil (ordinary least squares = OLS) merupakan untuk
mendapatkan kurva terbaik yang mewakili titik-titik data dengan cara meminimumkan
perbedaan/selisih antara titik-titik data dan kurva. Misalkan 𝑥1 , 𝑥2 , … , 𝑥𝑛 adalah nilai-
nilai dari sebuah peubah bebas 𝑋 dan 𝑦1 , 𝑦2 , … , 𝑦𝑛 merupakan nilai-nilai dari peubah
tak bebas (terikat) 𝑌 yang bersesuaian dengan 𝑋. Misalkan pula 𝑦̂ = 𝑓̂(𝑥) adalah nilai
hampiran atau taksiran untuk sebuah fungsi 𝑓 . Galat antara 𝑦̂ nilai-nilai hampiran untuk
fungsi 𝑓 dengan 𝑦 nilai-nilai sebenarnya yang ditabulasikan adalah 𝑑𝑖 = 𝑦𝑖 − 𝑦̂,.
𝑖 Fungsi

𝑓(𝑥) dipilih dengan suatu cara agar 𝑑1 , 𝑑2 , … , 𝑑𝑛 kecil.

Gambaran Pencocokan Kurva

Kali ini, kita akan mempelajari masalah mencocokan sebuah fungsi Akan dipelajari
pada pertemuan kesembilan ini, masalah mencocokkan sebuah fungsi 𝑓̂(𝑥) pada nilai-
nilai yang ditabulasikan dengan meminimumkan jumlah kuadrat simpangan. Metode
ini disebut pencocokkan kuadrat terkecil

B. REGRESI LINEAR

Gambar Regresi Linear

 Metode yang digunakan dalam regresi linier adalah Metode Kuadrat Terkecil. Tujuan
dari metode ini adalah untuk membuat kesalahan yang terjadi sekecil mungkin, seperti
terlihat dalam gambar regresi linear Caranya adalah dengan mengkuadratkan
kesalahan (𝐷2 ), dimana

2 2 2
𝐷 2 = (𝑦1 − 𝑓(𝑥1 )) + (𝑦2 − 𝑓(𝑥2 )) + ⋯ + (𝑦𝑛 − 𝑓(𝑥𝑛 ))

Dari bentuk regresi

𝑌 = 𝑎 + 𝑏𝑥
𝑎 dan 𝑏 harus dibuat sedemikian hingga agar 𝐷2 menjadi minimum, sehingga
𝜕𝐷2
= 0
𝜕𝑎
𝜕𝐷2
= 0
𝜕𝑏
Sehingga
𝒏 σ 𝒙 𝒊 𝒚𝒊 − σ 𝒙 𝒊 σ 𝒚𝒊
𝒃= 𝟐
𝒏 σ 𝒙𝒊 − (σ 𝒙𝒊 )𝟐
𝒂= 𝒚
ഥ − 𝒃𝒙
ഥ

Setelah didapatkan 𝑎 dan 𝑏, dapat dimasukkan ke persamaan regresi 𝑌 = 𝑎 + 𝑏𝑥

Untuk memprediksi apakah garis regresi yang sudah dibuat mempunyai kesalahan yang
kecil mungkin, maka perlu dihitung suatu koefisien yang dinamakan koefisien korelasi
(𝒓). Koefisien korelasi mempunyai harga dari 0-1. Semakin mendekati nilai 1, maka r
nya semakin baik.
Rumus menghitung nilai r adalah

𝑫𝒕𝟐 − 𝑫𝟐
𝒓=ඨ
𝑫𝒕𝟐

Dimana
𝒏

𝑫𝒕𝟐 = ෍(𝒚𝒊 − 𝒚
ഥ )𝟐
𝒊=𝟏
𝒏

𝑫𝟐 = ෍(𝒚𝒊 − 𝒂 − 𝒃𝒙𝒊 )𝟐
𝒊=𝟏
 Contoh :
Tentukan persamaan garis yang mewakili data tersebut
No 𝒙𝒊 𝒚𝒊
1 4 30
2 6 18
3 8 16
4 10 10
5 12 14
6 14 20
7 16 16
8 18 8
9 20 12
10 22 6

Dengan menggunakan persamaan regresi 𝑦 = 𝑎 + 𝑏𝑥

Penyelesaiannya sebagai berikut
No 𝒙𝒊 𝒚𝒊 𝒙 𝒊 𝒚𝒊 𝒙𝟐𝒊 ഥ )𝟐
(𝒚𝒊 − 𝒚 (𝒚𝒊 − 𝒂 − 𝒃𝒙𝒊 )𝟐
1 4 30 120 16 225 56,65983471
2 6 18 108 36 9 7,908025712
3 8 16 128 64 1 9,93204775
4 10 10 100 100 25 56,11371901
5 12 14 168 144 1 3,350009183
6 14 20 280 196 25 33,99243343
7 16 16 256 256 1 12,18644628
8 18 8 144 324 49 8,113865932
9 20 12 240 400 9 7,908025712
10 22 6 132 484 81 2,332561983
𝒏 𝒏
𝟐
෍ 𝒙𝒊 ෍ 𝒚𝒊 ෍ 𝒙 𝒊 𝒚𝒊 ෍ 𝒙𝒊 ഥ )𝟐
෍(𝒚𝒊 − 𝒚 ෍(𝒚𝒊 − 𝒂 − 𝒃𝒙𝒊 )𝟐
𝒊=𝟏 𝒊=𝟏
130 150 1676 2020 426 198,4969697

Dari tabel diatas dapat ditentukan

σ 𝒙𝒊 𝟏𝟓𝟎
𝑥̅ = = = 𝟏𝟓
𝑛 𝟏𝟎
σ 𝒚𝒊 𝟏𝟑𝟎
𝑦̅ = = = 𝟏𝟑
𝑛 𝟏𝟎
Persamaan garis yang mewakili
𝑦 = 𝑎 + 𝑏𝑥
Dengan
𝒏 σ 𝒙 𝒊 𝒚𝒊 − σ 𝒙 𝒊 σ 𝒚𝒊 𝟏𝟎(𝟏𝟔𝟕𝟔) − 𝟏𝟑𝟎(𝟏𝟓𝟎)
𝒃= 𝟐 = = −𝟎, 𝟖𝟑𝟎𝟑𝟎𝟑𝟎𝟑
𝒏 σ 𝒙𝒊 − (σ 𝒙𝒊 )𝟐 𝟏𝟎(𝟐𝟎𝟐𝟎) − (𝟏𝟑𝟎)𝟐

ഥ − 𝒃𝒙
𝒂= 𝒚 ഥ = 𝟏𝟑 − (−𝟎, 𝟖𝟑𝟎𝟑𝟎𝟑(𝟏𝟓)) = 𝟐𝟓, 𝟕𝟗𝟑𝟗

Sehingga persamaan garisnya

𝑦 = 25,7939 − 0,830303𝑥
Dengan melihat koefisien korelasinya :
𝒏

𝑫𝒕𝟐 = ෍(𝒚𝒊 − 𝒚
ഥ)𝟐 = 𝟒𝟐𝟔
𝒊=𝟏
𝒏

𝑫 = ෍(𝒚𝒊 − 𝒂 − 𝒃𝒙𝒊 )𝟐 = 𝟏𝟗𝟖, 𝟒𝟔𝟗𝟔𝟗

𝟐

𝒊=𝟏

𝑫𝒕𝟐 − 𝑫𝟐 𝟒𝟐𝟔 − 𝟏𝟗𝟖, 𝟒𝟔𝟗𝟔𝟗

𝒓=ඨ = ඨ = 𝟎, 𝟕𝟑𝟎𝟕𝟖
𝑫𝒕𝟐 𝟒𝟐𝟔

Sehingga hasil koefisien korelasinya adalah 0,73078

C. REGRESI POLINIMIAL
Seringkali regresi linear tidak sesuai atau tidak cocok dengan data. Atau mungkin
persamaan kuadratik atau kubik lebih cocok untuk data tersebut. Untuk kasus-kasus
demikian, dilakukan regresi polinomial. Prosedur kuadrat terkecil yang dapat
diaplikasikan untuk mencocokkan data dengan suatu polinom berderajat satu ber-orde m:

𝑦 = 𝑎0 + 𝑎1𝑥 + 𝑎2𝑥2 + ⋯ +𝑎𝑚𝑥𝑚 + 𝑒

Jumlah kuadrat simpangannya adalah:
𝑛
𝑆𝑟 = σ(𝑦𝑖 − 𝑎0 − 𝑎1𝑥𝑖 − 𝑎2𝑥𝑖2 − ⋯ − 𝑎𝑚𝑥𝑖𝑚)2
𝑖=1

Dengan cara yang sama pada regresi linear untuk mendapatkan jumlah kuadrat
minimum maka didiferensialkan persamaan tersebut:
𝝏𝒔𝒓
= −𝟐 ෍(𝒚𝟏 − 𝒂𝟎 − 𝒂𝟏 𝒙𝒊 − 𝒂𝟐 𝒙𝟐𝒊 − ⋯ − 𝒂𝒎 𝒙𝒎
𝒊
𝝏𝒂𝟎
𝝏𝒔𝒓
= −𝟐 ෍ 𝒙𝟏 (𝒚𝟏 − 𝒂𝟎 − 𝒂𝟏 𝒙𝒊 − 𝒂𝟐 𝒙𝟐𝒊 − ⋯ − 𝒂𝒎 𝒙𝒎
𝒊
𝝏𝒂𝟏
𝝏𝒔𝒓
= −𝟐 ෍ 𝒙𝟐𝒊 (𝒚𝟏 − 𝒂𝟎 − 𝒂𝟏 𝒙𝒊 − 𝒂𝟐 𝒙𝟐𝒊 − ⋯ − 𝒂𝒎 𝒙𝒎
𝒊
𝝏𝒂𝟐
Agar diperoleh 𝑆𝑟 minimum maka persamaan-persamaan di atas diferensialnyaharus
sama dengan nol, dan disusun kembali sehingga diperoleh persamaan normal:
𝑎0𝑛 + 𝑎1 σ 𝑥𝑖 + 𝑎2 σ 𝑥𝑖2 + ⋯ + 𝑎𝑚 σ 𝑥𝑖𝑚 = σ 𝑦𝑖

𝑎0 σ 𝑥𝑖 + 𝑎1 σ 𝑥𝑖2 + 𝑎2 σ 𝑥𝑖3 + ⋯ + 𝑎𝑚 σ 𝑥𝑖𝑚+1 = σ 𝑥𝑖𝑦𝑖

𝑎0 σ 𝑥𝑖2 + 𝑎1 σ 𝑥𝑖3 + 𝑎2 σ 𝑥𝑖4 + ⋯ + 𝑎𝑚 σ 𝑥𝑖𝑚+2 = σ 𝑥𝑖2𝑦𝑖

𝑎0 σ 𝑥𝑖𝑚 + 𝑎1 σ 𝑥𝑖𝑚+1 + 𝑎2 σ 𝑥𝑖𝑚+2 + ⋯ + 𝑎𝑚 σ 𝑥𝑖2𝑚 = σ 𝑥𝑖𝑚𝑦𝑖

Dimana semua penjumlahan (σ) adalah dari 𝑖 = 1 s/dn.

Galat untuk regresi polinom:

𝑠𝑟
𝑠𝑦⁄ = ඨ
𝑥 𝑛 − (𝑚 + 1)

Dimana: 𝑛 = jumlah titik data; 𝑚 = orde polinom

Contoh Regresi Polinom

Cari persamaan kurva polinomial order dua yang mewakili data berikut:

𝑥𝑖 0 1 2 3 4 5
𝑦𝑖 2,1 7,7 13,6 27,2 40,9 61,1

Parabola kuadrat terkecil

𝑦 = 𝑎0 + 𝑎1𝑥 + 𝑎2𝑥2

Persamaan normal yang harus disusun:

𝑎 0𝑛 + 𝑎 1 σ 𝑥 𝑖 + 𝑎 2 σ 𝑥 𝑖 2 = σ 𝑦 𝑖
𝑎0 σ 𝑥𝑖 + 𝑎1 σ 𝑥𝑖2 + 𝑎2 σ 𝑥𝑖3 = σ 𝑥𝑖𝑦𝑖
𝑎0 σ 𝑥𝑖2 + 𝑎1 σ 𝑥𝑖3 + 𝑎2 σ 𝑥𝑖4 = σ 𝑥𝑖2𝑦𝑖

Solusi:

Nomor 𝑥𝑖 𝑦𝑖 (𝑦𝑖 − 𝑎0 − 𝑎1𝑥𝑖 − 𝑎2𝑥𝑖2)2

1 0 2,1 0,14332
2 1 7,7 1,00286
3 2 13,6 1,08158
4 3 27,2 0,80491
5 4 40,9 0,61951
6 5 61,1 0,09439
Jumlah 15 152,6 3,74657

Dari data yang diberikan, diperoleh:

m=2 σ 𝑥𝑖 = 15 σ 𝑥𝑖4 = 979
n=6 σ 𝑦𝑖 = 152,6 σ 𝑥𝑖 𝑦𝑖 = 585,6

𝑥̅ = 2,5 σ 𝑥𝑖2 = 55 σ 𝑥𝑖2𝑦𝑖 = 2488,8

𝑦̅= 25,433 σ 𝑥𝑖3 = 225

Sehingga, sistem persamaan linear simultan yang terbentuk adalah:

6𝑎0 + 15𝑎1 + 55𝑎2 = 152,6
15𝑎0 + 55𝑎1 + 225𝑎2 = 585,6
55𝑎0 + 225𝑎1 + 979𝑎2 = 2488,8
Sistem persamaan linear tersebut dapat diselesaikan dengan metode Eliminasi
Gaussdan diperoleh:
𝑎0 = 2,47857
𝑎1 = 2,35929
𝑎2 = 1,86071
Maka, persamaan dari parabola kuadrat terkecil dalam kasus ini adalah:
𝑦 = 𝑎0 + 𝑎1𝑥 + 𝑎2𝑥2
𝑦 = 2,47857 + 2,35929𝑥 + 1,86071𝑥2

Galat untuk regresi polinom:

374657
𝑠𝑦⁄ = ඨ = 1.12
𝑥 6−3
 DAFTAR PUSTAKA
DR. Ir. Setijo Bismo, DEA., TGP-FTUI. (2015). Modul 3 - Regresi Linier
denganMetode Kuadrat Terkecil. Hal 1-23
Eka Maulana, ST, MT, Meng. (2014). Metode Numerik. Regresi Selisih
Kuadrat Terkecil (diakses 12 Oktober 2022)
http://www.maulana.lecture.ub.ac.id/files/2014/05/08-Regresi-Kuadrat-
Terkecil.pdf)