[METODE NUMERIK] IFIGINIA, ST, S.Pd.

K, MT

PERTEMUAN 8

LINIERISASI KURVA TIDAK LINIER

Dalam praktek sering dijumpai bahwa sebaran titik – titik pada sistem koordinat mempunyai
kecenderungan trend yang berupa kurva lengkung. Gambar 1 menunjukkan sebaran data pada sistem
koordinat x-y. Dalam Gambar 1.a titik data diwakili oelh kurva linier, sedang Gambar 1.b diwakili oleh
kurva lengkung. Terlihat bahwa pendekatan dengan kurva lengkung memberikan hasil yang lebih baik
daripada garis lurus (kurva linier). Agar persamaan regresi linier dapat digunakan untuk
mempresentasikan kurva lengkung, maka perlu dilakukan transformasi koordinat sedemikian sehingga
sebaran titik data bisa dipresentasikan dalam kurva linier.

Berikut ini diberikan dua fungsi transformasi data yang biasa digunakan, yaitu eksponensial dan
fungsi berpangkat.

a. Persamaan Berpangkat

Persamaan berpangkat diberikan oleh bentuk berikut ini :

(1)

Dengan a dan b adalah koefisien konstan.

Persamaan tersebut dapat dilinierkan dengan menggunakan fungsi logaritmik sehingga didapat :

(2)

yang merupakan hubungan log – log antara log y dan log x. Persamaan tersebut mempunyai bentuk
garis lurus dengan kemiringan b dan memotong sumbu log y pada log a. Gambar 2 berikut menunjukkan
transformasi dari fungsi asli menjadi fungsi logaritmik.

b. Fungsi Eksponensial
Contoh lain dari kurva tak linier adalah fungsi eksponensial seperti diberikan oleh bentuk
berikut:
(3)

Dengan a dan b adalah konstanta.

 [METODE NUMERIK] IFIGINIA, ST, S.Pd.K, MT

Persamaan tersebut dapat dilinierkan dengan menggunakan logaritma natural sehingga

menjadi:

Oleh karena , maka :

(4)

Persamaan (2) merupakan hubungan semi logaritmik antara ln y dan ln x. Persamaan tersebut
mempunyai bentuk garis lurus dengan kemiringan b dan memotong sumbu ln y pada ln a. Gambar (3)
menunjukkan transformasi dari fungsi asli menjadi fungsi logaritmik.

Contoh Soal :

Tentukan persamaan kurva lengkung yang mewakili data berikut ini :

x 1 2 3 4 5
y 0.5 1.7 3.4 5.7 8.4

Penyelesaian :

Dicoba untuk mencari kurva dengan menggunakan dua bentuk transformasi, yaitu transformasi
log dan ln.

a. Transformasi log
Misalkan persamaan kurva yang dicari adalah :

Transformasi dengan menggunakan fungsi log sehingga :

Dilakukan transformasi berikut :

Sehingga persamaan di atas dapat ditulis dalam bentuk :

 [METODE NUMERIK] IFIGINIA, ST, S.Pd.K, MT

Hitungan dilakukan dengan menggunakan Tabel 1 dan didapat beberapa parameter berikut ini :

Tabel 1. Hitungan Regresi Linier dengan Transformasi Log

No xi yi qi = log xi pi = log yi qi pi qi²

1 1 0.5 0 -0.3010 0.0000 0.0000
2 2 1.7 0.3010 0.2304 0.0694 0.0906
3 3 3.4 0.4771 0.5315 0.2536 0.2276
4 4 5.7 0.6021 0.7559 0.4551 0.3625
5 5 8.4 0.6990 0.9243 0.6460 0.4886
Σ 15 19.7 2.0792 2.1411 1.4241 1.1693

̅ ̅

Dengan demikian persamaan transformasi adalah :

Mengingat :

Maka persamaan yang dicari adalah :

b. Transformasi ln

Misalkan persamaan kurva mempunyai bentuk :

Karena transformasi menggunakan ln maka persamaan menjadi :

 [METODE NUMERIK] IFIGINIA, ST, S.Pd.K, MT

Dilakukan transformasi berikut :

Sehingga persamaan di atas dapat ditulis dalam bentuk :

Hitungan dilakukan dengan menggunakan Tabel 2 dan didapat beberapa parameter berikut ini :

Tabel 2. Hitungan Regeresi Linier dengan Transformasi ln

No xi = qi yi qi² = xi² pi = ln yi qi pi
1 1 0.5 1 -0.6931 -0.6931
2 2 1.7 4 0.5306 1.0613
3 3 3.4 9 1.2238 3.6713
4 4 5.7 16 1.7405 6.9619
5 5 8.4 25 2.1282 10.6412
Σ 15 19.7 55 4.93 21.6425

̅ ̅

Dengan demikian persamaan transformasi adalah :

Mengingat :

Maka persamaan yang dicari :

 [METODE NUMERIK] IFIGINIA, ST, S.Pd.K, MT

Untuk memilih salah satu dari kedua hasil terbaik, dihitung nilai koefisien korelasi dengan
menggunakan persamaan :

Dengan :

∑ ̅

Hasil hitungan dilakukan dengan menggunakan Tabel 3.

Tabel 3. Hasil Hitungan Koefisien Korelasi

Transformasi log Transformasi ln

No xi yi
y log D² Dt² y ln D² Dt²
1 1 0.5 0.4984 0.000003 11.8936 0.6808 0.0327 13.0831
2 2 1.7 1.6848 0.000231 5.1253 1.3509 0.1219 5.8421
3 3 3.4 3.4354 0.001252 0.2635 2.6805 0.5176 0.5142
4 4 5.7 5.6953 0.000022 3.0507 5.3189 0.1452 2.5057
5 5 8.4 8.4296 0.000877 19.8140 10.5541 4.6402 18.3436
Σ 19.7435 0.002385 40.1470 20.5853 5.4577 40.2887
3.95
4.12

Dengan menggunakan hitungan yang diberikan dalam Tabel 3, dihitung nilai koefisien korelasi
berikut ini :

Nilai r untuk transformasi log :

√ √

Nilai r untuk transformasi ln :

√ √
 [METODE NUMERIK] IFIGINIA, ST, S.Pd.K, MT

Dari kedua nilai tersebut, koefisien korelasi r untuk transformasi log adalah lebih besar dari
transformasi ln, sehingga dapat disimpulkan bahwa persamaan yang didapat dari transformasi
log adalah lebih baik.