MAKALAH NUMERIK

”REGRESI ”

DOSEN PENGAMPU:
VELLA ANGGREANA, S.T.,M.T

KELOMPOK :

1. ADEK (213110643)
2. ALFANDI RAMADHANI PUTRA (213110080)
3. ANANDA WIDYA (213110592)
4. MUHAMMAD ALDI (213110616)
5. NURUL YULITA HIDAYAH (213110693)
6. SYAFRIYAL (213110176)

FAKULTAS TEKNIK
PRODI TEKNIK SIPIL
UNIVERSITAS ISLAM RIAU
PEKANBARU
2023
 KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Allah SWT karena atas rahmat dan
karunia-Nya kami dapat menyelesaikan makalah ini dengan semaksimal mungkin
dengan judul ”Akar-akar persamaan kuadrat ”. Sholawat beserta salam semoga tetap
tercurah kepada Nabi kita, penutup para Nabi sekaligus satu-satunya Uswatun Hasanah
kita sebagai umat muslim, yakni Nabi Muhammad SAW. Tidak lupa pula kami
ucapkan terima kasih kepada ibu Vella Anggreana, S.T.,M.T selaku dosen mata kuliah
Metode Numerik.

Dalam penulisan makalah ini, kami menyadari masih banyak terdapat

kesalahan serta kekeliruan dalam pembuatan makalah ini, baik itu berkenaan dengan
materi pembahasan maupun dengan teknik penulisan. Walaupun demikian, kami sudah
berusaha semaksimal mungkin dalam membuat makalah ini. Makalah ini masih sangat
jauh dari kata sempurna, karena kesempurnaan hanyalah milik Allah SWT semata.
Untuk itu, sangat kami harapkan kritik dan saran bagi kesempurnaan makalah ini.
Semoga makalah ini bermanfaat serta dapat menambah wawasan ilmu pengetahuan
bagi para pembaca.

Pekanbaru, 3 Juni 2023

 DAFTAR ISI

MAKALAH NUMERIK...............................................................................................
KATA PENGANTAR ...................................................................................................
DAFTAR ISI ..................................................................................................................
BAB I PENDAHULUAN ...........................................................................................
1.1 Latar belakang ..................................................................................................
1.2 Rumusan Masalah ............................................................................................
1.3 Tujuan Penulisan Masalah................................................................................
BAB II PEMBAHASAN ..........................................................................................
2.1 Regresi Linear ..................................................................................................
2.2 Regresi Non Linear ..........................................................................................
2.3 Regresi Polinomial ...........................................................................................
BAB III PENUTUP....................................................................................................
3.1 Kesimpulan .......................................................................................................
3.2 Saran .................................................................................................................
DAFTAR PUSTAKA ....................................................................................................
 BAB I
PENDAHULUAN

1.1 Latar belakang

Analisis regresi/curva fitting digunakan untuk memprediksi/meramalkan
suatu permasalahan . Pemakaian analisis regresi tidak terbatas pada ilmu teknik
saja, tetapi dapat digunakan pada berbagai bidang ilmu, baik ilmu sosial maupun
ilmu ekonomi. Contoh penggunaan regresi:
a. dalam ilmu sosial : untuk memprediksi pertambahan penduduk per
tahun
b. dalam ilmu ekonomi : untuk menentukan pengaruh promosi terhadap
penjualan
c. dalam ilmu teknik : untuk menetukan pengaruh holding time dengan
kekuatan material.
Bentuk-bentuk regresi/curva fitting:
1. Linier : y = a + bx
2. Non Linier : y = a ebx , y = a xb
3. Polinomial : y = a0 + a1x + a2x2 + ….. + anxn

1.2 Rumusan Masalah

1.2. Regresi Linier
1.3. Regresi Non Linier
1.4. Regresi Polinomial

1.3 Tujuan
1. Mengetahui Arah Hubungan Antar Variabel Independen Dengan Variabel
Dependen
2. Memprediksi Nilai Dari Variabel Dependen Apabila Nilai Variabel Independen
Mengalami Kenaikan Atau Penurunan
 BAB II
PEMBAHASAN

2.1 REGRESI LINEAR

. y = a + bx

kesalahan, D = ( yi – f(xi) )

f(xi)

Metode yang digunakan dalam regresi linier adalah Metode Kwadrat Terkecil.
Tujuan dari metode ini adalah untuk membuat kesalahan yang terjadi sekecil
mungkin, seperti terlihat dalam gambar 5.1. Caranya adalah dengan mengkwadratkan

kesalahan (D2), dimana;

D2 = (y1- f(x1))2 + (y2- f(x2))2 + …. + (yn- f(xn))2

Dari bentuk regresi

Y = a + bx
a dan b harus dibuat sedemikian hingga agar D2 menjadi minimum, sehingga:
2 =0
2 = 0
sehingga:
 n xi yi   xi  yi
b
n xi 2 x
2
i

a = y  bx

Setelah didapat a dan b, lalu masukkan ke persamaan regresi y = a + bx

Untuk memprediksi apakah garis regresi yang kita buat sudah mempunyai kesalahan
yang sekecil mungkin, maka perlu dihitung suatu koefisien yang dinamakan
koefisien korelasi (r).
Koefisien korelasi mempunyai harga dari 0 – 1. Semakin mendekati nilai 1 makar
nya semakin baik.
Rumus untuk menghitung r adalah:

Dt 2  D 2
r
Dt 2

2.2 REGRESI NON LINEAR

a. Fungsi Eksponensial
Bentuk umum regresi eksponensial

y = a ebx

Persamaan diubah ke dalam bentuk ln.ln y =

ln a ebx
ln y = ln a + bx ln e ; ln e = 1
ln y = ln a + bx
Persamaan dapat disederhanakan menjadi:P =
ln y q=x
A = ln a
 B = bSehingga
persamaan menjadi:
P = A + Bq
Persamaan sudah merupakan bentuk regresi linier. Penyelesaiannya dapat
menggunakan penyelesaian regresi linier, sehingga diperoleh nilai A dan B.

Setelah A dan B didapat, maka dilakukan proses inverse sehingga didapatkan

nilai a dan b.
A = ln a a = eA
B=b b=B
Langkah selanjutnya adalah memasukkan nilai a dan b ke persamaan (5.1),sehingga
diperoleh y = a ebx

Perhitungan koefisien korelasi r:

𝑛

𝐷𝑡 = ∑(𝑦𝑖 − 𝑦̅)2
2

𝑖=1
𝑛

𝐷 = ∑(𝑦1 − 𝑎𝑒 𝑏𝑥𝑖 )2
2

𝑖=1

r Dt 2  D 2

Dt 2

B. PERSAMAAN BERPANGKAT

Bentuk umum:
y = a xb
Persamaan diubah ke dalam bentuk log.
log y = log a + b log x
Persamaan ditransformasikan menjadi:P =
log y B=b
A = log a q = log x
Bentuk persamaan yang baru:
P=A+Bq
Persamaan sudah merupakan bentuk persamaan linier, yang kalau
diselesaikan akan diperoleh nilai A dan B.
A dan B selanjutnya diinverse menjadi a dan b:
A = log a a = 10A
B=b b=B
Nilai a dan b kemudian dimasukkan ke persamaan :

y = a xb
Menentukan koefisien korelasi:

Dt 2    yi  y 
2

i1

r Dt 2  D 2

Dt 2

2.3 REGRESI POLINOMIAL

Bentuk umum:

y = a0 + a1x + a2x2 + a3x3 + … + anxn

Nilai x dan y sudah diketahui dari data.

Yang perlu dicari adalah nilai a0, a1, a2, …., an, sedemikian rupa sehingga harga
D2 menjadi minimum.

Persamaan merupakan persamaan simultan yang dapat diselesaikan dengan

Gauss Elimination, Gaus Jordan, Iterasi maupun yang lainnya. Yang didapat dari
persamaan (5.9) adalah nilai dari a0, a1, a2, …., an.
Selanjutnya masukkan a0, a1, a2, …., an ke persamaan Koefisien korelasi ( r )

Dt 2    yi  y 
2

i1

n D2  
n
 y
i1

 a1 x 2  ...  a
i
n
x
 a Dt2  D 2
0
a2 2
Dt
2.3 REGRESI POLINOMIAL

Bentuk umum:

y = a0 + a1x + a2x2 + a3x3 + … + anxn

Persamaan erornya:

𝐷2 = ∑𝑛𝑖=1(𝑦1 − 𝑎0 − 𝑎1 𝑥 − 𝑎2 𝑥 2 − ⋯ − 𝑎𝑛 𝑥 𝑛

Nilai x dan y sudah diketahui dari data.

Yang perlu dicari adalah nilai 𝑎0 , 𝑎1 , 𝑎2 , … , 𝑎𝑛 , sedemikian rupa sehingga harga 𝐷2

menjadi minimum.
Bentuk penyelesaian:
a 0 
x x  y 
2 n
 n
x
.

i i i i

x x2 x3 . x n1 
a  x y
 i  i  i  i  1   i i 

   x y 
2
 x2 x3 x4 . a
n2 (5.9)
 i    x
i i i
 2 i i

 . . . . .  .   . 
 n n1 n2 x nn a
   x y 
n
x x x .
 i  i  i  i  n   i i 

Persamaan ini merupakan persamaan simultan yang dapat diselesaikan dengan Gauss
Elimination, Gaus Jordan, Iterasi maupun yang lainnya. Yang didapat dari persamaan ini
adalah nilai dari a0, a1, a2, …., an.

Koefisien korelasi ( r ) dapat dihitung sebagai berikut:

Dt 2    yi  y 
2

n
i1

 
n

D   y i  a0  a1 x  a2 x  ...  a n x
2 nn
2
i1
 𝐷𝑡 2 − 𝐷2
𝑟=√
𝐷𝑡 2

Notasi a0, a1, a2, …., an menyatakan order polinonial yang akan dihitung.

Polinomial order 1 menghitung a sampai a1

Polinomial order 2 menghitung a sampai a2
Polinomial order 3 menghitung a sampai a3
Demikian seterusnya.
contoh soal :

Tentukan persamaan regresi data hasil percobaan geser langsung pada tanah
lempung terkonsolidasi normal. Data kedua variabel di berikan pada tabel berikut :

Tegangan Normal (X1) Tegangan Geser (y1)

138,0 61,4

206,9 86,9

241,4 103,9

275,9 124,4

295 125

350 130

Tegangan Tegangan 𝑋1 𝑌1 𝑋12 𝑌12

Normal (𝑋1 ) Geser (𝑌1 )

138 61 8418 19044 3721

206 86 17716 42436 7396

241 103 24823 58081 10609

 275 124 34100 75625 15376

295 125 36875 87025 15625

350 130 45500 122500 16900

∑ 𝑋1 ∑ 𝑌1 = 629 ∑ 𝑋1 𝑌1 ∑ 𝑋12 ∑ 𝑌12

= 1505 = 167432 = 404711 = 69627

(∑ 𝑌1 ) (∑ 𝑋12 )−(∑ 𝑋1 ) (∑ 𝑋1 𝑌1 )
a= 𝑛 (∑ 𝑋12 )− (∑ 𝑋1 )2

(629)(404711)−(1505)(167432)
= 6(404711)−(1505)2

= 15,79

𝑛 ∑ 𝑋1 𝑌1 −( ∑ 𝑋1 ) (∑ 𝑌1 )
B= 𝑛 ∑ 𝑋12 −( ∑ 𝑋1 )2

6(167432)−(1505)(629)
= 6(404711)−(1505)2

= 0,35

Berdasarkan lankah ke 2 diketahui nilai a=(15,79) san b= (0,35) sehaingga

persamaan regresi :

Y= a + bx

Y= 15,79 + 0,35x
 Tegangan Normal (X1) Tegangan Geser (y1)

138,0 61,4

206,9 86,9

241,4 103,9

275,9 124,4

295 125

350 130

Misalkan tegangan normal 380 𝑘𝑛/𝑚2 (x) maka besarnya tegangan geser adalah :

Y= 15,79 + 0,35X

Y= 15,79 + 0,35(380)

Y= 148,79

Sehingga saat tegang normal 380 𝑘𝑛/𝑚2 besarnya tegangan geser adalah 148,79 𝑘𝑛/𝑚2
Sehingga nilai koefisien korelasinya :

D𝑡 2 = ∑𝑛𝑖=1( 𝑦𝑖 − 𝑦̅)2

𝐷 2 =∑𝑛𝑖=1(𝑦1 − 𝑎 − 𝑏𝑥𝑖 )2

𝐷𝑡 2 −𝐷2
r=√
𝐷𝑡 2

614,4−44,762
=√ 614,4

=0,9628

Dari diketahui korelasi r didapatkan 0,9628 maka koefisien mendekati nilai 1.maka,tingkat
korelasi r nya semakin baik.
 BAB III

PENUTUP

3.1 KESIMPULAN

Regresi linear merupakan pendekatan untuk memodelkan hubungan antara

suatu (satu atau lebih) variabel dependen dengan satu (regresi linear sederhana)
atau lebih variabel independen (regresi linier banyak). Salah satu aplikasi dari
regresi linier adalah untuk melakukan prediksi berdasarkan data-data yang telah
dimiliki sebelumnya. Dengan asumsi hubungan di antara variabel-variabel
tersebut dapat didekati oleh suatu persamaan garis lurus, maka model yang
mendekati hubungan antar variabel di data tersebut disebut sebagai model regresi
linear.

Analisis Regresi digunakan untuk meneliti hubungan antar dua atau lebih
variabel, dengan paling tidak satu variabel sebagai variabel dependen (respon) Y
dan variabel lainnya sebagai variabel independen (variabel prediktor) X.

Dari diketahui korelasi r didapatkan 0,9628 maka koefisien mendekati nilai 1.

Maka,tingkat korelasi r nya semakin baik.
 DAFTAR PUSTAKA

https://id.m.wikipedia.org/wiki/Regresi_linear

https://metstat.mipa.ugm.ac.id/teori/regresi-linear/

https://metstat.mipa.ugm.ac.id/teori/regresi-linear/