MAP 61114 PRAKTIKUM FISIKA KOMPUTASI

PRAKTIKUM 5

Bahasan : Regresi

Tujuan Pembelajaran : Mahasiswa mampu melakukan regresi linear dan kuadratik

secara numerik
Diskripsi Singkat : Materi praktikum ini akan memberikan pengalaman eksperimen
numerik kepada mahasiswa tentang regresi linear dan kuadratik
dengan bahasa Python

TEORI

REGRESI LINIER

Regresi adalah salah satu metode untuk mencari hubungan antara variabel
dependen/variabel terikat (y) dengan variabel independen/variabel bebas (x). Metode ini
dapat digunakan untuk memprediksi nilai data yang tidak diketahui dengan menggunakan
nilai-nilai data yang sudah ada.
Berbeda dengan interpolasi, yang mengharuskan nilai yang dicari harus berada di
dalam, regresi dapat digunakan untuk memprediksi nilai suatu titik di dalam atau di luar
kumpulan data, yang biasanya disajikan dalam bentuk persamaan (model) matematis.
Pendekatan regresi sebenarnya mengacu pada penggunaan deret polinomial (persamaan 6),
yang mana regresi linear, memotong pada dua suku pertama, seperti ditunjukkan pada
persamaan (1).

y=mx+b (1)

m : koefisien regresi/ gradient

b : perpotongan antara garis dan sumbu y (intercept)
y : variabel dependen
x : variabel independen

Pada persamaan (1), m juga dikenal sebagai koefisien regresi, atau yang sering kita kenal juga
dengan istilah gradient (kemiringan) jika jumlah datanya hanya dua titik. Koefisien m ini
adalah yang menunjukkan korelasi antara x dan y, yang dapat dicari dengan persamaan
berikut:

( ( ))
xi y i− ∑ x i (∑ y i )
❑ ❑ ❑
n ∑
❑ ❑ ❑
(2)
m=
❑
 MAP 61114 PRAKTIKUM FISIKA KOMPUTASI

Setelah mencari nilai m, nilai perpotongan garis dengan sumbu y akan terjadi pada titik b
yang dapat dicari dengan persamaan:

b= y−m x (3)

Untuk mengetahui seberapa cocok regresi dengan data, maka dapat dicari koefisien
korelasinya (r) yang dapat dihitung dengan formula berikut:

( ( ))
x i y i− ∑ x i ( ∑ y i )
❑ ❑ ❑
n ∑
❑ ❑ ❑
(4)
r=
❑
dengan n sebagai jumlah sampel.
Koefisien korelasi bernilai -1 sampai 1. Korelasi bernilai 1 berarti korelasi positif
sempurna, dan apabila bernilai sama dengan -1 berarti korelasinya negatif sempurna (ketika
nilai x naik, nilai y menurun). Dan jika 0 atau mendekati 0 berarti hampir tidak memiliki
korelasi.

Cara lain untuk mengetahui seberapa besar persebaran data dari garis regresi adalah
menggunakan RMSE (Root Mean Square Error). RMSE juga disebut sebagai standar deviasi
dari ukuran jauhnya titik data dari garis regresi dan mengetahui seberapa besar kesalahan
prediksi. Nilai RMSE yang semakin mendekati nol, menunjukkan tingkat kecocokan model
semakin tinggi.

Rumus umum RMSE sebagai berikut:

(5)
RMSE=√❑

Gambar 5.1 Regresi Linier

Contoh Soal
Berikut ini adalah tabel suhu T pada batang logam yang dengan panjang x. Suhu T adalah
fungsi jarak x sepanjang batang,
 MAP 61114 PRAKTIKUM FISIKA KOMPUTASI

x i (cm) 1,0 2,0 3,0 4,0 5,0 6,0 7,0

T i (C) 5,7 22,5 28,4 37,5 45,8 61,9 80,1

Cari nilai a dan b untuk memenuhi persamaan regresi linear dibawah ini
T ( x )=a+bx

Kemudian tunjukkan grafik hubungan T dan x dengan menggunakan regresi linear.

Tentukan nilai suhu (T) saat x =12 cm!

Contoh Program
MAP 61114 PRAKTIKUM FISIKA KOMPUTASI

Output
 MAP 61114 PRAKTIKUM FISIKA KOMPUTASI

REGRESI POLINOMIAL
Regresi polinomial tujuannya sama seperti regresi linier, yaitu digunakan untuk
memodelkan hubungan antara data x dan y. Regresi ini diperlukan mengingat tidak semua
sistem fisis memiliki karakteristik linear. Sehingga akan lebih ideal untuk mencari model
sebaran titik-titik data yang sifatnya non-linier.

Persamaan polinomial secara umum ditulis sebagai berikut:

2 3 n
y=a0 +a 1 x +a2 x + a3 x +…+ an x (6)

yang mana n pada persamaan 6 disebut sebagai derajat polinomial

Gambar 5.2 Regresi Polinomial

Contoh Soal
Berikut ini adalah tabel daftar kecepatan mobil saat melintasi jalan tol pada jam-jam tertentu.
Di mana x adalah jam mobil melintas pada jalan tol, dan y adalah kecepatan mobil saat
melintasi jalan tol.
x i (hour ) y i (m/ s)

1 100

2 90

3 80

5 60

6 60
 MAP 61114 PRAKTIKUM FISIKA KOMPUTASI

7 55

8 60

9 65

10 70

12 70

13 75

14 76

15 78

16 79

18 90

19 99

21 99

22 100

Cari nilai B0 , B1 , B2 , … . untuk memenuhi persamaan regresi polinomial dibawah ini

2 n
v ( x )=B0 + B1 x i + B2 x i +…+ Bn x i

Kemudian tunjukkan grafik hubungan v dan x dengan menggunakan regresi polinomial

Contoh Program
MAP 61114 PRAKTIKUM FISIKA KOMPUTASI

Output