Matematika dan Statistika

GL - 2101

Kuliah #3:
Best fit (analisis regresi)

Agus M. Ramdhan, PhD

 Vitrinite reflectance (%)

Berapa besar erosi di

titik ini berdasarkan
data vitrinite
reflectance, jika:
Depth (ft)

diketahui bahwa nilai

vitrinite reflectance di
permukaan adalah
0.2%?
Linear trend
VR - Depth

Free-hand estimation:
Subjective!!!
 Menghindari subjektivitas:

Analisis regresi
Best fit
Regresi least-square
 Vitrinite reflectance (%)

Best fit least square:

Depth (ft)

Garis dipilih sedemikian

rupa sehingga jumlah
jarak kuadrat antara
data dengan garis yang
dipilih adalah minimum
Jarak antara data
dengan model
Analisis best fit least square
Regresi linier sederhana
Regresi kuadratik
Regresi eksponensial (?)
Regresi linier sederhana
 Least - square

Garis terbaik data adalah bila a0 dan a1

dipilih sedemikian rupa sehingga:

S (i2) adalah minimum

Square Least
 m m
S i ( yi a0 a1 xi ) 2
2
S S
i 1 i 1 minimal: dan a1
=0
a0
S S (a0 , a1 )
 m

(y i a0 a1 xi ) 0
S S i 1
minimal dan =0
a0 a1 m

x (y
i 1
i i a0 a1 xi ) 0
 m m
a0 m a1 xi yi
i 1 i 1
m m m
a0 xi a1 xi xi yi
2

i 1 i 1 i 1

m m

y a x i 1 i
a0 i 1 i 1
m
m m m
m xi yi xi yi
a1 i 1 i 1 i 1
2
m
m
m xi xi
2

i 1 i 1
 Analisis best fit
Acuan: nilai rata-rata
 Deviasi
( yi y ) ( y i y ) ( yi y )
n n n

i
( y
i 1
y ) 2
i
(
y y ) 2

i 1 JKR
i
( y
y ) 2

i 1
JKT JKS

JKT Jumlah Kuadrat Total

JKR Jumlah Kuadrat Akibat Regresi
JKS Jumlah Kuadrat Sisa

Nilai JKT konstan

Baik/ buruk regresi nilai JKR & JKS
 Koefisien Determinasi
JKR besar JKS kecil regresi baik
JKR kecil JKS besar regresi buruk

JKR
R
2

JKT
R2 Koefisien Determinasi (koefisien
korelasi darab
0 JKR JKT 0 R2 1
R2 baik engineering judgement ( 80 %)
R2 minimum dan R2 maksimum
 Regresi kuadratik

y a0 a1 x a2 x 2

Data
 Kurva regresi terbaik:
a0, a1 dan a2 dipilih sedemikian rupa
sehingga S (i2) adalah minimum

i yi y i yi a0 a1 xi a2 xi 2
m m
S i ( yi a0 a1 xi a2 xi )
2 2 2

i 1 i 1

S S (a0 , a1 , a2 )

S S S
minimum: , dan =0
a0 a1 a2
S m
( yi a0 a1 xi a2 xi ) 0
2

a0 i 1
S m
xi ( yi a0 a1 xi a2 xi ) 0
2

a1 i 1
S m
xi ( yi a0 a1 xi a2 xi ) 0
2 2

a2 i 1
m m m m

a a x a x yi
2
0 1 i 2 i
i 1 i 1 i 1 i 1
m m m m

a x a x a2 xi xi yi
2 3
0 i 1 i
i 1 i 1 i 1 i 1
m m m m

a0 xi a1 xi a2 xi xi yi
2 3 4 2

i 1 i 1 i 1 i 1
m m m m

a a x a x yi
2
0 1 i 2 i
i 1 i 1 i 1 i 1
m m m m

a0 xi a1 xi a2 xi xi yi
2 3

i 1 i 1 i 1 i 1
m m m m

a x a1 xi a2 xi xi yi
2 3 4 2
0 i
i 1 i 1 i 1 i 1

m m m m
a0 1 a1 xi a2 xi yi
2

m
i 1 i 1 i 1 i 1
1 m
i 1 m m m m
a0 xi a1 xi a2 xi xi yi
2 3
Selanjutnya:
i 1 i 1 i 1 i 1
m

m m m m
a0 xi a1 xi a2 xi xi yi
2 3 4 2

i 1 i 1 i 1 i 1 i 1
a0 m a1 xi a2 xi yi
2

a0 xi a1 xi a2 xi xi yi
2 3

a0 xi a1 xi a2 xi xi yi
2 3 4 2

m x x a0 yi
2

3
i i
Metoda
xi x x i a1 xi yi
2
i
eliminasi
x 2 x x
3 4
xi yi
2
i i i a2
 Analisis Regresi
n n n

i
( y
i 1
y ) 2
i
(
y
i 1
y ) 2
i i
( y
i 1

y ) 2

JKT JKR JKS

JKT Jumlah Kuadrat Total

JKR Jumlah Kuadrat Akibat Regresi
JKS Jumlah Kuadrat Sisa
dengan: y adalah nilai y data
i
adalah nilai y rata-rata dari
y data
y i adalah nilai y pada kurva
regresi dengan persamaan:
yi a0 a1 xi a2 xi
2
 Koefisien Determinasi

R
2 JKR

( yi y )
2

JKT ( yi y ) 2

0 R2 1
R2 baik engineering judgement ( 80
%)
Regresi eksponensial?
Regresi power?
Degree of freedom
Questions???