ANALISIS REGRESI

Diagram Pencar
Diagram Pencar atau Diagram Tebaran menunjukkan titik-
titik nilai dari variabel tak bebas (dependent) maupun
variabel bebas (independent).

Diagram Pencar mampu menunjukkan:

1. Apakah ada hubungan yang bermanfaat antar 2
variabel
2. Membantu menetapkan tipe persamaan yang
menunjukkan hubungan antara kedua variabel tersebut
Contoh Diagram Pencar
Terdapat 8 karyawan pabrik mainan anak-anak “Tackey”. Jika hasil tes
kecerdasan menunjukkan asumsi yang kita perkirakan masuk akal bila kita
asumsikan bahwa karyawan yang mempunyai nilai (skor) tinggi akan
memberikan hasil produksi yang lebih tinggi juga.

Karyawan Hasil Skor Tes

Produksi Kecerdasan
(lusin) (X)
(Y)

A 30 6
B 49 9 A

C 18 3 F

D 42 8
E 39 7
F 25 5
G 41 8 Kita bisa melihat ada hubungan positif
antara kedua variabel
H 52 10
Garis lurus yang terdapat pada diagram pencar yang
memperlihatkan hubungan antara variabel disebut “garis
regresi atau garis perkiraan”
Model regresi sederhana:
Yi  0  1 X i   i ; i  1,2,..., n
Atau
𝒀′ = 𝒂 + 𝒃𝑿
Dimana
a: Y pintasan, (nilai 𝒀′ bila X=0)
b: kemiringan dari garis regresi (kenaikan atau penurunan 𝒀′ untuk
setiap perubahan satu satuan X) atau koefisien regresi, yang mengukur
besarnya pengaruh X terhadap Y kalau X naik satu satuan unit.
X: nilai tertentu dari variabel bebas
𝒀′ : dibaca “Y aksen” artinya nilai yang diukur/dihitung pada variabel
tidak bebas
PENGANTAR
Apa itu analisis regresi?

Analisis Regresi  Analisis statistika

yang memanfaatkan hubungan antara
dua atau lebih peubah kuantitatif
sehingga salah satu peubah dapat
diramalkan dari peubah lainnya.
ANALISIS REGRESI
• Hubungan Antar Peubah:

• Fungsional (deterministik)  Y=f(X) ; misalnya: Y=10X

• Statistik (stokastik)  amatan tidak jatuh pas pada kurva
Mis: IQ vs Prestasi, Berat vs Tinggi, Dosis Pupuk vs Produksi
• Model regresi sederhana vs regresi ganda

• Model linear vs non linear

• Model untuk pendugaan Y vs pendugaan 

Garis Regresi memiliki sifat matematis berikut:

෍ 𝑌 − 𝑌′ = 0

𝑑𝑎𝑛 ෍ 𝑌 − 𝑌 ′ 2
= 𝑛𝑖𝑙𝑎𝑖 𝑡𝑒𝑟𝑘𝑒𝑐𝑖𝑙 𝑎𝑡𝑎𝑢 𝑡𝑒𝑟𝑒𝑛𝑑𝑎ℎ

Garis regresi akan ditempatkan pada data dalam diagram

sedemikian rupa sehingga penyimpangan (perbedaan)
positif titik-titik terhadap titik-titik dibawah garis, sehingga
hasil penyimpangan keseluruhan titik-titik terhadap garis
lurus adalah nol.
 Oleh karena itu dapat digunakan simbol
Persamaan Regresi berikut ini:
𝑥 = 𝑋 − 𝑋ത
𝑦 = 𝑌 − 𝑌ത
𝑑𝑎𝑛 𝑥𝑦 = 𝑋 − 𝑋ത 𝑌 − 𝑌ത
Ciri/sifat kuadrat terkecil:
෍ 𝑌 − 𝑌′ = 0

෍ 𝑌 − 𝑌′ 2
= 𝑛𝑖𝑙𝑎𝑖 𝑡𝑒𝑟𝑘𝑒𝑐𝑖𝑙 𝑎𝑡𝑎𝑢 𝑡𝑒𝑟𝑒𝑛𝑑𝑎ℎ

Nilai dari a dan b pada persamaan regresi

dapat dihitung dengan rumus di bawah ini:
σ 𝑥𝑖 𝑦𝑖
𝑏= Metode 1
σ 𝑥𝑖 2
Atau
𝑛 σ 𝑋𝑖 𝑌𝑖 − σ 𝑋𝑖 σ 𝑌𝑖
𝑏= 2 2 Metode 2
𝑛 σ 𝑋𝑖 − (σ 𝑋𝑖 )

𝑎 = 𝑌ത − 𝑏𝑋ത
Standard Error Estimasi
Standard error estimasi (𝑠𝑌,𝑋 ) adalah deviasi standard yang
memberikan ukuran penyebaran nilai-nilai yang teramati di
sekitar garis regresi, dirumuskan sbb:
σ 𝑌−𝑌෠ 2 σ 𝑌 2 −𝑎 σ 𝑌 −𝑏 σ 𝑋𝑌
𝑠𝑌,𝑋 = =
𝑛−2 𝑛−2

Jadi standard error estimasi ini ukuran yang

mengindikasikan derajat variasi sebaran data di sekitar
regresi dapat menunjukkan seberapa besar derajat
keterikatan perkiraan yang diperoleh dengan
menggunakan persamaan regresi tersebut.
Koefisien Determinasi & Korelasi
Koefisien determinasi (𝑟 2 ) didefinisikan sebagai perbandingan
dari variasi terjelaskan dengan variasi total:
σ 𝑌෠ − 𝑌ത 2
𝑟2 =
σ 𝑌 − 𝑌ത 2
Dengan menggunakan konstanta-konstanta dari persamaan
regresi, dapat dinyatakan sbb:
𝑎 σ 𝑌 + 𝑏 σ 𝑋𝑌 − 𝑛 ത 2
𝑌
𝑟2 =
σ 𝑌 2 − 𝑛(ഥ Y)2
Nilai koefisien determinasi berkisar antara 0 (tidak ada relasi)
dan 1(relasi sempurna)
Koefisien Korelasi
𝑟 = ± 𝑟2
Tanda r mengikuti tanda konstanta b persamaan regresi (r positif jika b
positif dan r negatif jika b negatif). Nilai r berkisar antara -1 sampai +1
Contoh
Berdasarkan data 8 karyawan pabrik mainan anak-anak “Tackey”. Hitunglah
persamaan regresi yang menunjukkan hubungan kedua variabel antara hasil
produksi dengan kecerdasan.
(Y) (X) ഥ)
(Y-𝒀 ഥ)
(X-𝑿 xy 𝒙𝟐 𝒚𝟐 Dari perhitungan disamping,
y x nilai a dan b dihitung
A 30 6 -7 -1 7 1 49 sebagai berikut:
B 49 9 12 2 24 4 144 σ 𝑥𝑦
𝑏=
C 18 3 -19 -4 76 16 361 σ 𝑥2
185
D 42 8 5 1 5 1 25 =
E 39 7 2 0 0 0 4
36
= 5.138 ≈ 5.14
F 25 5 -12 -2 24 4 144
G 41 8 4 1 4 1 16 𝑎 = 𝑌ത − 𝑏𝑋ത
H 52 10 15 3 45 9 225 = 37-(5.14)(7)
Σ 296 56 0 0 185 36 968 =1.02

Rata- 37 7 Sehingga, persamaan regresi nya

rata adalah

Yang artinya setiap penambahan X (kecerdasan) akan 𝑌 ′ = 1.02 + 5.14𝑋

meningkatkan Y (hasil produksi) sebanyak 5.14 kali
LASO
Seorang Engineer ingin mempelajari Hubungan antara Suhu Ruangan dengan Jumlah
Cacat yang diakibatkannya, sehingga dapat memprediksi atau meramalkan jumlah cacat
produksi jika suhu ruangan tersebut tidak terkendali. Engineer tersebut kemudian
mengambil data selama 10 hari terhadap rata-rata (mean) suhu ruangan dan Jumlah
Cacat Produksi. Prediksikan Jumlah Cacat Produksi jika suhu dalam keadaan tinggi
(Variabel X), contohnya : 30°C
Rata-rata
Tanggal Suhu Jumlah Cacat
Ruangan

1 24 10
2 22 5
3 21 6
4 20 3
5 22 6
6 19 4
7 20 5
8 23 9
9 24 11
10 25 13
Regresi Linear Berganda

Apabila terdapat lebih dari dua variabel, maka hubungan linear dapat
dinyatakan dalam persamaan linear berganda sbb:
𝑌 ′ = 𝑏0 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + ⋯ + 𝑏𝑘 𝑋𝑘
𝑌 ′ 𝑖 = 𝑏0 + 𝑏1 𝑋1𝑖 + 𝑏2 𝑋2𝑖 + ⋯ + 𝑏𝑘 𝑋𝑘𝑖
dengan i=1,2,...n
Di mana
Y: nilai observasi (data hasil pencatatan)
𝑌 ′ : 𝑛𝑖𝑙𝑎𝑖 𝑟𝑒𝑔𝑟𝑒𝑠𝑖

Disini ada satu variabel tidak bebas (dependent variable), yaitu 𝑌 ′ dan
ada k variabel bebas (independent variable), yaitu 𝑋1 , … , 𝑋𝑘 .
Untuk menghitung 𝑏0 , 𝑏1 , 𝑏2 , … , 𝑏𝑘 kita gunakan Metode Kuadrat
Terkecil (Least Square Method) yang menghasilkan persamaan
normal sbb:

Untuk k=2, 𝑌 ′ = 𝑏0 + 𝑏1 𝑋1 + 𝑏2 𝑋2 , satu variabel tak bebas 𝑌 , dan

dua variabel bebas 𝑋1 𝑑𝑎𝑛 𝑋2 , maka 𝑏0 , 𝑏1 , 𝑏2 dihitung dari
persamaan normal berikut:
Ada tiga persamaan dengan tiga variabel yang tidak diketahui nilainya, yaitu
𝑏0 , 𝑏1 , 𝑏2 . Persamaan tersebut dapat dinyatakan dalam persamaan matriks
berikut:
𝑛 σ 𝑋1 σ 𝑋2 𝑏0 σ𝑌
σ 𝑋1 σ 𝑋1 2 σ 𝑋1 𝑋2 𝑏1 = σ 𝑋1 𝑌
σ 𝑋2 σ 𝑋2 𝑋1 σ 𝑋2 2 𝑏2 σ 𝑋2 𝑌

A B H

Dengan
A: matriks (diketahui)
H: vektor kolom (diketahui)
b: vektor kolom (tidak diketahui)

Variabel b dapat diselesaikan dengan cara sbb:

Ab=H
b=𝐀−𝟏 𝐇

Di mana 𝐴−1 adalah kebalikan (invers) dari matriks A

Apabila kita memiliki 3 persamaan dengan 3 variabel yang tidak diketahui nilainya
𝑎11 𝑏1 + 𝑎12 𝑏2 + 𝑎13 𝑏3 = ℎ1
𝑎11 𝑎12 𝑎13 𝑏1 ℎ1
𝑎21 𝑏1 + 𝑎22 𝑏2 + 𝑎23 𝑏3 = ℎ2 𝑎21 𝑎22 𝑎23 𝑏2 = ℎ2
𝑎31 𝑎32 𝑎33 𝑏3 ℎ3
𝑎31 𝑏1 + 𝑎32 𝑏2 + 𝑎33 𝑏3 = ℎ3
A b H
maka
det(𝐴1 ) det(𝐴2 ) det(𝐴3 )
𝑏1 = ; 𝑏2 = ; 𝑏3 =
det(𝐴) det(𝐴) det(𝐴)
Dimana:

ℎ1 𝑎12 𝑎13 𝑎11 ℎ1 𝑎13 𝑎11 𝑎12 ℎ1

𝐴1 = ℎ2 𝑎22 𝑎23 ; 𝐴2 = 𝑎21 ℎ2 𝑎23 ; 𝐴3 = 𝑎21 𝑎22 ℎ2
ℎ3 𝑎32 𝑎33 𝑎31 ℎ3 𝑎33 𝑎31 𝑎32 ℎ3

𝐴1 = 𝑚𝑎𝑡𝑟𝑖𝑘𝑠 𝐴, dimana kolom pertama 𝑎11 , 𝑎21 , 𝑎31 diganti dengan ℎ1 , ℎ2 , ℎ3 .

𝐴2 = 𝑚𝑎𝑡𝑟𝑖𝑘𝑠 𝐴, dimana kolom kedua 𝑎12 , 𝑎22 , 𝑎32 diganti dengan ℎ1 , ℎ2 , ℎ3 .
𝐴3 = 𝑚𝑎𝑡𝑟𝑖𝑘𝑠 𝐴, dimana kolom ketiga 𝑎13 , 𝑎23 , 𝑎33 diganti dengan ℎ1 , ℎ2 , ℎ3 .
 CONTOH
Dalam suatu penelitian yang dilakukan terhadap 10 rumah tangga yang dipilih
secara acak, diperoleh data pengeluaran untuk pembelian barang-barang
tahan lama per minggu (Y), pendapatan per minggu (X1), dan jumlah anggota
rumah tangga (X2) sbb:

Y
(Ratusan 23 7 15 17 23 22 10 14 20 19
Rupiah )
X1
(Ribuan 10 2 4 6 8 7 4 6 7 6
Rupiah)
X2
7 3 2 4 6 5 3 3 4 3
(Orang)

Seandainya suatu RT mempunyai X1 dan X2 masing-masing 11 dan 8. Berapa

besarnya nilai Y. Artinya berapa ratus rupiah RT yang bersangkutan akan
mengeluarkan untukpembelian barang-barang tahan lama?
PENYELESAIAN
 Tugas
12 orang mahasiswa di Jakarta ditanya tentang berat badan, tinggi, dan
umur mereka.
Y: berat badan dalam kg;
𝑋1 : tinggi dalam cm
𝑋2 : umur, dibulatkan dalam tahun:
Hasil wawancara adalah sbb:
* : no absen

Y 64 71 53 67 55 58 77 57 56 51 76 58

𝑋1 157 159 149 162 151 150 155 148 152 142 161 157

𝑋2 18 20 *+1 21 18 17 20 19 20 16 22 19
0
a. Dengan menggunakan persamaan regresi 𝑌 ′ = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 ,
carilah 𝑎, 𝑏1 , 𝑑𝑎𝑛 𝑏2
b. Berapa berat seseorang yang tingginya 153 cm dan umurnya 43
tahun?
Trend Parabola
Garis trend pada dasarnya adalah garis regresi dimana
variabel bebas X merupakan variabel waktu. Baik garis
regresi maupun trend dapat berupa garis lurus (linear
regresion/trend) maupun tidak lurus (non-linear
regression/trend). Persamaan garis trend parabola adalah
sbb:
𝑌 ′ = 𝑎 + 𝑏𝑋 + 𝑐𝑋 2 (𝑋: 𝑤𝑎𝑘𝑡𝑢)

Perhatikan bahwa bentuk persamaan seperti persamaan

garis regresi linear berganda adalah 𝑌 ′ = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2
dimana 𝑏0 = 𝑎, 𝑏 = 𝑏1 , 𝑑𝑎𝑛 𝑐 = 𝑏2 , 𝑋1 = 𝑋, 𝑑𝑎𝑛 𝑋2 =
𝑋 2 . Dengan demikian, cara menghitung koefisien
𝑎, 𝑏1 , 𝑑𝑎𝑛 𝑏2 sama seperti menghitung 𝑏0 , 𝑏1 , 𝑏2 yaitu
menggunakan persamaan normal sbb:
 𝑎𝑛 + 𝑏 ෍ 𝑋 + 𝑐 ෍ 𝑋 2 = ෍ 𝑌

𝑎 ෍ 𝑋 + 𝑏 ෍ 𝑋 2 + 𝑐 ෍ 𝑋 3 = ෍ 𝑋𝑌

𝑎 ෍ 𝑋2 + 𝑏 ෍ 𝑋3 + 𝑐 ෍ 𝑋4 = ෍ 𝑋2 𝑌

𝑛 σ𝑋 σ 𝑋2 𝑎 σ𝑋
σ𝑋 σ 𝑋2 σ 𝑋3 𝑏 = σ 𝑋𝑌
σ 𝑋2 σ 𝑋3 σ 𝑋4 𝑐 σ 𝑋2𝑌

A B C

AB=C
B=𝐴−1 𝐶
𝐴−1 = kebalikan (invers) A
Atau
Menggunakan determinan
laso
Trend Eksponensial
Trend Eksponensial sering dipergunakan untuk meramalkan jumlah
penduduk, pendapatan nasional, produksi, hasil penjualan, dan
kejadian-kejadian lain yang perkembangan/pertumbuhannnya
meningkat secara geometris (berkembang dengan cepat sekali).

Trend Eksponensial
𝑌 ′ = 𝑎𝑏 𝑋 karena bersifat tidak linear dapat diubah menjadi trend semi
log:
𝑙𝑜𝑔𝑌 ′ = log 𝑎 + (log 𝑏)𝑋
dengan
log 𝑌 ′ = 𝑌0 ′ ; log 𝑎 = 𝑎0 ; 𝑙𝑜𝑔 𝑏 = 𝑏0

Dengan demikian, 𝑌0 ′ = 𝑎0 + 𝑏0 𝑋, dimana koefisien 𝑎0 𝑑𝑎𝑛 𝑏0 dapat

dicari berdasarkan persamaan normal.
Contoh 1
Hasil penjualan PT.Sinar Surya selama 3 tahun
menunjukkan perkembangan yang cepat sekali, seperti
ditunjukkan Tabel di bawah ini:

Tahun 2005 2006 2007

Hasil Penjualan
20 80 400
(jutaan rupiah)

Dengan menggunakan trend eksponensial, ramalkan hasil

penjualan tahun 2008!
Penyelesaian
Log Y X log Y
Tahun X Y 𝑿𝟐
(𝒀𝟎 ) (𝑿𝒀𝟎 )
2005 -1 20 1.30103 -1.30103 1
2006 0 80 1.90309 0 0
2007 1 400 2.60205 2.60205 1
Jumlah σ 𝑋 =0 σ 𝑌 =500 ∑𝑌0 =5.80617 ∑𝑋𝑌0 =1.30102 σ 𝑋 2 =2

Persamaan Normal:
1) 𝑎0 𝑛+𝑏0 σ 𝑋 = σ 𝑌0
3𝑎0 =5.80617
2) 𝑎0 σ 𝑋 + 𝑏0 σ 𝑋 2 = σ 𝑋𝑌0
2𝑏0 =1.30102
1
Dari persamaan (1), 3𝑎0 =5.80617, maka 𝑎0 = log 𝑎 = 3 5.80617 = 1.93539
Jadi log 𝑎 = 1.93539 maka nilai a merupakan 𝑎𝑛𝑡𝑖𝑙𝑜𝑔 1.93539 = 86.2
1
Dari persamaan (2), 2𝑏0 = 1.30102, 𝑚𝑎𝑘𝑎 𝑏0 = log 𝑏 = 2 1.30102 = 0.65051
Jadi log 𝑏 = 0.65051 maka nilai b merupakan 𝑎𝑛𝑡𝑖𝑙𝑜𝑔 0.65051 = 4.47
Garis trend 𝒀𝟎 ′ = 𝒂𝟎 + 𝒃𝟎 𝑿 𝑌0 ′ = 1.93539 + 0.65061𝑋
(dalam semi log).
Untuk Tahun 2008 (X=2) maka 𝑌0 ′ = 1.93539 + 0.65061 2
= 1.93539+1.30102
= 3.23641
Maka ramalan Y= anti log 3.23641=1723.49

𝒀′ = 𝒂𝒃𝑿 𝑌 ′ = (86.2)(4.47)𝑋 (dalam eksponensial)

Untuk X=2 𝑌 ′ = (86.2)(4.47)2 = 86.2 19.9809 = 𝟏𝟕𝟐𝟐. 𝟑𝟓

*Hasilnya ada perbedaan sedikit.(akibat pembulatan)

Contoh 2
Kenaikan harga yang dinyatakan dalam kenaikan indeks
harga, mempunyai pengaruh negatif yang sangat kuat
terhadap penurunan hasil penjualan secara geometris.
Data selama 6 tahun menunjukkan perkembangan harga
(X) dan hasil penjualan Y. Karena bukan variabel waktu,
maka hubungan yang kita peroleh merupakan persamaan
garis regresi dan bukan garis trend. Data selama 6 tahun
terakhir adalah sbb:
X (indeks harga) 54.3 61.8 72.4 88.7 118.6 194
Y (hasil penjualan, 61.2 49.5 37.6 28.4 19.2 10.1
jutaan rupiah)

Dengan menggunakan persamaan 𝑌 ′ = 𝑎𝑋 𝑏 , berapa nilai

ramalan Y, kalau X=100?
Penyelesaian
𝑌 ′ = 𝑎𝑋 𝑏 (eksponensial), harus dibuat transformasi dengan
menggunakan log
log 𝑌 ′ = log 𝑎 + 𝑏 log 𝑋 (regresi linear logaritma), log 𝑌 ′ = 𝑌0 ′
log 𝑎 = 𝑎0 , log 𝑋 = 𝑋0 , 𝑌0 ′ = 𝑎0 + 𝑏𝑋0 merupakan
pers.regresi
𝑿𝟎 = 𝒍𝒐𝒈 𝑿 𝒀𝟎 = 𝒍𝒐𝒈 𝒀 𝑿𝟎 𝟐 𝑿𝟎 𝒀𝟎
1.7348 1.7868 3.0095 3.0997
1.7910 1.6946 3.2077 3.0350
1.8597 1.5752 3.4585 2.9294
1.9479 1.4533 3.7943 2.8309
2.0741 1.2833 4.3019 2.6617
2.2878 1.2340 5.2340 2.2976
σ 𝑌0 = 8.7975 σ 𝑿𝟎 𝒀𝟎
σ 𝑋0 = 11.6953 σ 𝑿𝟎 𝟐 = 23.0059
= 16.8543
Persamaan Normal:
1) 𝑎0 𝑛 + 𝑏 σ 𝑋0 = σ 𝑌0
2) 𝑎0 σ 𝑋0 + 𝑏 σ 𝑋0 2 = σ 𝑋0 𝑌0
𝑛 σ 𝑋0 𝑌0 −σ 𝑋0 σ 𝑌0
𝑏= 2
𝑛 σ 𝑋0 2 −(σ 𝑋0 ) 𝑎0 = log 𝑎 = 𝑌ഥ0 − 𝑏𝑋0
8.7975 11.6953
6 16.8543 −(11.6953)(8.7975) = + 1.4
= 6 6
6 23.0059 −(11.6953)2 = 4.2
101.1258−102.8894 𝑎 = 16000 𝑎 = 𝑎𝑛𝑡𝑖𝑙𝑜𝑔 4.2
=
138.0354−136.78
= −1.4
Jadi 𝑌 ′ = 𝑎𝑋 𝑏
= 16000𝑋 −1.4
𝑌0 ′ = 𝑎0 + 𝑏𝑋0
= 4.2 + (−1.4)𝑋0 Karena 𝑌0 =
Jika 𝑋 = 100, 𝑚𝑎𝑘𝑎 log 𝑋 = 𝑋0 = 2
log 𝑌 = 1.4 𝑚𝑎𝑘𝑎 𝑌 = 𝑎𝑛𝑡𝑖𝑙𝑜𝑔 1.4 = 25.1
𝑌0 ′ = 4.2 − 1.4 2
= 1.4 Jadi , jika X=100, ramalannya Y=25.1
Trend Eksponensial yang diubah
Trend (regresi) eksponensial mempunyai bentuk
persamaan antara lain 𝑌 ′ = 𝑎𝑏 𝑋 𝑎𝑡𝑎𝑢 𝑌 ′ = 𝑎𝑋 𝑏 yang
masing-masing melalui proses transformasi menjadi bentuk
linear dalam semi log dan sepenuhnya log yaitu:
𝑌0 ′ = 𝑎0 + 𝑏0 𝑋 𝑌0 ′ = log 𝑌 ′
(semi log) 𝑎0 = log 𝑎
𝑏0 = log 𝑏
𝑌0 ′ = 𝑎0 + 𝑏0 𝑋 𝑌0 ′ = log 𝑌 ′
(log) 𝑎0 = log 𝑎
𝑋0 = log 𝑋
Bentuk 𝑌 ′ = 𝑎𝑏 𝑋 dapat dikonversi dengan jalan menambah
bilangan konstanta k. Sehingga, persamaannya menjadi:
𝑌 ′ = 𝑘 + 𝑎𝑏 𝑋
Misalkan nilai k,a,dan b masing-masing adalah 40,-20, dan
1
sehingga persamaan
2
1 𝑋
𝑌′ = 40 − 20
2
1 −1
𝑋 = −1 𝑌 ′ = 40 − 20 =0
2
1 0
𝑋=0 𝑌 ′ = 40 − 20 = 20
2

′ 1 1
𝑋=1 𝑌 = 40 − 20 = 30
2
1 2
𝑋=2 𝑌 ′ = 40 − 20 = 35
2
Makin lama angka-angka di atas makin mendekati nilai k.
Dengan perkataan lain, k merupakan nilai asymptote (selalu
didekati, tetapi tidak pernah dicapai)
Kurva Trend Eksponsial yang diubah
Conso

Dengan
metode MKT
Trend Logistik
Trend logistik biasanya dipergunakan untuk mewakili data
yang menggambarkan perkembangan/pertumbuhan yang
mula-mula cepat sekali, tetapi kemudian melambat, dimana
kecepatan pertumbuhannya makin berkurang sampai
tercapai suatu titik jenuh (saturation point).
Contoh : pertumbuhan suatu jenis industri dan pertumbuhan
biologis
Bentuk Trend Logistik
𝑘
𝑌′ = 𝑋 , dimana k,a dan b konstanta, biasanya b<0
1+10𝑎+𝑏
𝑋
Apabila 𝑋 → ∞, 10𝑎+𝑏 → 0, 𝑑𝑎𝑛 𝑌 ′ →
𝑘, maka 𝑘 merupakan 𝑎𝑠𝑦𝑚𝑝𝑡𝑜𝑡𝑒, yaitu batas atas
 Bentuk Kurva Trend Logistik

Sebelum titik B, laju pertumbuhan terjadi dengan cepat sekali. Setelah titik
B, laju pertumbuhan mulai menurun. Bilangan konstan k, a, dan b dapat
dicari dengan cara seperti trend eksponensial yang diubah yaitu memilih
beberapa titik
Trend Gompertz

Trend Gompertz biasanya dipergunakan untuk meramalkan

jumlah penduduk pada usia tertentu. Trend Gompertz
bentuknya sbb:
𝑌 ′ = 𝑘𝑎𝑏𝑋
Di mana k, a, dan b konstan
Jika diambil lognya, log 𝑌 ′ = log 𝑘 + (log 𝑎) 𝑏 𝑋 selanjutnya
jika log 𝑌 ′ = 𝑌0 ;
log 𝑘 = 𝑘0 ; 𝑑𝑎𝑛 log 𝑎 = 𝑎0 , 𝑚𝑎𝑘𝑎 𝑏𝑒𝑛𝑡𝑢𝑘𝑛𝑦𝑎 𝑚𝑒𝑛𝑗𝑎𝑑𝑖
𝑌0 ′ = 𝑘0 + 𝑎0 𝑏 𝑋
Sama seperti trend eksponensialyang diubah. Cara
mencari koefisiennya samaseperti kita menggunakan kurva
(trend) logistik, hanya nilai Y diganti dengan log Y .
NOTE!!!
1. Untuk mengenali jenis trend baik linear, parabola,
eksponensial, logistik maupun gompertz harus dibuat
dulu diagram pencar (scattered diagram).
2. Untuk menentukan trend mana yang terbaik kita hitung
MSE (mean square error) yaitu jika Y:data hasil
pencatatan 𝑌 ′ : data ramalan. Maka
𝑒𝑖 2
𝑀𝑆𝐸 = σ
𝑛
2
𝑌 ′ −𝑌
=σ
𝑛
Makin kecil nilai MSE, ramalan makin baik