Metode Numerik

OLEH
AHMAD NURUL MUTTAQIN / D022191001

PASCA SARJANA TEKNIK MESIN

FAKULTAS TEKNIK
UNIVERSITAS HASANUDDIN
2019
 METODE NUMERIK

IV. ANALISIS REGRESI

4.1 Pendahuluan
4.2 Mengingat kembali beberapa Prinsip Statistik
4.3 Metode Kuadrat Terkecil
4.4 Metode Kuadrat Terkecil Untuk Kurva Linear
4.5 Linearisasi Kurva Tidak Linear

1
 IV. ANALISIS REGRESI
4.1 Pendahuluan

Dalam analisis regresi akan dibuat kurva atau fungsi berdasarkan sebaran titik data.
Kurva yang terbentuk diharapkan dapat mewakili titik-titik data tersebut

Analisis regresi dengan metode

kuadrat terkecil banyak
menggunakan beberapa notasi
dan teori statistik. Oleh karena itu
sebelum mempelajari regresi
kuadrat terkecil lebih mendalam,
dalam sub bab berikut akan
diingat kembali beberapa prinsip
statistik.
Gambar 4.1. Plot data pengukuran

2
 IV. ANALISIS REGRESI
4.2 Mengingat Kembali Beberapa
Prinsip Statistik

Dipandang data hasil pengukuran debit rerata tahunan sungai Serang di

stasiun Bendungan di Kabupaten Kulon Progo selama 15 tahun berturut-
turut seperti diberikan dalam Tabel 4.1
𝑦𝑖 𝐷𝑒𝑏𝑖𝑡
Tahun (𝑚3 /𝑑) 𝑦𝑖 − 𝑦ത ത 2
(𝑦𝑖 − 𝑦)

1971 8,52 1,486 2,208

1972 3,33 -3,704 13,270
1973 7,85 0,816 0,666
Tabel 4.1.
1974 7,65 0,616 0,379
1975 10,91 3,876 15,023 Debit
1976 4,17 -2,864 8,202 sungai
1977 3,40 -3,634 13,206
1978 8,00 0,966 0,933
1979 13,4 6,366 40,526
1980 5,40 -1,634 2,670
1981 8,87 1,836 3,371
1982 4,73 -2,304 5,308
1983 7,40 0,366 0,134
1984 6,88 -0,154 0,024
1985 5,00 -2,034 4,137
∑𝑦𝑖 = 105,51 ത 2 = 110,507
∑(𝑦𝑖 − 𝑦) 3
 IV. ANALISIS REGRESI
4.2 Mengingat Kembali Beberapa Prinsip
Statistik

Nilai rerata data adalah jumlah nilai data (𝑦𝑖 ) dibagi dengan jumlah data (n), yaitu:
∑𝑦𝑖
𝑦ത =
𝑛
dengan ∑𝑦𝑖 , adalah penjumlahan nilai data dari 𝑖 = 1 sampai n.

Dari data dalam Tabel 4.1. tersebut nilai rerata adalah:

∑𝑛𝑖=1 𝑦𝑖 ∑15
𝑖=1 𝑦𝑖 105,51
𝑦ത = = = 7,034
15 15 15

Penyebaran data dapat diukur dengan menggunakan deviasi standar (𝜎) terhadap nilai
rerata, yang diberikan oleh bentuk berikut:

𝐷2 ത 2
∑(𝑦𝑖 − 𝑦)
𝜎= =
𝑛−1 𝑛−1

4
 IV. ANALISIS REGRESI
4.2 Mengingat Kembali Beberapa
Prinsip Statistik
dengan D2 adalah jumlah dari kuadrat selisih antara nilai data dan nilai
rerata. Apabila penyebaran data sangat besar terhadap nilai rerata, maka
deviasi standar 𝜎 akan besar. Apabila penyebarannya terhadap nilai rerata
kecil (sempit) maka standar deviasi kecil. Penycbaran juga dapat
dipresentasikan oleh kuadrat dari deviasi standar, yang disebut varians.
2 2
𝐷 ∑(𝑦 𝑖 − 𝑦)
ത
𝜎2 = =
𝑛−1 𝑛−1
Dari data dalam Tabel 4.1. dapat dihitung nilai deviasi standar dan varians
dengan menggunakan persamaan berikut ini. Standar deviasi:
ത 2
∑(𝑦𝑖 − 𝑦) 110,507
𝜎= = = 2,810
𝑛−1 15 − 1
Varians:
ത 2
∑(𝑦𝑖 −𝑦) 110,507
𝜎2 = = = 7,893
𝑛−1 15−1

5
 IV. ANALISIS REGRESI
4.3 Metode Kuadrat Terkecil

Gambar 4.2. adalah sebaran titik-titik data dari hasil pengukuran pada bidang
x-y. Akan dicari suatu kurva g(x) yang dapat mewakili titik percobaan
tersebut. Teknik untuk mendapatkan kurva tersebut adalah dengan regresi
kuadrat terkecil.

6
 IV. ANALISIS REGRESI
4.3 Metode Kuadrat Terkecil

Teknik tersebut dilakukan dengan prosedur berikut ini.

• Titik-titik percobaan digambar pada suatu sistem koordinat. Dari gambar
scbaran titik data terscbut dapat diketahui trend (pola) secara umum dari
kumpulan titik data, sehingga dapat ditentukan apakah kurva yang mewa-
kili berupa garis lurus (linier) atau lengkung.
• Dipilih suatu fungsi g(x) yang dianggap bisa mewakili f(x) yang mempunyai
bentuk umum berikut ini
𝑔 𝑥 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + . . . . . . +𝑎𝑟 𝑥 𝑛
(4.1)
Fungsi tersebut tergantung pada parameter 𝑎0 , 𝑎1 , . . . . . . , 𝑎𝑛

7
 IV. ANALISIS REGRESI
4.3 Metode Kuadrat Terkecil

• Ditentukan parameter 𝑎0 , 𝑎1 , . . . . . . , 𝑎𝑛 sedemikian rupa schingga

𝑔(𝑥𝑖 ; 𝑎0 , 𝑎1, . . . . . ,𝑎𝑛 ) melalui sedekat mungkin titik-titik data. Bentuk
𝑔(𝑥𝑖 ; 𝑎0 , 𝑎1, . . . . . ,𝑎𝑛 ) mempunyai arti fungsi 𝑔(𝑥𝑖 ) dengan parameter
𝑎0 , 𝑎1 , . . . . . . , 𝑎𝑛

• Apabila koordinat dari titik-titik percobaan adalah 𝑀 𝑥𝑖 , 𝑦𝑖 , denga 𝑖 = 1,

maka selisih kordinat antara titik-titik tersebut dengan fungsi ; (𝑥𝑖 ; 𝑎0 , 𝑎1 , . .
. . . , 𝑎𝑛 ) adalah:

𝐸𝑖 = 𝑀𝑖 𝐺𝑖 = 𝑦𝑖 − 𝑔(𝑥𝑖 ; 𝑎0 , 𝑎1 , . . . . . . , 𝑎𝑛 )
= 𝑦𝑖 − (𝑎0 + 𝑎1 𝑥𝑖 + 𝑎2 𝑥𝑖2 + 𝑎3 𝑥𝑖3 + . . . . . . +𝑎𝑛 𝑥𝑖𝑛

8
 IV. ANALISIS REGRESI
4.4 Metode Kuadrat Terkecil Untuk
Kurva Linear
• Bentuk paling sederhana dari regresi kuadrat terkecil adalah apabila kurva yang
mewakili titik-titik data merupakan garis lurus, sehingga persamaannya adalah:
𝑔 𝑥 = 𝑎 + 𝑏𝑥
(4.4)

Dalam hal ini, 𝑎0 = 𝑎 dan 𝑎1 = 𝑏

*
• Jumlah kuadrat dari kesalahan dihitung dengan Persamaan (4.2):
𝑛 𝑛

𝐷2 = ෍ 𝐸𝑖2 = ෍{𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 )}2

𝑖=1 𝑖=1

Agar supaya nilai D2 adalah minimum, maka Persamaan (4.5) diturunkan

terhadap parameter a dan b, dan kemudian disama-dengankan nol.

9
 IV. ANALISIS REGRESI
4.4 Metode Kuadrat Terkecil Untuk Kurva
Linear
• Turunan pertama terhadap parameter a adalah:
𝜕𝐷2
=0
𝜕𝑎
𝜕
(∑𝑛𝑖=1 𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 )2 = 0
𝜕𝑎
𝜕
(∑𝑛𝑖=1 𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 ) = 0
𝜕𝑎
∑𝑦*𝑖 − ∑𝑎 − ∑𝑏𝑥𝑖 = 0 (4.6)

• Turunan pertama terhadap parameter b adalah

𝜕𝐷2
=0
𝜕𝑎
𝜕
(∑𝑛𝑖=1 𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 )2 = 0
𝜕𝑎
−2 ∑𝑛𝑖=1 𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 𝑥𝑖 =0
∑𝑦𝑖 𝑥𝑖 − ∑𝑏𝑥𝑖2 = 0 (4.7)
10
 IV. ANALISIS REGRESI
4.4 Metode Kuadrat Terkecil Untuk Kurva
Linear
Penjumlahan masing-masing suku pada Persamaan (4.6) dan (4.7) adalah dari 1 sampai n.
• Persamaan (4.6) dan (4.7) dapat ditulis dalam bentuk:
𝑛 𝑎 + ∑𝑥𝑖 𝑏 = ∑𝑦𝑖 (4.8)
∑𝑥𝑖 𝑎 + ∑𝑥𝑖2 𝑏 = ∑𝑥𝑖 𝑦𝑖 (4.9)
dengan ∑ 𝑎 = 𝑛 𝑎
Selanjutnya
* Persamaan (4.8) dapat ditulis menjadi:

𝑛 𝑎 = ∑𝑦𝑖 − ∑𝑥𝑖 𝑏
1
𝑎 = (∑𝑦𝑖 − ∑𝑥𝑖 𝑏)
𝑛
1 1
𝑎= ∑𝑦𝑖 − 𝑛 ∑𝑥𝑖 𝑏 (4.10)
𝑛
atau
𝑎 = 𝑦ത − 𝑏𝑥ҧ
(4.11)

11
 IV. ANALISIS REGRESI
4.4 Metode Kuadrat Terkecil Untuk Kurva Linear

• Interpolasi Persamaan (4.10) ke dalam Persamaan (4.9),

1
∑𝑥𝑖 ∑𝑦𝑖 − ∑𝑥𝑖 𝑏 + ∑𝑥𝑖2 𝑏 = ∑𝑥𝑖 𝑦𝑖
𝑛

∑𝑥𝑖 ∑𝑦𝑖 − (∑𝑥𝑖 )2 𝑏 = 𝑛∑𝑥𝑖 𝑦𝑖

* 𝑏[𝑛∑𝑥𝑖2 − ∑𝑥𝑖 )2 = 𝑛∑𝑥𝑖 ∑𝑦𝑖

atau

𝑛∑𝑥 𝑦 −∑𝑥 ∑𝑦
𝑖 𝑖 𝑖 𝑖
𝑏= 2
𝑛∑𝑥𝑖 −(∑𝑥𝑖 )2
(4.12)

Dengan menggunakan Persamaan (4.11) dan (4.12) untuk menghitung koefisien a

dan b, maka fungsi g(x) dapat dicari.
12
 IV. ANALISIS REGRESI
4.5 Linearisasi Kurva Tidak Linear

1. Persamaan berpangkat
Persamaan berpangkat diberikan oleh bentuk berikut ini.

𝑦 = 𝑎2 𝑥 𝑏2 (4.14)
dengan 𝑎2 𝑑𝑎𝑛 𝑏2 adalah koefisien konstan.
Persamaan tersebut dapat dilinierkan dengan menggunakan fungsi logaritmik sehingga
didapat:
log 𝑦 = 𝑏2 log 𝑥 + 𝑙𝑜𝑔 𝑎2
(4.15)
yang merupakan hubungan log-log antara log y dan log x. Persamaan tersebut mempunyai
bentuk garis lurus dengan kemiringan b2 dan memotong sumbu log y pada log a2. Gambar 4.5.
menunjukkan transformasi dari fungsi asli menjadi fungsi logaritmik.
13
 IV. ANALISIS REGRESI
4.5 Linearisasi Kurva Tidak Linear

Contoh lain dari kurva tak linier adalah fungsi eksponensial seperti diberikan oleh
bentuk berikut:
𝑦 = 𝑎1 𝑒 𝑏1𝑥
(4.16)
dengan a1 dan b1 adalah konstanta.
Persamaan tersebut dapat dilinierkan dengan menggunakan logaritma natural
sehingga* menjadi:
𝐼𝑛 𝑦 = 𝐼𝑛 𝑎1 + 𝑏1 𝑥𝐼𝑛 𝑒

14
 IV. ANALISIS REGRESI
4.5 Linearisasi Kurva Tidak Linear

Oleh karena 𝐼𝑛 𝑒 = 1, maka

𝐼𝑛 𝑦 = 𝐼𝑛 𝑎𝐼 + 𝑏𝐼 𝑥
(4.17)

Persamaan (4.15) merupakan hubungan semi logaritmik antara In y dan x. Persamaan

tersebut mempunyai bentuk garis lurus dengan kemiringan b dan memotong sumbu
𝐼𝑛 𝑦 pada
* 𝐼𝑛 𝑎1 . Gambar 4.6. menunjukkan transformasi dari fungsi asli menjadi fungsi
logaritmik

15
TERIMA KASIH

17