OLEH
AHMAD NURUL MUTTAQIN / D022191001
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
2
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.
∑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
7
IV. ANALISIS REGRESI
4.3 Metode Kuadrat Terkecil
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)
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)
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
𝑛∑𝑥 𝑦 −∑𝑥 ∑𝑦
𝑖 𝑖 𝑖 𝑖
𝑏= 2
𝑛∑𝑥𝑖 −(∑𝑥𝑖 )2
(4.12)
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
𝐼𝑛 𝑦 = 𝐼𝑛 𝑎𝐼 + 𝑏𝐼 𝑥
(4.17)
15
TERIMA KASIH
17