ANALISIS REGRESI NON LINIER

MUNAFFIDUL IHSAN
15611055

PRAKTIKUM ANALISIS REGRESI TERAPAN

 MODEL REGRESI NON-LINIER

• 𝑌 = 𝛽0 + 𝛽1 𝑍1 + 𝛽2 𝑍2 + … + 𝛽𝑘 𝑍𝑘 + 𝜀
MODEL NON LINIER
BENTUK KURVA NONLINIER
LANGKAH-LANGKAH ANALISIS REGRESI NONLINIER

• Uji Linieritas
• Estimasi Plot
• Memilih Model Terbaik
• Estimasi Model
• Analisis R-Square Model Terbaik
• Interprestasi Model Terbaik
 STUDI KASUS

• DATA MODUL PRAKTIKUM HALAMAN 41

INPUT DATA
UJI LINIERITAS
• Digunakan untuk mengetahui model
linier atau non linier
• Dilihat dari kurva, data tidak
mengikuti garis linier(lurus)
sehingga model yang digunakan
adalah model nonlinier.
• Selain itu dapat dilakukan analisis
regresi linier sederhana. Namun
dilihat dari uji overall dan parsial
tidak signifikan. Nilai R-Squarenya
juga sangat kecil yaitu 1.096% maka
model linier tidak cocok digunakan.
 ESTIMASI KURVA

• Membuat plot dari data

untuk melihat model
regresi nonlinier yang akan
digunakan. Karena plot
nya berbentuk parabola
maka model yang mungkin
yaitu model kuadratik dan
kubik
PEMILIHAN MODEL

• Dilihat dari uji overall kedua model

signfikan karena p-value < alpa (0.05).
• Untuk R-Square model kuadratik yaitu
67.33 % dan model kubik yaitu 67.53
%. Maka model kubik yang terbaik.
• Namun model yang dipilih adalah
model kuadratik karena lebih
sederhana. Hal tersebut jika R-Square
tidak berbeda jauh.
ESTIMASI MODEL TERBAIK

𝑌෠ = 217.6667 − 1.7091X − 4.7576𝑋 2

 UJI OVERALL
• Hipotesis
H0 : β1 = 0 (Model tidak layak)
H1 : β1 ≠ 0 (Model layak)
• Tingkat Signifikasi
α = 5%
• Daerah Kritis
P-value ≤ α maka tolak H0
• Statistik Uji
P-Value = 0.000
• Keputusan
Karena nilai Sig. < 𝛼, maka keputusannya adalah tolak H0
• Kesimpulan
Dengan tingkat signifikansi 5% model regresi kuadratik layak digunakan.
 ANALISIS R-SQUARE

• Nilai Multiple R-Square

sebesar 0.6753 atau 67.53 %
yaitu keragaman model
dapat dijelaskan oleh
variabel independen sebesar
67.53 % dan sisanya 32.47 %
dijelaskan oleh variabel lain
di luar model
INTERPRESTASI MODEL

𝑌෠ = 217.6667 − 1.7091X − 4.7576𝑋 2

• Jika nilai Month bernilai 0 bulan maka Medical Cost-nya sebesar

216.6667
• Jika variabel lain konstan maka setiap kenaikan 1 bulan maka akan
menyebabkan Medical Cost turun sebesar 1.7091
• Jika variabel lain konstan maka setiap kenaikan 1 bulan (untuk X^2 )
maka akan menyebabkan Medical Cost turun sebesar 4.7576
 PERBANDINGAN DATA AKTUAL DAN PREDIKSI

• Dengan menggunakan
model regresi kuadratik
diperoleh hasil prediksi
dan dibandingkan dengan
data awal.
 NILAI EROR PERAMALAN

• Untuk mengitung kesalahan

peramalan dapat dilihat dari
nilai MAPE. Nilai MAPE yang
dihasilkan sebesar 14.91% .
Prediksi yang dihasilkan dari
model baik karena nilai
MAPE-nya kurang dari 20%.