Teknik Geofisika
ANALISIS STATISTIK KEBUMIAN
(2 sks)
Karyanto, M.T
I Gede Boy Darmawan, M. Eng
November 2018
Regresi Non-Linear
(Polynomial)
1. Regresi Non-Linear
2. Model Parabola Kuadratik dan Kubik
3. Model Eksponensial
4. Model Geometrik
5. Model Logistik
6. Model Hiperbola
7. Transformasi untuk Lineariasasi Data
Regresi Non-Linear
• Jika nilai r atau koefisien korelasi tidak
menunjukkan hubungan linier antara variabel X dan
Y maka kemungkinannya yaitu ada hubungan lain
• Dari distribusi titiknya (diagram pencar)
menunjukkan regresi tidak linier atau polinomial.
• Oleh karenanya dilakukan pendekatan model non-
linier.
Regresi Non-Linear
• Persaman umum regresi non linier (misal untuk
derajat tiga) adalah:
• Dan kita harus menentukan nilai koefisien a, b, c,
dan d dengan metoda kuadrat terkecil sehinga nilai
Σ (Y – Ye)2 mempunyai nilai minimum. Maka
persaman normalnya yaitu:
Regresi Non-Linear
• Dari sejumlah persaman regresi non-linier maka
beberapa persaman yang mudah di antaranya:
• Parabola Kuadratik :
• Parabola Kubik :
• Eksponensial :
• Geometrik :
• Logistik :
• Hiperbola :
Model Parabola Kuadratik
• Penaksiran untuk persaman model parabola
kuadratik mempunyai persaman umum:
• Dengan koefisien a, b, dan c harus dicari
berdasarkan data pengamatan yang ada dengan
metoda kuadrat terkecil :
Contoh Soal
• Hitunglah persamaan
regresi dari data
berikut !
Contoh Soal
• Tabel perhitungannya
menjadi sebagai
berikut.
• Sehingga jika
dimasukkan dalam
persamaan menjadi:
Contoh Soal
• Dengan matrik (metode
cramer)
• Diperoleh nilai: a = -1,759; b
= 9,497 dan c = -0,547
sehingga persaman regresi
parabola kuadratik Y
terhadap X mempunyai
persamaan :
Model Parabola Kubik
• Bentuk persamaan umum model ini yaitu:
• Sistem persamaan yang perlu diselesaikan untuk
menentukan a, b, c dan d yaitu:
Model Eksponensial
• Bentuk persaman untuk model eksponensial yaitu:
• Jika dilakukan logaritma maka akan menjadi bentuk
persaman linier yaitu:
• Jika dimisalkan
maka didapat bentuk persamaan linear
Model Eksponensial
• Jika langsung dalam bentuk logaritma maka a dan b
dapat dicari dari rumusan berikut:
Contoh Soal
• Hitunglah persamaan regresi eksponensial dari data
berikut !
Contoh Soal
• Jika dilakukan logaritma terhadap data Y, dan data X
tetap maka:
Contoh Soal
• Dari tabulasi data tersebut diperoleh
Σ Xi = 55; Σ log Yi = 46,5890; Σ Xi2= 385;
Σ XilogYi= 130.3274 ; dan n = 33
Kemudian nilai a dan b diperoleh:
b = 1,5118
Contoh Soal
•
a = 12,9598
Sehingga model persamaan eksponensialnya:
Model Geometrik
• Model geometri mempunyai persamaan umum:
Ye
• Dan dapat dikembalikan ke bentuk persamaan linier
dengan melakukan logaritma sehingga menjadi:
Model Geometrik
• Koefisien a dan b dapat dihitung dengan persamaan
berikut:
Contoh Soal
• Hitunglah persamaan regresi geometrik dari data
berikut !
Contoh Soal
• Tabel yang harus dibuat adalah:
Contoh Soal
• Maka dapat dihitung:
• persaman garis regresinya yaitu:
Model Logistik
• Bentuk persaman umumnya yang sederhana yaitu:
• Dan untuk Ye tidak sama dengan nol, maka
persamaan tersebut dapat dirubah menjadi
• Jika kita lakukan logaritma maka didapat:
Model Logistik
• Merupakan bentuk persamaan linier dengan
variabel X dan log (1/Ye),
• Nilai a dan b dapat dicari dengan rumus model
eksponensial dengan mengganti log Y dengan log
(1/Ye)
Model Hiperbola
• Persamaan umum sederhana untuk mencari
hiperbola dapat dituliskan:
• atau dapat dituliskan menjadi 1/Ye = a + bX ,
sehingga koefisien a dan b dapat dihitung dengan
menggunakan rumus regresi linier dengan
menganti variabek Ye dengan 1/Ye.
Contoh Soal
• Hitunglah persaman regresi model hiperbola dari
data berikut !
Contoh Soal
• Tabel yang harus dihitung
• diperoleh
Contoh Soal
• Dengan persamaan regresi linear
• Maka:
Contoh Soal
• Sehingga persamaa regresi hiperbolanya menjadi:
Transformasi Untuk
Linearisasi Data
• Para ilmuwan menggunakan teknik linierisasi data
untuk menyelesaikan persamaan non-linier,
dengan merubah variabel dan konstanta
sedemikian rupa sehingga menjadi bentuk linier.
• Pada tabel berikut disajikan ringkasan berbagai
bentuk transformasi untuk linierisasi data.
Transformasi Untuk
Linearisasi Data
TERIMA KASIH
