KAJIAN ANALISIS REGRESI PARAMETRIK DENGAN
MENGGUNAKAN METODE KUADRAT TERKECIL
SKRIPSI
SYAHRIZA MELINA POHAN
090823022
KEMENTRIAN PENDIDIKAN NASIONAL
UNIVERSITAS SUMATERA UTARA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
DEPARTEMEN MATEMATIKA
PERNYATAAN
KAJIAN ANALISIS REGRESI PARAMETRIK DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains
SYAHRIZA MELINA POHAN 090823022
KEMENTRIAN PENDIDIKAN NASIONAL UNIVERSITAS SUMATERA UTARA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM DEPARTEMEN MATEMATIKA
PERSETUJUAN
Judul : KAJIAN ANALISIS REGRESI PARAMETRIK
DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL
Kategori : SKRIPSI
Nama : SYAHRIZA MELINA POHAN
Nomor Induk Mahasiswa : 090823022
Program Studi : S1 STATISTIKA EKSTENSI
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (MIPA) UNIVERSITAS SUMATERA
UTARA
Diluluskan di Medan, Juli 2011
Komisi Pembimbing :
Pembimbing 2, Pembimbing 1,
Drs. Suwarno Arriswoyo, M.Si Drs. Bambang Irawan, M.Sc NIP. 195003211980303001 NIP. 194704211976031001
Diketahui/Disetujui oleh
Departemen Matematika FMIPA USU Ketua,
PERNYATAAN
KAJIAN ANALISIS REGRESI PARAMETRIK DENGAN MENGGUNAKAN METODE KUADRAT TERKECIL
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Juli 2011
PENGHARGAAN
Diawali dengan mengucapkan Puji Syukur Kehadirat Allah SWT, yang selama ini telah memberikan Penulis kekuatan dan semangat sehingga penyusunan Skripsi ini dapat diselesaikan dengan baik dan tepat waktu.
Adapun tujuan dari penulisan Skripsi ini adalah merupakan salah satu syarat untuk menyelesaikan Program S1 Statistika Ekstensi pada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.
Sebagai salah satu perwujudan dari proses pendidikan kemahasiswaan, penyusunan Skripsi ini disajikan berdasarkan pembahasan oleh penulis dari Model Eksponen Berganda.
Selama dalam penyusunan Skripsi ini penulis telah banyak memperoleh bantuan dan bimbingan, untuk itu pada kesempatan ini Penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Bapak Drs. Bambang Irawan, M.Sc selaku dosen pembimbing 1 pada penulisan Skripsi ini yang telah bersedia memberikan arahan, bimbingan dan petunjuk kepada penulis dalam menyelesaikan Skripsi ini
2. Bapak Drs. Suwarno Arriswoyo, M.Si selaku dosen pembimbing 2 pada penulisan Skripsi ini yang telah bersedia memberikan arahan, bimbingan dan petunjuk kepada penulis dalam menyelesaikan Skripsi ini
3. Kepada Ayahanda Syahrial Pohan dan Ibunda Hj. Zahriati S.Pd yang telah memberikan bantuan materil, ridho dan do’a yang tiada hentinya untuk penulis dari awal perkuliahan sampai selesainya penyusunan Skripsi ini, kepada Abang M. Emil Zikri Pohan dan Adik M. Rozi Abda’o Pohan yang selalu memberi semangat dan motivasi kepada penulis
4. Bapak Drs. Henry Rani Sitepu, M.Si dan Ibu Dra. Elly Rosmaini, M.Si selaku dosen penguji yang telah memberikan masukan positif dalam penyelesaian skripsi ini.
5. Bapak Drs. Sutarman, M.Sc selaku Dekan FMIPA USU
6. Bapak Prof Dr. Tulus, M.Si selaku Ketua Departemen Matematika FMIPA USU
7. Bapak Drs. Pengarapen Bangun, M.Si selaku Ketua Pelaksana Jurusan Program S1 Statistika Ekstensi
8. Seluruh Staff Pengajar di Fakultas Matematika dan lmu Pengetahuan Alam Universitas Sumatera Utara khususnya Jurusan Matematika
9. Teman-teman Matematika Statistik stambuk 2009 atas kerja samanya dan yang selalu memberi motivasi, dukungan dan kepercayaannya.
10.Semua pihak yang terkait dalam penyelesaian skripsi ini
bersifat membangun, di mana saran dan kritik tersebut dapat dimanfaatkan untuk kemajuan ilmu pengetahuan pada saat ini dan yang akan datang.
Semoga Penulisan Skripsi ini dapat memberikan manfaat dan berguna bagi pembaca dan penulis pada khususnya. Akhir kata penulis mengucapkan banyak terima kasih.
Medan, Juli 2011
ABSTRAK
Regresi nonlinier model eksponen adalah regresi nonlinier yang variabel responnya berdistribusi eksponen.. Untuk mengestimasi model eksponen regresi nonlinier ganda digunakan metode kuadrat terkecil. Estimasi metode kuadrat terkecil berguna untuk menentukan parameter sehingga jumlah kuadrat dari deviasi/simpangan antara observasi-observasi garis regresi menjadi minimum. Dari sudut pandang statistik, metode kuadrat terkecil dianggap lebih efisien pada hasil estimator dengan sifat statistik. Bentuk umum persamaan model eksponen untuk regresi nonlinier ganda
yaitu
Y
ˆ
=
e
β0+β1X1+β2X2ABSTRACT
Nonlinear exponential regression model is nonlinear regression response variable exponent distribution. To estimate the exponential regression model multiple nonlinear least square method is used. The estimated least square method is useful for determining the parameters so that the sum of squares of deviation/deviation between the regression line observations to a minimum. From the statistical standpoint, the least square method is considered more efficient in the estimators to the nature of statistics.The general form of an exponential model equation for nonlinear multiple
regression is
Y
ˆ
=
e
β0+β1X1+β2X2DAFTAR ISI
Halaman
Persetujuan i
Pernyataan ii
Penghargaan iii
Abstrak v
Abstract vi
Daftar Isi vii
Daftar Tabel ix
Daftar Gambar x
Bab 1 Pendahuluan 1
1.1 Latar Belakang 1
1.2 Perumusan Masalah 2
1.3 Tinjauan Pustaka 3
1.4 Tujuan Penelitian 4
1.5 Kontribusi Penelitian 4
1.6 Metode Penelitian 4
Bab 2 Landasan Teori 6
2.1 Analisis Regresi 6
2.1.1 Regresi Linier Sederhana 8
2.1.2 Regresi Linier Ganda 11
2.1.3 Regresi Nonlinier Sederhana 13
2.1.3.1 Model Eksponen 15
2.1.4 Regresi Nonlinier Ganda 17
2.2 Metode Kuadrat Terkecil 19
2.2.1 Persoalan Estimasi Metode Kuadrat Terkecil dalam Model 22 Eksponen Berganda
2.2.2 Metode Matriks 24
2.2.2.1 Transpose Suatu Matriks 26
2.2.2.2 Determinan 26
2.2.2.3 Invers Matriks 26
2.2.3 Persoalan Metode Matriks dalam Model Eksponen Berganda 27
3.1 Pembahasan 30 3.2 Estimasi Parameter Menggunakan Metode Kuadrat Terkecil 33 3.3 Menentukan Persamaan Model Eksponen Berganda dengan
Menggunakan Matriks 35
3.4 Estimasi Interval untuk Parameter Model Eksponen Berganda 41
3.5 Pengujian Hipotesis 45
Bab 4 Penutup 47
4.1 Kesimpulan 47
4.2 Saran 48
DAFTAR TABEL
Halaman
Tabel 3.1. Penyajian Data 31
Tabel 3.2 Nilai-nilai Yang Perlu Untuk Menghitung β0,β1,dan β2
Model Eksponen Berganda 32
DAFTAR GAMBAR
Halaman
Gambar 2.1 Diagram Pencar, Garis Regresi, dan Sisa Untuk Pengamatan
Berpasangan (Xi,Yi) 10
Gambar 2.2 Nilai rata-rata dari tingkat kesalahan (error) atau nilai ekspektasi (expected value) dari setiap nilai x sama dengan nol 21
ABSTRAK
Regresi nonlinier model eksponen adalah regresi nonlinier yang variabel responnya berdistribusi eksponen.. Untuk mengestimasi model eksponen regresi nonlinier ganda digunakan metode kuadrat terkecil. Estimasi metode kuadrat terkecil berguna untuk menentukan parameter sehingga jumlah kuadrat dari deviasi/simpangan antara observasi-observasi garis regresi menjadi minimum. Dari sudut pandang statistik, metode kuadrat terkecil dianggap lebih efisien pada hasil estimator dengan sifat statistik. Bentuk umum persamaan model eksponen untuk regresi nonlinier ganda
yaitu
Y
ˆ
=
e
β0+β1X1+β2X2ABSTRACT
Nonlinear exponential regression model is nonlinear regression response variable exponent distribution. To estimate the exponential regression model multiple nonlinear least square method is used. The estimated least square method is useful for determining the parameters so that the sum of squares of deviation/deviation between the regression line observations to a minimum. From the statistical standpoint, the least square method is considered more efficient in the estimators to the nature of statistics.The general form of an exponential model equation for nonlinear multiple
regression is
Y
ˆ
=
e
β0+β1X1+β2X2BAB 1
PENDAHULUAN
1.1Latar belakang
Metode analisis yang telah dibicarakan hingga sekarang adalah analisis terhadap data
mengenai sebuah karakteristik atau atribut (jika data itu kualitatif) dan mengenai
sebuah variabel, diskrit ataupun kontinu (jika data itu kuantitatif). Tetapi,
sebagaimana disadari, banyak persoalan atau fenomena yang meliputi lebih dari
sebuah variabel. Misalnya : berat orang dewasa laki-laki sampai taraf tertentu
bergantung pada tingginya, tekanan semacam gas bergantung pada temperatur, hasil
produksi padi tergantung pada jumlah pupuk yang digunakan, banyak hujan, cuaca
dan sebagainya.
Akibatnya, terasa perlu untuk mempelajari analisis data yang terdiri atas dari
banyak variabel, dalam beberapa masalah terdapat dua atau lebih variabel yang
hubungannya tidak dapat dipisahkan dan hal tersebut biasanya di selidiki sifat
hubungannya. Hubungan yang didapat pada umumnya dinyatakan dalam bentuk
persamaan matematik yang menyatakan hubungan fungsional antara variabel-variabel.
Studi yang menyangkut masalah ini dikenal dengan analisis regresi. Analisis regresi
adalah sebuah teknik statistik untuk membuat model dan menyelidiki hubungan antara
dua variabel atau lebih.
Dalam statistika parametrik, teknik yang digunakan berhubungan dengan
pendugaan parameter serta pengujian hipotesis yang berhubungan dengan parameter–
menentukan suatu model linier yang paling tepat dalam mencocokkan diri terhadap
sebaran data–data tersebut.
Kelinieran regresi diyakinkan melalui pengujian hipotesis nol. Jika hipotesis
linier diterima, yakin hingga tingkat tertentu, bahwa regresi itu bentuknya linier tidak
diragukan. Namun apabila ternyata hipotesis linier ditolak, maka regresi linier tidak
cocok untuk digunakan dalam mengambil kesimpulan dan karenanya perlu meningkat
pada pencarian regresi non linier atau lengkung
Penggunaan prosedur parametrik didasarkan pada asumsi-asumsi tertentu,
misalnya mengasumsikan bahwa sampel-sampel yang diambil dari populasi-populasi
yang berdistribusi normal. Dalam kasus parametrik untuk mengetahui bentuk
hubungan antar peubah respon pada contoh yang diamati dapat digunakan metode
kuadrat terkecil, pengujian hipotesisnya untuk model parametrik menggunakan
statistik uji t yang merupakan sebuah asumsi secara normal yang didasarkan dari
metode kuadrat terkecil. dan pembentukan interval kepercayaan pada regresi
parametrik adalah pembentukan interval kepercayaan untuk
parameter-parameterβ0,β1,β2,....,βk dan σ2 yang didasarkan pada metode kuadrat terkecil
dan asumsi yang digunakan masih sama dengan asumsi yang digunakan pada
pengujian hipotesis.
Oleh karena itu penelitian ini disajikan untuk mengkaji regresi parametrik serta
memeriksa ketepatan model regresi parametrik yang dibatasi pada model eksponen
regresi nonlinier ganda yang dilihat dari kedekatan nilai estimasi parameter dengan
nilai parameter yang ditentukan .
1.2Perumusan Masalah
Pada penelitian ini rumusan masalah yang akan dibahas adalah bagaimana mengkaji
model regresi parametrik menggunakan metode kuadrat terkecil dengan pendekatan
1.3Tinjauan Pustaka
1. Sudjana (2002) sebuah model regresi yang mencakup lebih dari satu variabel
disebut satu model regresi linier ganda. Model regresi linier ganda dengan
k buah (k ≥ 2) variabel bebas X1,X2,....Xk , diregresikan terhadap variabel
respon Y dalam bentuk linier ganda yang ditaksir oleh bentuk:
k k
i b X b X
X b b
Y = 0 + 1 + 2 2 +...+
Keterangan:
Y = variabel tak bebas
X1,X2,....Xk = variabel bebas
b0,b1,b2,....bk = parameter regresi
Di sini model eksponen untuk regresi nonlinier ganda yang digunakan dengan
dua variabel bebas adalah:
2 2 1 1 0
ˆ
b bX b Xe
Y
=
+ +Keterangan:
Y = variabel tak bebas
X1,X2 = variabel bebas
b0,b1,b2 = parameter regresi
e = bilangan pokok logaritma asli atau logaritma Napier
harganya hingga empat desimal adalah e = 2,7183....
dapat dikembalikan pada bentuk linier ganda dengan mengambil logaritma Napier
(ln) pada ke dua ruas persamaan. Sehingga bentuknya menjadi:
2 2 1 1 0
ˆ
Selanjutnya diselesaikan dengan cara regresi linier ganda menggunakan variabel
bebas aslinya sedangkan variabel dependennya dalam bentuk logaritma Napier
dari variabel Y, adalah ln Y.
1.4Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mengkaji dan menguraikan cara mengestimasi
nilai parameter model eksponen berganda dengan meminimumkan error menggunakan
metode kuadrat terkecil dengan pendekatan matriks.
1.5Kontribusi Penelitian
Kesimpulan yang diperoleh setelah dilakukan penelitian ini, diharapkan:
1. Dapat menentukan dan menaksir model parameter–parameter analisis regresi
parametrik yang dapat meyederhanakan kompleksitas analisis sehingga hubungan
antar variabel bisa dipahami dengan mudah.
2. Sebagai bahan pertimbangan bagi para pembuat keputusan sejauh mana regresi
parametrik khususnya regresi nonlinier ganda model eksponen berperan dalam
pengambilan keputusan
3. Menambah wawasan dan memperkaya literatur dalam bidang statistika terutama
yang berhubungan analisis regresi parametrik melalui metode kuadrat terkecil
dengan pendekatan matriks dalam model eksponen untuk regresi nonlinier ganda
1.6Metode Penelitian
Metode yang digunakan dalam penelitian ini adalah:
1. Mengkaji lebih dalam regresi parametrik khususnya model eksponen regresi
nonlinier ganda melalui metode kuadrat terkecil dengan pendekatan matriks.
2. Menghitung estimator β0,β1,β2,....,βk menggunakan metode kuadrat terkecil
3. Melakukan pengujian hipotesis
4. Mencatat nilai galat (standard error of estimate) dan menghitung pendugaan
interval kepercayaan
BAB 2
LANDASAN TEORI
2.1 Analisis Regresi
Regresi merupakan alat ukur yang digunakan untuk mengukur ada atau tidaknya
korelasi antar variabel. Istilah regresi yang berarti ramalan atau taksiran pertama kali
diperkenalkan oleh Sir Francis Galton pada tahun 1877, sehubungan dengan penelitiannya terhadap tinggi manusia, yaitu antara tinggi anak dan tinggi orang tua.
Dalam penelitiannya, Galton menemukan bahwa tinggi anak dari orang tua yang
tingginya cenderung meningkat atau menurun dari berat rata-rata populasi. Garis yang
menunjukkan hubungan tersebut disebut garis regresi.
Teknik yang umum digunakan untuk menganalisis hubungan antara dua atau
lebih variabel dalam ilmu statistik adalah analisis regresi. Analisis regresi adalah
tehnik statistik yang berguna untuk memeriksa dan memodelkan hubungan atara dua
variabel atau lebih terutama untuk menyelusuri pola hubungan dua variabel atau lebih
dan terutama untuk menelusuri pola hubungan yang modelnya belum diketahui
dengan sempurna, sehingga dalam penerepannya lebih bersifat eksploratif.
Analisis regresi setidak-tidaknya memiliki 3 (tiga) kegunaan, yaitu: untuk
tujuan deskripsi dari fenomena data atau kasus yang sedang diteliti, untuk tujuan
kontrol, serta untuk tujuan prediksi. Regresi mampu mendeskripsikan fenomena data
melalui terbentuknya suatu model hubungan yang bersifat numerik. Regresi juga
dapat digunakan untuk melakukan pengendalian terhadap suatu kasus atau hal-hal
yang sedang diamati melalui penggunaan model regresi yang diperoleh. Selain itu,
model regresi juga dapat dimanfaatkan untuk melakukan prediksi untuk variabel
didalam rentang data dari variabel-variabel bebas yang digunakan untuk membentuk
model regresi tersebut. Konsep ini disebut sebagai interpolasi.
Di dalam suatu model regresi akan ditemukan koefisien-koefisien. Koefisien
pada model regresi sebenarnya adalah nilai duga parameter didalam model regresi
untuk kondisi yang sebenarnya, sama halnya dengan statistik mean (rata-rata) pada
konsep statistika dasar. Hanya saja, koefisien-koefisien untuk model regresi
merupakan nilai rata-rata yang berpeluang terjadi pada variabel Y (variabel terikat)
bila suatu nilai X (variabel bebas) diberikan. Koefisien regresi dapat dibedakan
menjadi 2 macam, yaitu:
1. Intersep (intercept)
Intersep adalah suatu titik perpotongan antara suatu garis regresi dengan sumbu Y
pada diagram/sumbu kartesius saat nilai X = 0. Sedangkan definisi secara statistika
adalah nilai rata-rata pada variabel Y apabila nilai pada variabel X bernilai 0. Dengan
kata lain, apabila X tidak memberikan kontribusi, maka secara rata-rata, variabel Y
akan bernilai sebesar intersep. Perlu diingat, intersep hanyalah suatu konstanta yang
memungkinkan munculnya koefisien lain didalam regresi. Intersep tidak selalu dapat
atau perlu untuk dinterpretasikan. Apabila data pengamatan pada variabel X tidak
mencakup 0 atau mendekati 0, maka intersep tidak memiliki makna yang berarti,
sehingga tidak perlu diinterpretasikan.
2. Slope
Secara matematis, slope merupakan ukuran kemiringan dari suatu garis. Slope adalah
koefisien regresi untuk variabel X (variabel bebas). Dalam konsep statistika, slope
merupakan suatu nilai yang menunjukkan seberapa besar kontribusi (sumbangan)
yang diberikan suatu variabel X terhadap Y. Nilai slope dapat pula diartikan sebagai
rata-rata pertambahan (pengurangan) yang terjadi pada variabel Y untuk setiap
peningkatan satu satuan variabel X.
Persamaan garis regresi adalah merupakan model hubungan antara dua
variabel atau lebih, yaitu antara variabel bergantung (dependent variabel) dengan
variabel bebasnya (independent variable) sedangkan yang dimaksud garis regresi
(regression line/line of the best fit/estimating line) adalah suatu garis yang ditarik di
menaksir besarnya variabel yang satu berdasarkan besar variabel yang lain, dapat juga
dugunakan untuk mengetahui korelasinya (positif atau negatifnya). Apabila dua
variabel x dan y mempunyai hubungan atau korelasi, maka perubahan nilai variabel
diartikan sebagai variabel yang satu mempengaruhi variabel lainnya.
2.1.1 Regresi Linier Sederhana
Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier
satu peubah tak bebas Y dengan satu peubah bebas X. Hubungan linier Y dan X dari
suatu populasi disebut garis regresi populasi yang dinyatakan persamaan sebagai
berikut:
X X
Y E X
Y. ( / ) β0 β1
µ = = +
(2.1)
Keterangan:
µY.X = rata-rata Y untuk nilai X tertentu
β0 = jarak titik pangkal dengan titik potong garis regresi dengan sumbu Y
(intercept) nilai Y tanpa pengaruh X
β0 = kemiringan (slope atau gradien) garis regresi
Besarnya perubahan Y sebagai akibat perubahan X satu satuan
Kalau ingin menduga rataan µY.Xi, maka nilai Y perlu ditentukan untuk satuan
Xi tertentu. Nilai Y tersebut untuk Xi dinyatakan dengan Yi. Nilai Yi dan µY.Xi pada
umumnya tidak sama. Perbedaan tersebut tergantung pada ketepatan model untuk
menggambarkan keadaan yang sebenarnya dan ketepatan pengukuran peubah Y dan
X.
Perbedaan antara Yi dan µY.Xi disebut galat acak (randam error) dan
dinyatakan dengan simbolεi. Dengan demikian:
i X Y i i Y µ .
ε = − atau Yi =µY.Xi +εi
Dari persamaan ini diperoleh model regresi linier sederhana dari suatu populasi
I i i
i X
Y =β0 +β +ε (2.2)
Parameter β0 dan β1 diduga dengan menggunakan garis regresi contoh. Bentuk
persamaaan garis regresi contoh adalah sebagai berikut:
X b b
Yˆ = 0 + 1 (2.3)
Keterangan:
b0 = intersept, jarak titik pangkal dan titik potong garis regresi dengan sumbu Y
b1 = kemiringan atau gradien garis regresi
Keterangan:
b0 merupakan penduga titik bagi β0
b1 merupakan penduga titik bagi β1 dan
Ŷ merupakan penduga titik bagi µY.X
Pendugaan tersebut dilakukan dengan mengambil contoh acak berukuran n
dari suatu populasi. Hasil pengamatan berupa pasangan X dan Y sebagai berikut:
(X1 , Y2) , (X2 , Y2) , ….., (Xn , Yn)
Data berpasangan tersebut digambarkan pada sumbu koordinatif siku-siku, akan
diperoleh gambar yang disebut diagram pencar (scatter diagram) seperti pada gambar
berikut. Nilai-nilai data tersebut dieliminasi dalam persamaan Y =b0 +b1X diperoleh:
X b b Yˆ = 0 + 1
Pada umumnya Yi tidak sama dengan Ŷi, perbedaan antara Yi dan Ŷi dinyatakan
dengan ei yang disebut sisa (residual). Dalam hal ini:
i i i Y Y
e = − ˆ atau Yi =Yˆi +ei
Dengan demikian diperoleh model regresi linier sederhana dari contoh sebagai
berikut:
I i i i b b X e
Gambar 2.1 Diagram Pencar, Garis Regresi, dan Sisa Untuk Pengamatan Berpasangan (Xi,Yi )
Nilai b0 dan b1 diperoleh dengan menggunakan metode kuadrat terkecil (least-squares
method). Metode kuadrat terkecil merupakan satu cara memperoleh b0 dan b1 dengan
meminimumkan jumlah kuadrat sisa:
(
)
(
)
21 1 0 1 1 2
1
∑
ˆ∑
∑
− = = − − = − = = n i i i n i i i n i X b b Y Y Y eS (2.5)
Syarat optimum adalah:
(
)
02 0 1
0 = − − − = ∂ ∂
∑
i i b b X Yb S
(
)
02 0 1
1 = − − − = ∂ ∂
∑
Xi Yi b b Xi bS
Dari dua persyaratan optimum peroleh persamaan normal sebagai berikut:
i n i i n i i n i
i b X X Y
X
b
∑
∑
∑
= = = = + 1 1 2 1 1
0 (2.6)
Dari persamaan normal diperoleh:
− − =
∑
∑
∑
∑
∑
= = = = = n i i n i i n i i n i i i n i i X n X Y X n Y X b 1 1 2 1 1 1 1 1 1(
)(
)
(
)
∑
∑
= = − − − = n i i n i i i X X Y Y X X 1 21 (2.7)
− − =
∑
∑
∑
∑
∑
∑
= = = = = = n i i n i i n i i n i i i n i i n i i X n X X Y Y X X b 1 2 2 1 1 2 1 1 1 0 1= Y −b1X (2.8)
2.1.2 Regresi Linier Ganda
Regresi linier ganda merupakan regresi linier yang melibatkan hubungan fungsional
antara sebuah variabel tak bebas dengan dua atau lebih variabel bebas. Semakin
banyak variabel bebas yang telibat dalam suatu persamaan regresi semakin rumit
menentukan nilai statistik yang diperlukan hingga diperoleh persamaan regresi
estimasi. Regresi linier berganda berguna untuk mendapatkan pengaruh dua variabel
kriteriumnya atau untuk mencari hubungan fungsional dua variabel prediktor atau
lebih dengan variabel kriteriumnya, atau untuk meramalkan dua variabel prediktor
Hubungan linier lebih dari dua variabel yang dinyatakan dalam bentuk
persamaan matematis adalah:
ε β
β
β + + + = Xi kXk
Y 0 1 .... (2.9)
Keterangan:
Y : variabel tak bebas
X1,....Xk : variabel bebas
β0,β1,....,βk : parameter regresi
ε : nilai kesalahan (error)
Metode kuadrat terkecil dari estimasi β yang terdiri dari minimum
∑
εi2 yangberkenaan dengan β, dimana minimum ε'ε = Y −Xβ 2 mengenai β, yaitu:
(
β) (
β)
ε
ε' = Y −X ' Y −X
= Y'Y−2β'X'Y +β'X'Xβ
Perbedaan ε'ε mengenai β dan persamaan ' =0
∂ ∂
β ε ε
, diperoleh:
0 '
2 '
2 + =
− X Y X Xβ atau X'Xβ = X'Y (2.10)
(
X'X)
X'Yˆ = −1
β (2.11)
Kemudian untuk β:
(
Y−Xβ) (
' Y −Xβ)
=
Y −Xβ +X(
βˆ−βˆ)
'
Y −Xβ +X(
βˆ−βˆ)
=
(
Y−Xβˆ)(
'Y −Xβˆ) (
+ βˆ−β) (
'X'X βˆ−β)
Minimum dari
(
Y −Xβ) (
' Y −Xβ)
adalah(
Y −Xβˆ)(
'Y −Xβˆ)
dicapai pada β =βˆsolusi ini untuk melihat minimum ε'ε.
2.1.3 Regresi Nonlinier Sederhana
Regresi nonliner adalah regresi yang variabel-variabelnya ada yang berpangkat.
Bentuk grafik regresi nonlinier adalah berupa lengkungan. Untuk mempelajari peubah
respon (Y) berdasarkan peubah lain (X), apabila ada alasan atau dugaan kuat bahwa
antara Y dan X terdapat pertautan, maka dapat menggunakan teknik regresi dan
korelasi yang bentuk liner. Regresi tersebut dibatasi pada bentuk liner Ŷ= a + bX
yang perlu diuji dahulu mengenai bentuk dan keberartiannya sebelum digunakan
untuk mengambil kesimpulan.
Untuk mencari regresi Y atas X yang bentuknya nonlinier atau lengkung,
beberapa di antaranya adalah:
a. Parabola atau polinom pangkat dua
2
ˆ a bX cX
Y = + +
b. Parabola kubik atau polinom pangkat tiga
3 2
ˆ a bX cX dX
Y = + + +
c. Polinom pangkat k (k ≥ 2)
k kX
a X
a X a X a a
Yˆ = + + + 3 3 +...+
2 2 1 0
d. Eksponen
X ab Yˆ =
e. Eksponen (khusus) atau pertumbuhan
bX ae Yˆ =
f. Geometrik
b aX Yˆ = g. Logistik
X
h. Hiperbola
bX a Yˆ =
Regresi-regresi model (d), (e), (f), (g), dan (h) dapat diselasaikan dengan
menggunakan teknik regresi linier sederhana dan korelasi karena dengan transformasi
yang cocok, bentuk-bentuk tersebut dapat menjadi linier. Transformasi yang
digunakan adalah logaritma, sehingga:
bentuk (d) menjadi:
b X a
Yˆ log log
log = + ,
yang linier dalam X dan log Y
bentuk (e) menjadi:
bX a Yˆ =ln +
ln , yang linier dalam X dan ln Y,
(ln adalah logaritma dengan bilangan pokok e)
bentuk (f) menjadi:
X b a
Yˆ log log
log = + ,
yang linier dalam log X dan log Y
bentuk (g) menjadi:
b X a
Yˆ log log
log =− − ,
yang linier dalam X dan log Y
bentuk (h) menjadi:
X b
a
Yˆ log log log
log = − −
yang linier dalam log X dan log Y
Dengan teknik yang dijelaskan dalam regresi linier sederhana dan korelasi
dalam regresi linier sederhana, koefisien-koefisien a dan b melalui log a dan log b
dapat ditentukan. Dalam pelaksanaannya harus bekerja dengan data dari X dan Y
Regresi-regresi bentuk (a) dan (b) merupakan hal khusus dari bentuk (c)
masing-masing untuk k = 2 dan k = 3. Bentuk-bentuk ini tidak dapat dibuat linier
seperti untuk (d), (e), (f) dan (g).
2.1.3.1 Model Eksponen
Perkiraan untuk model ini, yang persamaannya:
X
ab
Y
ˆ
=
(2.12)Keterangan:
Y = variabel tak bebas
X = variabel bebas
a, b = konstanta atau penduga
ternyata dapat dikembalikan kepada model linier yang diambil logaritmanya, dalam
logaritma persamaannya menjadi :
X b a
Yˆ log (log )
log = + (2.13)
diambil Ŷ = log Ŷ, a´= log a dan b´ = log b, diperoleh model:
X b a Yˆ = ′+ ′
a´ dan b´ dapat dihitung dan selanjutnya karena a´ = log a dan b´ = log b, a dan b
juga dapat dihitung. Langsung di dalam logaritma, a dan b dapat dicari dari rumus:
(
)
−
=
∑
∑
a X b a
Y
a log i log i
log
(2.14)
(
) (
)(
)
(
)
∑
∑
∑
∑
∑
− −
= 2
2
log log
log
i i
i i
i i
X X
n
Y X
Model eksponen dalam rumus (2.12) sering pula disebut model pertumbuhan
karena sering banyak digunakan dalam menganalisis data sebagai hasil pengamatan
mengenai fenomena yang sifatnya tumbuh.
Dalam hal ini model persamaannya menjadi:
bX
ae
Y
ˆ
=
(2.15)Keterangan:
Ŷ = variabel tak bebas
X = variabel bebas
a, = konstanta atau penduga b
e = bilangan pokok logaritma asli atau logaritma Napier
harganya hingga empat empat desimal adalah e = 2,7183…..
sekarang harus diambil logaritma Napier dan bukan logaritma biasa. Persamaannya
(2.15) sekarang menjadi:
bX a Yˆ =ln +
ln (2.16)
Ini linier dalam X dan lnY sehingga a dan b dapat dicari seperti biasa.
Daftar logaritma Napier tidak tersedia, dapat digunakan daftar logaritma biasa,
persamaan (2.16) dalam rumus menjadi:
bX a
Yˆ log 0,4343
log = + (2.17)
Dalam subbab 2.1.2 telah dibahas seperlunya regresi linier ganda dengan k buah
(k ≥ 2) variabel bebas X1, X2,…...,Xk, diregresikan terhadap variabel respon Y dalam
bentuk linier ganda yang ditaksir berbentuk:
k kX
b X
b X b b
Yˆ = 0 + 1 1 + 2 2 +....+
Keterangan:
Y = variabel tak bebas
X1,X2,....Xk = variabel bebas
b0,b1,b2,....bk = parameter regresi
Jika hanya ada dua variabel bebas X1 dan X2, maka regresinya terhadap Y dalam
bentuk kuadratik adalah:
2 2 5 2 1 4 2 1 3 2 2 1 1
0 .
ˆ b b X b X b X X b X b X
Y = + + + + +
Suatu regresi yang dinamakan regresi nonlinier ganda, tepatnya regresi kuadratik
ganda.
Dengan meninjau sepintas tentang regresi nonlinier ganda bersifat
multiplikatif. Model multiplikatif yang paling sederhana untuk dua variabel bebas X1
dan X2 misalnya adalah:
C b
X aX
Yˆ = 1 2
Keterangan:
Y = variabel tak bebas
X = variabel bebas
a,b,c = konstanta atau penduga
Sebagai taksiran terhadap model regresi dalam populasinya. Pada dasarnya, model
nonlinier ini dapat dikembalikan pada model linier dengan jalan mengambil logaritma
ke dua ruas persamaan. Hasilnya menjadi:
2
1 log
log log
ˆ
logY = a+b X +c X
Berbentuk model linier ganda dalam log X1, logX2 dan log Y.
Model eksponen untuk regresi nonlinier ganda dengan dua variabel bebas,
diambil:
2 2 1 1 0
ˆ
b bX b Xe
Y
=
+ +Keterangan:
Y = variabel tak bebas
X1,X2 = variabel bebas
b0,b1,b2 = parameter regresi
Dapat dikembalikan pada bentuk linier ganda dengan mengambil logaritma asli (ln)
pada ke dua ruas persamaan. Bentuknya menjadi:
2 2 1 1 0
ˆ
lnY =b +b X +b X
Selanjutnya diselesaikan dengan cara regresi linier ganda menggunakan variabel
bebas aslinya sedangkan variabel dependennya dalam bentuk logaritma asli dari
variabel Y, ialah ln Y.
Model lain yang juga non linier ganda untuk dua prediktor tetapi dapat
dikembalikan pada bentuk linier ganda adalah model kebalikan, berbentuk:
2 2 1 1 0
1 ˆ
X b X b b Y
+ +
Keterangan:
Y = variabel tak bebas
X1,X2 = variabel bebas
b0,b1,b2 = parameter regresi
Dengan mengambil kebalikan ke dua ruas persamaan ini, kita peroleh:
2 2 1 1 0
ˆ 1
X b X b b
Y = + +
Linier dalam X1, X2 dan 1/Y. Ini berarti model dapat diselesaikan dengan cara seperti
menyelesaikan regresi linier ganda menggunakan data asli X1 dan X2 dan variabel
dependennya bukan Y tetapi 1/Y.
Tentu saja masih ada model lain yang non linier ganda dan juga model-model
tersebut dapat diperluas untuk tiga, empat, dan seterusnya variabel bebas.
Penyelesaiannya, diusahakan dikembalikan pada bentuk linier ganda dengan
menggunakan transformasi yang sesuai.
2.2 Metode Kuadrat Terkecil
Metode kuadrat terkecil, yang lebih kenal dengan nama least-squares method adalah
salah satu metode pendekatan yang paling penting dalam dunia keteknikan untuk:
a) Regresi ataupun pembentukan persamaan dari titik-titik data diskretnya (dalam
pemodelan)
b) Analisis sesatan pengukuran (dalam validasi model)
Metode kuadrat terkecil termasuk dalam keluarga metode-metode pendekatan
sesatan terdistribusi (“distributed error” approximation methods), berdasarkan
karekteristik kerjanya yang melakukan pengurangan sesatan menyeluruh (global error)
interval) sesuai dengan order pendekatan yang meningkat. Metode ini berbeda dengan
metode-metode asimptotis, khususnya yang dikembangkan melalui pendekatan deret
‘Taylor’, karena metode asimptotis memiliki karekteristik kerja yang memperkecil
sesatan pada beberapa titik tertentu, sesuai dengan order pendekatan yang meningkat.
Metode kuadrat terkecil ini juga memainkan peranan penting dalam teori
statistik, karena metode ini seringkali digunakan dalam penyelesaian
problem-problem yang melibatkan kumpulan data yang tersusun secara acak, seperti
sesatan-sesatan percobaan.
Andi Supangat (2008) Metode Ordinary Least Square (OLS) atau sering juga
dikatakan sebagai metode kuadrat terkecil (least square) pada dasarnya merupakan
anggapan-anggapan tertentu, anggapan-anggapan pada metode kuadrat terkecil adalah
dimaksudkan sebagai pembentukan model Normal Hesse, yang digunakan untuk
menentukan perhitungan besaran intercept dan koefisiensi regresi sampel atau besaran
a dan b pada model regresi linier y = a + bx. Begitu pun tentunya pada model-model
regresi lainnya, seperti pada model linier multiple, model kudaratis, model semi,
model eksponensial.
Metode kuadrat terkecil selain untuk menentukan nilai-nilai intercept dan
koefisien regresi, juga berguna untuk membuat pendugaan interval serta menguji
hipotesis regresi populasi. Berikut diungkapkan beberapa anggapan penting metode
kuadrat terkecil, di antaranya:
a. Nilai rata-rata dari tingkat kesalahan (error) atau nilai ekspektasi (expected value)
dari setiap nilai x sama dengan nol. Anggapan ini dinyatakan seperti pada Gambar
2.5, bahwa untuk setiap x, misalkan x1, x2, dan x3 terdapat beberapa nilai y. nilai Y
tersebut terdapat di bawah dan di atas garis regesi, namun nilai rata-rata dari y
berada di titik tengah, yaitu pada garis regresi. Karena kurva bersifat simentris,
maka nilai di bawah garis regresi sama dengan nilai di atas regresi, sehingga nilai
Gambar 2.2 Nilai rata-rata dari tingkat kesalahan (error) atau nilai ekspektasi (expected value) dari setiap nilai x sama dengan nol
b. Nilai error dari Ei dan Ej dikatakan sebagai covarian yang saling independent
(tidak berhubungan), dan oleh karena antara Ei dan Ej tidak ada hubungan, maka
dapat diartikan bahwa nilai cov (Ei , Ej) = 0, dimana i ≠ j. berdasarkan uraian di
atas, dalam setiap nilai xi akan didapati tingkat kesalahan (error) sebesar Ei
demikian pun halnya dengan nilai xj akan didapati tingkat kesalahan (error)
sebesar Ej.
c. Varians (σ2) dari error bernilai: Var
(
) (
)
2 2/ j = i − j =σ i E Ee e
E . Perhatikan pada
gambar sebelumnya, nilai Ei ( yang dilambangkan dengan tanda titik) untuk setiap
x yaitu x1, x2, dan x3 tersebar secara tetap sebesar nilai variannya (σ2). Nilai E
terbesar di bawah kurva normal sejauh satu standar deviasi dibawah garis reegresi
dan satu standar deviasi di atas garis regresinya.
d. Variabel bebas x tidak berhubungan dengan besarnya nilai E (error), untuk
kenyataan ini di tuliskan sebagai Covarian atau Cov(Ei , xi ) = 0 . dengan demikian
model regresinya ditulis: yˆ=a + b xi + ei , terlihat dari model tersebut bahwa nilai
xi dan Ei secara nyata tidak saling mempengaruhi, namun demikian kedua variabel
tersebut mempengaruhi variabel y. seandainya antara variabel xi dan variabel Ei
saling mempengaruhi, maka pengaruh masing-masing variabel tersebut tidak akan
yang mempengaruhi y selain x adalah faktor e, maka oleh karenanya variansi dari
Ei dan xi saling terpisah atau tidak berhubungan (tidak berkorelasi).
e. Anggapan-anggapan tersebut sangat penting artinya dalam melakukan analisis
regresi, sebab apabila anggapan-anggapan tersebut dapat dipenuhi, maka
nilai-nilai penduga yaitu a dan b (untuk model regresi linier sederhana), nilai-nilai-nilai-nilai a0, a1,
a2 (untuk model regresi linier multiple yˆ= a0 + a1x1 + a2 x2+ ε) ataupun nilai-nilai
intercept dan koefisien regresi pada model lainnya akan mempunyai sifat-sifat
seperti berikut: Tidak bias, memiliki variansi yang minimum, hasil perhitungan
(pendugaan) dapat representatif terhadap parameter populasinya walaupun
jumlah sampelnya diperbesar, memiliki nilai intercept dan koefisien regresi yang
berdistribusi normal dengan dengan nilai rata-rata harapan dari pendugaan
sampel E (a) = A dan variansi (a) = σ2a. dan nilai rata-rata harapan dari
pendugaan sampel E (b) = B dan variansi (b) = σ2b.
f. Secara umum metode kuadrat terkecil, ditulis dalam bentuk Normal Hesse, yaitu:
Untuk Model Regresi Linier Sederhana yˆ=a + bx+ e
Persamaan Normal Hesse-nya:
∑
y=na+b∑
x……….1)
∑
=∑
+∑
2x b x a
y …………..2)
2.2.1 Persoalan Estimasi Metode Kuadrat Terkecil dalam Model Eksponen Berganda
Metode kuadrat terkecil dapat digunakan untuk memperkirakan koefisien regresi
dalam regresi linier berganda. Merupakan metode yang paling populer dan sangat
berpengaruh dalam analisis garis regresi. Untuk memperkirakan parameter– parameter
k
β β
β0, 1,...., dapat digunakan metode kuadrat terkecil sehingga jumlah kuadrat dari
Hines dan Montgomery (1990) menjelaskan bahwa fungsi kuadrat terkecil adalah: 2 1 1 0 1
2
∑
∑
∑
= = = − − = = n i n j ij j i n ii Y X
L ε β β (2.18)
Fungsi L tersebut dioptimumkan terhadap β0,β1,....,βk. Estimator kuadrat
terkecilβ0,β1,....,βk merupakan syarat mutlak harus memenuhi:
0 ˆ ˆ 2 1 1 0 ˆ ˆ ˆ ' 0 0, 1,....
= − − − = ∂ ∂
∑
∑
= = n i k j ij j i X Y Lk β β
β β β β
dan (2.19)
0 ˆ ˆ 2 1 1 0 ˆ ˆ ˆ
' 0, 1,.... =
− − − = ∂ ∂
∑
∑
= = ij
n i k j ij j i j X X Y L
k β β
β β β β j = 1, 2,….,k
Penyerdehanaan Persamaan (2.19), diperoleh persamaan-persamaan normal kuadrat
terkecil:
∑
∑
∑
∑
= = = = = + + + + n i i n i ik k n i i n ii X X Y
X n 1 1 1 2 2 1 1 1
0 ˆ ˆ .... ˆ
ˆ β β β β
∑
∑
∑
∑
∑
= = = = = = + + + + n i i i n i ik i k n i i i n i i n ii X X X X X X Y
X 1 1 1 1 1 2 1 2 1 1 2 1 1 1
0 ˆ ˆ .... ˆ
ˆ β β β
β (2.20)
∑
∑
∑
∑
∑
= = = = = = + + + + n i i ik n i ik k n i i ik i n i ik n iik X X X X X X Y
X 1 1 2 1 2 2 1 1 1 1
0 ˆ ˆ .... ˆ
ˆ β β β
β
Berdasarkan estimasi pada persamaan (2.20) dalam regresi linier ganda dengan
metode kuadrat terkecil, dapat diperoleh rumus estimasi regresi nonlinier ganda untuk
model eksponen dengan metode kuadrat terkecil sebagai berikut:
dengan memisalkan:
∑
Yi =∑
lnYi
∑
Xi2y =∑
X12lnYibentuk persamaan-persamaan normal kuadrat terkecil yang digunakan untuk model
eksponen berganda adalah:
∑
∑
∑
∑
= = = = = + + + + n i i n i ik k n i i n ii X X Y
X n 1 1 1 2 2 1 1 1
0 ˆ ˆ .... ˆ ln
ˆ β β β β
∑
∑
∑
∑
∑
= = = = = = + + + + n i i i n i ik i k n i i i n i i n ii X X X X X X Y
X 1 1 1 1 1 2 1 2 1 1 2 1 1 1
0 ˆ ˆ .... ˆ ln
ˆ β β β
β (2.21)
∑
∑
∑
∑
∑
= = = = = = + + + + n i i ik n i ik k n i i ik i n i ik n iik X X X X X X Y
X 1 1 2 1 2 2 1 1 1 1
0 ˆ ˆ .... ˆ ln
ˆ β β β
β
Keterangan:
ln Yi = variabel dependen dalam bentuk logaritma asli dari variabel Y.
Ada p = k + 1 persamaan normal, satu untuk setiap koefisien regresi yang tidak
diketahui. Penyelesaian untuk persamaan normal menjadi estimator-estimator kuadrat
terkecil dari koefisien-koefisien regresi βˆ0,βˆ1,....,βˆk
2.2.2 Metode Matriks
Matriks didefinisikan sebagai suatu himpunan angka, variabel atau parameter dalam
bentuk suatu persegi panjang, yang tersusun di dalam baris dan kolom. Pada
umumnya, matriks di notasikan dalam huruf besar sedangkan elemen-elemennya
dalam hurup kecil, sebagai berikut:
di mana:
A = Matriks A
[ ] atau ( ) = Notasi matriks
adalah elemen dari matriks A, dimana menyatakan baris dan menyatakan
kolom. Misalnya: adalah elemen dari matriks A yang terletak pada baris ke-1 dan
kolom ke-1. (PUDJIASTUTI,2006)
Jenis-jenis matriks adalah sebagai berikut:
1. Matriks diagonal
Adalah suatu matriks bujur sangkar yang semua elemen di luar elemen
diagonal utama sama dengan nol, dan paling tidak satu elemen pada diagonal
utamanya tidak sama dengan nol.
2. Matriks identitas
Adalah suatu matriks bujur sangkar yang elemen-elemen di luar diagonal
utamanya sama dengan nol, dan semua elemen pada diagonal utama sama
dengan satu. Matriks identitas yang berorde n biasanya diberi simbol In
3. Matriks segitiga atas
Adalah matriks bujur sangkar yang elemen-elemen di bawah diagonal utama
bernilai nol. Jadi yang tidak sama dengan nol adalah elemen-elemen pada
segitiga atasnya dan paling tidak satu elemen pada diagonal utama tidak sama
dengan nol.
4. Matriks segitiga bawah
Adalah matriks bujur sangkar yang elemen-elemen di atas diagonal utama
bernilai nol. Jadi yang tidak sama dengan nol adalah elemen-elemen pada
segitiga bawahnya dan paling tidak satu elemen pada diagonal utama tidak
sama dengan nol.
5. Matriks nol
Adalah suatu matriks yang semua elemnya bernilai nol. Matriks ini biasanya
diberi simbol O dan bentuknya tidak selalu bujur sangkar.
Adalah matriks yang hanya terdiri dari satu baris. Matriks ini sering disebut
dengan vektor baris.
7. Matriks kolom
Adalah matriks yang hanya terdiri dari satu kolom. Matriks ini sering disebut
dengan vektor kolom.
8. Matriks simetris
Adalah suatu matriks bujur sangkar yang memiliki , sehingga
transposenya sama dengan matriks semula.
2.2.2.1 Tranpose suatu matrik
Tranpose suatu matriks adalah merubah ordo suatu matriks dari x menjadi x .
Jika atau adalah transpose dari matriks , maka baris pada matriks menjadi
kolom pada matriks dan sebaliknya kolom pada matriks menjadi baris pada
matriks .
2.2.2.2 Determinan
Determinan adalah suatu skalar (angka) yang diperoleh dari suatu matriks bujur
sangkar selalui operasi khusus. Disebut operasi khusus karena dalam proses
penurunan determinan dilakukan perkalian-perkalian. Determinan dinotasikan dengan
tanda | |
2.2.2.3 Invers Matriks
Invers matriks sering disebut dengan matriks kebalikan. Biasanya dituliskan sebagai
berikut: jika A adalah suatu matriks bujur sangkar maka merupakan inverst
2.2.3 Persoalan Metode Matriks dalam Model Eksponen Berganda
Dengan menggunakan persamaan matriks
(2.22)
Persamaan regresi dugaan dinyatakan dengan persamaan
(2.23)
Dengan
(2.24)
Metode kuadrat terkecil merupakan suatu metode untuk mendapatkan
nilai-nilai vektor dengan meminimumkan adalah sebagai berikut:
(2.25)
Langkah-langkah untuk menentukan nilai koefisien dari parameter pada
regresi linier berganda adalah sebagai berikut:
Langkah 1
(2.26)
Langkah 2
Menghitung nilai determinan matrik dengan cara sebagai berikut:
(2.27)
Langkah 3
Mencari Adjoint matriks , di mana:
(2.28)
Langkah 4
Mencari invers matriks dengan cara sebagai berikut:
(2.29)
Langkah 5
Mencari nilai matriks dengan cara sebagai berikut:
(2.30)
Sehingga untuk memperoleh nilai koefisien dari adalah dengan cara
sebagai berikut:
(2.31)
Bentuk model eksponen bergandanya menjadi:
dengan memisalkan:
∑
Yi =∑
lnYi
∑
Xi1Y =∑
Xi1lnYi
∑
Xi2Y =∑
X12lnYiSehingga untuk memperoleh nilai koefisien dari adalah dengan cara
sebagai berikut: ′ =
∑
∑
∑
∑
i ik i i i i ik X Y
Y X Y X Y X X Adj D b b b b ln ln ln ln 1 2 1 2 1 0 (2.32) Keterangan:
BAB 3
PEMBAHASAN DAN HASIL
3.1 Pembahasan
Setiap data merupakan alat pengambilan keputusan untuk dasar pembuatan
keputusan-keputusan atau untuk memecahkan suatu persoalan. Keputusan yang baik dapat
dihasilkan dalam pengambilan keputusan tersebut didasarkan atas data yang baik.
Jumlah data yang akan dianalisis tergantung dari penentuan ukuran sampel yang
diambil.
Dalam regresi nonlinier, ada kalanya regresi yang didapat ternyata tidak linier,
baik dilihat secara kasat mata pada scatter diagram, ataupun setelah melalui tes
linieritas regresi. Kemudian untuk melakukan prediksi dengan garis yang nonlinier
yaitu dengan menggunakan model-model regresi nonlinier tetapi yang dapat diubah
modelnya menjadi regresi linier.
Selanjutnya data yang digunakan untuk analisis adalah data simulasi. Data
simulasi ini terdiri dari dua atau lebih variabel bebas (X) dan variabel tak bebas (Y).
data simulasi yang akan dianalisis memiliki jumlah sampel dan nilai parameter yang
Diberikan data hasil pengamatan berdasarkan data sebagai berikut:
Tabel 3.1 Penyajian Data
No Y X1 X2
1 2,6 2,1 3
2 2,8 4,2 2
3 3,2 5,3 6
4 3,7 7,0 4
5 3,0 6,4 6
6 2,7 4,8 3
7 3,4 7,2 5
8 2,9 5,6 3
9 3,1 6,2 5
10 2,9 5,0 5
11 3,0 6,3 3
12 4,2 8,1 6
13 3,8 7,9 4
Sumber: Sudjana (1996)
Sebelumnya akan dilihat apakah data pada Tabel 3.1 berbentuk linier atau non linier.
Berdasarkan penyajian data tabel 3.1 dapat dilihat Gambar 3.1 diagram pencar untuk
menduga apakah data tersebut berbentuk linier atau non linier.
[image:45.595.144.508.508.724.2]Dari Gambar 3.1 terlihat bahwa bentuk grafiknya berupa lengkungan. Yang
berarti dengan demikian data pada Tabel 3.1 berbentuk non linier, Dalam analisa ini,
dari sekian banyak model regresi nonlinier untuk menyelesaikan dan mencari bentuk
persamaan regresi nonlinier, di sini akan digunakan model eksponen berganda dan
untuk memperkirakan parameter– parameter β0,β1,....,βk dengan menggunakan
metode kuadrat terkecil.
Data tersebut membentuk sebuah sampel berukuran n = 13 yang melibatkan
dua prediktor X1 dan X2 dengan variabel dependen Y. Berdasarkan model eksponen
dalam logaritma menggunakan data asli X1 dan X2 tetapi data asli Y harus
ditransformasikan menjadi ln Y.
Dari analisa data dapat diperoleh data untuk menghitung regresi antara
variabel X1 , X2 dan ln Y dari Tabel 3.2 sebagai berikut:
Tabe 3.2 Nilai-nilai yang perlu untuk menghitung β0,β1,dan β2
Model eksponen
NO ln Y X1 X2 X12 X22 X1X2 X1lnY X2lnY
1 0,9555 2,1 3 4,41 9 6,3 2,0066 2,8665
2 1,0296 4,2 2 17,64 4 8,4 4,3244 2,0592
3 1,1632 5,3 6 28,09 36 31,8 6,1647 6,9789 4 1,3083 7,0 4 49,00 16 28,0 9,1583 5,2333 5 1,0986 6,4 6 40,96 36 38,4 7,0311 6,5917
6 0,9933 4,8 3 23,04 9 14,4 4,7676 2,9798
7 1,2238 7,2 5 51,84 25 36,0 8,8112 6,1189
8 1,0647 5,6 3 31,36 9 16,8 5,9624 3,1941
9 1,1314 6,2 5 38,44 25 31,0 7,0147 5,6570 10 1,0647 5,0 5 25,00 25 25,0 5,3236 5,3236 11 1,0986 6,3 3 39,69 9 18,9 6,9213 3,2958 12 1,4351 8,1 6 65,61 36 48,6 11,6242 8,6105 13 1,3350 7,9 4 62,41 16 31,6 10,5465 5,3400
∑
lnY =14,9018∑
X1 =76,1∑
X2 =5549 , 477
2
1 =
∑
X∑
X22 =255∑
X1X2 =335,2 6567, 89 ln
1 =
∑
X Y∑
X2lnY =64,2481Metode Estimasi yang digunakan dalam dalam penelitian ini adalah regresi nonlinier
ganda model eksponen dengan menggunakan metode kuadrat terkecil, dengan
spesikasi model adalah:
2 2 1 1 0
ˆ
b b X b Xe
Y
=
+ + atauY
ˆ
=
e
β0+β1X1+β2X2 (3.1)Dapat dikembalikan pada bentuk linier ganda dengan menjadi logaritma asli (ln) pada
ke dua ruas persamaan. Bentuknya menjadi:
2 2 1 1 0
ˆ
lnY =b +bX +b X atau lnYˆ =
β
0 +β
1X1+β
2X2 (3.2)3.2 Estimasi Parameter Menggunakan Metode Kuadrat Terkecil
Untuk mendapatkan model regresi parametrik khususnya regresi nonlinier ganda
model eksponen menggunakan metode kuadrat terkecil yaitu:
2 2 1 1 0
ˆ
X Xe
Y
=
β +β +βBerdasarkan pada estimasi regresi linier berganda dengan metode kuadrat terkecil
diperoleh:
Bahwa fungsi kuadrat terkecil adalah:
2
1 1
0 1
2
∑
∑
∑
= =
=
− − =
= n
i
n
j
ij j i
n
i
i Y X
Fungsi L tersebut dioptimumkan terhadap β0,β1,....,βk. Estimator kuadrat
terkecilβ0,β1,....,βk merupakan syarat mutlak harus memenuhi:
0 ˆ ˆ 2 1 1 0 ˆ ˆ ˆ ' 0 0, 1,....
= − − − = ∂ ∂
∑
∑
= = n i k j ij j i X Y L k β β β β β βdan (3.4)
0 ˆ ˆ 2 1 1 0 ˆ ˆ ˆ ' 0, 1,....
= − − − = ∂ ∂
∑
∑
= = ij
n i k j ij j i j X X Y L k β β
β β β β j = 1, 2,….,k
Penyerdehanaan Persamaan (3.4), diperoleh persamaan-persamaan normal kuadrat
terkecil:
∑
∑
∑
∑
= = = = = + + + + n i i n i ik k n i i n ii X X Y
X n 1 1 1 2 2 1 1 1
0 ˆ ˆ .... ˆ
ˆ β β β β
∑
∑
∑
∑
∑
= = = = = = + + + + n i i i n i ik i k n i i i n i i n ii X X X X X X Y
X 1 1 1 1 1 2 1 2 1 1 2 1 1 1
0 ˆ ˆ .... ˆ
ˆ β β β
β (3.5)
∑
∑
∑
∑
∑
= = = = = = + + + + n i i ik n i ik k n i i ik i n i ik n iik X X X X X X Y
X 1 1 2 1 2 2 1 1 1 1
0 ˆ ˆ .... ˆ
ˆ β β β
β
Berdasarkan estimasi pada persamaan (3.5) dalam regresi linier ganda dengan metode
kuadrat terkecil, dapat diperoleh rumus estimasi regresi nonlinier ganda untuk model
eksponen dengan metode kuadrat terkecil sebagai berikut:
dengan memisalkan:
∑
Yi =∑
lnYi
∑
Xi1y =∑
Xi1lnYi
∑
Xi2y =∑
X12lnYibentuk persamaan-persamaan normal kuadrat terkecil yang digunakan untuk model
∑
∑
∑
∑
= = = = = + + + + n i i n i ik k n i i n ii X X Y
X n 1 1 1 2 2 1 1 1
0 ˆ ˆ .... ˆ ln
ˆ β β β β
∑
∑
∑
∑
∑
= = = = = = + + + + n i i i n i ik i k n i i i n i i n ii X X X X X X Y
X 1 1 1 1 1 2 1 2 1 1 2 1 1 1
0 ˆ ˆ .... ˆ ln
ˆ β β β
β (3.6)
∑
∑
∑
∑
∑
= = = = = = + + + + n i i ik n i ik k n i i ik i n i ik n iik X X X X X X Y
X 1 1 2 1 2 2 1 1 1 1
0 ˆ ˆ .... ˆ ln
ˆ β β β
β
Nilai-nilai dalam Tabel 3.2 dimasukkan ke dalam persamaan (3.6) dengan n = 30,
diperoleh sistem persamaan- persoalan normal kuadrat terkecil:
(1)….. 14,9018 = 13 β0 + 76,1 β1 + 55 β2
(2)….. 89,6567 = 76,1 β0 + 477,49 β1 + 335,2 β2
(3)….. 64,2481 = 55 β0 + 335,2 β1 + 255 β2
3.3 Menentukan Persamaan Model Eksponen Berganda dengan Menggunakan Matriks
Dengan menggunakan persamaan matriks
(3.7)
Persamaan regresi dugaan dinyatakan dengan persamaan
(3.8)
Dengan:
Metode kuadrat terkecil merupakan suatu metode untuk mendapatkan
nilai-nilai vektor dengan meminimumkan adalah sebagai berikut:
(3.10)
Langkah-langkah untuk menentukan nilai koefisien dari parameter pada
regresi linier berganda adalah sebagai berikut:
Langkah 1
Menghitung nilai matriks dengan cara sebagai berikut:
(3.11)
Langkah 2
Menghitung nilai determinan matrik dengan cara sebagai berikut:
(3.12)
Langkah 3
(3.14)
Langkah 4
Mencari invers matriks dengan cara sebagai berikut:
(3.15)
Langkah 5
Mencari nilai matriks dengan cara sebagai berikut:
(3.16)
Sehingga untuk memperoleh nilai koefisien dari adalah dengan cara
sebagai berikut:
Bentuk model eksponen bergandanya menjadi:
dengan memisalkan:
∑
Yi =∑
lnYi
∑
Xi1Y =∑
xi1lnYi
∑
Xi2Y =∑
X12lnYiSehingga untuk memperoleh nilai koefisien dari adalah dengan cara
sebagai berikut: ′ =
∑
∑
∑
∑
i ik i i i i ik X Y
Y X Y X Y X X Adj D b b b b ln ln ln ln 1 2 1 2 1 0 (3.1) Keterangan:
ln Yi = variabel dependen dalam bentuk logaritma asli dari variabel Y.
diperoleh bentuk persamaan matriks X dan Y sebagai berikut:
Dengan data asli Y harus ditransformasikan menjadi ln Y. Dapat diperoleh bentuk
persamaan model eksponen berganda dalam matriks sebagai berikut:
Tahapan 1
Membentuk persamaan normal dari data dengan rumus (3.6) diperoleh hasil sebagai
berikut:
(1)….. 14,9018 = 13 β0 + 76,1 β1 + 55 β2
(2)….. 89,6567 = 76,1 β0 + 477,49 β1 + 335,2 β2
(3)….. 64,2481 = 55 β0 + 335,2 β1 + 255 β2
Tahapan 2
Menentukan nilai matrik dengan meggunakan rumus (3.11), maka diperoleh hasil
sebagai berikut: = ′ 4 2 3 9 , 7 2 , 4 1 , 2 1 1 1 X X 4 9 , 7 1 2 2 , 4 1 3 1 , 2 1 = ′ 255 2 , 335 55 2 , 335 49 , 477 1 , 76 55 1 , 76 13 X X Tahapan 3
Kemudian dicari nilai determinan dari matriks , dengan rumus (3.12) sehingga di
peroleh hasil sebagai berikut:
+ − = 2 , 335 55 49 , 477 1 , 76 55 255 55 2 , 335 1 , 76 1 , 76 255 2 , 335 2 , 335 49 , 477 13 D
= 122.211,83 – 73.778,95 + (- 41.427,65)
Tahapan 4
Kemudian dicari Adjoint matriks dari dengan menggunakan rumus (3.14)
sehingga diperoleh sebagai berikut:
Adj − − − − − − = ′ 16 , 416 1 , 172 23 , 753 1 , 172 290 5 , 969 23 , 753 5 , 969 91 , 9400 X X Tahapan 5
Invers matriks dari dengan menggunakan rumus (3.15) adalah sebagai berikut :
23 , 7005
1 )
(X′X −1 =
− − − − − − 16 , 416 1 , 172 23 , 753 1 , 172 290 5 , 969 23 , 753 5 , 969 91 , 9400 Sehingga inversnya: − − − − − − = ′ − 059407 , 0 024567 , 0 107520 , 0 024567 , 0 041398 , 0 138397 , 0 107524 , 0 138397 , 0 341984 , 1 )
(XX 1
Tahapan 6
Dengan menggunakan persamaan pada rumus (3.16) diperoleh hasil sebagai berikut:
= ′ 2481 , 64 6567 , 89 9018 , 14 Y X
Sehingga nilai koefisien dan dapat diperoleh dengan menggunakan
rumus (3.18) yang hasilnya diperoleh sebagai berikut:
− − − − − − = − 2481 , 64 6567 , 89 9018 , 14 059407 , 0 024560 , 0 107524 , 0 024560 , 0 041398 , 0 138397 , 0 107524 , 0 138397 , 0 341984 , 1 1 2 1 0 b b b = 0119 , 0 0707 , 0 6821 , 0 2 1 0 b b b
Berarti b0= 0,6821, b1 = 0,0707, dan b2 = 0,0119
Model eksponen untuk regresi nonlinier ganda yang diperoleh adalah:
2 2 1 1 0
ˆ
b b X b Xe
Y
=
+ +2 1 0,0119
0707 , 0 6821 , 0
ˆ
X Xe
Y
=
+ +Dalam logaritma Napier, bentuknya menjadi