P. 1
Anreg Sigmoid

Anreg Sigmoid

|Views: 489|Likes:
Offering GG 2008 - Matematika - Universitas Negeri Malang
Offering GG 2008 - Matematika - Universitas Negeri Malang

More info:

Published by: Aldila Sakinah Putri on Aug 07, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

12/10/2014

pdf

text

original

ANALISIS REGRESI NON LINIER MODEL SIGMOID

MAKALAH Untuk memenuhi tugas matakuliah Analisis regresi yang dibina oleh Bapak Hendro Permadi

Oleh Kelompok 3 Offering GG Reni Dian Saputri Rina Uktafiya Lisa Dewi Priyanti Budi Prasetyo (408312408018) (408312409119) (408312409128) (408312411949)

UNIVERSITAS NEGERI MALANG FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM JURUSAN MATEMATIKA OKTOBER 2010

BAB I PENDAHULUAN 1. Latar Belakang Regresi linier sederhana mempelajari hubungan antara variable terikat Y dengan variable bebasnya, dimana hubungan tersebut dituliskan dalam bentuk persamaan garis lurus Y = a + bX. Setiap titik (X,Y) pada garis ini mempunyai koordinat X yang disebut titik absis, dan koordinat Y disebut Ordinat yang nilai-nilainya memenuhi persamaan tersebut. Misalkan : kita mempunyai suatu himpunan data dari kedua peubah tersebut dan dinotasikan sebagai { (Xi , Yi) } ; I = 1,2,3, … ,}. Persamaan regresi linier umumnya ditulis sebagai :

Yang dimaksud linier dalam regresi linier adalah peubah tak bebasnya (Y) merupakan fungsi linier dari parameter persamaannya yang bukan dari peubah bebasnya. Dengan kata lain Y linier terhadap dan . Dalam hal ini X adalah peubah bebas dan y peubah tak bebas.

Sedangkan adalah error atau kesalahan atau galatnya. Untuk menyelesaikan persamaan tersebut diatas kita harus mengetahui nilai kita duga / takdir dahulu dengan model regresi taksiran yaitu : dan , yang

Dengan Metode Kuadrat Terkecil (yaitu meminimumkan ∑ b dengan rumus : ∑ ∑ ∑ ∑ ∑ ∑

) akan diperoleh nilai a dan

̅̅̅

̅̅̅

Kelinieran analisis regresi linier dapat diuji melalui suatu pengujian hipotisis, di mana jika hipotisis nol itu diterima, maka dapat disimpulkan bahwa pendekatan analisis regresi sederhana yang dilakukan sudah mendekati pola data yang dibentuk pasangan data x dan y, atau dikatakan model yang diperoleh sudah mendekati pola data yang asli. Akan tetapi jika hipotisis nol ditolak maka pendekatan analisis regresi linier sederhana tidak dapat dilakukan untuk menarik kesimpulan dari pasangan data x dan data y, dan sebagai gantinya dilakukan analisis regresi non-linier. Bentuk hubungan regresi nonlinier yang dikenal dikenal umum dan banyak digunakan adalah sebagai berikut: a) Bentuk polinomial  Polinomial pangkat k

 Polinomial pangkat 3 atau bentuk kubik

 Polinomial pangkat dua atau bentuk parabola

b) Bentuk khusus Bentuk khusus ini antara lain eksponen, eksponen pertumbuhan, geometri, power, compound, sigmoid, logistic, dan lain-lain, dimana setiap model dengan melakukan transformasi menjadi bentuk linier, maka dengan metode kuatrat terkecil koefisienkoefisien dari model regresi non-linier dapat ditentukan. Secara umum, terdapat beberapa model regresi nonlinier, antara lain:

jika kita dihadapkan pada pilihan beberapa model regresi yang digunkan, maka kita kita dapat mengambil model yang terbaik berdasarkan pertimbangan berikut: 1. nilai R yang besar, 2. nilai R2 yang besar, dan 3. Standard error yang kecil. Untuk melakukan uji regresi non linier, kita bisa menggunakan bantuan SPSS. Di SPSS kita bisa mengikui langkah-langkah sebagai berikut: 1. Inputkan data ke dalam worksheet SPSS, 2. Klik Analyze –> Regression –> Curve estimation Masukan variable dependent pada kolom dependent(s) dan varaibel-variabel independent dalm kolom independent kemudian pilih model regresi yang akan di uji, aktifkan display ANOVA table klik OK. Atau juga dapat kita menggunakan dengan minitab.Tetapi karena pada minitab tidak tersedia bentuk-bentuk regresi non linier maka kita harus mentransformasikannya ke bentuk liniernya terlebih dahulu. Langkah- langkahnya akan di jelaskan pada contoh permasalahan.

Untuk selanjutnya akan dibahas secara lebih khusus mengenai analisis regresi nonlinier model sigmoid. Fungsi sigmoid adalah fungsi yang menghasilkan kurva sigmoid yaitu kurva yang berbentuk “S”. Model dari fungsi sigmoid adalah bentuk liniernya adalah . sedangkan

4. Rumusan Masalah a. Bagaimana pendugaan regresi yang berbentuk ?

b. Bagaimana mengubah suatu persamaan regresi non linier yang berbentuk sigmoid menjadi regresi linier? c. Bagaimana anova yang diperoleh dari data yang diolah?

5. Tujuan a. Mengetahui persamaan regresi model sigmoid. b. Mengubah suatu persamaan regresi non linier yang berbentuk sigmoid menjadi regresi linier. c. Mengetahui ANOVA yang diperoleh dari data yang diolah.

BAB II PEMBAHASAN

 Pendugaan Parameter Model Regresi Jika suatu data yang diberikan hanya dapat disajikan melalui kurva regresi non linear, maka kita harus menentukan bentuk kurvanya dan menduga parameternya. Model regresi Sigmoid adalah sebagai berikut:
ye
a b / x

Dengan a dan b merupakan parameter yang harus diduga dari data. Sehingga akan didapatkan model linearnya, yaitu:

Misalkan a adalah  dan b adalah  sehingga model regresi menjadi

ye




x

sehingga didapatkan kurva regresi model linier ln y    hubungan:
ln yi   


x

, dan setiap data memenuhi


x

 ei

 ln yi  a 

b  ei xi

Model regresi linier dari model regresi sigmoid didapat dengan cara:

adalah regresi linier yang terhadap (In y, )

 Analisis Data CONTOH KASUS Tabel Panjang Rata-Rata Daun Kacang Jogo (mm) Umur Tanaman (hari) 3 5 7 9 12 18 21 24 28 33 Panjang Rata-Rata Daun (mm) 33 45,33 56 76,67 108.33 135,71 138 145,67 147 149

Setelah dilakukan pengujian terhadap data diatas diperoleh persamaan regresi non linier bentuk sigmoid, oleh karena itu akan ditransformasikan dalam bentuk linier, yang ditampilkan dalam bentuk tabel di bawah ini X 3 5 7 9 12 18 Y 33.00 45.33 56.00 76.67 108.33 135.71 1/X=X* 0.33333 0.20000 0.14286 0.11111 0.08333 0.05556 ln Y=Y* 3.4965 3.8140 4.0254 4.3395 4.6852 4.9105 X*Y* 1.16550 0.76279 0.57505 0.48217 0.39043 0.27281 X*X* 0.111111 0.040000 0.020408 0.012346 0.006944 0.003086

21 24 28 33

138.00 145.67 147.00 149.00 Σ

0.04762 0.04167 0.03571 0.03030 1.08149

4.9273 4.9813 4.9904 5.0039 45.1740

0.23463 0.20756 0.17823 0.15163 4.42080

0.002268 0.001736 0.001276 0.000918 0.200093

 Dengan perhitungan manual kita peroleh : ∑ ∑ ∑ ∑ ∑ ∑

̅̅̅

̅̅ ̅̅

̅̅̅

̅̅̅

̅̅̅

Sehingga persamaan yang diperoleh adalah

dimana

.

Pengolahan menggunakan minitab Worksheet size: 100000 cells MTB > let c3 = 1/c1 MTB > let c4 = loge (c2) MTB > regr c4 1 c3

Regression Analysis

The regression equation is ln y = 5.12 - 5.59 1/x Predictor Coef StDev T P Constant 5.12200 0.08482 60.39 0.000 1/x -5.5904 0.5996 -9.32 0.000 S = 0.1729 R-Sq = 91.6% R-Sq(adj) = 90.5%

Analysis of Variance Source DF SS Regression 1 2.5981 Residual Error 8 0.2391 Total 9 2.8372 Unusual Observations Obs 1/x ln y 1 0.333 3.4965 MS F P 2.5981 86.92 0.000 0.0299

Fit StDev Fit Residual St Resid 3.2585 0.1457 0.2380 2.56RX

R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.

Persamaan yang diperoleh dari minitab adalah

dimana

 Analisis data dari minitab 1) Melihat taksiran parameter Dari hasil perhitungan minitab didapatkan persamaan lnY = 5,12 - 5,59(1/X). Persamaan ini memperlihatkan taksiran intersep b 0 sebesar 5,12 dan taksiran parameter b1 sebesar -5,59.

2) Memeriksa mean square R-Sq atau koefisien determinasi menyatakan seberapa besar keragaman variable X* mempengaruhi Y*. Berdasarkan perhitungan minitab diperoleh R-Sq sebesar 91,6 % dalam model Y* = 5,12-5,59X* sisanya sebesar 8,4% dipengaruhi oleh variabel lain yang tidak masuk dalam model. R-Sq berkisar antara 0 sampai 1, dengan catatan semakn kecil nilai RSq, semakin lemah hubungan antara kedua variabel(begitu juga sebaliknya).

3) Pengujian koefisien regresi Hipotesis : artinya tidak ada pengaruh waktu dalam hari terhadap pertumbuhan batang.

H 1 : b1  0 artinya ada pengaruh waktu dalam hari terhadap pertumbuhan batang.
Menggunakan uji T: Ttabel dengan   0.05 diperoleh hasil 6,31. Thitung dari hasil minitab sebesar 60,39. Karena Thit > Ttabel sehingga menolak H0. Hal ini berarti ada pengaruh lama hari terhadap pertumbuhan batang.

4) Pengujian model regresi Hipotesis: H0: model yang diperoleh tidak bermakna. H1: model yang diperoleh bermakna. Menggunakan uji F: Ftabel df regression = 1 dan df residual error = 8 dengan   0.05 sebesar 5,32. Sedangkan F hitung dari minitab ( 86,92 ) . Karena Fhit > Ftabel maka menolak H0 dengan kata lain model yang diperoleh bermakna.

5) Pengujian asumsi  Uji normalitas Dari hasil minitab diperoleh:

Tampak titik-titik plot tidak jauh dari garis merah. Dan karena P-value (0,077) > (0,05) maka memenuhi asumsi kenormalan sisaan. Selain itu, dari gambar diatas dapat kita lihat bahwa plot yang terbentuk membentuk suatu garis lurus 45 0, maka dapat dikatakan sisaan mengikuti sebaran normal.

 Uji homogenitas

Dari grafik diatas dapat kita simpulkan bahwa antara variable terikat dengan variable bebas mempunyai keragaman yang homogeny, dengan melihat titik-titik plotnya saling menyebar dan tidak ada titik plot yang melewati 2 garis merah itu berarti tidak ada data pencilan.

 Uji kebebasan

Dari gambar diatas grafik tidak membentuk corong atau membentuk garis horizontal dan plot autokorelasi dari nilai sisaannya tidak membentuk pola acak yang berarti bahwa dapat dikatakan tidak ada autokorelasi antar sisaan atau saling bebas.

 Analisis data dari SPSS
Model Summary R .957 R Square .916 Adjusted R Square .905 Std. Error of the Estimate .173

The independent variable is x.

ANOVA Sum of Squares Regression Residual Total 2.598 .239 2.837 df 1 8 9 Mean Square 2.598 .030 F 86.922 Sig. .000

ANOVA Sum of Squares Regression Residual 2.598 .239 df 1 8 Mean Square 2.598 .030 F 86.922 Sig. .000

The independent variable is x.

Coefficients Unstandardized Coefficients B 1/x (Constant) -5.590 5.122 Std. Error .600 .085 Standardized Coefficients Beta -.957 t -9.323 60.387 Sig. .000 .000

The dependent variable is ln(y).

Dari hasil pengolahan data menggunakan SPSS diperoleh parameter a = 5,122 dan parameter b = -5,590 dan kurva berbentuk sigmoid. Sehingga diperoleh persamaan regresi non linier model sigmoid yaitu

.

Selain itu diperoleh R-sq sebesar 91,6% yang

menunjukkan bahwa variabel x mempengaruhi keragaman y sebesar 91,6% dalam model sigmoid masuk dalam model.

.

sisanya sebesar 8,4% dipengaruhi variabel lain yang tidak

 Uji F Dari table ANOVA diatas diperoleh sebesar 86,922 dengan tingkat signifikansi

sebesar 0,000. Oleh karena probabilitas ( 0,000 ) < 0,05(dalam kasus ini menggunakan taraf signifikansi atau  = 5% ), maka model regresi nonlinier sigmoid ini dapat digunakan untuk memprediksi panjang tanaman. Biasanya output ini digunakan untuk menguji hipotesis. hipotesisnya yaitu H0 : tidak ada hubungan antara pengamatan(hari) terhadap panjang tanaman. H1 : ada hubungan antara pengamatan(hari) terhadap panjang tanaman. Ftabel = 5,32 Karena statistik hitung (Fhitung) > statistik tabel (Ftabel) maka H0 ditolak, dan probabilitas (0,0000) jauh lebih kecil dari 0,05 maka model regresi dapat dipakai untuk memprediksi panjang tanaman.  Uji T Uji t digunakan untuk menguji signifikansi konstanta dan variabel independen (pengamatan). Menguji signifikan konstanta pada model Hipotisis: H0 : koefisien regresi a tidak signifikan. H1 : koefisien regresi a signifikan. Dalam table coefficient diperoleh nilai signifikan sebesar 0,000 dibandingkan dengan taraf signifikan ( = 5%) = 0,05 maka Sig <  maka disimpulkan untuk menolak H0, yang berarti koefisien regresi a signifikan.

Menguji signifikan koefisien variabel Hipotisis : H0 : koefisien regresi panjang tanaman tidak signifikan. H1 : koefisien regresi panjang tanaman signifikan. Dari perhitungan SPSS diperoleh Thit = 60,387 sedangkan Ttabel = 6,31. karena Thit > Ttabel , maka H0 ditolak. Artinya koefisien regresi di atas sudah signifikan. Karena signifikanT dan signifikanF adalah 0.0000 dan kurang dari 0.05, maka H0 ditolak. Dengan kata lain koefisien regresi signifikan.

BAB III PENUTUP

Kesimpulan Dari hasil analisis regresi hubungan antara pengamatan dalam hari dengan panjang

tanaman kacang jogo (mm) dengan perhitungan secara manual, maupun menggunakan minitab dan SPSS menghasilkan persamaan regresi linier lnY = 5,20 - 5,59(1/X) sedangkan persamaan regresi non linier model sigmoidnya adalah .

Berdasarkan hasil analisis diperoleh nilai F-hitung ( F = 5,32 ) dengan signifikasi F = 0,0000, dimana nilai signifikasi ini lebih kecil dari 0,05 yang berarti nilai F-hitung lebih besar dari F-tabel, dengan kata lain data sangat mendukung adanya hubungan antara waktu pengamatan dalam hari dengan tinggi batang (cm) kacang jogo.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->