REGRESI LINEAR DAN ELIMINASI GAUSS Penulis: Supriyanto, email: supri@fisika.ui.ac.id Staf Lab. Komputer, Departemen Fisika, Universitas Indonesia Diketahui data eksperimen tersaji dalam tabel berikut ini x i y i x i y i 1 1,3 6 8,8 3,5 7 10,1 3, 8 1,5 5,0 9 13,0 5 7,0 10 15,6 Lalu data tersebut di-plot dalam sumbu x dan y. Sekilas, kita bisa melihat bahwa data 16 1 1 10 Y 8 6 0 1 3 5 6 7 8 9 10 X yang telah di-plot tersebut memiliki pola seperti garis lurus, sehingga sebaran data tersebut dapat didekati dengan sebuah persamaan garis, yaitu a 1 x i +a 0. Artinya, kita melakukan pendekatan secara linear, dimana fungsi pendekatan-nya adalah fungsi persamaan garis yang secara umum dinyatakan sebagai berikut P(x i ) = a 1 x i + a 0 (1) Problemnya adalah berapakah nilai konstanta a 1 dan a 0 yang sedemikian rupa, sehingga posisi garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di- 1
plot di atas? Dengan kata lain, sebisa mungkin y i sama dengan P(x i ) atau dapat diformulasikan sebagai y i P(x i ) = 0 () y i (a 1 x i + a 0 ) = 0 (3) dimana m = 10, sesuai dengan jumlah data yang cuma 10. Suku yang berada disebelah kiri dinamakan fungsi error, yaitu E(a 0, a 1 ) = y i (a 1 x i + a 0 ) () Semua data yang diperoleh melalui eksperimen, fungsi error-nya tidak pernah bernilai nol. Jadi, tidak pernah didapatkan garis yang berhimpit dengan semua titik data ekperimen. Namun demikian, kita masih bisa berharap agar fungsi error menghasilkan suatu nilai, dimana nilai tersebut adalah nilai yang paling minimum atau paling mendekati nol. Harapan tersebut diwujudkan oleh metode least square dengan sedikit modifikasi pada fungsi error-nya sehingga menjadi E(a 0, a 1 ) = [y i (a 1 x i + a 0 )] (5) Agar fungsi error bisa mencapai nilai minimum, maka syarat yang harus dipenuhi adalah: a i = 0 (6) dimana i = 0 dan 1, karena dalam kasus ini memang cuma ada a 0 dan a 1. Jadi mesti ada dua buah turunan yaitu: a 0 = [y i (a 1 x i + a 0 )] a 0 = 0 (7) (y i a 1 x i a 0 )( 1) = 0 (8) a 0.m + a 1 x i = y i (9)
dan a 1 = [y i (a 1 x i + a 0 )] a 1 = 0 (10) (y i a 1 x i a 0 )( x i ) = 0 (11) a 0 x i + a 1 x i = x i y i (1) Akhirnya persamaan (9) dan (1) dapat dicari solusinya berikut ini: a 0 = x i y i x iy i x i m ( x i ) ( x i) (13) dan a 1 = m x iy i x i y i m ( x i ) ( x i) (1) Coba anda bandingkan kedua hasil di atas dengan rumus least square yang terdapat pada buku Praktikum Fisika Dasar keluaran Departemen Fisika-UI. Mudah-mudahan sama persis. OK, berdasarkan data ekperimen yang ditampilkan pada tabel diawal catatan ini, maka didapat: dan a 0 = a 1 = Jadi, fungsi pendekatan-nya, P(x i ), adalah 385(81) 55(57, ) 10(385) (55) = 0, 360 (15) 10(57, ) 55(81) 10(385) (55) = 1, 538 (16) P(x i ) = 1, 538x i 0, 360 (17) Solusi least square dengan pendekatan persamaan garis seperti ini juga dikenal dengan nama lain yaitu regresi linear. Sedangkan nilai a 0 dan a 1 disebut koefisien regresi. Gambar di bawah ini menampilkan solusi regresi linear tersebut berikut semua titik datanya Tentu saja anda sudah bisa menduga bahwa selain regresi linear, mungkin saja terdapat regresi parabola atau quadratik dimana fungsi pendekatannya berupa persamaan parabola, yaitu: P(x i ) = a x i + a 1 x i + a 0 (18) 3
16 1 P(x) = 1.538*x 0.36 1 10 8 6 0 0 6 8 10 dimana koefisien regresinya ada tiga yaitu a 0, a 1 dan a. Kalau anda menduga demikian, maka dugaan anda benar! Bahkan sebenarnya tidak terbatas sampai disitu. Secara umum, fungsi pendekatan, P(x i ), bisa dinyatakan dalam aljabar polinomial berikut ini: P(x i ) = a n x n i + a n 1x n 1 i +... + a x i + a 1x i + a 0 (19) Namun untuk saat ini, saya tidak ingin memperluas pembahasan hingga regresi parabola, dan polinomial. Saya masih ingin melibatkan peranan metode eliminasi gauss dalam menyelesaikan problem least square seperti yang selalu saya singgung pada catatan-catatan kuliah saya yang terdahulu. Nah, kalau metode eliminasi gauss hendak digunakan untuk mencari solusi regresi linear, kita bisa mulai dari persamaan (9) dan (1), yaitu: a 0.m + a 1 x i = a 0 x i + a 1 x i = y i (0) x i y i (1) Keduanya bisa dinyatakan dalam operasi matrik: [ m m x ] [ ] i a0 x = i x i a 1 [ y ] i x iy i () Kalau anda mengikuti catatan-catatan terdahulu, pasti anda tidak asing lagi dengan dengan semua elemen-elemen matrik di atas. Semua sudah saya ulas pada catatan yang berjudul Aplikasi Elimininasi Gauss: Model Garis. Silakan anda lanjutkan perhitungan matrik tersebut hingga diperoleh koefisien regresi a 0 dan a 1. Selamat mencoba!
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu. Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email: supri@f isika.ui.ac.id. 5