PENDAHULUAN
1.1 LATAR BELAKANG MASALAH
Regresi Linier merupakan suatu persamaan matematika untuk menentukan dan menggambarkan hubungan antara variabel X dan Y dalam suatu peristiwa yang
terjadi. Biasanya tertulis dalam persamaan Y = f X . Diagram sebar yang dibuat, adalah untuk menggambarkan pola hubungan antara X dan Y tersebut, sehingga
dapat terlihat dengan jelas sejauh mana hubungan yang terjadi, dapat ditinjau dari penyebaran ragam data. Dengan kata lain, Regresi linier adalah metode statistika
yang digunakan untuk membentuk model hubungan antara variabel terikat dependen; respon; Y dengan satu atau lebih variabel bebas independen, prediktor,
X. Apabila banyaknya variabel bebas hanya ada satu, disebut sebagai regresi linier sederhana, sedangkan apabila terdapat lebih dari 1 variabel bebas, disebut sebagai
regresi linier berganda. Analisis regresi setidak-tidaknya memiliki 3 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 bersifatnya numerik. Regresi juga dapat digunakan untuk melakukan pengendalian kontrol 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
terikat. Namun yang perlu diingat, prediksi di dalam konsep regresi hanya boleh dilakukan di dalam rentang data dari variabel-variabel bebas yang digunakan untuk
membentuk model regresi tersebut. Misal, suatu model regresi diperoleh dengan mempergunakan data variabel bebas yang memiliki rentang antara 5 s.d. 25, maka
prediksi hanya boleh dilakukan bila suatu nilai yang digunakan sebagai input untuk variabel X berada di dalam rentang tersebut. Konsep ini disebut sebagai interpolasi.
Sedangkan prinsip Metode Kuadrat terkecil, merupakan prinsip untuk menentukan fungsi paling baik yang dapat menggambarkan pola data yang diberikan.
Fungsi Y = f X yang terbaik adalah fungsi Y yang memberikan jumlah kesalahan error yang paling kecil, dimana kesalahan ini dinyatakan dengan Y’. Selisih ini dapat
berharga positif dan negatif, sehingga untuk menghilangkan harga negatif nilai selisih tersebut dikuadratkan. Metode kuadrat terkecil, yang lebih dikenal dengan nama
Least-Squares Method, adalah salah satu metode ‘pendekatan’ yang paling penting
MIII Bab I hal -1
dalam dunia keteknikan untuk: a. regresi ataupun pembentukan persamaan dari titik data diskretnya dalam pemodelan, dan b. analisis sesatan pengukuran dalam
validasi model. Metode kuadrat terkecil termasuk dalam keluarga metode pendekatan
sesatan terdistribusi “distributed error” approximation methods, berdasarkan karakterisik kerjanya yang melakukan pengurangan sesatan menyeluruh global
error yang terukur berdasarkan interval pendekatan keseluruhan whole approximation interval sesuai dengan order pendekatan yang meningkat. Metode ini
berbeda dengan metode-metode asimptotis, khususnya yang dikembangkan melalui pendekatan melalui deret ‘Taylor’, karena metode asimptotis memiliki karakteristik
kerja yang memperkecil sesatan pada beberapa titik tertentu, sesuai dengan order pendekatan yang meningkat.
Korelasi berkaitan langsung dengan Regresi, jika pada fungsi Regresi Y=FX nilai Y dan X memenuhi persamaan Regresi maka dikatakan bahwa variabel X dan Y
mempunyai korelasi yang sempurna.
1.2 PERUMUSAN MASALAH