BIOSTATISTIK

ANALISIS KORELASI DAN

REGRESI
B. Model Eksponen
(hal. 176-177)
Model eksponen banyak juga digunakan apabila situasi tidak
memungkinkan untuk model linear atau polinom.
Taksiran model eksponen ditulis dengan :
𝒙 dimana a dan b konstanta, & dapat
Ý= 𝒂𝒃 dikembalikan kepada model linear apabila log Ŷ =log a+ (log b) X
diambil logaritmanya. Dalam bentuk
logaritma, persamaannya menjadi :

∗
Apabila diambil Ý = log Ŷ, a* = log a, ∗ ∗
dan b* = log b, maka diperoleh : Ý = 𝒂 + 𝒃∗ 𝑿

dan ini adalah model linear sederhana. Dengan menggunakan rumus

koefisien regresi linear sederhana, a* dan b* dapat dihitung, dan
selanjutnya a dan b dapat ditentukan.
Dalam bentuk logaritma, a dan b
dapat dicari dengan rumus :

Untuk penggunaan model ini, kita

perhatikan data dalam tabel 6.8
Minggu ke
1 2 3 4 5 6 7 8 9 10
6 15 23 27 30 37 38 38 39 40
Tinggi Y

8 12 23 29 33 37 36 36 38 38
(cm)

9 13 20 30 32 36 36 39 42
13 25 35 35
Dari rumus di atas, tampak bahwa nilai-nilai Y harus diambil
logaritmanya, sedangkan nilai X tetap sebagai mana asalnya. Jika
dilakukan, hasilnya diperoleh seperti table 6.9. Dari tabel 6.9 diperoleh :
σ𝑛𝑖=1 𝑋𝑖 = 172, σ𝑛𝑖=1 log Ý𝒊 = 46,5890
σ𝑛𝑖=1 𝑋12 = 1148, σ𝑛𝑖=1 𝑋𝑖 Ý𝒊 = 260,2505 dan n=33
/
Dengan demikian diperoleh :
33 260,2505 −(172)(46,5890)
log b = , atau
33 1148 − 172 2

Log b = 0,0692 yang menghasilkan b=1,173

TABEL 6.9 logaritma tinggi semacam
tumbuhan selama 10 minggu (hal. 178-179)
Perubah X
1 2 3 4 5 6 7 8 9 10
0.7782 1.1761 1.3617 1.4314 1.4771 1.5682 1.5798 1.5798 1.5911 1.6021
0.9031 1.0792 1.3617 1.4624 1.5185 1.5682 1.5563 1.5563 1.5798 1.5798
Log Y

0.9542 1.1139 1.3010 1.4771 1.5051 1.5563 1.5563 1.5911 1.6232

1.1139 1.3979 .5441 1.5441

46,589 172
Log a = − (0,0692)( ), 𝑎𝑡𝑎𝑢
33 33
Log a = 1,051 yang menghasilkan a=11,25
Jadi, nilai regresi model eksponen yang diperoleh adalah :
Υ = (11,25)(1,173)𝑥
Nilai log a dan log b dapat diperoleh langsung dengan bantuan
computer. Perintah yang diberikan pada SAS adalah :
Proc Reg; Model log Y = X

Hasil computer yang diperoleh adalah sebagai berikut :

Model eksponen yang dibangun: log Ŷ =log a+ (log b) X
= log a = 1.051
= log b = 0.0693
= cara manual hasilnya 0,0692
Pada hasil komputer, kita dapat menentukan :
1. Taksiran parameter model
2. Kesignifikan model

Model eksponen/model pertumbuhan : sering digunakan dalam

menganalisis data sebagai hasil pengamatan mengenai gejala yang
sifatnya tumbuh.
 Model eksponen

Persamaan diubah sedikit menjadi :

Ý = 𝒂𝒆𝒃𝒙 e= bilangan pokok logaritma
alam/Napier, yang nilainya hingga
empat decimal adalah 2,7183

Penyelesaian model terakhir ini dilakukan dengan mengambil logaritma alam

& bukan logaritma biasa.
Hasilnya menjadi :
Ini linear dalam X, sehingga ln a dan b
ln Ý = ln a + bX dapat dicari seperti biasa

Jika dalam logaritma alam (kalkulator fungsi ln atau bilangan e) tidak tersedia
maka daftar logaritma biasa dapat digunakan, tetapi persamaan regresi
menjadi :
log Ý = log a + 0,4343 bX
C. Model Geometris
(hal. 180-181)
model geometris juga dapat dikembalikan kepada model linear.
Persamaan umum model ini ditaksir oleh bentuk :
Dengan a dan b konstanta. jika
Ý = a𝑿𝒃 model ini diambil logaritmanya,
diperoleh hasil :
log Ý = log a+b log X

dan ini merupakan model linear dalam log X dan log Ý. Koefisien-koefisien a dan b
dapat dicari dari : 𝒏

෍ 𝒍𝒐𝒈 𝑿𝒊
log a = σ𝒏𝒊=𝟏 𝒍𝒐𝒈 𝒀𝒊 𝒊=𝟏
-b
n n
n(σ𝒏𝒊=𝟏 𝒍𝒐𝒈 𝑿𝒊 𝒍𝒐𝒈 𝒀𝒊 ) – (σ𝒏𝒊=𝟏 𝒍𝒐𝒈 𝑿𝒊 ) (σ𝒏𝒊=𝟏 𝒍𝒐𝒈 𝒀𝒊 )
b=
n(σ𝒏𝒊=𝟏 𝒍𝒐𝒈𝟐 𝑿𝒊 – (σ𝒏𝒊=𝟏 𝒍𝒐𝒈 𝑿𝒊 )2

Untuk melihat penggunaan rumus ini, kita memperhatikan data (Sudjana,1992)

dalam table 6.10 yang grafiknya terdapat pada gambar 6.2
Tabel 6.10 Data hasil pengamatan Gambar 6.2 Diagram pencar data Tabel 6.10
X Y X Y
20 150 500 97
35 125 800 62
60 105 1200 58
100 100 1300 40
150 92 1500 38
300 97 1600 35

Kita akan melihat kesesuaian model geometris,

dan untuk ini diperlukan tabel 6.11
Tabel 6.11 Nilai-nilai yang perlu untuk menghitung a dan b model geometris
Xi YI log XI log Yi log Xi log Yi log2 Xi
20 150 1,3010 2,1761 2,8311 1,6926
35 125 1,5441 2,0969 3,2378 2,3842
60 105 1,7782 2,0212 3,5941 3,1620
100 100 2,0000 2,0000 4,0000 4,0000
150 92 2,1761 1,9638 4,2734 4,7354
300 97 2,4771 1,9868 4,9215 6,1360
500 97 2,6990 1,9865 5,3623 7,2846
800 62 2,9031 1,7924 5,2035 8,4280
1200 58 3,0792 1,7634 5,4298 9,4814
1300 40 3,1139 1,6021 4,9887 9,6963
1500 38 3,1761 1,5796 5,0176 10,0876
1600 35 3,2041 1,5441 4,9474 10,2662
jumlah 29,4519 22,5134 53,8072 77,3543
 (hal. 182-183)
Dengan menggunakan rumus di atas untuk data Tabel 6.11, kita peroleh :

12 53,8072 −(29,4519)(22,5134)
b= 2 , atau b = -0,2856
12 77,3543 − 29,4519

22,5134 29,4519
log a = - (-0,2856)( ), atau log a = 2,5770 yang
12 12
menghasilkan a = 377,6.
Persamaan regresinya adalah :
377,6
Ý= (377,6)X-0,2856 atau Ý=
𝑥 −0,2856

Grafik regresi ini dapat dilihat pada gambar 6.2. nilai log a dan b maupun hasil
uji kesignifikan model dapat diperoleh langsung dengan bantuan komputer.
1. Hasil computer dari
log a = 2,5770 dan b
= -0,2856 sama
dengan manual
2. Informasi tambahan
dari komputer bahwa
model signifikan
karena nilai F =
47,673 dangan nilai
p=0,0001
3. Daya ramal model
sebesar 83%
(R2=0,8266) diberikan
juga dalam hasil
komputer
D. Model Logistik
Model logistik mempunyai banyak bentuk, dan penggunaannya juga cukup
luas. Bentuk logistik yang paling sederhana dapat ditaksir oleh :
𝟏 dengan a dan b konstanta. Untuk Ý yang tidak sama 𝟏
Ý= dengan nol, bentuk diatas dapat pula ditulis sebagai : = 𝒂𝒃𝒙
𝒂𝒃𝒙 Ý

Jika rumus itu diambil logaritmanya, diperoleh :

𝟏 Yang merupakan model linear
Log ( ) = log a + (log b)X 𝟏
Ý dalam peubah X dan Log ( )
Ý

Koefisien-koefisien a dan b dapat

dicari dengan munggunakan rumus :
 𝟏
Kita menggunakan data tabel 6.10 untuk membuat suatu model logistik Log ( )
Ý
= log a + (log b)X. Hasil computer dapat memberikan nilai-nilai log a dan log b
sebagai berikut : (hal. 184-185)
dari hasil computer, kita mmperoleh nilai log a= -2,0864 yang memberikan nilai
a=0,0082, dan log b=0,000334 yang memberikan nilai b=1,000769.
Dengan demikian, model logistic yang diperoleh adalah :
𝟏 𝟏 𝒙
Ý= atau = 𝟎, 𝟎𝟎𝟖𝟐 𝟏, 𝟎𝟎𝟕𝟔𝟗
(𝟎,𝟎𝟎𝟖𝟐)(𝟏,𝟎𝟎𝟕𝟔𝟗)𝒙 Ý

1. Model ini signifikan memiliki daya ramal sekitar 93%

2. Ditunjukkan oleh nilai F= 128,145 dengan nilai p= 0,0001 dan nilai R2= 0,9325
Bentuk model logistik yang secara khusus digunakan dalam Hosmer
and Loeshow (1989) dengan mendefenisikan logit transformation
sebagai berikut :
𝝅 𝒙
g(x) = ln = 𝜷𝟎 + 𝜷tX
𝟏− 𝝅(𝒙)

1. transformasi ini sangat penting karena model regresinya memiliki

sifat-sifat seperti sebuah model regresi linear.
2. Logit g(x) linear dalam parameternya, bisa malar, dan bisa
mempunyai rentang nilai dari – ke bergantung pada rentang nilai x.
3. Pembahasan masalah ini bisa dilihat dalam tiro (2008)
E. Model Hiperbola
Perkiraan persamaan umum sederhana untuk model hiperbola dapat dituliskan
dalam bentuk :
atau jika tidak Ý yang dengan a dan b konstanta. Yang
𝟏 𝟏
Ý= bernilai nol dapat ditulis = 𝒂 + 𝒃𝑿 ternyata merupakan bentuk linear
𝒂+ 𝒃𝑿 menjadi : Ý dalam peubah-peubah X dan 1/Y

Koefisien-koefisien a dan b dapat dihitung seperti pada model garis lurus

dengan rumus :
Dengan nilai-nilai :
𝟏
σ𝑛𝑖=1 𝑋𝑖 = 7565, 𝑛
σ𝑖=1 log = 0,1786
Ý 𝒊

σ𝑛𝑖=1 𝑋12 = 8957725, σ𝑛𝑖=1 𝑋𝑖 Ý𝒊 = 167,112 dan n=12

/
yang diperoleh dari table 6.12 didapat :
12 167,112 −(7565)(0,1786)
b= = 0,000013
12 8957725 − 7565 2
0,1786 7565
a= - (0,000013)( )= 0,0066
12 12

Persamaan regresi model hiperbola untuk soal tersebut adalah :

𝟏
Dengan model = 𝒂 + 𝒃𝑿, maka computer dapat
𝟏 Ý
Ý= menghitung a dan b sekaligus menunjukkan angka
𝟎,𝟎𝟎𝟔𝟔 +𝟎,𝟎𝟎𝟎𝟎𝟏𝟑𝑿
penting untuk menguji kesignifikan model.
Hasil computer dapat dilihat sebagai berikut :

Hasil komputer memberikan nilai a=0,0073 dan b=0,000012 yang

sedikit berbeda dengan hasil perhitungan manual sebagai akibat
adanya pembulatan.
Data yang sama dari Tabel 6.10 kita gunakan untuk membentuk
model polinom derajat dua, hasil perhitungan komputer dapat dilihat
sebagai berikut.
Hal 188-189 1. Hasil ini memberikan taksiran regresi Ŷ = 122,262-
0,085X + 0,0000197X2. Model ini pun signifikan
dengan daya ramal 87%. Hal ini ditunjukkan oleh
nilai F=31,17 dengan nilai p=0,0001 dan nilai R2 =
0,8737.
1
2. Membanding model hiperbola = 0,0073 +
Ŷ
0,00012 X yang mempunyai daya ramal 93 %
(R2=0,9265) dengan model kuadratik Ŷ = 122,262-
0,085X+0,0000197X2 yang mempunyai daya ramal
87% (R2 = 0,8737).
3. Model hiperbola sedikit lebih tinggi daya
ramalnya dibandingkan dengan model kuadratik.
4. Kesederhanaan model dan kemudahan
interpretasi harus ikut dipertimbangkan sebelum
memilih model yang akan digunakan
 Demikianlah beberapa contoh model non linear dari banyak
model yang dapat dipilih. Contoh-contoh tersebut merupakan
pengenalan awal untuk menelusuri berbagai model non linear
lainnya. Walaupun demikian, pada prinsipnya, model-model
nonlinear tetap membutuhkan bantuan model inear, baik
dalam prosedur menaksir parameternya, maupun dalam
interpretasi hasil-hasilnya.
 Data diberikan dalam tabel berikut.
190-191
Dalam sebuah studi Nomor Waktu (Xi) Konsentrasi (Yi) Ln Konsentrasi
Solusi (i) (jam) (mg/ml) (In Y1)
rekayasa lingkungan
1 6 0,029 -3,540
dari suatu reaksi kimia, 2 6 0,032 -3,442
konsentrasi dari 18 3 6 0,027 -3,612
4 8 0,079 -2,538
solusi dipersiapkan 5 8 0,072 -2,631
secara terpisah pada 6 8 0,088 -2,830
wakyu-waktu berbeda 7 10 0,181 -1,709
8 10 0,165 -1,802
(tiga pengukuran pada 9 10 0,201 -1,604
setiap enam waktu). 10 12 0,425 -0,856
11 12 0,384 -0,957
Logaritma alam (In) dari 12 12 0,472 -0,751
konsentrasi juga 13 14 1,130 0,122
dihitung. 14 14 1,030 0,222
15 14 1,249 1,034
16 16 2,812 1,034
17 16 2,465 0,902
18 16 3,099 1,131
a. Buat diagram pencar pada kertas yang berbeda :
1) Konsentrasi (Y) melawan waktu (X)
2) Logaritma alam konsentrasi (In Y) melawan
waktu (X)
 192-193
b. Gunakan hasil komputer, untuk
menentukan :
1) Taksiran persamaan garis lurus
regresi Y atas X;
2) Taksiran persamaan kuadratuk
regresi Y ata X;
3) Taksiran persamaan garis lurus
regresi In Y atas X;
4) gambar setaip persamaan ini
pada diagram pencar yang
sesuai.
c. Berdasarkan hasil komputer, lengkapilah tabel
ANAVAR untuk regresi garis lurus Y atau X berikut
dan beri komentar.
Sumber dk JK RJK F
Regresi 1
Kesalahan 16
Total 17

d. Berdasarkan hasil komputer, lengkapilah tabel

ANAVAR berikut dan beri penjelasan seperlunya !
Sumber dk JK RJK F
Regresi
X 1
X2IX 1
Kesalahan 15
Total 17
e. Tentukan dan bandingkan proporsi variasi total
dalam Y yang dijelaskan oleh regresi garis lurus
pada X dan oleh regresi kuadratik pada X
f. Lakukanlah uji F untuk kesignifikanan regresi garis
lurus Y atas X dan untuk kecukupan taksiran garis
regresi
g. Lakukanlah uji F menyeluruh untuk kesignifikanan
regresi kuadratik Y atas X, sebuah uji untuk
kesignifikanan dari tambahan X2 pada model, dn
sebuah uji F untuk kecukupan taksiran model
kuadratik!
h. Untuk regresi garis lurus In Y atas X, lakukanlah uji F
untuk kesignifikanan dari regresi seluruhnya dan
untuk kecukupan model garis lurus!
i. Berapa proporsi variasi dalam In Y dijelaskan oleh
regresi garis lurus In Y atas X? Bandingkan hasil ini
dengan yang diperoleh dalam bagian (e) untuk
regresi kuadratik Y atas X!
Hal 194-195
j. Sebuah asumsi mendasar dalam analisis regresi adalah kehomogenan
variansi
1) Dengan memperhatikan diagram pencar pada bagian a, nyatakan;
Mengapa mengambil logaritma alam (In) dari konsentrasi membantu
dalam mengatasi masalah asumsi kehomogenan variansi?
2) Apa Anda pikir regresi garis lurus dari In Y atas X lebih baik untuk
menjelaskan kumpulan data ini daripada regresi kuadratik dari Y atas
X ? Jelasakan !
k. Asumsi kunci apa tentang data akan menjadi pertanyaan jika 18 solusi,
masing-masing dianalisis pada enam titik waktu yang berbeda?
7. Angka kelahiran per 1000 penduduk (dinyatakan
dengan Y) untuk setiap lima tahun (dinyatakan
dengan X), diberikan dibawah ini
X 1960 1965 1970 1975 1980 1985 1990 1995 2000
Y 27,3 26,3 23,0 20,1 24,2 26,9 29,0 30,1 33,3

a. Tentukanlah persamaan regresi parabola untuk

memperkirakan kelahiran per 1000 penduduk
setiap lima tahun !
b. Berapa kelahiran (per 1000 penduduk)
diperkirakan untuk tahu 2005?
c. Adakah model lain yang lebih baik daripada
regresi parabola?
8. Misalkan hubungan antara tekanan P dan volum V
untuk semacam gas ditentukan oleh Pva=b dengan a
dan b bilangan-bilangan tetap. Percobaan telah
dilakukan sebanyak sembilan kali yang memberikan
hasil sebagai berikut
V(cm3) 3,5 4,0 4,6 5,7 7,6 12,4 14,0 16,9 19,0
P(kg/cm2) 19,6 15,8 12,0 9,1 6,1 3,2 1,9 0,9 0,2

a. Tentukanlah nilai-nilai a dan b !

b. Tentukan persamaan hubungan antara P dan V !
c. Jika V=10 cm3, berapa rerata tekanan gas
diharapkan akan terjadi ?
d. Untuk menguji model Pva=b, apakah yang harus
dilakukan ? Lakukanlah!