I.

PENDAHULUAN

Analisis regresi mempelajari bentuk hubungan antara satu atau lebih peubah
bebas (X) dengan satu peubah tak bebas (Y).

Dalam penelitian peubah bebas (X)

biasanya peubah yang ditetapkan atau ditentukan oleh peneliti secara bebas misalnya
dosis obat, lama penyimpanan, kadar zat pengawet, umur ternak dan sebagainya.
Disamping itu peubah bebas (X) bisa juga berupa peubah yang relative lebih mudah
diukur dibandingkan dengan peubah tak bebas (Y), misalnya dalam mengukur panjang
badan dan berat badan sapi, karena panjang badan lebih mudah diukur, maka panjang
badan sebagai peubah bebas (X), sedankan berat badan sebagai peubah tak bebas(Y).
Proses penentuan suatu fungsi dekatan yang

menggambarkan kecenderungan data

dengan simpangan nunimum antara nilai fungsi dengan data, disebut regresi.
Peubah tak bebas (Y) sebaran datanya mengikuti atau tidak melanggar sebaran
normal, sedangkan peubah bebas (X) tidak ada syarat khusus atau sebarannya bebas, asal
lebih dari dua titik yang punya absis yang berbeda, jadi dalam memilih peubah tak bebas
(Y) harus pula diperhatikan sebaran datanya (Sembiring, 1978; Rawlings, 1988).
Bentuk hubungan antara peubah bebas (X) dengan peubah tak bebas (Y) bias
dalam bentuk polinom derajat satu (linier), polinom derajat dua (kuadratik), polinom
derajat tiga (kubik) dan seterusnya. Disamping itu bisa juga dalam bentuk non linier
lainnya seperti eksponensial, logaritma, sigmoid, sinus dan sebagainya, bentuk-bentuk
yang non linier ini dalam analisis regresi-korelasi ditransformasikan supaya menjadi
linier.
Regresi non linier kurang mendapat perhatian karena kesulitan atau kurangnya
pengertian terhadap transformasi yang digunakan untuk menjadikan bentuk linier,
walaupun sebenarnya regresi non linier sangat diminati oleh peneliti.

Minat peneliti

terhadap regresi non linier, karena lebih mampu memberikan arti biologis dibandingkan
dengan regrei polinom.
Pemeriksaan bentuk garis regresi berdasarkan data dalam analisis regresi adalah
merupakan langkah penting dalam menentukan persamaan garis regresi yang akan dicari.
Model persamaan garis regresi secara teoritis harus bisa menerangkan bidang ilmu yang
sedang diteliti, tetapi tidak menyimpang dengan data yang diperoleh. Teknik-teknik

Analisis Regrei Non Linear Terapan dengan SPSS

1

grafis dan transformasi yang ada pada program SPSS dapat membantu menentukan
model persamaan garis regresi yang terbaik.
Analisis regrtesi non linier terapan dengan SPSS, membicarakan tentang
transformasi model non linier menjadi linier, contoh-contoh menggunakan program
SPSS mulai dari memasukan data, pemeriksaan model, transformasi data, analsis data
dan cara menyimpulkannya.

Analisis Regrei Non Linear Terapan dengan SPSS

2

II.

PEMODELAN DAN PEMILIHAN MODEL

2.1. Pemodelan
Pemodelan terhadap suatu data hasil penelitian untuk menggambarkan bentuk
hubungan antara satu peubah bebas (X) dengan peubah tak bebas (Y) banyak digunakan
model polinom yaitu Yi = b0 + b1Xi + b2Xi2 + b3Xi3 +…………..+ bpXip , disini i= 1, 2, 3,
……….,n (n adalah banyaknya data). Pemilihan derajat polinom yang digunakan dengan
melakukan pengujian koefisien bj (j = 1, 2, 3,………..,p), sehingga diperoleh model
yang mempunyai ketelitian dan ketepatan yang cukup tinggi serta paling efesien, hingga
diharapkan sangat baik menggambarkan datanya (Rawlings, 1988). Regresi polinom
derajat tinggi kurang dapat membantu menjelaskan ilmu yang sedang diteliti atau
kuarang memberikan arti biologis yang diinginkan.

Jika yang diinginkan dalam

pendekatan kurva adalah secara imperis, regresi polinom cukup baik digunakan, namun
model polinom biasanya kurang dapat menerangkan bidang ilmu yang sedang diteliti,
sehingga digunakan model non lilier teoritis.
Model non tioritis dikembangkan betrdasarkan landasan teori dari bidang ilmu yang
sedang diteliti dan dilandasi pengetahuan matematika sehingga sering disebut model
matematik.

Model matematik banyak diaplikasikan dalam berbagai bidang ilmu,

misalnya di bidang biologi, kesehatan, pertanian, perikanan, peternakan dan lain
sebagainya. Sebagai contoh model pertumbuhan, yaitu suatu model yang digunakan
dalam menganalisis fenomena pertumbuhan.
Model non linier yang dapat dinyatakan secara matematis hampir tidak terbatas
banyaknya. Diantara model-model yang dipilih mungkin ada yang sama baiknya dalam
hal meminumumkan ragam.

Oleh karena itu didalam pemilihan model disesuaikan

dengan bidang ilmu yang bersangkutan, yaitu sesuai dengan alasan-alasan biologis.
Hosmer dan Lemeshow (1989) menyatakan bahwa pengembangan model sebaiknya
mengacu pada bidang ilmunya, namun model yang paling cocok adalah model yang
dapat menggambarkan datanya.
Dalam analisis regresi model-model yang tak linier dalam parameternya dikatakan
linier intrinsik bila suatu transformasi dapat membuat model tersebut menjadi linier
(Steel dan Torrie, 1984).

Rawlings (1988) menyatakan bahwa ada tiga tujuan pokok

Analisis Regrei Non Linear Terapan dengan SPSS

3

Transformasi idealnya haruslah membuat melanggar kenormalan menjadi peubah yang sebaran datanya dari yang mendekati normal. yang menunjukkan semakin kecilnya penyimpangan data dari model penduga. disamping itu hendaknya stuktur ragamnya terjamin tidak berubah dan model bersifat aditif. Pemilihan model regresi. Sedangkan transformasi ArcSin √Y% digunakan untuk data yang mempunyai nilai tengah sebanding dengan simpangan bakunya dan data mengikuti sebaran binom.1. yaitu dengan membagi keseluruhan jumlah keragaman peubah respons atas komponen-komponen yang mempunyai arti dalam pengujian. Sedangkan metode sistematik dengan bantuan SPSS dapat digunakan untuk menyelesaikan transformasi yang paling cocok digunakan. 2. 1983 dan Steel dan Torrie 1984). Penilaian baik tidaknya model persamaan garis regresi dapat pula dilakukan melalui pendekatan analis ragam.transformasi data dalam analisis regresi yaitu mempermudah prosedur pendugaan. (Draper dan Smith. khususnya bila peningkatan taraf suatu peubah sama atau dapat disamakan. Koefisien determinan menunjukkan proporsi keragaman total dalam respons Y yang dapat terangklan oleh X berdasarkan model persamaan garis regresi yang digunakan. sehingga diharapkan kuadrat tengah sisaan juga minimum. menghomogenkan ragam dan memperbaiki kenormalan Salah satu hal yang menentukan transformasi data yang sesuai adalah pola sebarannya. 1988). maka cara untuk memperoleh model yang cocok dapat dikembangkan dari uji polinomial kontras orthogonal (Hicks. Transformsi logaritma biasanya digunakan untuk data yang mengikuti sebaran geometric yaitu data yang mempunyai nilai tengah sebanding dengan simpangan bakunya. Transformasi ini menyebabkan pengaruh multiplikatif pada skala pengukuran asalnya menjadi aditif pada skala logaritmanya. Analisis ragam dalam analsis regresi diharapkan memberikan jumlah kuadrat sisaan minimum. misalnya data dalam satuan pengukuran persen (%). 1971 dan Rawlings. Analisis Regrei Non Linear Terapan dengan SPSS 4 . Nilai statistika yang biasa dipakai adalah koefisien determinan (R2) yang nilainya 0≤R2≤1 atau koefesien korelasi (R) yang nilainya -1≤R≤1. Pemilihan Model Dalam menentukan kecocokan model untuk memilih model yang terbaik ada beberapa prosedur statistiaka yang dapat digunakan.

3) dan titik B (4.Berdasarkan kreteria diatas. hasil pengujian model nyata. Persamaan garis lurus yang melalui dua buah titik dirumuskan sebagai berikut : (Y  Y) 1 (X  X 1 )  (Y2  Y1 ) (X 2  X 1 Sebagai contoh misalnya titik A (1. Polinim derajat tiga (Kubik) dan seterusnya. Disamping itu bisa juga dalam bentuk lain misalnya eksponensial. Y1) dan X2. Bentuk-bentuk ini dalam analisis regresi-korelasi biasanya ditransformasi supaya menjadi bentuk polinom.9) maka persamaan gais linear yang dapat dibuat adalah : (Y  3) (X  1)  (9  3) (4  1) (Y-3)(4-1) =(X-1) (9-3) 3Y-9 = 6X-6 3Y = 3 +6X Y=1+2X Dalam bentuk matrik bisa kita buat persaman sebagai berikut : Y1 = a + b X1 Y2 = a + b X2 Analisis Regrei Non Linear Terapan dengan SPSS 5 . model dianggap baik jika persamaan regresi yang diperoleh memiliki koefisien determinan (R2) cukup besar (mendekati 1).logaritma. Hal ini berarti kita bisa membuat banyak sekali persamaan garis dalam bentuk lain melalui dua buat titik yang berbeda koordinatnya/tidak berimpit. memiliki kuadrat tengah sisaan terkecil dan semua koefisien persamaan garis regresi nyata. Bentuk hubungan antara peubah bebas (X) dengan peubah tak bebas (Y) bisa dalam bentuk polinom derajat satu (linear) polinom derajat dua (kuadratik). Dalam bentuk yang paling sederhana yaitu satu peubah bebas (X) dengan satu peubah tak bebas (Y) mempunyai persamaan : Y = a + b X Disini a disebut intersep dan b koefisien arah Dalam pengertian fungsi persamaan garis Y = a + bX hanya ada satu garis lurus yang dapat dibentuk dari dua buah titik dengan koordinat yang berbeda yaitu ( X 1.Y2).sigmoid dan sebagainya.

Y1 1 X1a     Y 2 1 X2b 3  1 a     9  1 4b Analisis Regrei Non Linear Terapan dengan SPSS 6 .

1 a  1  3      b  1 4 9 a 1  14 3     b  (41)1 9 Analisis Regrei Non Linear Terapan dengan SPSS 7 .

2. a  4 /3  1   3 4    1     b 1/3 9 13 2 Jadi β0 =1 dan β1=2 sehingga persamaannya Y=1 +2X Jika jumlah data sebanyak n maka persamaannya sebagai berikut .3. Yi  βo  β 1X 1  ε i i = 1..n disini βo adalah penduga a. Jadi kita dapat menuliskan pengamatan kita menjadi Y1  β o  β 1X 1  ε 1 Analisis Regrei Non Linear Terapan dengan SPSS 8 . Semakin kecil nilai ε i persamaan regresi yang diperoleh akan semakin baik.…. β1 adlah penduga b dan εi merupakan besarnya simpangan persamaan garis penduga.

..      1 X n   ε n    ....   1  n n  i i i 1 X2  n  Y1   Y   2 ... .Y2  β o  β 1X 2  ε 2 Y3  β o  β 1X 3  ε 3 ………………….  ..     Yn  Jadi kita peroleh matrik Y...     Yn  i Analisis Regrei Non Linear Terapan dengan SPSS 9 . ..   β1   .   . ..... 1   1  .. Yn  β o  β 1X n  ε n Dengan notasi matrik dapt ditulis sebagi berikut :  Y1  Y   2  Y3    1 X1   ε1  1 X  ε  2   2  1 X 3   βo   ε 3         .... 1   Y3   1     .   .... β dan ε dengan dimensi sebagi berikut : Y  nx1 X nx2  β 2x1 ε nx1 Jika diasumsikan E(ε) = 0 maka E(Y) = Xβ Bila modelnya benar β merupakan penduga terbaik yaitu dengan jalan melakukan penggadaaan awal dengan X’ sehingga diperoleh persamaan normal sebagai berikut : X’Y=X’X β 2x1 2x2 2x1   1  X  1 1 X2  Y     i 1 n  i 1    XY  X  X i 1 i 1 X3 X1  X 2  X3   . X n   ..   ...   X1  .. X n   .. X.  ...   X n   βo   β   1   βo    2   β1  Xi   i 1 i 1 n n  1 X2 1 1  ..

p.05. dengan mencari : n _ 2 __ 1 ( Yi)2 (Yi  Y.1.1.) 2  (X' Y)β  Jumlah Kuadrat Regresi =  (Y i i1 1 n ( Yi ) 2 n i1 2 n n i 1 i 1 Jumlah Kuadrat Galat =  (Yi  Yˆ i ) 2   Yi  (X' Y)' β Untuk menetukan apakah garis regresi yang kita peroleh cukup dapat dipercaya maka kita dapat mengujinya dengan uji F seperi tabel sidik ragam dibawah ini Tabel 2. Sidik Ragam Regresi Sumber Kragaman Regresi Derajat Bbas p Jumlah Kadrat JK R Galat n-1-p JK G Kuadrat Tngah JKR  KTR p JKG  KT n  1 p F Htung KTR KTG F tabel 0.05.n-1-p) maka KTG Analisis Regrei Non Linear Terapan dengan SPSS 10 .01 G Total n-1 JK T Jika hasil hitungan yaitu F hitung ( KTR )≥ dari F tabel (ά = 0.05) bentuk persamaannya seperti yang kita duga demikian pula jika F hitung ( KTR )≥ dari F tabel (ά =0.n-1-p) maka dapat KTG disimpulkan persamaan garis regresi nyata (P<0. kita melakukan pengujian dengan analisis ragam.05 0.  Xi  n   β0   β    1  i 1 n n  X X i 1 1  n i i 1 Jadi β = (X’X)-1X’Y Y      i i 1 n    n  2 1    X Y  i 1 i i Disini(X’X)-1 adalah kebalikan (inverse)dari matrik X’X Untuk menyatakan apakah garis yang diperoleh cukup baik untuk menggambarkan hubungan antara peubah bebas (X) dengan peubah tak bebas(Y) dapat dilakukan pengujian bentuk model yang digunakan dan keeratan hubungannya (korelasinya) untuk menyatakan ketepatan dan ketelitian persamaan garis regresi yang diperoleh. p. )  Yi    n  n Jumlah Kuadrat Total = i 1 i 1 n ˆ  Y.

+βpXip dengan persamaan normalnya : X' Y dxi  X' X β dxd dx1 disini d = p+1 Analisis Regrei Non Linear Terapan dengan SPSS 11 . untuk mengetahui βj yang mana yang menentukan ketepatan dan ketelitian garis regresinya yang diperoleh.01) Bila persamaan garis regresi derajat polinomnya atau peubah bebasnya (X) lebih besar dari satu maka perlu dilakukan pengujian terhadap koefisien garis regresinya (βj yaitu β1.05:p.p.………….db=n-p-1)maka disimpulkan keeratan hungannya sangat nyata (P<0. β2.05) dan jika r hitung≥r tabel (ά =0.βp).01) sedangkan jika r hitung< r tabel ά = (0.05) atau dengan kata lain persamaaan garis regresi tersebut tidak bisa kita terima sebagai penduga hubungan antara peubah (X) dengan Peubah (Y) Bila bentuk hubungan antar peubah X dengan peubah Y sudah dapat kita terima maka kita ingin pula mengetahui seberapa besar keeratan hubungannya(korelasinya).01.db=n-p-1) maka disimpulkan keeratan hubungannya nyata (P>0.05..p.dapat disimpulkan persamaan garis regresi sangat nyata (P>0. Walaupun bentuk hubungan antara peubah X dengan peubah Y ada dalam bentuk yang benar belum tentu korelasinya bsar karena banyakpeubah lain yang turut mempengaruhi perubahan peubah Y Besarnya perubahan peubah Y yang dapat diterangkan oleh peubah X dengan menggunakan persamaan garis regresi yang diperoleh disebut koefisien determinan Koefisien determinat diberi lambing r2 untukbentuk persamaan garis regresi sederhana dan R2 untuk bentuk persamaan lainnya. besarnya 0<r2 =R2<1 dan dihitung dengan rumus : r2  R2  JKRegresi JKTotal Jadi koefisien korelasinya : r =R=  R 2 Jika r hitung ≥ r tabel (ά =0.db=n-p-1) maka disimpulkan keeratan hubungannya tidak nyata (P<0. Misalkan terdiri dari p peubah bebas maka modelnya menjadi Yi = βo + β1Xi1+ ……….

.. i 1  Xi1Xi2 1  Xip n .... . ....) 2   i 1 n Jadi :β= (X’X)-1X’Y     ..... n X p i 1 2 i Jika elemen-elemen matrik X kita kurangi dengan rata-rata elemen-elemen tiap kolomnya maka diperoleh matrik XA... ....  i 1 n  Xi1 n  i 1 n X n i 1 2 i  Xi2 n i 1  Xi2Xi1 n X i 1 i 1 2 i 2   Xi1Xip  ..2 ) X A   (X 31  X.2 )    (X 21  X.... .....1 ) (X 12  X........... )  i 1 n i 1  2 2   JHKX 1X 2  JKX 2  Untuk menguji βi kita cari kekalikan dari matriks XAXA-1kemudian kita gandakan dengan n ˆ i  Yi) 2 /(n  p  1) ........... ) n1 1 n2 2    n  n  i 1  (Xi i 1  (Xi 1  X..2 )  n  (Xi1  X 1.........   X' A X A    i 1 2  JKX 1 Biasanya ditulis : X' A X A    JHKX 1X 2 1  Xi 2  X....... ...... n n   i 1    XipYi  2 i 1   Xi2Xip n  Xip   i 1 n n  XipXi1  XipXi2 i 1 i 1 .... ) (X  X.....   ..........  (X  X......... ....2 )   .........2 )(Xi 2  X....... .. sebagai contoh kita untuk p=2 maka matriknya adalah sebagai berikut :  (X 11  X.............     n  Yi   n        Xi1  i 1 n   n i 1 n n Xi1Yi    i1   Xi2Yi     Xi2  i 1  . 2 )  (Xi  X2. .. maka pengujian βi dapat dilakukan dengan S r2 regresi yaitu ( Y i 1 rumus : t H  βi Sb i Analisis Regrei Non Linear Terapan dengan SPSS 12    .....1 ) (X 32  X... ........... .......... .1 ) (X 22  X.........

Analisis Regresi Linier (p = 1).01). maka persamaannya adalah : Y = β0 + β1X + β2X2 .05).01:p. 3. Seorang peneliti ingin mengetahui bentuk hubungan antara jumlah cacing jenis tertentu denagn jumlah telurnya pada usus ayam buras.05) dan jika Jika tH ≥ t tabel (ά =0. maka persamaan garis regresinya bias dicari.db=n-p-1) maka disimpulkan koefisien persamaan garis regresinya tidak nyata (P>0. Model persamaan yang non linier apapun bentuk persamaannya asalkan bisa ditransformasi menjadi bentuk linier. persamaannya adalah Y = β0 + β1X + β2X2 + β3X3 + β4X4 + ………+ βpXp.05:p. MODEL POLINOM Persamaan garis regresi model polinon yaitu suatu bentuk hubungan antara satu peubah bebas X dengan derajat polinom p dengan satu peubah Y. jika p =1.db=n-p-1) maka disimpulkan koefisien persamaan garis regresinya sangat nyata (P<0. jika p =2.05:p.db=n-p-1) maka disimpulkan koefisien persamaan garis regresinya nyata (P<0. sebaliknya Jika tH < t tabel (ά =0.1. maka persamaannya adalah : Y = β0 + β1X. III. Untuk tujuan tersebut diperiksa 20 ekor ayam dan ditemukan sebagai berikut : Analisis Regrei Non Linear Terapan dengan SPSS 13 . jika p =3. maka persamaannya adalah : Y = β0 + β1X + β2X2 + β3X3 dan seterusnya.Disini √Sbi adalah elemen-elemen diagonal matrik XAXA-1 yang telah digandakan dengan S r2 regresi Jika tH ≥ t tabel (ά =0.

2. Klik Variable View. kemudian klik Data View.1.1. Kotak Dialog Variable View Maka muncul Gambar 3. maka muncul Gambar 3.1.75 Panggil atau keluarkan program SPSS. No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Total Rataan Jumlah Cacing ( Xi) 12 14 13 12 15 16 13 11 10 11 12 13 17 19 13 11 16 12 14 15 269 13.1.1.1. Analisis Regrei Non Linear Terapan dengan SPSS 14 .45 Jumlah telurnya (Yi) 45 50 51 43 61 62 50 43 40 44 48 52 70 76 53 43 60 48 53 63 1055 52.1. Gambar 3. Jumlah Cacing dan Jumlah Telurnya pada Usus Ayam Buras. Ketik X dan Y pada Kolom Name. ketik angka 0 pada kolom Decimals dan pada kolom Label ketik Jumlah Cacing (X) dan Jumlah Telur Cacing (Y).Tabel 3.

1.2.1.Gambar 3. maka muncul Gambar 3.2. Klik Graphs.3 Analisis Regrei Non Linear Terapan dengan SPSS 15 . Data View Salin data Tabel 3. Klik Difine.1 ke Gambar 3.1.1. pilih Legacy Dialoge ► Klik Scatter. seperti tampak pada Gambar 3.1.2. pilih Simple Scatter.

1. dengan cara sebagai berikut : Analisis Regrei Non Linear Terapan dengan SPSS 16 . maka perlu mencari persamaannya. Kotak Dialog Simple Scayyterplot Klik Jumlah Telur Cacing (Y) pindahkan dengan tanda ►ke kotak Y Axis Klik Jumlah Cacing (X) pindahkan dengan tanda ►ke kotak X Axis Klik OK. maka diperoleh hasil sebagai berikut : Graph Dari Scatterplot tampat tebaran datanya berbentuk linier yaitu : Y = β0 + β1X .3.Gambar 3.

Kembali ke Gambar 3.10) /NOORIGIN /DEPENDENT Y /METHOD=ENTER X.1. maka muncul Gambar 3. Klik Jumlah Telur Cacing (Y).1. maka diperoleh hasil sebagai berikut : Model Syntax REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(. Regression Model Summary Analisis Regrei Non Linear Terapan dengan SPSS 17 . Kotak Dialog Linear Regression. Gambar 3.4.05) POUT(.1.4. pindahkan dengan tanda ►ke kotak Independent(s) Methode → Enter Klik OK. pindahkan dengan tanda ►ke kotak Dependent Klik Jumlha Cacing (X). Klik Analyse.2. pilih Regression ►Klik Linear.

772 . Predictors: (Constant). lihat Sig.882 1 97.165 -.946 Std.332 a.01).643 Sig.882 312.972 17. Jumlah Cacing (X) ANOVAb Sum of Squares Model Regression 1 df 1699. Error Beta t Sig.1.972 Garis Regresinya sangat nyata (P<0. Error of the Estimate .450 4. -2.868 18 1797.943 2.232 .000a 5.437 a.750 19 Residual Total Mean Square F 1699.Model R 1 . lihat nilai pada kolom B Menggambar Persamaan Garis Regresi Kembali ke Gambar 3.682 .2 Analisis Regrei Non Linear Terapan dengan SPSS 18 . .104 . Dependent Variable: Jumlah Telur Cacing (Y) Kesimpulan : Koefi\esien korelasinya (R) : 0.000 a.442 + 4. Predictors: (Constant).972a Adjusted R R Square Square . Dependent Variable: Jumlah Telur Cacing (Y) Coefficientsa Unstandardized Standardized Coefficients Coefficients Model 1 B (Constant) Jumlah Cacing (X) Std. pada ANOVA Persamaan Garis Regresinya : Y = -2. Jumlah Cacing (X) b.442 3.104X.

pilih Compute.6.5. maka muncul Gambar 3. Kotak Dialog Compute Variable. Klik Transform.6 Gambar 3.1. pada kolom Y hapus semua angka atau kosonghkan.1.Gambar 3. Data View Ganti angka yang tertera pada kolom X dengan mengetik angka 10 – 20.1. Analisis Regrei Non Linear Terapan dengan SPSS 19 .

1.7. pindahkan dengan tanda ►ke kotak Category Axis Klik OK.442 + 4.103*X pada Numeric Expression. mean) Klik Jumlah Telur Cacing (Y) . pindahkan dengan tanda ►ke kotak Variable Klik Jumlah Cacing (X).5.1.g. pilih Legacy Dialogs. Klik Other statistic (e. pilih Simple. Gambar 3. Lalu Klik OK. maka muncul Gambar 3. dilengkapi. klik Define.7. klik Line.103X Analisis Regrei Non Linear Terapan dengan SPSS 20 . Kotak Dialog Define Simple Line. Klik Graph. maka kolom Y pada Gambar 3.Ketik Y pada Target Variable dan ketik -2.1.442 + 4. maka diperoleh hasil sebagai berikut : Graph Y = -2.

coba kembali ke Gambar 3. Gambar 3. CURVEFIT /VARIABLES=Y WITH X /CONSTANT /MODEL=LINEAR /PRINT ANOVA /PLOT FIT. maka muncul Gambar 3. Keik Jumlah Telur Cacing(Y). pindahkan dengan tandan ►ke Dependent(s) Klik Jumlah Cacing (X). TSET NEWVAR=NONE.1. klik Analyze..1.Mencari persamaan garis regresi dapat pula menggunakan Curve Estimation.8. pindahkan dengan tanda ► ke Variable Berikan tanda V pada Linear dan Display ANOVA table Klik OK. pilih Regression.8.1. maka diperoleh hasil sebagai berikut: Model Syntax * Curve Estimation. lalu klik Curva Estimatrion. Analisis Regrei Non Linear Terapan dengan SPSS 21 .2. Kotak Dialog Curve Estimate.

Coefficients Unstandardized Coefficients B Jumlah Cacing (X) (Constant) Standardized Coefficients Std.442 + 4.682 . Analisis Regrei Non Linear Terapan dengan SPSS 22 . ANOVA Sum of Squares df Regression Residual 1699. Error Beta t Sig.643 .972 .772 . Error of the Estimate .750 19 The independent variable is Jumlah Cacing (X).232 . 4.868 18 Mean Square F Sig.943 2.972 17.437 Total 1797.Curve Fit Jumlah Telur Cacing (Y) Model Summary R R Adjusted R Square Square Std.882 1 97.000 -2.165 -.882 312.000 5.946 .442 3.332 The independent variable is Jumlah Cacing (X).104 . 1699.450 Jadi persamaan garis rergresinya = -2.104X Analisis Regresi Kuadratik (p = 2).

: No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Dosis Obat mg (Xi) 1 2 3 4 5 7 3 2 4 6 7 8 8 1 3 Kadar Creatinin % (Yi) 10 13 15 20 16 11 14 12 21 17 10 7 6 11 16 Panggil atau keluarkan program SPSS Klik Variabel View.1. Ketik X dan Y pada kolom Name. Kadar Creatinie pada Berbagai Dosis Obat.1. lalu Klik Data View.2. dari hasil peneitiannya diperoleh hasil sebagai berikut : Tabel 3. Analisis Regrei Non Linear Terapan dengan SPSS 23 . Gambar 3.Seorang peneliti ingin mengetahui hubungan antara dosis oba tertentu (X) dengan kadar Creatinin Ginjal (Y) kelinci percobaan.2.1. Kotak Dialog Variable View.1.2. ketik Disis Obat (X) dan Kadar Kreatinin (Y) pada kolopm Label. maka muncul Gambar 3.2. maka muncul Gambar 3.

klik ScatterDot .2.3.2.1 ke dalam Gambar 3.2.2.Gambar 3. pilih Simple Scatter. pilih► Legacy Dialogs. lalu Klik Graph.2. Analisis Regrei Non Linear Terapan dengan SPSS 24 .2 Setelah selesai menyalin data. klik Define. Data View Salin data pada Tabel 3. maka muncul Gambar 3.

kemudian pindahkan dengan tadana ►ke X Axis Klik OK. kemudian pindahkan dengan tadana ►ke Y Axis Klik Dosis Obat (X).Gambar 3.2. Kotak Dialog Simple Skaterplot Klik Kadar Kreatinin (Y). maka diperoleh hasil sebagai berikut : Graph Analisis Regrei Non Linear Terapan dengan SPSS 25 .3.

2.5. klik Tranform.4. maka muncul Gambar 3. Analisis Regrei Non Linear Terapan dengan SPSS 26 ..2. Ketik XX pada Target Variable dan ketik X**2 pada Numerik Expression. maka persamaan dapat dicari sebagai berikut : Kembali ke Gambar 3.Hasil plot data menunjukkan bahwa kemungkinan persamaan garis regresi berbentuk kuiadrartik yaitu : Y = β0 + β1X + β2X2 .2. klik OK. lalu klik lagi Compute Variable. Gambar 3. maka muncul Gambar 3. 4.2. Kotak Dialog Compute Variable.2.

6 Gambar 3. pilih Regression ►klik Linear.6.Gambar 3. Kotak Dialog Linear Regression. Analisis Regrei Non Linear Terapan dengan SPSS 27 .2.2.5. Data View Klik Analyze. maka muncul Gambar3.2.

363 + 6. Dependent Variable: Kadar Kreatinin (Y) Coefficientsa Unstandardized Coefficients Model 1 B Std. lihat nilai B pada table Coefisient.000 3.104 Standardized Coefficients Beta t Sig.363 1.848 Std.778 .798 .807 a. Dosis Obat (X) ANOVAb Model 1 Sum of Squares Regression Residual Total df Mean Square 222. Dosis Obat (X) b.000 - Persamaan garis regresinya Y = 3.974 XX -.822 1.930 2 40. pindahkan dengan tanda ►ke Indeependent(s) Klik OK maka diperoleh hasil sebagai berikut : Regression Model Summary Model R R Adjusted R Square Square . XX.694 . pindahkan dengan tanda ►ke Dependent Dosis Obat (X). Dependent Variable: Kadar Kreatinin (Y) Kesimpulan : - Koefisien korelasinya ( R ) = 0.004 12 262. 1.933 14 F 111. pindahkan dengan tanda ►ke Indeependent(s) XX.801 .826 a.801X2.000 -4. lihat sig pada ANOVA .Klik Kadar Kreatinin(Y).465 33.097 6.334 a. Predictors: (Constant). Error of the Estimate . . Predictors: (Constant).921 - Bentuk hubungannya atau persamaan garis regresinya sangat nyata (P<0. Error (Constant) 3.870 Dosis Obat (X) 6.778X – 0.209 -7.959 .000a 3.921a 1 .01). Analisis Regrei Non Linear Terapan dengan SPSS 28 .436 Sig. XX.

Setelah persamaan garis regresi dianggap sesui dengan yang kita inginkan, maka kita bisa
menggambar persamaan tersebut, dengan cara sebagai berikut :
Kembali kegambar 3.2.2., hapus atau kosongkan angka-angka yang ada pada kolom X
dan Y, kemudian ketik angka 0 sampai dengan angka 8 pada kolom X. Klik transform,
kemudian klik lagi Compute Variable, maka muncul Gambar 3.2.7.

Gambar 3.2.7. Kotak Dialog Compute Variable.
Ketik Y pada Target Varable dan ketik 3.363 + 6.778*X – 0.801*X**2 Numeric
Expression, klik Ok, mka diperoleh Gambar 3.2.8.

Analisis Regrei Non Linear Terapan dengan SPSS

29

Gambar 3.2.8. Data View
Klik Graph, pilih Legacy Dialog, ►klik Line, pilih Simple, lalu klik Define, maka
muncul Gambar 3.2.9.

Gambar 3.2.9. Kotak Dialog Define Simple Line

Analisis Regrei Non Linear Terapan dengan SPSS

30

Klik Other statistic (e.g mean)
Klik Kadar Kreatinin (Y), pindahkan dengan tanda ►ke Variable
Klik Dosis Obat (X), pindahkan dengan tanda ►ke Category Axis
Klik OK, maka diperoleh hasil sebagai berikut :

Graph

Y = 3,363 + 6,778X – 0,801X2

Mencari persamaan garis regresi dapat pula menggunakan Curve Estimation, coba
kembali ke Gambar 3.2.2., klik Analyze, pilih Regression, lalu klik Curva Estimatrion,
maka muncul Gambar 3.2.10
.

Analisis Regrei Non Linear Terapan dengan SPSS

31

Klik OK.Gambar 3.822 1.2. maka diperoleh hasil sebagai berikut : Syntax * Curve Estimation.826 The independent variable is Dosis Obat (X). Analisis Regrei Non Linear Terapan dengan SPSS 32 . Kadar Kreatinin (Y) Quadratic Model Summary R Square R .921 .848 Adjusted R Square Std. TSET NEWVAR=NONE.10 Kotak Dialog Curve Estimatoan Klik Dosis Obat (X). Error of the Estimate . CURVEFIT /VARIABLES=Y WITH X /CONSTANT /MODEL=QUADRATIC /PRINT ANOVA /PLOT FIT. pindahkan dengan tandan ►ke kotak Variable Klik Kadar Kreatinin (Y). pindahkan dengan tanda ►ke kotak Dependent(s) Berikan tanda V pada kotak Quadratic dan kotak Display ANOVA table.

Error Standardized Coefficients Beta T Sig.000 (Constant) 3.930 2 111.000 Dosis Obat (X) ** 2 -.959 . Coefficients Unstandardized Coefficients B Std.798 .004 12 3.334 262.104 -4.870 1.ANOVA Sum of Squares Regression Residual Total df Mean Square 222.778X – 0.801X2 Analisis Regresi Kubik (p = 3).801 .807 6.778 . Dosis Obat (X) 6.363 1.097 Persamaan garis regresi adalah : Y = 3.465 40.000 The independent variable is Dosis Obat (X).974 3.933 14 F Sig. 33.694 .363 + 6. Analisis Regrei Non Linear Terapan dengan SPSS 33 .436 .209 -7.

berikan angka 2 pada kolom Decimals dan ketik Konsentrasi Hidrogen Peroksida (%) dan pH Air Limbah pada kolom Label.3. maka muncul Gambar 3.68 0.45 7.1.1.60 8.60 8.69 0.00 7. Ketik X dan Y pada kolom Name.10 0. pH Air Limbah yang Diberikan Berbagai Konsentrasi H2O2.19 0.15 0.15 7. Konsentrasi H2O2 (%) pH Air Limbah 0.00 7.00 Panggil atau keluarkan program SPSS Klik Variable View.60 0.3. Kotak Dialog Variable View.73 0.30 7. Klik Data View.45 7.70 0.72 0.60 8. maka muncul Gambar 3. Gambar 3.15 7.1.30 7.46 0. Hasil penelitiannya sebagai berikut : Tabel 3.72 0. Analisis Regrei Non Linear Terapan dengan SPSS 34 .18 0.45 7.Seorang peneliti ingin mengetahui perubahan pH air limbah rumah pemotongan hewan yang dididesinfeksi dengan Hidrogen peroksida (H2O2).30 7.15 7.00 7.2.63 0.62 0.3.3.

2. lalu pilih dan klik Scatter/Dot.2. pilih Legacy Diolgs. Klik Graphs.1 Kedalam Gambar 3.3.3. kemudian klik simple Scatter. Data View. maka muncul Gambar 3. dan klik juga Define.Gambar 3.3.3. Salin data Tabel 3. Analisis Regrei Non Linear Terapan dengan SPSS 35 .3. setelah selesai menyalin datanya lakukan analisis selanjutnya.

Kotak Diolog Simple Scatterplot Pindahkan pH Air Limbah ke kotak Y Axis dan pindahkan Kosentrasi Hidrogen Peroksida ke X Axis. klik OK maka diperoleh hasil sebagai berikut : Graph Analisis Regrei Non Linear Terapan dengan SPSS 36 .Gambar 3.3.3.

3.Hasil plot data atau Scatterrplot menunjukkan bahwa kemungkinan persamaan garis regresi berbentuk kubik yaitu : Y = β0 + β1X + β2X2 + β2X3 . lalu klik lagi Compute Variable.4. maka muncul Gambar 3. klik Tranform. Gambar 3.3.5.4. maka persamaan dapat dicari sebagai berikut : Kembali ke Gambar 3.3. Kotak Dialog Compute Variable Ketik XX pada Target Variable dan X**2 pada Numeric Expression.2.3. Analisis Regrei Non Linear Terapan dengan SPSS 37 . lalu klik OK Ketik XXX pada Target Variable dan X**3 pada Numeric Expression. lalu klik OK Maka diperoleh hasil seperti pada Gambar 3.

6 Analisis Regrei Non Linear Terapan dengan SPSS 38 . maka muncul Gambar3. Data View Klik Analyze.3.3. pilih Regression ►klik Linear.Gambar 3.5.

pindahkan dengan tanda ►ke Indeependent(s) XXX.Gambar3. pindahkan dengan tanda ►ke Dependent Klik Konsentrasi Hidrogen Peroksida (%) (X). Konsentrasi Hidrogen Peroksida (%). pindahkan dengan tanda ►ke Indeependent(s) Klik OK maka diperoleh hasil sebagai berikut : Regression Model Summary Model R 1 .966 Std.3. XX Analisis Regrei Non Linear Terapan dengan SPSS 39 .05487 a.987a R Square . Kotak Dialog Linear Regression Klik pH air Limbah(Y). XXX.973 Adjusted R Square .6. pindahkan dengan tanda ►ke Indeependent(s) XX. Predictors: (Constant). Error of the Estimate .

3.7..474 5.2. Klik transform.292X3 Setelah persamaan garis regresi dianggap sesui dengan yang kita inginkan.343 X – 18.533 -18.. kemudian klik lagi Compute Variable. kemudian ketik angka 0.733 8. . maka kita bisa menggambar persamaan tersebut.869 . Analisis Regrei Non Linear Terapan dengan SPSS 40 .401 133.236 .6 pada kolom X. dengan cara sebagai berikut : Kembali kegambar 3. Dependent Variable: pH Air Limbah Beta t Sig.033 11 F Sig.596X2 + 20.sampai dengan angka 0.000 2. maka muncul Gambar 3.000 2.ANOVAb Model Sum of Squares df Mean Square 1 Regression 1.594 -8. 228.05. hapus atau kosongkan angka-angka yang ada pada kolom X dan Y.292 .947 10.199 . 0. Error 7.000 Jadi persamaan garis regresinya adalah : Y = 7.199 + 5.292 a.000 3. XXX.204 3 Residual .258 -8.10.031 5. 0.237 14 a.596 XXX 20.000a . XX b.3.203 . Konsentrasi Hidrogen Peroksida (%).016 .343 .003 Total 1. Dependent Variable: pH Air Limbah Coefficientsa Unstandardized Standardized Coefficients Coefficients Model 1 (Constant) Konsentrasi Hidrogen Peroksida (%) XX B Std. Predictors: (Constant).

maka diperoleh hasil seperti Gambar 3. lalu klik OK.292*X**3 pada Numeric Expression.7.Gambar 3.596*X**2 + 20.3.8. Analisis Regrei Non Linear Terapan dengan SPSS 41 .343*X – 18.7. Compute Variable Ketik Y pada Target Variable dan Ketik 7. seperti tampak pada Gambar 3.3.199+5.3.

9. klik OK. maka muncul Gambar 3. Klik Konsentrasi Hidrogen Perksida (X). lalu pindahkan ke Category Axis.8.3. mean).3.. lalu klik pH Air limbah (Y). maka diperoleh hasil sebagai berikut Analisis Regrei Non Linear Terapan dengan SPSS 42 . Gambar 3. ►klik Line.Gambar 3. lalu pindahkan ke kotak Variable.9. pilih Simple. Kotak Dialog Define Simple Line Klik Other statistic (eg. pilih Legacy Dialog. lalu klik Define. Data View Klik Graph.3.

292X3 Mencari persamaan garis regresi dapat pula menggunakan Curve Estimation.3. coba kembali ke Gambar 3.3.10 Gambar 3.2.3. lalu klik Curva Estimatrion.10 Kotak Dialog Curve Estimatoan Analisis Regrei Non Linear Terapan dengan SPSS 43 ..199 + 5. maka muncul Gambar 3.343 X – 18. pilih Regression.596X2 + 20. klik Analyze.Y =7.

343 -18. pindahkan dengan tanda ►ke kotak Dependent(s) Berikan tanda V pada kotak Cubic dan kotak Display ANOVA table.292 3 11 Parameter Estimates Constant b1 b2 b3 7. maka diperoleh hasil sebagai berikut : Syntax * Curve Estimation.973 133. CURVEFIT /VARIABLES=Y WITH X /CONSTANT /MODEL=CUBIC /PLOT FIT.343X – 18.292 The independent variable is Konsentrasi Hidrogen Peroksida (%) Jadi Persamaan Garis Regresinya : 7.292X3 Analisis Regrei Non Linear Terapan dengan SPSS 44 . Model Summary and Parameter Estimates Dependent Variable:pH Air Limbah Model Summary Equat ion R Square F Df1 df2 Sig.199 + 5. Cubic .000 . Klik OK.596 20.199 5.596X 2 + 20.Klik Konsentrasi Hidrogen peroksida (X) pindahkankan ke kotak Variable Klik pH Air limbah (Y). TSET NEWVAR=NONE.

kt = bekt).IV. jadi Y = bekX Analisis Regrei Non Linear Terapan dengan SPSS 45 . menjadi model linier dengan melakukan Model eksponensial dapat diubah transformasi logaritma alami (Ln) sebagai berikut : Ln Yi = Ln (ae β1Xi ) Ln Yi =Lna + β1Xi Ŷi = βo + β1Xi Persamaan garis regresi Ŷi = βo + β1Xi. maka dapat diperoleh b = No = a = eβo .n. 3.. yang ditemukan oleh Leonhard Euler (1707 . Model Eksponensial.71828…. dan k = β1 .1. Model pertumbuhan yang umum adalah eksponensial Wt (Wt A  ______ 1  be . sehingga Ln Yi =Lna + β1Xi. monomulekuler (Wt=A – be-kt).1783) dimaksudkan untuk mempermudah pembicaraan turunan dan integral dari fungsi tersebu. gompertz ( Wt  e  be  kt ) dan parabola sigmoid ( (Wt = btk ) (medawar dalam Swatland.………. namun untuk pertimbangan lain seperti pada pertumbuhan bakteri lebih dikenal penggunaan bilangan dasar 10 karena dalam perhitungan jumlah bakteri menggunakan faktor pengencer kalipatan 10 (Fardiaz. Model eksponensial atau Wt = bekt atau Nt = Noekt dapat ditulis dalam persamaan Yi = aeβ1Xi atau Yi = ae β1Xi untuk i=1. 1989). Sedangkan Martono dan Hasibuan (1993) memperkenalkan tiga kurva pertumbuhan yaitu : Nt = Noekt. MODEL PERTUMBUHAN Model pertumbuhan yang paling sederhana adalah model linier. 1984). ). 2. Nt = K – Ce-kt dan Nt K  ______ 1  Ce . tetapi umumnya pertumbuhan tidak mengikuti model linier.kt Model pertumbuhan yang mempunyai tingkah laku fungsi yang sama dengan model eksponensial adalah Compound Nt = abt model ini sering digunakan untuk mengitung atau mengetahui berapa kali lipat peningkatan atau penurunan pada tiap satuan waktu tertentu yaitu dijunjukkan oleh nilai b. Model growth Wt  e(a  bt) atau 2 Wt  e(a  bt  ct ) Penggunaan bilangan dasar e yang nilainya 2. 4.

1.15x Y3 = 2 e0. 2.1. Grafik Eksponensial dengan Tiga Koefisien Pertumbuhan yang Berbeda Seoarang peneliti ingin mengetahui pertumbuhan paru-paru itik Bali.1. Tabel 4. sehingga makin besar nilai k atau β1 maka makin cepat tmbuh (Gambar 1. Datan Berat Paru-paru (gram) sebagai beriku : Umur (Minggu) Ulangan Berat Paru-paru (Grram) Analisis Regrei Non Linear Terapan dengan SPSS 46 .20X Gambar 4. Itik tersebut dipotong masing-masing 5 ekor pada minggu ke 0.10X Y2 = 2 e0. memotong sumbu X di titik X = b yaitu merupakan berat awal atau berat lahir atau berat saat menetas untuk ternak atau hewan lainnya atau populasi awal untuk bakteri dansebagainya.). grafiknya selalu naik dan cembung kebawah. untuk tujuan tersebut dipelihara 20 ekor itik. Serdangkan nilai k atau β1 merupakan kecepatan pertumbuhan.1. Y1 = 2 e0. 4 dan 6 dan kemudian diambil paru-parunya lalu dilakukan penimbangan.Persamaan garis regresi Y = bekX .

12 Kotak Dialog Variable View.2 Gambar 4. Berat Paru-paru (Gram) Itik kolom Label.1.3. maka muncul Gambar 4. Analisis Regrei Non Linear Terapan dengan SPSS 47 . berikan angka 0 pada kolom Decimals dan ketik Umur (Minggu). Klik Data View. maka muncul Gambar 4.(Xi) 0 2 4 6 (Yi) 35 25 34 49 45 115 128 101 95 130 310 310 305 305 320 980 880 1010 985 1025 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 Panggil atau keluarkan program SPSS Klik Variable View. Ketik X dan Y pada kolom Name.1.

kedalam Gambar 4.1. dan klik juga Define. pilih Legacy Diolgs.Gambar 4. Jantan dan betina.1.1. kemudian klik simple Scatter. Salin atau masukkan data pada Tabel 4. dengan jalan pada kolom Umur.1. kita buat dulu plot datanya Klik Graphs.1.3 Data View.4 Analisis Regrei Non Linear Terapan dengan SPSS 48 . Sebelum kita menentukan persamaannya.3. lalu pilih dan klik Scatter/Dot. maka muncul Gambar 4.

4. Klik Berat paru-paru (Gram)Itik [Y] pindahkan dengan tanda►ke Y Axis Klik Umur(Minggu)[X] pindahkan dengan tanda ►ke X axis. Kotak Dialog Simple Scatterplot.1.Gambar 4. lalu klik Ok maka diperoleh gambar sebagai berikut : Graph Analisis Regrei Non Linear Terapan dengan SPSS 49 .

1.1. lalu klik OK.Dari plot data tersebut maka persamaan garisnya diduga : Yi = aeβXi atau dalam bentuk linier Ln Yi =Lna + βXi Lakukan tranformasi Ln terhada Y. maka diperoleh Gambar 4.5 Gambar 4.5 Kotak Dialog Compute Variable Klik All pada Function group Klik Ln pada Functions and Special Variables. pilih Compute Variable. lalu pindahkan dengan tanda ▲ke Numeric Expression.6. Ketik LnY pada Target Variable dan ketik atau pindahkan Y Berat Paru-paru (Gram) Itik ke dalam tanda kurung LN pada Numeric Expression.1. maka muncul Gambar 4. Analisis Regrei Non Linear Terapan dengan SPSS 50 . dengan cara :Klik Transform.

7 Analisis Regrei Non Linear Terapan dengan SPSS 51 . lalu pilih Regression kemudian klik Linear.1. maka muncul Gambar 4.6 Data View Klik Variable View lengkapi kolom Label dengan Ln Berat Paru-paru (Gram) itik.Gambar 4.1. Klik Analyse.

391 18 F Sig.993a 1 .Gambar 4.986 . Umur (Minggu) ANOVAb Model 1 Regression Residual Total Sum of Squares Df 29. Klik Umur (Minggu)[X].987 .466 Mean Square 1 . Predictors: (Constant).466 1356. Predictors: (Constant). Error of the Estimate .857 19 a. Klik Ln Berat Paru-paru (Gram) Itik [LnY]. maka diperoleh hasil analisis.1. Regression Model Summary Model R R Square Adjusted R Square Std.7 Kotak Dialog Linear Regression.105 . pindahkan dengan tanda ►ke kotak Dependent.14740 a. lalu kelik OK. pindahkan dengan tanda ►ke kotak Independent (s). Umur (Minggu) b. Dependent Variable: Ln Berat Paru-paru (Gram) Itik Analisis Regrei Non Linear Terapan dengan SPSS 52 . 29.022 29.000a .

Coefficientsa
Unstandardized
Coefficients
Model
1

B
(Constant)
Umur (Minggu)

Standardized
Coefficients

Std. Error

Beta

t

Sig.

3.608

.055

65.413 .000

.543

.015

.993 36.825 .000

a. Dependent Variable: Ln Berat Paru-paru (Gram) Itik
Jadi : Ln a = 3.608, maka a = e3,608 = 36,892 , jadi Y = 36,892e0,543X
Grafik dari persamaan regresi Y = 36,892e0,543X dapat di gambar dengan cara
sebagai berikut : Kita kembali ke Gambar 4.1.3., ganti nilai X dengan angka 0 sampai
dengan angka 6, sedangkan pada kolom Y dikosongkan dulu (nilainya dihapus),
perhatikan Gambar 4.1.8.

Gambar 4.1.8. Data View
Klik transform, lalu klik Compute Variable, mka muncul Gambar 4.1.9, ketik Y pada
Target Variable dan ketik 36.892*2.71828**(0.54*X) pada Numeric Expression, lalu klik
OK, Gambar 4.1.8 dilengkapi pada kolom Y nya.

Analisis Regrei Non Linear Terapan dengan SPSS

53

.Gambar 4.1.9 Kotak Dialog Compute Variable
Klik Graph, pilih Legacy Dialog, klik Line, klik Simple, klik Difine, maka
muncul Gambar 4.1.10.

Gambar 4.1.10 Kotak Dialog Define Simple Line

Analisis Regrei Non Linear Terapan dengan SPSS

54

Klik Other Statistic (e.g Mean), lalu klik Berat Paru-paru (gram (X) dan pindahkan
dengan tanda ►ke Variable, lalu Klik Umur (minggu [Y] dan pindahkan dengan tanda
►ke Category Axis, llu Klik OK maka diperoleh Grafik sebagai berikut :

Graph

Untuk mencari persamaan eksponensial Y = bekXi dapat juga dicari dengan
menggunakan Curve Estimation, kembali ke Gambar 4.1.3. klik Analysis, pilih
Regression, lalu klik Cuve Estimation, maka muncul Gambar 4.1.11

Gambar 4.1.11. Kotak Dialog Curve Estimation

Analisis Regrei Non Linear Terapan dengan SPSS

55

lalu klok OK.Klik Berat Paru-paru(gram)[Y] pindahkan dengan tanda ►ke Dependent(s) dan klik juga Umur(Minggu)[X] pindahkan dengan tanda ►ke Variabel.105 Sig.986 .825 . .391 18 29. Error .987 . Curve Fit Berat Paru-paru (Gram) Itik Exponential Model Summary R R Square Adjusted R Square Std.034 18. Error of the Estimate .022 The independent variable is Umur (Minggu).147 The independent variable is Umur (Minggu).884 2.466 1356.000 .000 (Constant) 36. ANOVA Sum of Squares Regression Mean Square 29.000 Analisis Regrei Non Linear Terapan dengan SPSS 56 .131 The dependent variable is ln(Berat Paru-paru (Gram) Itik ).857 19 Residual Total df F 29. TSET NEWVAR=NONE. maka diperoleh hasil sebagai berikut : Syntax * Curve Estimation. 36. Coefficients Unstandardized Coefficients B Umur (Minggu) Std. lalu klik atau tandai kotak Exponensial dan kotak Disply ANOVA table.015 Standardized Coefficients Beta t .993 Sig.466 1 .543 . . CURVEFIT /VARIABLES=Y WITH X /CONSTANT /MODEL=EXPONENTIAL /PRINT ANOVA /PLOT FIT.993 .

543. Analisis Regrei Non Linear Terapan dengan SPSS 57 . maka persamaannya menjadi Y = bekX .12).884 dan k = 0.Jadi persamaan Y = bekX b = 36.884e0.543X Bila nilai k diperoleh negatidf (-). grafiknya selalu turun dan cembung keatas.1. Serdangkan nilai k atau β1 merupakan kecepatan penurunan atau peluluan sehingga makin besar nilai k atau β1 maka makin cepat penurunnannya (Gambar 4. memotong sumbu X di titik X = b yaitu merupakan jumlah awal bakteri. maka persamaannya : Y = 36. zat tertentu dan sebagainya dan sumbu X merupakan asimtot datar grafik tersebut.

30 2.14 0.66 0.12.13 Analisis Regrei Non Linear Terapan dengan SPSS 58 .13 8. Grafik Eksponensial dengan Tiga Koefisien peluluhan yang Berbeda Sebagai contoh adalah penurunan kadar progesteron (ng/ml) pada sapi Bali selama 3 hari setelah diberikan perlakuan teretentu.11 0.63 0.64 0.Y1 = 10 e-0.2 Kadar Progesteron (ng/ml) selama 3 hari Hari 0 0 0 1 1 1 2 2 2 3 3 3 Kadar Progerteron (ng/ml) 8.12 8.1.1. hasilnya sebagi berikut : Tabel 4.2X Y2 = 10 e-0.6X Gambar 4.4X Y3 = 10 e-0.35 2.1. maka muncul Gambar 4.24 0.15 2.15 Panggil atau keluarkan program SPSS Klik Variable View.

Variable View Ketik X dan Y pada kolom Nane.1. Gambar 4.14.1.1.1.14 Analisis Regrei Non Linear Terapan dengan SPSS 59 .1.14. sedangkan pada kolom Label ketik Hari dan Kadar Progesteron (ng/ml).2 ke Gambar 4.1. Berat Paru-paru (Gram) Itik kolom Label. berikan angka 0 pada kolom Decimals dan ketik Umur (Minggu). Gambar 4. lalu klik Data View. maka muncul Gambar 4. Klik Data View.13. maka muncul Gambar 4.Ketik X dan Y pada kolom Name. pada kolom Decimals kitik 0 dan 2.13. Data View Salin atau oindahkan data pada table 4.

lalu klik atau tandai kotak Exponensial dan kotak Disply ANOVA table.15 Gambar 4. lalu klik Cuve Estimation.1. maka diperoleh hasil sebagai berikut : Syntax * Curve Estimation. Kotak Dialog Curve Eatimation Klik Kadar Progesteron(ng/ml)[Y] pindahkan dengan tanda ►ke Dependent(s) dan klik juga Hari [X] pindahkan dengan tanda ►ke Variabel. maka muncul Gambar 4.Analysis. Curve Fit Kadar Progesteron (ng/ml) Exponential Analisis Regrei Non Linear Terapan dengan SPSS 60 .1. pilih Regression.14. klik . TSET NEWVAR=NONE.Setelah selesai. lalu klok OK. CURVEFIT /VARIABLES=Y WITH X /CONSTANT /MODEL=EXPONENTIAL /PRINT ANOVA /PLOT FIT.

dati ANOVA persamaan garis regreinya sangat nyata(P<0.363 Standardized Coefficients Std. Error of the Estimate .903 . koefesien garis regresinya sangat nyata (P<0.014 11 Coefficients Unstandardized Coefficients B Hari -1.000. Error .870 1 .01) lihat Sig 0.673e-1.673 dan k = -1. persamaan garis regresi ini di gamabar pada grafik dibawah ini Analisis Regrei Non Linear Terapan dengan SPSS 61 .363.997 . maka persamaannya adalah Y = 8.Model Summary R R Square Adjusted R Square Std.031 Beta T -.015 The independent variable is Hari. 27. F Sig.216 .363X.145 10 Residual Total 28.000 17.994 . Sig.997.000 Hasil analisis menunjukkan koefesien korelasinya cukup besar yaitu 0.120 The independent variable is Hari.504 The dependent variable is ln(Kadar Progesteron (ng/ml)).673 .01) lihat Sig pada Tabel Coeffisients Jadi persamaan Y = bekX : b = 8. ANOVA Sum of Squares Regression df Mean Square 27.442 .995 .997 (Constant) 8.000 . -43.870 1927.

7182βo dan b = 2. Serdangkan jika b=1..4. untuk x>0 dan a>0 selalu diatas sumbu X. sebailnya jika b<1. Bila b>1 kurvanya selalu cembung kebawah (cekung) dan sebaliknya bila b<1 kurvanya akan mendekati sumbu X atau X sebagai asimtot datar kurva tersebut. Model Y = abX dalam bentuk linier Ln Y = Ln a + Ln bX.7182β1 Persamaan garis rergesi ini memotong sumbu Y = a .2. Model Compound Y=abX. maka nilai Y akan bertambah sebesar b kali stiap satu satuan X. jika b=1. Jika b>1. b adalah kalipatan perbahan dari Y. disini a adalah ukuran awal x = 0. maka akan membentuk garis lurus Y = a. maka nilai Y berkurang sebesar b kali setiap satu satuan X. maka a = 2. lihat Gambar 7 Analisis Regrei Non Linear Terapan dengan SPSS 62 . namun persamaan garis regresinya tidak bisa dicari bila b tepat sama dengan 1. maka nilai Y akan kontan (tidak terjadi perubahan) yaitu nilai akan tetap sebesar a. Jadi persamaan garis regresinya Ŷi = βo + β1Xi. Model Compound.

2. sebalikya jia b=0.5 kali sebelumnya. Compoun untuk nilai b>1.5. Jika b=1. maka muncul Gambar 4. Bacillus subtilis pada Berbagai Konsentrasi Cairan Empedu Ayam Konsentrasi Cairan Empedu (%) 0 1 2 3 4 5 6 7 8 9 10 11 12 Jumlah Bacillus subtilis 80000 56000 39200 27000 19000 13000 9500 6500 4600 4000 2500 1500 600 Panggil program SPSS.Y1 = 10(1.5X) Gambar 4.1. Sebagai contoh jumlah Bacillus subtilis yang hidup pada berbagai konsentrasi cairan empedu ayam.5X) Y2 = 10(1X) = 10 Y3 =10(0. klik Variable View.05 maka tampak bahwa setiap peningkatan satu satuan X akan menyebabklan penurunan nilai Y sebasar 0. maka tampak bahwa setiap peningkatan satu satuan X akan menyebabklan peningkatan nilai Y sebasar 1.2 Analisis Regrei Non Linear Terapan dengan SPSS 63 .2.2.5 kali sebelumnya. seperti Tabel berikut : Tabel 4. b=1 dan b<1.1.

2. maka muncul Gambar 4.2.4 Analisis Regrei Non Linear Terapan dengan SPSS 64 . maka muncul Gambar 4.3 Gambar 4. klik Simple Scatter. lalu klik Data View.2.2. ketik angka 0 pada kolom Decimal dan pada kolom Label ketik Konsentrasi Cairan Empedu (%) dan Bacillus subtilis. klik Define.3.Gambar 4. Variabel View Ketik X dan Y pada kolom Name. pilih Legacy Dialogs. klik Scatter/Dot.2.1 kedalam Gambar 4.2.2. Klik Graphs.3 Data View Salin data pada Tabel 4. sebelum melakukan analisis regresi kita plot dulu datanya.

Gambar 4.2. pindahkan dengan tanda ►ke totak Y Axis. klik OK.4. maka diperoleh hasil sebagai berikut : Graph Analisis Regrei Non Linear Terapan dengan SPSS 65 . pindahkan dengan tanda ►ke totak X Axis. lalu klik Konsentrasi Cairan Empedu[X]. Kotak Dialog Simple Scatterplot Klik Bacillus subtilis[Y].

Kembali ke Gambar 4.5 Gambar 4. untuk mencari persamaan ini kita lakukan Ln Y.5.6.2.3. klik Tranform.2.2. klik Compute Variable. klik OK.2.6 Gambar 4.2. maka muncul Gambar 4. Data View Analisis Regrei Non Linear Terapan dengan SPSS 66 . maka diperoleh Gambar 4.Dari hasil plot data maka kita bias menduga persamaannya Y = abX. Kotak Dialog Compute Variable Ketik LnY pada kotak Target Variable dan krtik LN(Y) pada Numeric Expression.

05) POUT(.7 Gambar 4.2. maka diperoleh hasil sebagai berikut : Syntax REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(. pilih Regression. Linear Regression Klik LnY. dan klik Konsentrasi cairan Empedu[X]. klik Linear.Lakukan analisis regrsinya dengan jalan klik Analyze. pindahkan dengan tanda ►ke kotak Dependent. klik OK. Regression Analisis Regrei Non Linear Terapan dengan SPSS 67 .7. pindahkan dengan tanda ►ke kotak Independent(s). maka muncul Gambar 4.2.10) /NOORIGIN /DEPENDENT LnY /METHOD=ENTER X.

Dependent Variable: LnY Std. 730.350 =84965 dan b= 2. 116. Konsentrasi Cairan Empedu (%) ANOVAb Model 1 Sum of Squares df Regression Residual Total 25.993a 1 Adjusted R Square .689X).01) (lihat ANOVA) Persamaan : Y = abX .Model Summary Model R R Square .034 F Sig.689. dengan persamaan garis regresi yang sangat nyata (P<0. Error 11.014 Standardized Coefficients Beta t Sig.993 -27. Untuk menggambar grafiknya kita buat lagiVariabel View dan Data Viewnya..201 .000 Hasil analisis menunjukkan koefesien korelasinya sebesar 0.379 11 .985 Std.201 Mean Square 1 25. Predictors: (Constant). Predictors: (Constant). seperti Gambar 4.653 .2. dan pada kolom Y kosongkan dulu.097 -.000a 25.18572 a.71828-0. adalah : a = 2.984 .372 = 0.993.000 -.8.601 . Dependent Variable: LnY Coefficientsa Unstandardized Coefficients Model 1 B (Constant) Konsentrasi Cairan Empedu (%) a. Analisis Regrei Non Linear Terapan dengan SPSS 68 . Error of the Estimate .372 .350 . jadi persamaan : Y = 84965(0. Konsentrasi Cairan Empedu (%) b.031 .7182811.581 12 a. kita angka 0 sampai dengan 12 pada kom X.

maka muncul Gambar 4. Gambar 4.2.9 .8.9. Kotak Dialog Compute Variable Analisis Regrei Non Linear Terapan dengan SPSS 69 . Data View Kolom Y diisi dengan cara klik Transform.2.Gambar 4.2. klik Compute Varable.

Klik Define. lalu klik Ok. Kotak Dialog Define Simple Line Klik kotak Other statistic (e. klik Simple Line. klik Line. maka muncul Gambar 4. Untuk menggambar. pilih Legacy Diolog.689**X) pada Nuberic Expression.10. lalu klik Bacillus subtilis[Y].8.10 Gambar 4. maka diperoleh grafik sebagai berikut : Analisis Regrei Non Linear Terapan dengan SPSS 70 .2. pindahkan dengan tanda ►ke kotak Category Axis.mean).2. dan klik juga Konsentrasi Cairan Empedu[X].g.2. pindahkan dengan tanda ►ke kotak Variable. klik Graphs. maka Gambar 4. kolm Y nya dilengkapi dengan angka. klik OK.Ketik Y pada Target Variable dan ketik 84965*(0.

Graph Model Compound bias juga dicari langsung dengan tanpa melakukan transformasi data Y. klik Curva Estimation. Gambar 4. maka muncul Gambar 4.2. pilih Regression.2.11 Kotak Dialog Curve Estimation Analisis Regrei Non Linear Terapan dengan SPSS 71 . yaitu dengan cara klik Analyze.11.

.000 . TSET NEWVAR=NONE. Error of the Estimate .201 730.985 Std. Curve Fit Compound Model Summary R R Square Adjusted R Square .581 12 F 25. maka diperoleh hasil sebagai berikut : Syntax * Curve Estimation. CURVEFIT /VARIABLES=Y WITH X /CONSTANT /MODEL=COMPOUND /PRINT ANOVA /PLOT FIT. Berikan tanda V pada kotak Compound dan Display ANOVA table. pindahkan dengan tanda ►ke kotak Dependent(s). Analisis Regrei Non Linear Terapan dengan SPSS 72 .201 1 . pindahkan dengan tanda ►ke kotak Variable. lalu klik Konsentrasi Cairan Empedu[X].Klik Bacilllus subtilis[Y].984 .653 Sig.186 The independent variable is Konsentrasi Cairan Empedu (%). lalu klik Ok.993 .379 11 25.034 The independent variable is Konsentrasi Cairan Empedu (%). ANOVA Sum of Squares Regression Residual Total df Mean Square 25.

689 .. Beta t Sig. hanya penetapat parameter a dan b yang berbeda.993. yaitu nili R sebesar 0.123 8272.641 . Error .371 72.Coefficients Unstandardized Coefficients B Konsentrasi Cairan Empedu (%) Standardized Coefficients Std. Model growth Wt  e(a  bt) sama dengan model eksponensial Wt = aebt dan model Compound Wt =abt bila ditransformasi dalam bentuk linear yaitu Ln Wt = a + bt untuk model growth.689X) 4.000 10. jadi transformasi datanya sama yaitu transformasi Ln untuk variable bebas mupun variable terikatnya.01) dan persamaan garis regresinya adalah : : 84987(0. .000 Jadi hasilnya sama saja dengan metode transformasi data . bentuk persamaan garis regresinya sangat nyata (P<0.273 . Model Growth.009 (Constant) 84987.. Model growth yang Analisis Regrei Non Linear Terapan dengan SPSS 73 .3. Ln Wt = Ln a + bt untuk model eksponensial dan Ln Wt =Lna + Lnbt . maka untuk setiap nilai t atau X tertentu nilainya sama atau ke tiga kurva ini berimpit.902 The dependent variable is ln(Bacillus subtilis).

β1X2 Model ini diterapkan untuk mempelajarti pertumbuhan organ. pada saat t = (b-√2c)/2c. pada waktu 0. jaringan atau bagain tubuh hewan.menarik adalah 2 Wt  e(a  bt  ct ) atau dapat ditulis Y  e (β0  β1X  β2X2) . maka rentangan waktu dibatasi sampai t = b/2c atau daerah fungsinya 0≤X≤b/2c.5/(2x0. jaringan atau bagaian tubuh tersebut berenti yaitu turunan pertama dari fungsi tersebut sama dengan nol. kecepat pertumbuhan mulai menurun atau mencapai titik belok yaitu turunan kedua dari fungsi tersebut sama dengan nol. dan bila t = b/2c.5X  0. Grafik Grwoth . maka pertumbuhan organ. dimana ukuran organ.1. Kurva Y  e (2  0.39.025) = 10 bulan dengan beratnya maksimun 90.025X 2) Y  e 2 Gambar 4. Model ini bila dipakai menggambarkan pertumbuhan sampai batas maksimum. jika yang dipelajari misalnya populasi bakteri pada suatu media maka kemungkinan jumlahnya akan menurun maka daerah fungsinya 0≤X≤∞ (  0. jaringan atau bagian tubuh pada saat t = 0 sebesar ea.Model ini dapat diubah menjadi model linier : Ln Y = β0+ β1X .025X 2) menunjukkan bahwa waktu 0 bulan beratnya adalah e2 = 7.3.5X  0.1 Analisis Regrei Non Linear Terapan dengan SPSS 74 .

masing-masing sebanyak 5 ekor. dalam penelitian ini digunakan itik jantan yang dipotong pada umur 0.2. 2.8 kg Sebagai contoh berat hati itik umur 0 (baru menetas) sampai umur 6 minggu. paka kolom Decimals ketik angka 0 dan pada kolom Label ketik Umur(Minggu) dan Berat Hati (Gram). Setelah dipotong ditmbang beratnya (gram) seperti Tabel berikut : Tabel 4. 2.8 bulan yaitu dengan berat 69.kg dan pertumbuhan berat mulai berkurang pada waktu (0.1. klik Variable View.025) = 6.3. maka muncul Gambar 4. 4 dan 6 Minggu Umur (Minggu) 0 2 4 6 Ulangan Berat Hati (Gram) 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 140 160 144 155 150 693 706 715 840 649 2255 1980 1675 1825 2245 2690 2281 2360 2150 2565 Panggil program SPSS. ketik X dan Y pada kolom Name.√0.3.025)/(2x0. Analisis Regrei Non Linear Terapan dengan SPSS 75 . Berat Hati Itik Jantan Umur 0.5. 4 dan 6 minggu.

ke dalam Gambar 4. Variable View Klik Data View maka muncul Gambar 4.2.3.3.3.3.1. salin data pada Tabel 4.3.3. Data View Analisis Regrei Non Linear Terapan dengan SPSS 76 . Gambar 4.3.3.Gambar 4.

4 Gambar 4. lalu klik Scatter/Dot.3. maka diperoleh hasil sebagai berikut : Graph Analisis Regrei Non Linear Terapan dengan SPSS 77 .Sebelum kita mencari persamaan garis regresinya. lalu klik Define. Kotak Dialog Simple Scatterplot Kelik Berat Hati (Gram)[Y] pindahkan dengan tanda ►ke Y Axis.3.4. lalu klik juga Umur(Minggu)[X] pindahkan dengan tanda ►ke X Axis. klik Graph. klik Simple Scatter. kita perhatikan dulu tebaran datanya. lalu klik Ok. maka muncul Gambar 4. pilih Legacy Dialogs.

klik OK. lalu klik All pada Function groups. dilengkapi dengan XX. klik Transfprm..5. lalu klik Ln pada Functions and Special Variables. dan pindahkan ke Numeric Expression.6. maka muncul Gambar 4. Analisis Regrei Non Linear Terapan dengan SPSS 78 . maka diperoleh Gambar 4. Kotak Dialog Compute Variable Ketik LnY pada Target Variable.3.Jadi dari Scatterplot dapat diduga persamaannya Y  e(β0  β1X  β2X2) . Kemudian ketik XX pada Target Variable dan ketik X**2 pada Numeric Expression. lalu klik Compute Variable.3.3.3. lalu ganti tanda Tanya dengan Y.5. untuk mencari persamaan. kita kembali ke Gambar 4.6.3. Gambar 4. lalu klik OK maka Gambar 4.3. cari/pilih.

3.7. maka muncul Gambar 4. pilih Regression. Kotak Dialog Linear Regression Analisis Regrei Non Linear Terapan dengan SPSS 79 .3.3.7: Gambar 4.Gambar 4. Data View Klik Analyze.6. klik Linear.

166 17 Residual F Sig.191 2 .000a .992 .10) /NOORIGIN /DEPENDENT LnY /METHOD=ENTER X XX.01) (lihat ANOVA. Regression Model Summary Model 1 R R Square .086 . XX. Predictors: (Constant). lalu pindahkan dengan tanda ►ke Dependent.413 . maka diperoleh hasil sebagai berikut : Syntax REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.565 . Umur (Minggu) ANOVAb Model 1 Sum of Squares df Mean Square Regression 24.993 . Kilk LnY.000 28.993 a.09888 a.092 -15.035 -. Error of the Estimate . lalu klik OK. Error 4. 115. Analisis Regrei Non Linear Terapan dengan SPSS 80 .05) POUT(..006 Standardized Coefficients Beta t Sig. Dependent Variable: LnY Kesimpulan hasil analisis menunjukkan bahwa koefesien korelasinya cukup besar yaitu 0.997 (lihat Model Sumary) bentu persamaannya sangat nyata (P<0.096 1236. XX.357 19 a.995 . lalu pindahkan dengan tanda ►ke Independent(s). 12.997a .043 .875 .993 Adjusted R Square Std.010 Total 24. klik Umur (Minggu)[x] dan XX.983 . Predictors: (Constant). Umur (Minggu) b. Dependent Variable: LnY Coefficientsa Unstandardized Coefficients Model 1 B (Constant) Umur (Minggu) XX Std.000 1.000 -1.

Untuk mengisa kolom Y klik Transform.3.086X ) persamaan 2 Y  e(4.0.983X . .01) lihat Coefficiens pada Sig 0.983X .000) dan koefesien garis regresinya sangat nyata (P<0.8.000.3. Ketik angka 0 sampai dengan angka 6 pada kolom X. maka muncul gambar 4.Sig 0. seperti Tampak pada Gambar 4.086X ) . kita kembali ke Data View. lalu klik Compute.9 Gambar 4. dan kolm Y dikosongkan saja.3.995  0.0.8 Data View Analisis Regrei Non Linear Terapan dengan SPSS 81 . Jadi persamaannya adalah Kita akan menggambar 2 Y  e(4.995  0.

983*X.Gambar 4.8 dilengkapi dengan angka .71828**(4.10 Kotak Dialog Difine Simple Line Analisis Regrei Non Linear Terapan dengan SPSS 82 .995+0.9.0. Kotak Dialog Compute Variable Ketik Y pada kotak Target Variable dan ketik 2.086*X**2) pada kotak Numeric Expression.3. Gambar 4. klik Ok maka kolom Y pada Gambar 4.3.3.

7 minggu dan kecepatan pertumbuhan mulai menurun atau mencapai titik belok pada umur t = (b√2c)/2c yaitu : (0.983X . klik Simple.086)/2x0. Jadi dapat disimpulkan berat hati itik mencapai maksimum pada umur 5.2 gram. dengan berat 2450. klk juga Umur (Minggu)[X] pindahkan dengan tanda ►ke kotak Category Axis.086X ) .983/2x0.7 minggu berat hati dianggap tetap tidak bertambah berat.3.086 = 5. yaitu umur : 0.086X 2) Perhatikan grafik diatas dengan persamaan 2 Y  e(4.983 .086 = 3. Klik kotak Other Statistic (e.0. lalu klik Ok. lalu klik Line.√2x0. persamaan ini berlaku untuk umur 0 – 5. lalu klik Berat Hati (Gram)[Y] pindahkan dengan tanda ►ke kotak Variable. Analisis Regrei Non Linear Terapan dengan SPSS 83 . memcapai maksimun pada t = b/2c. klik Graph.983X .g Mean).7 minggu. maka muncul gambar 4. setelah umur 5.0.2. pilih Legacy Dialog.Kembali ke Gambar 4. lalu klik Difine.8.995  0.7 minggu.995  0. maka diperoleh hasil sebagai berikut : Graph Y  e (4.3 minggu.10.

Yi) berlaku jika K>Yi. dengan nilai K telah kita tentukan. Grafiknya selalu cembung keatas (Gambar 4.6X Gambar 4.4. Kurva pertumbuhan Nt = K – Ce-kt atau Nt = K – ea-kt dapat di tulis dengan bentuk persamaan Yi= K – e(βo + β1Xi) . Analisis Regrei Non Linear Terapan dengan SPSS 84 .e(βo + β1Xi) atau Yi = K . sehingga Nt = Yi = K – Ce-kXi Persamaan garis regresi Yi = K – Ce-kXi memotong sumbu X di titik K – C yaitu merupakan ukuran awal atau ukuran saat lahir atau saat menetas dan merupakan ukuran maksimum yang dapat dicapai setelah deweasa tubuh.Yi) = Ln (e(βo + β1Xi) ) Ln (K .4 1). C = eβo k = -β1.Yi) = βo + β1Xi atau Ŷi = βo + β1Xi Data peubah tak bebas Y ditransformasi dengan bentuk Ln(K – Yi).4.4.1. maka diperoleh persamaan garis regresi : Yi = K . Grafik Logistik dengan Asimtot Datar y = 20.eβo e β1Xi . Y = 20 – 15e-0. serta memberikan koefisien korelasi (R) yang terbesardari persamaan garis regresi Ln (K . Model ini dapat diubah menjadi model linier dengan transformasi sebagai berikut : Ln (K . maka dapat diperoleh Nt = Yi.Yi) = βo + β1Xi Ŷi = βo + β1Xi Transformasi Ln(K . oleh karena itu untuk menduga nilai K dilakukan dengan mengambil suatu nilai yang lebih besar daripada Yi dan yang paling dekat dengan nilai Yi terbesar. Model Logistik.

3 80.0 108.3 (hanya tampak sebagian yaitu sampai umur 9.3 108.0 59.2 82.0 93.4.4.3 44.3 117.0 116. klik Variable View.7 83.7 104.1 Tabel Panjang Tubuh Babi Landrace Umur (Minggu) 0 3 6 9 12 15 18 21 Panjang Tubuh (Cm) Babi 1 2 3 4 5 24.3 44.7 24.7 108.0 44.3 24. seperti tampak pada Gambar 4.0 106.2 Variable View Ketik X dan Y pada kolom Namem ketik 0 dan 1 pada kolom Decimals dan ketik Umur(Minggu) dan Panjang Tubuh (Cm) pada kolom Label.3.0 59.0 108.7 92.4. Salin data pada Tabel 4.4. maka muncul Gambar 4.0 116.3.3 59.4. lalu klik Data View. umur 12.2 Gambar 4.0 92.1 ke dalam Gambar 4.7 44.0 59.4.0 81.0 104. 15.7 59. datanya sebagai berikut : Tabel 4.3 117 Panggi program SPSS. maka muncul Gambar 4.3 24. 18 dan 21 silahkan dilihat dengan tanda panah ke bawah) Analisis Regrei Non Linear Terapan dengan SPSS 85 .3 45.3 78.7 94.0 93.0 117.7 104 101.3 24.Sebagai contoh pertumbuhan panjang tubuh (cm) babi Landrace yang diamati sampai umur 21 minggu.3 108.4.

lklik Simple. maka mumcul Gambar 4.4.Data View Sebelum menentukan persamaan garis regresi sebaiknya kita buat dulu menyebaran datanya dalam scatterplot.3. klik Scatter/Dot. Gambar 4. Kotak Dialog Simple Scatterplot Analisis Regrei Non Linear Terapan dengan SPSS 86 .Gambar 4. klik Graphs pilih Legacy Dialogs.3.4.4.4.4. Kembali ke Gambar 4.4. klik Define.

maka muncul Gambar 4. nilai K = 205 Cm. yaitu panjang tubuh babi Landrace dewasa normal.4.Yi). pindahkan dengan tanda ►ke kotak X Axis. pindahkan dengan tanda ►ke kotak Y Axis Klik Umur(Minggu)[X].5 Analisis Regrei Non Linear Terapan dengan SPSS 87 . klik OK. klimk Compute Variable. maka diperolh hasil sebagai berikut : Graph Dari hasil plot datanya kita duga persamaannya : Y = K – ea-kx atau Yi= K – e(βo + β1Xi) .Yi) = βo + β1Xi.Klik Panjang Tubuh[Y]. Lakukan transformasi dengan jalan klik Transform. Jadi data panjang tubuh perlu ditransfprmasi dengan Ln (K . atau dalam bentuk linear Ln (K .

6. Analisis Regrei Non Linear Terapan dengan SPSS 88 .4. Kotak Dialog Compute Variable Ketik TY pada Target Variable dan Ketik LN(205-Y) pada Numeric Expression. EXECUTE.5.Gambar 4. klik Ok maka diperoleh hasil Gambar 4. Syntax COMPUTE TY=LN(205-Y).4.

4. Data View Lakukan analisis regresi-korelasi pada data yang telah ditransformasi pilih Regression.6.4.4.7. Linear muncul Gambar 4.Gambar 4.7. Gambar 4. Kotak Dialog Linear Regression Analisis Regrei Non Linear Terapan dengan SPSS 89 .

10) /NOORIGIN /DEPENDENT TY /METHOD=ENTER X. dengan koefesien korelasi ( R ) : 0. Predictors: (Constant). 2.506 .05) POUT(. maka diperoleh hasil analisis sebagai berikut : REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.Klik Umur(Minggu)[X].267 1 . Error of R Square Square the Estimate .000 a.000 46. Regression Model Summary Model R 1 .172 .991 t Sig.267 2129. 549. dan klik TY.035 .308 39 F Sig.982 .03263 a. Umur (Minggu) b. Predictors: (Constant).991a Adjusted R Std. pindahkan dengan tanda ►ke kotak Independents.991 Analisis Regrei Non Linear Terapan dengan SPSS 90 .982 .001 a. pindahkan dengan tanda ►ke kotak Dependent(s).001 Standardized Coefficients Beta -.000a . Umur (Minggu) ANOVAb Model 1 Sum of Squares Regression Residual Total df Mean Square 2.06 0 .127 .035X).147 . Dependent Variable: TY Coefficientsa Unstandardized Coefficients Model 1 B Std. Dependent Variable: TY Jadi persamaannya adalah : Y = 205 –e(5.009 Umur (Minggu) -.040 38 2. lalu klik OK.0. Error (Constant) 5.

8.4.035*X) pada Numeric Expression.127-0.0..4. klik Compute Variable.4. maka muncul Gambar 4. Kotak Dialog Compute Variable Ketik Y pada Target Varable dan ketik 205 –2.71828 ** (5.4.2. Gambar 4.4.8.71828**(5.Kita akan menggambar dalam grafik persamaan diatas. klik Ok. maka diperoleh hasil seperti Gambar 4. COMPUTE y=205. isi nilai X dari 0-45.127.035 * X) Gambar 4. Analisis Regrei Non Linear Terapan dengan SPSS 91 .8. Data View (hanya tampak sebagaian).3. dengan nilia Y dikosongkan. maka kita coba kembali ke Gambar 4. Klik Tranform.8.

9.9. klik Simple.0. Kotak Dialog Define Simple Line Klik Other statistic (e.127 .4.4.g. Klik Umur (Minggu)[X] pindahkan dengan tanda ►ke kotak Category Axis. klik OK maka diperoleh hasil sebagai berikut : Graph Y=205 –e(5. klik Line. klik Panjang Tubuh (Cm)[Y]. pindahkan dengan tanda ►ke kotak Variable.035X) Analisis Regrei Non Linear Terapan dengan SPSS 92 . pilih Legacy Dialog.Klik Graphs. klik Define. Gambar 4.mean). maka muncul Gambar 4.

kXi memotong sumbu Y di titik yaitu meruakan ukuran awal atau ukruan tubuh hewan saat lahir atau menetas dan A merupakan ukuran maksimum yang dapat dicapai. oleh karena itu untuk menduga nilai dilakukan dengan mengambil suatu nilai yang lebih besar daripada Yi dan yang paling dekat dengan Yi terbesar. serta memberikan koefisien korelasi (R) yang terbesar dari persamaan garis regresi A  Yi Ln( ______ ) Yi  β0  β1Xi Data peubah tak bebas Y ditransformasi dengan bentuk atau Ŷi = βo + β1Xi.kXi A _ Yi  _______ 1  be . maka diperoleh persamaan garis regresi : Yi  Α __________ ___ _ (β0  β1Xi) 1 e Disini b = eβo dan k = -β1 . Model Sigmoid Satu Parameter Ditentukan Model Sigmoid Wt A  ______ 1  be . Grafik persamaan ini cebung ke bawah (cekung) untuk 0≤X< dan cembung keatas untuk X> Lnb ____ k .4. Kecepatan maksimum atau titik infleksi dicapai pada nilai A y  ___ 2 Lnb ____ k Lnb X  ____ k yaitu merupakan ukuran optimum yang . Analisis Regrei Non Linear Terapan dengan SPSS 93 . A  Yi ) Ln( ______ Yi .kt Yi  dapat ditulis dengan persamaan sebagai berikut : Α __________ ___ _ (β0  β1Xi) 1 e Model sigmoid ini dapat diubah menjadi linier dengan transfprmasi sebagai berikut : A  Yi Ln( ______ )  Ln(eβ0  β1Xi ) Yi A  Yi )  β Ln( ______ 0  β1Xi Yi Transformasi A  Yi Ln( ______ ) Yi Ŷi = βo + β1Xi berlaku jika A>Yi. sehingga Persamaan garis regresi A ______ 1 b Wt A _  Yi  _______ 1  be . (Gambar 4).5. dengan nilai A telah kita tentukan.

1.8X A ______ 1  b Lnb ____ k Gambar 4. kemudian ditimbang berat kaskasnya. Grafik Sigmoid dengan Asimtoto Datar y = 20. Sebagai contoh berat karkas ayam broiler jantan yang diaamati dari umur 1 minggu sampai umur 10 minggu. Setiap minggu di potong 3 ekor ayam.1. Tabel 4.5.Y  20 __________ 1  5e 0.5. Berat Karkas Ayam Briler Jantan Umur (Minggu) 1 2 3 4 5 Ulangan 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 Berat karkas (Gram) 78 76 77 140 142 139 249 248 250 426 425 420 690 694 670 Analisis Regrei Non Linear Terapan dengan SPSS 94 .

lalu klik Variable View. maka muncul Gambar 4. maka muncul Gambar 4. Gambar 4.3. ketik Umur dan BKarkas pada kolom Name.5.4.1 kedalam Gambar 4.2.6 7 8 9 10 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1058 1057 1060 1476 1480 1488 1880 1883 1900 2215 2214 2230 2500 2448 2400 Panggil Program SPSS.2.. salin data pada Tabel 4. Analisis Regrei Non Linear Terapan dengan SPSS 95 . ketik angka 0 pada kolom Decimals dan pada kolom Label ketik Umur (Minggu) dan Berat Karkas (Gram). Variabel View Klik Data View.5.5.5.3.

3. yang memberikan koefisien korelasi (R) terbesar. dalam hal ini diperoleh hasil 2800 gram. pilih Compute. Data View Lakukan transformasi A  Yi ) Ln( ______ Yi pada data Gambar 4.5. dengan mengambil nilai A yang oaling dekat dengan nilai data terbesar.5. Analisis Regrei Non Linear Terapan dengan SPSS 96 .4. maka muncul Gambar 4.Gambar 4.3. Klik transfor.5.

maka muncul hasil seperti Gambar 4.5. Kotak dialog Compute Variable Ketik TY pada Target Variable dan ketik ln(((2800-BKarkas)/BKarkas)).5.Gambar 4. Analisis Regrei Non Linear Terapan dengan SPSS 97 .4.5. lalu klik Ok.

6 Kotak Dialog Linear Regression Analisis Regrei Non Linear Terapan dengan SPSS 98 . klik Linear. maka muncul Gambar 4.6. pilih Regression. Gambar 4. Data View Untuk mencari persamaan garis regresinya klik Analyze.5.5.5.Gambar 4.5.

Dependent Variable: TY Analisis Regrei Non Linear Terapan dengan SPSS 99 .Kelik Umur (Minggu)[Umur) pindahkan dengan tanda ►ke kotak Independent(s) Kelik TY pindahkan dengan tanda ►ke kotak Dependent .000a . 230. maka diperoleh hasil analisis sebagai berikut : Syntax REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.10) /NOORIGIN /DEPENDENT TY /METHOD=ENTER Umur. Regression Model Summary Model R R Square Adjusted R Square 1.173 . Umur (Minggu) b.681 .000 t Sig.999 Std. Umur (Minggu) ANOVAb Model 1 Sum of Squares df Mean Square Regression Residual Total 92. Predictors: (Constant).000 209.000 a. Error of the Estimate . Error 4. Predictors: (Constant).833 1 .002 a. Dependent Variable: TY Coefficientsa Unstandardized Coefficients Model 1 B (Constant) Umur (Minggu) Std.612 .059 28 92. 92.212 .833 43966. lalu klik OK.892 29 F Sig.04595 a.05) POUT(.018 -.000a 1 .003 Standardized Coefficients Beta -1.999 .279 .

Jadi Sigmoid adalah : Yi Yi A _  _______ 1  be .91e .0.7 Data View Ketik angka 0 sampai dengan angka 15 pada kolom X. sementara kolom Y dikosongkan dulu.173 .612X) 1 e  4. untuk mengisi kolom Y. dan Data View seperti Gambar 4.71828 Jadi Yi  Α __________ ___ _ (β0  β1Xi) 1 e . maka muncul Gambar 4.173 2.4.7 Gambar 4. lalu klik Compute.2.91  2800 __________ _____ 1  64.kXi atau Yi 2800 __________ _____ (4.0.8.4. nial b dapat dicari yaitu = 64. buat variable View seperti Gambar 4. klik transform. Ketik Y pada Target Vaeiable dan ketik 2800/ Analisis Regrei Non Linear Terapan dengan SPSS 100 .5.5.612X Kita coba gambar persamaan diatas.

Gambar 4.7. klik Simple.5.71828**(4. klik Define. Untuk menggambar.8. pilih Legacy Diaog.(1+2.612*X)) pada kotak Numeric Expession. mka kolom Y pada Gambar 4.173-0.5. kembali ke Gambar 4. klik Line.9 : Analisis Regrei Non Linear Terapan dengan SPSS 101 .5. maka muncul Gambar 4. klik Ok. klik Graph. Kotak dialog Compute Variable.7. dilengkapi dengan angka.5.

Gambar 4.91e .g. maka diperoleh hasil sebagai berikut : Graph Yi  2800 __________ _____ 1  64.0.mean). pindahkan dengan tanda ►ke totak Variable.612X Analisis Regrei Non Linear Terapan dengan SPSS 102 .5. klimOK.8. Klik Umur (Minggu)[X] pindahkan dengan tanda ►ke totak Category Axis. lalu klik Berat (Gram)[Y}. Define Simple Line Klik pada kotak Other Statistic (e.

sedangkan nilai C adalah 10 pangkat harga mutlak dari βo Ι β1 . jadi C  10Ι ___ (Gambar 5. yaiti ukuran saat awal (x =0) dan ukuram maksimum yang merupakan asimtot grafik tersebut. C adalah titik belok dan b adalah kecepatan perubahan ukuran peubah Yi pada saat Xi. maka nuilai (Y  D) b dapat dicari yaitu b = β1 . Model ini dapat diubah dalam bentuk dengan dtransformasi sebagai berikut :  Y Y (A  D) __________ X )b (1  (__ C .6. Disini : A adalah ukuran saat awal. dengan persamaan : (A  D)  __________ X )b (1  (__ C Y  D .D) (A  Y ) ______ (Y  D)   X )b (__ C X )b (__ C (A  Y) _____ Log ( _ ) (Y  D) X )b  Log (__ C (A  Y) _____ Log ( _ ) (Y  D) X )b  Log (__ C (A  Y) Log( _____ )  logCb  bLogX (Y  D ) Ŷi = βo + β1Xi Model ini dapat diselesaikan dengan jalan menentukan terlebih dahulu besarnya nilai A dan D. D adalah ukuran maksimum. dengan (A  Y) _____ Log ( _ ) dan terhadap peubah bebas X denagn Log(x). Model Sigmoid Dua Parameter Ditentukan Model Sigmoid dengan dengan dua parameter diketahui.D  D (A  D)  __________ X )b (1  (__ C (A  D) ______ (Y  D) X )b  1  (__ C (A  D) ______ (Y  D) X )b  1  (__ C (A  D) ______ (Y  D) - (Y . kemudian dilakukan transformasi terhadap peubah tak bebas Y.4.D) ____ ( Y .) βo ___ β1 Analisis Regrei Non Linear Terapan dengan SPSS 103 .

Datanya sebagai berikut : Tabel 4. 14  40 1  Gambar 4.1.81 X _____ ) ( 8. Sebagai contoh perubahan kandungan zat tertentu selama 9 hari. pada hari ke nol di ketahui kandungannya 8 satuan.6. Klik Variabel View.2.Y  (8  40) _ __________ 1.1 10.6. maka muncul Gambar 4.5 11 22 28 29 30 Panggil program SPSS.6. Grafik Sigmoid dengan A = 8 dan D = 40.1. dan maksimum kandungannya 40 satuan. Analisis Regrei Non Linear Terapan dengan SPSS 104 . Kandungan Zat Tertentu Selama 9 Hari Pengamatan Hari 1 2 3 4 5 6 7 8 9 Kandungan 10 10.2 10.

1 ke dalam Gambar 4. klik Simple Scatter. klik Define. lalu klik Data View. ketik 0 dan 1 pada kolom Decimal dan ketik Hari dan Kandungan Zat pada kolom Label.6. maka muncul Gambar 4. klik Scatter/dot.4. maka muncul Gambar 4.Gambar 4.3 Gambar 4. Data View Salin data pada Tabel 4.6.6.2. sebelum keta melakukan transformasi data ada baiknya kita plot dulu datanya dengan cara : klik Graph.6.3. pilih Legency Variable.6.3.6. Variabel View Ketik X dan Y pada kolom Name. Analisis Regrei Non Linear Terapan dengan SPSS 105 .

5. Analisis Regrei Non Linear Terapan dengan SPSS 106 . Kotak Dialog Simple Scatterplot Klik Kandungan Zat[Y]. maka muncul Gambar 4. lalu klik Hari{X}. pindahkan dengan tanda ►ke kotak X Axis.Gambar 4.4. pindahkan dengan tanda ►ke kotak Y Axis.6. kita lakukan transformasi dengan jalan : klik Y   D Transform. klik Ok maka diperoleh hasil sebagai berikut: (A  D) __________ X )b (1  (__ C Dari scatterplot kita duga persamaannya : Untuk mencari persamaan tersebut. lalu klik Compute Variable.6.

Gambar 4. lalu klik OK maka diperoleh hasil seperti Gambar 4. COMPUTE TY=LG10((8-Y)/(y-40)). Kotak Dialog Compute Variabel Ketik TX pada kotak Target Variabel dan ketik LG10(x) pada kotak Numeric Expression. dengan cara yang sama. lalu klik OK maka data X ditransformasi menjadi Log X (TX).6. Data View Analisis Regrei Non Linear Terapan dengan SPSS 107 . EXECUTE.6.6. Syntak COMPUTE TX=LG10(X). EXECUTE. Ketik TY pada kotak Target Variable dan Ketik LG10((8-Y)/(Y-40)).5. Gambar 4.6.6.

Gambar 4. klik linear.6. pindahkan dengan tanda ►ke kotak Dependent. lalu klik OK. Predictors: (Constant). TX Analisis Regrei Non Linear Terapan dengan SPSS 108 .Lakukan analisis regresi llinear.6. dengan cara klik Analyze. ilih Regression.42446 a. maka muncul Gambar 4.624 Std. lalu klik TY pindahkan dengan tanda ►ke kotakIndependent(s). Error of the Estimate .7.671 .7. maka diperoleh hasil analisis sebagai berikut : Regression Model Summary Model 1 R . Linear Regression Klik TX.819a R Square Adjusted R Square .

814 TX.819 Sig. Dependent Variable: TY . . -5. TX b. Dependent Variable: TY Coefficientsa Unstandardized Coefficients Standardized Coefficients Model B 1 -1. Error Beta t .6542/1.14. dapat dicari : b = 1. Jadi : Y  ( 8  40) _ __________ 1. kemudian klik Data View. Analisis Regrei Non Linear Terapan dengan SPSS 109 .8 1 X ( _____ ) 8.14  40 1  Untuk menggambar.002 3.261 7 .8. persamaannya adalah : TY = -1.652 .830 8 F Sig.814 a.480 (Constant) Std. kolom Y kosongkan dulu.ANOVAb Model 1 Sum of Squares df Mean Square Regression 2.6.819 dan ANOVA menunjakkan persamaan garis regresinya sangat nyata (P<0.569 1 2.329 TX 1.01). kita buat Varabel View seperti Gambar 4.6.614│=100.2 yaitu Gambar 4.81 dan c = 10│-1.910695 = 8.258 a. Predictors: (Constant).180 Total 3. maka persamaan Y (A  D)  __________ X )b (1  (__ C  D .007 Hasil analisis menunjukkan nilai R yang diperoleh sebasar 0.652 + 1.569 Residual 1.776 .025 .007a 14. ketik pada kolom X angga 0 sam 40.

6.6.9. Analisis Regrei Non Linear Terapan dengan SPSS 110 .8 Data View Klik Tranform.Gambar 4. klik Compute Varable. maka muncul Gambar 4.

10. EXECUTE.6.6. maka muncul Gambar 4. maka kotak Y pada Gambar 4. klik Simple. klik Define. Syntax COMPUTE Y=(8-40)/(1+((X/8. lalu klik OK. klik Line.8. pilih Legacy Variabel. dilengkapi dengan angka.14)**1.81)**1.Gambar 4.9.81))+40. Analisis Regrei Non Linear Terapan dengan SPSS 111 .6.81))+40. Klik Graph. Kotak Dialog Computer Variable Ketik Y pada Target Variable dan ketik (8-40)/(1+((x/1.

14  40 1  Analisis Regrei Non Linear Terapan dengan SPSS 112 . klik OK maka dioperoleh hasil sebagai berikut : Graph Y  ( 8  40) _ __________ 1.6.10 Kotak Dialog Define Simple Line Klik kotak Other statistic (e. lalu klik Kandungan Zat{Y}. pindahkan dengan tanda ►ke kotak Variable. 81 X ( _____ ) 8.g.Gambar 4. Klik Hari{X}. pindahkan dengan tanda ►ke kotak Category Axis.mean).

+ Ln a. maka nilai b tidak nyata (P>0. Model Pertumbuhan Alometri. jika nilai tH < t Tabel (α= 0. disini Y adalah ukuran bagian tubuh dan X adalah ukuran tubuh keseluruhan.7.2 Y2 = 2X1. lihat Gambar 5. bila b=1 maka garis regresi akan linier yaitu Y = aX.7182βo dan b = β1 Persamaan garis rergesi ini selalu melalui titik (0. Pengujian terhadap nilai b dapat dilakukan dengan rumus tH = ‫׀‬ b  1 ____ Sb ‫׀‬. Model Pertumbuhan Alometri Y = aXb .025). Perbandingan kecepatan pertumbuhan bagian tubuh tersebut adalah : dy ___ y : dx ___ x Intergralnya : = k2 : k1. dy ___ y  Jika k2 : k1 = b maka dx  b ___ x dy ___ y =b dx ___ x adalah : LnY = b LnX persamaannya adalah LnY = Ln a + b LnX atau Y = aXb . Model ini dapat dijelaskan sebagai berikut : jika suatu bagian tubuh tumbuh mengikuti persamaan eksponensial dengan persamaan X = C1ek1t dan bagian tubuh lain mengikuti persamaan Y = C2ek2t atau dalam bentuk linier LnX = LnC1 + k1t dan LnY = LnC2 + k2t. Deferensialnya adalah : dx ___  k1 dt x dan dy ___ y  k2dt . untuk x>0 selalu diatas sumbu X dan selalu naik. b adalah koefisien pertumbuhan dan a adalah konstanta yang menunjukkan besarnya perbandingan antara bagian tubuh dengan tubuh keseluruhan.7. Y1 = 2X1. maka a = 2. jadi Jadi persamaan garis regresinya adalah : Ŷi = βo + β1Xi.4.0 Y3 = 2X0. Bila b>1 kurvanya selalu cembung kebawah (cekung) dan sebaliknya bila b<1 kurvanya selalu cembung ke atas.05) lebih besar atau lebih Analisis Regrei Non Linear Terapan dengan SPSS 113 .1. Grafik Pertumbuhan Alometri dengan nilai b yang berbeda. 0).8 Gambar 4. .

0 141.0 36.5 32.1.2 37.0 54.0 32.2 Analisis Regrei Non Linear Terapan dengan SPSS 114 .2 155.4 34.1 33.3 33.0 Panjang keselurahan 148.2 29.0.5 56.5 39.8 51.0 30.5 33.3 32.05) lebih besar atau lebih kecil dari 1.0 153. maka muncul Gambar 4.0 31.0 36.0 127.0 35.0 35.0 40.7.7 142.5-1.8 148.0 31.0 31.5 33.8 30.0 43.0 151.025).0 28.0 40.5 161.0.0 33.5 28. Ukuran Dimensi Panjang (Cm) Sapi Bali Jantan Umur 0.0 30.6 29.0 32.0 62.1 152.4 56.0 31.0 38.0 26.0 45. 4.0 49.0 52.4 38.2 150.5 tahun.0 36.0 33.7 153.0 28.7 58.3 34.5 Tahun Sapi Minggu Panjang Kepala Panjang Leher 1 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 32.7 32.9 33.0 50.0 156.0 40.8 55.6 54.5 158.5 150.0 Panjang Tubuh Belakang 30.7.8 30.2 156.6 32.0 40.0 41.5 50.5 49.0 25.0 31.0 38.5 33.0 Panggil Program SPSS.2 37.0 52. sebaliknya jika tH ≥ t Tabel (α= 0.2 49.0 31.0 35.5 51.5 30.0 30.7 135.9 151.0 147.0 38. sebanyak 10 ekor yang diukur 3 kali setiap minggu datanya sebagai berikut : Tabel.0 30.0 32.2 33.0 39.2 34.0 32.4 51.0 34.6 157.6 32.kecil dari 1.2 49.0 2 3 4 5 6 7 8 9 10 Panjang Tubuh Depan 51.2 38.0 35.5 30.0 33.5 167.0 29.2 160.9 160.0 43.0 37.0 29.2 51.5 39.5 32. Klik Variabel View.7 160.5 33. maka nilai b nyata (P<0.4 184.5 34.7 36.0 54.0 41.4 48.0 165.0 32.4 54.8 152.0 44.0 38.0 60.0 27.2 34.0 35.0 38.0 40.1 31.6 50.8 154.0 29.0 54.51.0 31.5 40.5 174.6 32.7 41.0 126.2 29. Sebagai contoh pertumbuhan alometri dimensi panjang sapi Bali jantan umur 0.

Minggu. Panjang Leher (Cm).7.3 Analisis Regrei Non Linear Terapan dengan SPSS 115 . pada kolopm Decimal ketik 0 pada baris Sapid an Minggu. Variabel View Ketik Sapi. Panjang Tubuh Belakang (Cm) dan Panjang Tubuh Keseluruhan.2. PTB dan X pada kolom Name. PL.Gambar 4. sedangkan yang lain ketik1. PK.7. Minggu. Kelik Data View maka muncul Gambar 4. Panjang Tubuh Bagian Depan (Cm). Panjang Kepala (Cm). pada kolom Label ketik Sapi. PTD.

7.3.1 ke dalam Gambar 4. maka muncul Gambar 4.7.7.3. setelah semua di ketik. seperti tampak pada Gambar 4.Gambar 4.7.4. lakukan transformasi Ln.3. dengan cara klik Transform. Data View Lengkapi atau salin data pada Tabel 4.7. Analisis Regrei Non Linear Terapan dengan SPSS 116 . Compute Variable.

EXECUTE. EXECUTE.5 Syntax COMPUTE LPK=LN(PK). Compute Variable Ketik LPK pada kotak Target Variable dan ketik LN(PK) pada Numeric Expression. lalu klik OK Ketik LPTD pada kotak Target Variable dan ketik LN(PTD) pada Numeric Expression. COMPUTE LPTD=LN(PTD). COMPUTE LPTB=LN(PTB). EXECUTE.7.Gambar 4. maka diperoleh hasil Gambar 4. maka data telah ditransformasikan ke Ln. EXECUTE.7. lalu klik OK Ketik LX pada kotak Target Variable dan ketik LN(X) pada Numeric Expression. dengan cara yang sama : Ketik LPL pada kotak Target Variable dan ketik LN(PL) pada Numeric Expression. Analisis Regrei Non Linear Terapan dengan SPSS 117 . lalu klik OK.4. COMPUTE LPL=LN(PL). lalu klik OK Ketik LPTB pada kotak Target Variable dan ketik LN(PTB) pada Numeric Expression. COMPUTE LX=LN(X). lalu Klik OK. EXECUTE.

klik Linear.5 Data View Setelah semua data ditransformasikan ke Ln. pilih Regressioan. klik Analyze. maka lakukan analisis regresi. maka muncul Gambar 4.7.7.Gambar 4.6 Analisis Regrei Non Linear Terapan dengan SPSS 118 .

kilk OK. klik OK. LX Adjusted R Square .03735 Analisis Regrei Non Linear Terapan dengan SPSS 119 .802 Std. Dengan cara yang sama ganti LPK dengan LPL.7.Gambar 4. lalu klik Ok. pindahkan denga tanda ►ke kotak Independent(S).6.809 a Predictors: (Constant). klik OK dan terakhir ganti LPTD dengan LPTB. maka diperoleh hasil analisis. ganti LPL dengan LPTD. maka diperoleh hasil sebagai berikut : Regression Model Summary R Model R Square 1 .899(a) . Error of the Estimate . Linear Regression Klik LX. lalu klik LPK pindahkan dengan tanda ►ke kotak Dependent.

389 Sig.039 Total . B Error 1 (Constant) -1.189 a Predictors: (Constant). Beta . LX b Dependent Variable: LPL df 1 28 29 Mean Square .078 10. .661 Sig.811 .444 LX .005 . LX b Dependent Variable: LPK df 1 28 29 Mean Square .05036 ANOVA(b) Model Sum of Squares 1 Regression .790(a) .962 .599 .610 Std. Error .000(a) Coefficients(a) Unstandardized Coefficients Model Standardized Coefficients t 1 (Constant) LX B -. -3.893 .165 .811 Std. . LX Adjusted R Square .731 6.088 a Dependent Variable: LPK Model Standardized Coefficients t Sig.071 Total .119 Sig.438 .367 .790 -.205 a Predictors: (Constant).000(a) Coefficients(a) Unstandardized Coefficients Std.624 a Predictors: (Constant).ANOVA(b) Sum of Model Squares 1 Regression .899 Regression Model Summary Model R R Square 1 .118 .165 Residual .000 Beta .471 .000 a Dependent Variable: LPL Analisis Regrei Non Linear Terapan dengan SPSS 120 . Error of the Estimate .003 F 46.118 Residual .001 F 118.

734 Sig. LX Std.03109 a Predictors: (Constant).932(a) .829 .823 a Predictors: (Constant).298 df 1 28 29 Mean Square .910(a) .051 .000 Regression Model Summary Adjuste Std.650 . Beta . Error of the Estimate . Error Mod R dR of the el R Square Square Estimate 1 .04265 ANOVA(b) Model 1 Regression Residual Total Sum of Squares .175 a Dependent Variable: LPTD 1 Std. LX b Dependent Variable: LPTD Coefficients(a) Model Unstandardized Coefficients Standardize d Coefficients t B (Constant) -1.000(a) a Predictors: (Constant).247 . .247 .Regression Model Summary Mod R Adjusted R el R Square Square 1 . LX Analisis Regrei Non Linear Terapan dengan SPSS 121 .864 .969 LX 1.101 Sig.002 F 135.001 .910 -3.507 . Error .882 11.868 .

ANOVA(b)
Model
1

Regression
Residual
Total

Sum of
Squares
.179
.027
.206

df
1
28
29

Mean
Square
F
.179 184.699
.001

Sig.
.000(a)

a Predictors: (Constant), LX
b Dependent Variable: LPTB
Coefficients(a)
Unstandardized
Coefficients

Model

Standardized
Coefficients
T

1

(Constant)
LX

B
-1.585

Std. Error
.370

.999

.073

Sig.

Beta
-4.287
13.59
.932
0

.000
.000

a Dependent Variable: LPTB
.
Dari hasil analisis kita bisa mencarui nilai a dari persamaan : Y = aXb
, rumus a = ebo = 2.71828bo , hasilnya pada table di bawah ini, demikian juga untuk nilai
b terhadap satu dengan menggunakan rumus : t Hitung = (b -1)/Sb, hasilnya disajaikan
pada tabel dibawah ini

Analisis Regrei Non Linear Terapan dengan SPSS

122

Peubah
Panjang Kepala
Panjang Leher
Panjang Tubuh
Depan
Panjang Tubuh
Belakang

b0
-1.367
-0.438

a
b
Sb
0.255 0.962 0.088
0.645 0.811 0.119

R
0.899
0.790

t
Hitung
T Tabel
tn
0.432 2.048 2.763
1.588tn 2.048 2.763

-1.969

0.140 1.176 0.101

0.910

1.743tn 2.048 2.763

-1.585

0.205 0.999 0.073

0.932

0.014tn 2.048 2.763

Keterangan :
tn : Tidak nyata (P>0,05) lebih besar atau lebih kecil dari pada 1
Persamaanya adalah :
Panjang kepala

: Y1 = 0.255X0.962

Panjang Leher

: Y2= 0.645X0.811

Panjang Tubuh Depan

: Y3 = 0.140X1.176

Panjang Tubuh Belakang : Y4 = 0.205X0.999
Kita mencari nilai dari Y1, Y2, Y3, dan Y4, dengan membuat data View seperti
Gambar 4.7.7

Gambar 4.7.7 Data View.

Analisis Regrei Non Linear Terapan dengan SPSS

123

Ketik angka 25 sampai dengan 200 (range data X) pada kolom X, untuk mengisi
kolom Y1, Y2, Y3, dan Y4, klik Transform, lalu klik Compute Variable, maka muncul
Gambar 4.7.8.

Gambar 4.7.8. Compute Variable
Ketik Y1 pada Target Variable dan ketik 0.255*X**0.962, lalu klik OK, maka kolom Y1
dilengkapi, dengan cara yang sama kolom Y2, Y3 dan Y4 dilengkapi pula :
Syntax
COMPUTE Y1=0.255*X**0.962.
EXECUTE.
COMPUTE Y2=0.645*X**0.811.
EXECUTE.
COMPUTE Y3=0.140*X**1.176.
EXECUTE.
COMPUTE Y4=0.205*X**0.999.
EXECUTE.
Untuk menggambar kita harus membuat Variabel View baru, seperti Gambar 4.6.9

Analisis Regrei Non Linear Terapan dengan SPSS

124

maka muncul Gambar 4.10. ketik atau copy datanya.7.9.7.11 Analisis Regrei Non Linear Terapan dengan SPSS 125 .Variable View Klik None pada pada baria Y dan kolom Value. Kotak dialog Value label Ketik angka 1 pada kotak Value dan Panjang Kepala pada kotak Label.7. seperti Gambar 4.7. lalu klik Add Ketik angka 3 pada kotak Value dan Panjang Tubuh Depan pada kotak Label. klik OK Klik Data View.Gambar 4. lalu klik Add.10 Gambar 4. lalu klik Add Ketik angka 4 pada kotak Value dan Panjang Tubuh Belakang pada kotak Label. lalu klik Add Ketik angka 2 pada kotak Value dan Panjang Leher pada kotak Label.

7. klik Define.12 Analisis Regrei Non Linear Terapan dengan SPSS 126 .11 Data View Untuk menggambar klik Graph. maka muncul gambar 4.7. klik Multiple.Gambar 4. pilh Legency Dialog klik Line.

Gambar 4.12 Kotak dialog Define Multiple Line Klik Panjang bagian tubuh. pindahkan dengan tanda ►ke Define Lines by. klik Bagian Tubuh [Y].7. klik Panjang Tubuh Keseluruhan (Cm). pindahkan dengan tanda ►keVariable. pindahkan dengan tanda ►ke Category Axis. klik Ok maka diperoleh grafiknya : Graph Analisis Regrei Non Linear Terapan dengan SPSS 127 .

MODEL PERSENTASE Hail pengukuran hasil penelitian sering diperoleh data dalam satuan persentase. tujuan yang lebih penting adalah membuat model-model yang tak linier dalam para meternya menjadi linier (Hosmer dan Lemeshow. 1982. disamping menghomogenkan ragam dan memperbaikan kenormalan data. 1989). dengan rataan np. Analisis Regrei Non Linear Terapan dengan SPSS 128 . Persamaan garis regresi dalam bentuk sinus mempunyai daerah antara 0% sampai dengan 100%. untuk p =1. Kurva Sinus yaitu y = Sin x mempunyai wilayah fungsi atau range -1≤y≤-1. Steel dan Torrie. 2. Peubah X bisa berupa persamaan polinom berderajat p (p = 1. sehingga fungsi y = (Sin x)2 mempunyai wilayah fungsi 0≤y≤1 atau dalm bentuk persen 0% sampai dengan 100% (0≤y≤100. maka respons yang diinginkan dalam satuan persentase berkisar antara 0% sampai dengan 100%. Dalam analisis regresi-korelasi transformasi data. Tranformasi ArcSin √Y%. Jadi keragaman antar perlakuan akan sebanding dengan rataannya.V.. dan keragaman np(p-1). disini n adalah jumlah sampel dan p adalah peluang suatu kejadfian atau persentase kejadian. persamaannya menjadi Y = [Sin (b0 + b1X + b2X2)2] x 100% dan seterusnya.……) . Pemilihan derajat dapat dilakukan dengan jalan melakukan ploting data yang telah ditransformasikan dengan ArcSin √Y% atau melakukan Stepwise Regresion (Rawling. secara teoritis kebanyakan kisaran persentase dari 0% sampai dengan 100% (0≤Y≤100). Jadi jika kita memberikan suatu perlakuan khususnya perlakuan kuanditatif. maka persamaannya menjadi Y = [Sin (b0 + b1X)2] x 100%. bila rataan meningkat maka keragaman juga meningkat. 1984). Data yang mengikuti sebaran binom bila ditransformsi dengan ArcSin √Y%. maka sebarannya akan berubah menjadi sebaran normal atau mendekati sebaran normal dan ragam antar perlakuan menjadi homogen (Hicks. sehingga peneliti tidak tersesat dalam melakukan pendugaan. demikian juga untuk p = 2. 3. 1988). persentase telur yang menetas dan sebagainya. Data dalam pengukuran persentase umumnya mengikuti sebaran binom. atau dalam persamaan x = ArcSin √Y%. Jadi persamaan ini sangat baik untuk menduga respons hasil penelitian dalam satruan persentase. sebagai contoh persentase kematian. sebaliknya jika rataan menurun maka keragaman juga menurun. sehingga y = (Sin x)2 x 100%.

contoh persamaannya untuk p = 1dapat dilihat pada Gambar 8. Y = [(Sin(30 + 10X)]2x100% Gambar 5.2. dan untuk p=2 dapat dilihat pada Gambar 9. Grafik Sinus untuk p=2.1.. Analisis Regrei Non Linear Terapan dengan SPSS 129 . Y = [Sin(30 + 35X – 5X2)]2x100% Gambar 5. Grafik Sinus untuk p=1.

Variabel View Ketik Penyimpanan.3. Ulangan dan Mortalitas pada kolom Name. Data Mortilitras Semen selama Penyimpanan (Jam) Lama Penyimpanana (jam) 0 12 24 36 48 60 72 84 1 Ulangan 2 3 90 86 86 85 80 70 60 30 90 88 85 84 61 70 66 26 90 88 86 84 80 71 61 31 Panggil Program SPSS. maka muncul Gambar 5. Analisis Regrei Non Linear Terapan dengan SPSS 130 .3 Gambar 5.. Kelik Data View maka muncul Gambar 5.Sebagai contoh Mortilitas(%) semen selama penyimpanan 84 jam Tabel 5. Ulangan dan Mortalitas (%).4.1. pada kolom Label ketik Lama Penyimpanan (Jam). Klik Variabel View. pada kolom Decimal ketik.

lakukan transformasi ArcSin √Y% . seperti tampak pada Gambar 5.Gambar 5. Data View Lengkapi atau salin data pada Tabel 5. Compute Variable. dengan cara klik Transform..5.1 ke dalam Gambar 5.4.4. maka muncul Gambar 5.4. setelah semua di ketik. Analisis Regrei Non Linear Terapan dengan SPSS 131 .

maka data telah ditransformasikan ke ArcSin √Y% Syntax COMPUTE TMortilitas= ARSIN(Sqrt(Mortilitas/100))*180/3.Gambar 5. Hasilnya transformasinya dapat dilihat pada Gambar 5.6 Analisis Regrei Non Linear Terapan dengan SPSS 132 . lalu Klik OK.14 Numeric Expression.5. EXECUTE. Compute Variable Ketik TMortilitas kotak Target Variable dan ketik ARSIN(Sqrt(Mortilitas/100))*180/3.14.

6 Analisis Regrei Non Linear Terapan dengan SPSS 133 . Data View Hasil Transformasi Hubungan antara lama penyimpanan dengan Mortilitas yang telah transformasi mungkin saja linier. maka muncul Gambar 5. lalu klik Curve Estimation. adapun prosedur dan hasilnya sebagai berikut : Klik Analyze. dari plot data di temukan berbentuk kobik. Regression.5.Gambar 5. kuadratik atau kubik dan setrusnya.

10276 -.Gambar 5.161 3 1146.00297 2.692 . -.01181 .000 The independent variable is Lama Penyimpanan (Jam).592 23 Sig. ANOVA Sum of Squares Regression Residual Total df Mean Square F 3440. Coefficients Unstandardized Coefficients B Lama Penyimpanan (Jam) Lama Penyimpanan (Jam) ** 2 Std. Error of the Estimate . Curve Estimation Pindahkan TMortalitas ke Indevendent(s) dan Lama penyimpanan ke Variable Klik atau kasi tanda V pada Cubic dan Display ANOVa Table.37937 .339 .001 Analisis Regrei Non Linear Terapan dengan SPSS 134 .720 57.864 -3.972 .872 3497.6. Error Standardized Coefficients Beta t Sig. 399.695 The independent variable is Lama Penyimpanan (Jam).001 . lalu klik OK.992 Std. maka diperoleh hasil sebagai berikut (hasil hanya sebagaian ditampilkan Cubic Model Summary R R Square Adjusted R Square .431 20 2.984 1.981 .350 3.

864 -3. Coefficients Unstandardized Coefficients B Std.916 .925 77.431 20 2. Error Standardized Coefficients Beta t Sig.000 71.992 Std.692 .10276 -.984 1.000 The independent variable is Lama Penyimpanan (Jam).001 Lama Penyimpanan (Jam) ** 3 -. Lama Penyimpanan (Jam) -.695 The independent variable is Lama Penyimpanan (Jam).37937 . 399.00002 -2.592 23 Sig.745 .520 .981 . ANOVA Sum of Squares Regression Residual Total df Mean Square F 3440.872 3497.Model Summary R R Square Adjusted R Square .000 (Constant) Analisis Regrei Non Linear Terapan dengan SPSS 135 .339 .161 3 1146.00015 . Error of the Estimate .720 57.519 -6.

Analisis Regrei Non Linear Terapan dengan SPSS 136 . pada kolom Y dikosongkan dulu. Untuk menggambar sesuai dengan data aslinya lakukan langkah sebagai berikut : Panggil Program SPSS.Dari hasil analisis diperoleh persamaan dalam bentuk transformasi ArcSin √Y%. ketik pada kolom X (Variabel X) angka 0 sampai dengan 88.7. maka kita kembalikan sebelum transformasi persamaannya menjadi sebagai berikut : Y =(Sin(71.916 – 0.916 – 0. yaitu Y = 71. maka muncul Gambar 5. Ketik X dan Y pada kolom Name dan Lama Penyimpanan (Jam) dan Mortilitas (%) pada kolom Label Gambar 5.01181X2 – 0. Klik Variabel View.00015X3 Grafik yang diinginkan peneliti biasanya dalam bentuk data aslinya (sesungguhnya).8.37937X + 0.01181X2 – 0. Variable View Klik data View. maka muncul Gambar 5.37937X + 0.00015X3))2 x 100%.7.

kolom Y telah dilengkapi Analisis Regrei Non Linear Terapan dengan SPSS 137 .Gambar 5. Klik Compute Variable.14) * 100. Kemudian klik OK OK.8. maka muncul Gambar 5.01181 * X ** 2-0. maka muncul Gambar 5.8 Data View Sedangkan untuk kolom Y (Variabel Y) klik Transform.9 Ketik Y pada Target Variable dan pada Numeric Expretion ketik SIN((71.916-0.00015 * X ** 3)/180*3.37937 * X+0.

9. Klik Difine. Simpli. pilih dan klik Line.Gambar 5. maka muncul Gambar 5.10 Gambar 5. Compute Variable Gambar grafik antara X dengan Ym klik Graphs.10 Kotak Dialog Difene Simple Line Analisis Regrei Non Linear Terapan dengan SPSS 138 .

Analisis Regrei Non Linear Terapan dengan SPSS 139 . klik Ok atau Enter maka diperoleh Gambar grafiknya Graph Y = (Sin(71.916 – 0.Klik Others Statistic. lalu pindahkan Y ke Variable dan X ke Category Axis.37937X + 0.00015X3))2 x 100%.01181X2 – 0.

I P.V. D. Pola Pertubuhani Dimensi Panjang dan Lingkar Tubuh Babi Landrace. North Carolina State University Wadawart & Brooke. Hal : 41-44 Sampurna. Gramedia. 1999. Maret. S. Database Jurnal Ilmiah Indonesia ISJD-LIPI Sampurna.revoledu. Logistic Regression. Pertumbuhan Alometrik Bagian-bagian Tubuh Itik Bali.R. Webmaster Teknomo. Second edition. P dan Nindhia. P. Statiatik 4 Life-Beta (2009) Regresi Logistik http://statistik4life. IPB Bogor. Sampurna.W. New York. Pusat antar Universitas Pangan dan Gizi. Englewood Cliffs. Jurusan Biologi.com\kardi\ tutorial\Regression\NonLinear\ Rawlings. Penerbit PT Elex Media Komputindo. Pretice-Hall.Ed.1 Pebruari 2011 Singgih Santoso. Richard. SPSS versi 10.com/2009/12 / regresi. Mengolah Data Statistik secara Professional. T.VI. Cetakan Pertama Mei 2008 vii+239hlm.html Analisis Regrei Non Linear Terapan dengan SPSS 140 . I P. http:\people. Applied Logistic Regression. 55/DIKTI/Kep/2005.blogspot. Schort. and M.. Statistic with Application to the Biological and Health Science. Lemeshow.S.5 cm Sampurna. 1989.2008. Pakultas Peternakan. P dan Suata.1. 1989. 2001. Majalah Ilmiah Peternakan. 2011. Last modified February 12. Depdikbud. Bogor Sampurna.logistik. and S. ISSN : 1411-8327. Volume 14 No. John Willy & Sones.O. 1988 Applied Regression Analysis. Unud. P. 16x21. Pola Pertumbuhan Organ dan Bagian Tubuh Ayam Broiler. Kardi. 2008. DAFTAR PUSTAKA Fardiaz. ISBN:978-979-8286-40-7. D. J. Z. K. Jurnal Biologi Universitas Udayana. `2008 Analisis Data Dengan SPSS dalam Rancangan Percobaan. New Jersey. Pacific Grove. Tesis Pasca Sarjana Statistika Terapan IPB. Dirjen Pendidikan Tinggi. I K. 2008. Analisis Mikrobiologi Pangan. Non-Linear Transformation for Regression. Akreditasi Dikti No. 2008. Hosmer. 2009. Udayana University Press. Jurnal veteriner 9:. Jakarta. 1992. 1985. Pertumbuhan Alometri Dimensi Panjang dan Lingkar Sapi Bali Jantan. Inc. dan Menia.A. California. Suata. Larsen. A Research Tool.

Torrie.org/wiki/Regresi_logistik Analisis Regrei Non Linear Terapan dengan SPSS 141 . Principles and Prosedures of Statistics.H. R G D and J. A Biometrical Approach. Wikipedia (2011) Regresi Logestik http://id. .wikipedia. Grow Hill Tokyo. 1984. Acond Ed. Mc.Steel.