Professional Documents
Culture Documents
Jurnal Desy Sofita EDIT
Jurnal Desy Sofita EDIT
Abstract
Regression analysis is a measuring instrument used to determine the effect of independent variables on the
dependent variable. In general, there are two kinds of regression, it is linear regression and nonlinear
regression. Non-linear regression is a regression analysis method to obtain non-linear model of articles used to
determine the relationship between the dependent variable and independent variables. One of the non-linear
regression analysis is an exponential regression. In the exponential regression analysis, parameter estimation
performed using ordinary least squares (OLS). This method is used when the dependent variable is
exponentially distributed and exponential regression is included in the intrinsic linear model that can be
expressed as a nonlinear regression become a linear regression through the appropriate transformation. This
study aims to determine the exponential regression model to the data of population and births in East
Kalimantan in 1992-2013. Based on the research results, obtained that the exponential regression function
^ −0 ,138 X
model of the population and births in East Kalimantan in year 1992 to 2013 that is : Y=4,522⋅e .
Based on the model can be interpreted that if the obtained results remain without influence of the large number
of people born in that year amounted to 4.522.000 million people, and if there was an additional one thousand
inhabitants, the number of people each year will experience exponential increase in the amount of 871.098
inhabitants in East Kalimantan
Keywords: Birth, exponential regression, number of inhabitants, ordinary least square (OLS),
memodelkan pertumbuhan makhluk hidup yang Analisis regresi sederhana, variabel terikat Y
berkaitan dengan angka pertumbuhan (pertambahan tergantung hanya pada satu variabel saja,
atau penurunan), pertumbuhan penduduk di masa sedangkan dalam regresi berganda variabel terikat
yang akan datang mengikuti model eksponensial Y tergantung pada dua atau lebih variabel bebas X.
dan sering dipergunakan untuk meramalkan jumlah Garis regresi merupakan garis yang
penduduk, pendapatan nasional, produksi, hasil menghubungkan rata-rata Y dengan seluruh
penjualan dan kejadian lain yang pertumbuhannya kemungkinan nilai-nilai X. Variabel bebas X adalah
secara cepat (geometris). Tingginya jumlah variabel yang nilainya dapat ditentukan, sedangkan
penduduk saat ini sangat dipengaruhi oleh adanya variabel terikat Y adalah suatu variabel sebagai
faktor kelahiran, migrasi dan kematian. akibat dari perubahan yang terjadi pada variabel
Penelitian yang telah dilakukan mengenai bebas.
Analisis Regresi Non Linier pada Data Jumlah Bentuk umum persamaan regresi sederhana adalah
Penduduk dan Kelahiran di Kalimantan Timur Pada Y i= β0 +β 1 X i +εi ;i=1,2,...,n
(1)
Tahun 1992-2013 yaitu analisis regresi
Sedangkan persamaan untuk regresi berganda
eksponensial yang bertujuan untuk mengetahui
adalah:
model regresi eksponensial yang menyatakan
pengaruh jumlah penduduk kelahiran terhadap Y i=β0 +β 1 X 1i + β2 X 2i +....+β k X ki +εi ;i=1,2,...,n
(2)
jumlah penduduk di Kalimantan Timur pada Tahun Dimana:
1992-2013. Batasan yang diambil dalam penulisan Yi : Variabel terikat untuk observasi ke-i
penelitian ini meliputi model regresi yang βj : Parameter model regresi j:0,1,2,...,k
digunakan adalah model eksponensial sederhana, Xi : Variabel bebas ke-i
variabel X yang digunakan adalah jumlah kelahiran εi : Residual
penduduk di Kalimantan Timur, dan data yang k : Banyaknya variabel bebas
digunakan adalah data jumlah kelahiran dan jumlah (Sembiring, 1995)
penduduk di Kalimantan Timur tahun 1992-2013
Estimasi Parameter Regresi Linier Sederhana
Analisis Regresi (OLS)
Analisis regresi merupakan analisis Metode kuadrat terkecil ini dikemukakan oleh
ketergantungan dari satu atau lebih variabel bebas Carl Friedirch Gauss, seorang ahli matematika
terhadap satu variabel terikat, dengan tujuan untuk bangsa Jerman. Prinsip dasar metode kuadrat
menduga atau memprediksi nilai rata-rata populasi terkecil ini adalah meminimumkan jumlah kuadrat
berdasarkan nilai-nilai variabel bebasnya. Analisis residual. Dalam matematika untuk mendapatkan
regresi yang digunakan untuk memprediksi satu nilai minimum dari suatu fungsi maka syaratnya
variabel terikat berdasarkan pada satu variabel adalah differensiasi atau turunan pertama dari
bebas disebut dengan analisis regresi sederhana, fungsi tersebut harus sama dengan nol. Dengan
sedangkan analisis regresi yang digunakan untuk demikian untuk meminimumkan kuadrat residual
memprediksi satu variabel terikat berdasarkan satu tersebut maka kita harus melakukan differensiasi
atau lebih variabel bebas disebut dengan analisis parsial jumlah residual kuadrat terhadap
regresi berganda. Selain itu, regresi juga dapat
untuk mengukur kekuatan hubungan antar dua
β^ 0 , β^ 1 ,. .. , β^ k .
variabel atau lebih, analisis regresi juga digunakan Untuk regresi linier sederhana dari persamaan
untuk menunjukkan arah hubungan antara variabel (1), nilai residual model tersebut didefinisikan
bebas dengan variabel terikat (Gujarati, 2006). sebagai:
Analisis regresi pada hakikatnya dibedakan ε i =Y i −Y^ i
menjadi dua, yaitu analisis regresi linier dan ε i =Y i − β^ 0 − β^ 1 X
analisis regresi non linier. (3)
Dari jumlah kuadrat dari ei pada persamaan (3)
Analisis Regresi Linier dinyatakan sebagai
n n
Menurut Gujarati (2006), analisis regresi linier ∑ ε 2i =∑ (Y i − β^ 0 − β^ 1 X )
2
Persamaan (5) dan (6) disamakan dengan nol 1. Normalitas, regresi linier klasik mengasumsikan
kemudian membagi dengan negatif dua maka akan bahwa tiap ei mengikuti distribusi normal,
menghasilkan sistem persamaan: 2
n εi ~N(0, σ )
∑ ( Y i− β^ 0 − β^ 1 X )=0 2. Non autokorelasi antar nilai residual, berarti
i =1 (7) kov (εi,εj)=0, i ≠ j.
n 2
∑ ^ −β
X i ( Y i− β0
^ X )= 0
1 3. Heteroskedastisitas, var (εi) = σ untuk
i =1 (8) setiap i, i=1,2,...,n yang artinya variansi residual
Dengan menjabarkan sistem persamaan (7) dan (8) dari satu pengamatan ke pengamatan yang lain
akan diperoleh sistem persamaan berikut: tetap. Dan jika variansi residual berbeda maka
n n
disebut sebagai heteroskedastisitas. Model
∑ Y i =n β^ 0 + β^ 1 ∑ X i regresi yang baik adalah tidak terjadi
i =1 i =1 (9)
n n n heteroskedastisitas.
∑ X i Y i = β^ 0 ∑ X i + β^ 1 ∑ X 2i (Gujarati, 1995)
i =1 i =1 i=1 (10)
Dengan metode eliminasi dan substitusi penjelasan Analisis Regresi Non Linier
dari sistem persamaan (9) dan (10) adalah sebagai Regresi non linier merupakan suatu metode
berikut: analisis regresi untuk mendapatkan model non
n n n
linier yang digunakan untuk mengetahui hubungan
n( ∑ X i Y i )−( ∑ X i )( ∑ Y i ) antara variabel terikat dan variabel bebas. Menurut
^ = 1=1 i=1 i=1
β 1 n n Draper dan Smith (1981), model non linier (yakni
n ( ∑ X 2i )−( ∑ X )2 nonlinier dalam parameter yang akan diduga) dapat
i=1 i=1 dibagi menjadi dua bagian yaitu, model linier
(11)
n n n n intrinsik dan model non linier intrinsik. Model
( ∑ Y i )( ∑ X 2i )−( ∑ X i )( ∑ X i Y i ) linier intrinsik, jika suatu model adalah linier
^ =
β 0
i=1 i =1
n
i =1
n
i =1
intrinsik, maka model ini dapat dinyatakan melalui
n( ∑ X 2i )−( ∑ X i )2 transformasi yang tepat terhadap peubahnya ke
i =1 i =1 dalam bentuk linier baku, seperti regresi
(12) eksponensial. Kemudian model non linier intrinsik,
Untuk mencari nilai pada β^ 0 , β^ 1 ,..., β^ k jika suatu model adalah non linier intrinsik, maka
regresi berganda digunakan cara yang sama seperti model ini tidak dapat diubah menjadi bentuk baku.
pada penentuan parameter model regresi sederhana. Apabila hubungan antara variabel terikat Y dan
(Walpole, 1995) variabel bebas X bersifat non linier, artinya jika
data asli Xi dan Yi dibuatkan scatterplot tidak
Pengujian Signifikan Parameter mengikuti garis lurus tetapi mengikuti suatu bentuk
Sebelum menarik sebuah kesimpulan dari suatu kurva tertentu, seperti kurva eksponensial, maka
model regresi, terlebih dahulu dilakukan pengujian analisis regresi yang cocok untuk menjelaskan
terhadap parameter regresi baik secara simultan hubungan antara X dan Y tersebut adalah analisis
(bersama-sama) maupun secara parsial (individu). regresi non linier sederhana.
Hal ini bertujuan untuk mengetahui variabel- Jika bentuk linier diterima, kemudian disusul
variabel bebas yang mempunyai pengaruh maupun bahwa regresi itu sebagai suatu kesatuan berarti
tidak terhadap variabel terikat (Damanhuri, 1995). adanya dan yakin bahwa koefisien regresi yang
diperoleh tidak dapat diabaikan, maka dapat
Uji Asumsi Klasik Regresi Linier Sederhna membuat kesimpulan berdasarkan regresi itu.
Dalam melakukan pendugaan koefisien regresi Adapun macam-macam bentuk persamaan regresi
(parameter) dapat dilakukan dengan berbagai non linier sebagai berikut:
metode diantaranya adalah metode OLS. Metode 1. Parabola atau polinum pangkat dua
OLS gunanya untuk mengestimasi suatu garis Y i= β0 + β 1 X + β 2 X 2 + ε i (13)
regresi dengan jalan meminimalkan jumlah kuadrat 2. Parabola kubik atau polinum pangkat tiga
kesalahan setiap observasi terhadap garis tersebut. Y i= β0 +β 1 X +β 2 X 2 + β3 X 3 +ε i (14)
Metode ini paling mudah dan sederhana
dibandingkan metode lainnya, sehingga sering 3. Polinum pangkat k (k ≥ 2), berbentuk
digunakan oleh para peneliti. Namun ada beberapa Y i= β0 +β 1 X+β 2 X 2 + β3 X 3 +...+ β k X k +ε i (15)
asumsi yang harus dipenuhi dari penggunaan
4. Eksponensial
metode OLS agar persamaan atau model yang telah β X
didapat layak untuk digunakan. Apabila terdapat Y i= β0 e 1 ⋅ε i (16)
pelanggaran atau asumsi tidak terpenuhi maka 5. Geometrik
persamaan yang didapat akan menjadi bias dan Y i= β0 + X
β1
1 n 2
Y i= 2 ( O i− E i )
β0 β χ =∑
1X (18) Ei
i=1 (20)
7. Hiperbola Dimana:
β0
Y i= χ 2 : Uji Chi-Square
β1 X (19) Oi : frekuensi observasi ke i, i=1,2,..n
(Sudjana, 2003)
Ei: frekuensi ekspektasi ke i
d. Daerah Kritik
Untuk memperoleh keputusan pengujian nilai
Analisis Regresi Eksponensial Sederhana 2
statistik uji χ dibandingkan dengan tabel
Regresi eksponensial adalah regresi non-linier Chi-Square yaitu H0 ditolak jika nilai
yang variabel terikatnya berdistribusi eksponensial,
χ 2 >¿ ¿
2
( α ; n−1 )
χ
lalu dalam scatter plot terbentuk garis seperti
eksponesial dan merupakan pengembangan dari (Atmaja, 2009)
regresi linier dengan memanfaatkan fungsi Model Regresi Eksponensial
logaritmik. Model regresi eksponensial mempunyai Model ini banyak digunakan untuk
peranan penting dalam beberapa bidang statistik memodelkan pertumbuhan populasi makhluk
dan telah banyak digunakan pada beberapa hidup. Mengenal teori tentang pertumbuhan
penelitian yaitu penelitian data survival, penelitian penduduk yang dikembangkan oleh Mathus, dalam
tentang ketahanan benda-benda produksi, dan teori tersebut dijelaskan bagaimana model
penelitian pada bidang kedokteran. Bila eksponensial itu sendiri. Secara umum model
sekelompok data tampaknya paling baik disajikan eksponensial dirumuskan sebagai berikut (Sudjana,
melalui kurva regresi yang tak linier, maka kita 2003):
β 1 Xi
harus mencoba menentukan kurva dan menduga Y i= β 0 e ⋅ε i i=1,2,...,n (21)
parameternya.
Dimana:
(Damanhuri, 1995) Y : variabel terikat untuk observasi ke-i
Distribusi Eksponensial
Distribusi eksponensial merupakan suatu X : variabel bebas
distribusi yang berguna untuk mencari selisih β : parameter model regresi
waktu yang terjadi dalam suatu peluang tertentu. e : 2,71828
Dalam distribusi eksponensial ini digunakan εi : residual
pencarian atau pengolahan data dengan Menurut Atmaja (2009), berdasarkan
menggunakan variabel acak, dimana variabel acak persamaan regresi eksponensial ini dapat
itu sendiri adalah variabel yang berupa nilai atau disimpulkan bahwa jika tanpa adanya pengaruh
angka yang merupakan hasil dari eksperimen acak. dari variabel bebas maka tidak dapat diperkirakan
Variabel acak bersifat diskrit bila hanya berupa untuk variabel terikatnya, dan jika adanya pengaruh
nilai tertentu yang dapat dihitung. Namun variabel dari variabel bebas maka dapat diperkirakan nilai
acak bersifat kontinu bila mana berupa suatu nilai kenaikkan atau penambahannya secara
manapun dalam suatu interval. eksponensial.
Pada kenyataannya dalam analisis regresi
eksponensial, data yang menjadi variabel terikat Estimasi Parameter Model Regresi
haruslah distribusi eksponensial dulu, barulah bisa Eksponensial
dilanjutkan pada tahap berikutnya. Pengujian data Model transformasi logaritmik merupakan
variabel terikat berdistribusi eksponensial dapat model dalam proses perhitungan parameternya
menggunakan uji Chi-Square, tujuannya adalah (model fitting) dilakukan dengan transformasi
menguji apakah data sampel mempunyai distribusi logaritma. Salah satu dari beberapa model yaitu
yang mendekati distribusi teoritis atau hipotesis model regresi eksponensial yang akan
tertentu seperti distribusi eksponensial, binomial, ditransformasi dari bentuk non linier akan menjadi
poisson dan normal. persamaan bentuk linier untuk dapat dilakukan
Mekanisme dalam pengujian Uji Chi-Square ini pengujian regresi linier.
adalah sebagai berikut: Bentuk model regresi eksponensial pada
a. Hipotesis persamaan (21) akan diformulasikan menjadi
H0: Data berdistribusi eksponensial fungsi Ln dinyatakan sebagai
β1 X i
H1: Data tidak berdistribusi eksponensial LnY i =( Ln β 0 e (22)⋅ε i )
b. Menentukan taraf signifikansi (α) dan nilai Dari persamaan (22) fungsi Ln dijabarkan maka
2
χ ( α , n−1) diperoleh
ditentukan dengan derajat β 1 Xi
Ln Y i = Ln β 0 + Ln e + Ln ε i (23)
kebebasan df = n-1
c. Statistik Uji
Selanjutnya persamaan (23) memiliki Ln e = 1, dan Pengendalian jumlah penduduk perlu dilakukan
diperoleh oleh pemerintah, supaya negara dapat membuat
LnY i = Ln β 0 + β 1 X i⋅1+ Ln ε i (24) perencanaan pembangunan yang baik. Salah satu
Dengan ini maka persamaan (24) dinyatakan tahapan dalam pengendalian jumlah penduduk
sebagai adalah harus diawali dengan mengetahui jumlah
LnY i = Ln β 0 + β 1 X i + Ln ε i dan pertumbuhan penduduk. Informasi tentang
(25) jumlah dan pertumbuhan penduduk di suatu
Persamaan (26) merupakan persamaan fungsi wilayah tentu sangat diperlukan untuk merancang
semi-logaritmik antara Ln Y dengan X dan pembangunan. Bertambahnya jumlah penduduk
merupakan persamaan garis lurus dengan berakibat pada menjadi semakin sempitnya
kemiringan β1 dan memotong sumbu LnYi di Ln β0. kesempatan memperoleh pekerjaan. Keadaan
Untuk menyederhanakan penyelesaian persamaan tersebut dapat memicu terjadinya kemiskinan.
tersebut, maka dilakukan permisalan sebagai Informasi tentang jumlah dan pertumbuhan
berikut: penduduk Indonesia secara menyeluruh sangat
Pi= A+^ B ^ X +e diperlukan untuk menetapkan prioritas
i i (26)
Dimana: pembangunan nasional. Dengan melihat
A^ pertumbuhan penduduk setiap periode, kita dapat
Pi= Ln Yi = Ln β0
memperkirakan bagaimana jumlah penduduk pada
Xi = X i B^ = β1 waktu yang akan datang (Mantra, 2000).
e i=Ln ε i
Jumlah Kelahiran
Karena dari persamaan (26) identik dengan
Fertilitas (kelahiran) adalah salah satu istilah
persamaan (1) maka untuk untuk mencari estimasi
yang digunakan di dalam bidang demografi untuk
koefisien A dan B adalah sebagai berikut
menggambarkan jumlah anak-anak yang benar-
Berdasarkan persamaan (3) sampai dengan
benar dilahirkan hidup. Atau dengan kata lain
persamaan (6) dilakukan dengan cara yang sama,
fertilitas adalah jumlah suatu ukuran yang
maka akan di bentuk persamaan yang sudah dibagi
diterapkan untuk mengukur hasil reproduksi dari
dengan negatif dua yang menghasilkan persamaan:
n wanita yang diperoleh dari data statistika kelahiran
∑ ( P i− A
^ −B
^ X i ) =0 anak. Fertilitas atau kelahiran merupakan salah satu
i =1 (27) faktor penambah jumlah penduduk disamping
n
migrasi masuk. Istilah fertilitas juga dapat diartikan
∑ X i ( Pi− A^ − B^ X i ) =0 sebagai kemampuan seorang wanita untuk
i =1 (28)
Dengan menjabarkan sistem persamaan (27) dan menghasilkan kelahiran hidup. Kelahiran bayi
(28) akan diperoleh sistem persamaan berikut: membawa konsekuensi pemenuhan kebutuhan
n n tumbuh kembang bayi tersebut, termasuk
∑ Pi =n A^ + B^ ∑ X i pemenuhan gizi, kecukupan kalori dan perawatan
i =1 i=1 (29) kesehatan. Pada gilirannya, bayi ini akan tumbuh
n n n
∑ X i Pi = A ^ ∑ X 2i
^ ∑ X i+ B menjadi anak usia sekolah yang menuntut
i =1 i=1 i =1 (30) pendidikan, lalu masuk angkatan kerja dan
Dengan metode eliminasi dan substitusi penjelasan menuntut pekerjaan. Bayi perempuan akan tumbuh
dari sistem persamaan (29) dan (30), dimana menjadi remaja perempuan dan perempuan usia
pemisalan Pi akan diubah menjadi Ln Yi adalah subur yang akan menikah dan melahirkan bayi.
sebagai berikut:
n n n Metodologi Penelitian
^
B=
n
(∑ i=1
) ( )(∑ )
X i⋅LnY i − ∑ Xi
i =1 i=1
LnY i Data yang digunakan dalam penelitian ini
adalah data jumlah penduduk dan kelahiran di
n n 2
Kalimantan Timur pada tahun 1992-2013 yang
n
(∑ ) (∑ )
i=1
X
i2
−
i=1
Xi
bersumber dari Badan Pusat Statistik Provinsi
Kalimantan Timur. Terdapat dua macam variabel
(31)
n n n n penelitian yaitu variabel bebas dan terikat. Variabel
^
A=
(∑ )(∑ ) (∑ )(∑
i=1
LnY i
i=1
X 2i −
i=1
Xi
i =1
)
X i⋅LnY i terikat (Y) dalam penelitian ini adalah Data Jumlah
Penduduk di Kalimantan Timur dan variabel bebas
n n 2
∑ (∑ ) n(
i=1
X 2i )−
i=1
Xi (X) adalah Data Kelahiran di Kalimantan Timur.
Hasil dan Pembahasan
(32)
Berdasarkan data jumlah penduduk dan
(Wibowo, 2001)
kelahiran di Kalimantan Timur pada Tahun 1992
Jumlah Penduduk
sampai dengan 2013, dilakukan analisis deskriptif,
Jumlah penduduk suatu negara misalnya
transformasi dan analisis regresi eksponensial
Indonesia, atau penduduk di suatu wilayah selalu
mengalami perubahan dari waktu ke waktu karena Tabel 1 Analisis Deskriptif Jumlah Penduduk dan
pertumbuhan penduduk pada wilayah tersebut. Kelahiran
Ln{Y^
e
dimana: