LAPORAN TUGAS INDIVIDU ANALISIS DATA

DISTRIBUSI DAN PEMODELAN VARIABEL ACAK

Disusun Oleh :
AJENG DWI RIZKIA
24010215140093
Statistika - A

DEPARTEMEN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2018
 KATA PENGANTAR

Puji syukur penulis panjatkan ke hadirat Allah SWT atas segala rahmat,
hidayah serta karunia-Nya sehingga penulis dapat menyelesaikan Tugas Individu
Mata Kuliah Analisis Data yang bertajuk “Distribusi dan Pemodelan Variabel
Acak”.

Sebelumnya penulis ucapkan terimakasih kepada Bapak Sudarno, S.Si, M.Si

selaku dosen pengampu mata kuliah Analisis Data serta semua pihak yang telah
membantu hingga terselesaikannya laporan ini. Laporan ini tidak akan terselesaikan
dengan baik tanpa adanya bantuan dan dukungan dari berbagai pihak baik secara
langsung maupun tidak langsung.

Penulis menyadari bahwa laporan ini masih terdapat kesalahan dan jauh dari
sempurna. Oleh karena itu penulis sangat mengharapkan kritik dan saran untuk
perbaikan di masa yang akan datang. Penulis berharap laporan ini dapat bermanfaat
bagi semua pihak.

Semarang, Juni 2018

Penulis

2
 DAFTAR ISI

Halaman
HALAMAN JUDUL ............................................................................................. 1
KATA PENGANTAR ........................................................................................... 2
DAFTAR ISI .......................................................................................................... 3
PERMASALAHAN .............................................................................................. 4
HASIL DAN PEMBAHASAN ............................................................................. 6
1. Halaman 13 Latihan 1 Nomor 1 .................................................................. 6
2. Halaman 13 Latihan 1 Nomor 2 .................................................................. 6
3. Halaman 22 Latihan 2 Nomor 1 .................................................................. 8
4. Halaman 22 Latihan 2 Nomor 3 .................................................................. 9
5. Halaman 27 Problem 14 ............................................................................ 10
6. Halaman 37 Latihan 3 Bagian B ............................................................... 11
7. Halaman 42 Latihan 4 ............................................................................... 15
DAFTAR PUSTAKA .......................................................................................... 18

3
 PERMASALAHAN

1. Halaman 13 Latihan 1 Nomor 1

Sebuah perusahaan pengeboran minyak membeli banyak pipa bor. Menurut
pabrikan produknya ada yang rusak sekitar 6%, Perusahaan ingin menguji
kebenaran kualitasnya, maka diambillah sebagai sampel 200 pipa bor yang
dipilih secara acak, Setelah diteliti ternyata ada 6 pipa yang tidak bisa dipakai,
Jika tingkat kesalahan = 5%, ujilah menggunakan uji hipotesis proporsi dua arah.

2. Halaman 13 Latihan 1 Nomor 2

Berikut ini adalah data tentang jumlah karyawan yang tidak masuk kerja karena
sakit tiap bulan selama satu tahun:

Bulan 1 2 3 4 5 6 7 8 9 10 11 12
Sakit 12 13 15 23 26 27 29 23 17 15 10 14

Ujilah menggunakan uji hipotesis dua arah, apakah proporsi jumlah karyawan
yang tidak masuk kerja karena sakit tiap bulan selama satu tahun adalah sama
atau berbeda, jika diambil tingkat kesalahan = 5%.

3. Halaman 22 Latihan 2 Nomor 1

Diketahui data x adalah 15, 11, 8, 15, 4, 6, 11, 6, 8, 4, 7, 2, 2, 7, 5, 2, 6, 1, 6, 4, 1,
2, 3, 1, 3. Ujilah apakah mereka berdistribusi Poisson? Pengerjaan dengan
manual dan dengan menggunakan software.

4. Halaman 22 Latihan 2 Nomor 3

Diketahui data 5 waktu mati dari suatu produk (hari): 5496, 6701, 2137, 2697,
dan 2720. Analisislah menggunakan distribusi eksponensial dengan mencari
parameter dan rataannya.

5. Halaman 27 Problem 14
1⁄
Misalkan untuk membuat plot fungsi akar kuadrat 𝑦 = 𝐵𝑥 2 dengan berbagai
nilai parameter 𝐵.

4
 Sintaks:
figure;
x=linspace(0,4,500);
A=0.5:0.5:2;
i=1;
while i <= length(A)
y = A(i)*x.^(1/2);
plot(x,y); hold on;
i = i+1;
end
grid on;

6. Halaman 37 Bagian B
𝜕(𝑦 ′ 𝑦) 𝜕(𝛽 ′ 𝑋 ′ 𝑦) 𝜕(𝛽 ′ 𝑋 ′ 𝑋 𝛽) 𝜕 𝜕(𝑋 ′ 𝑋𝛽)
Carilah | | , | | ,| | , (𝑥 ′ 𝑦) dan ,
𝜕𝛽 ̂
𝛽=𝛽 𝜕𝛽 ̂
𝛽=𝛽 𝜕𝛽 ̂
𝛽=𝛽 𝜕𝛽 𝜕𝛽

untuk kasus di bawah ini :

𝑦1 1 𝑥11 𝑥21 𝜀1
𝛽0
1 𝑥12 𝑥22 𝜀2
If [𝑦2
… ] = [⋮ ⋮ ] [ 𝛽1 ] + [ ⋮ ]
⋮
𝑦𝑛 𝛽2
1 𝑥1𝑛 𝑥2𝑛 𝜀𝑛

7. Halaman 42 Latihan 4
Diketahui data berikut ini:

X 0 1 2 3 4
Y 6,7 11,3 18,7 47,6 112,4

Akan ditaksir dengan model 𝑦 = 𝑎 + 𝑏𝑒 𝑥 .

a. Buat sintaks menggunakan R dengan pendekatan 𝑦 = 𝑎 + 𝑏𝑒 𝑥
b. Hasil olahan R
c. Tulis taksiran model
d. Gambar model regresi
8. Uji parameter individu satu arah, jika diambil α = 2%

5
 HASIL DAN PEMBAHASAN

1. Halaman 13 Latihan 1 Nomor 1

Penyelesaian :
Diketahui 𝑝 = 0,06, 𝑛 = 200, 𝑝̂ = 0,03, α = 5%
Uji hipotesis proporsi dua arah
Hipotesis :
H0 : 𝑝 = 0,06
H1 : 𝑝 ≠ 0,06
α
Jika diambil 2 = 0,025, maka nilai kritisnya adalah adalah −1,96 dan 1,96.

Statistik uji :
𝑝̂ − 𝑝 0,03 − 0,06
𝑧= = = −1,79
𝑝𝑞
√ √(0,06)(0,94)
𝑛 200
Daerah penerimaan H0 adalah −1,96 < 𝑧 ≤ 1,96 dan daerah penerimaan H1
adalah 𝑧 < 1,96 dan 𝑧 > 1,96. Karena −1,79 berada di daerah penerimaan H0,
maka H0 diterima dimana hal ini berarti proporsi produk pipa bor yang rusak
adalah sebesar 0,06 atau 6%.

2. Halaman 13 Latihan 1 Nomor 2

Penyelesaian :
Output software SPSS

Descriptive Statistics
N Mean Std. Deviation Minimum Maximum
Sakit 224 20.77 6.247 10 29

Sakit
Observed N Expected N Residual
10 10 22.4 -12.4
12 12 22.4 -10.4
13 13 22.4 -9.4
14 14 22.4 -8.4
15 30 22.4 7.6

6
17 17 22.4 -5.4
23 46 22.4 23.6
26 26 22.4 3.6
27 27 22.4 4.6
29 29 22.4 6.6
Total 224

Test Statistics
Sakit
Chi-Square 51.000a
df 9
Asymp. Sig. .000
a. 0 cells (0.0%) have expected frequencies less than 5.
The minimum expected cell frequency is 22.4.

Uji Kompatibilitas
Hipotesis :
H0 : proporsi jumlah karyawan yang tidak masuk kerja karena sakit tiap bulan
selama satu tahun adalah sama
H1 : proporsi jumlah karyawan yang tidak masuk kerja karena sakit tiap bulan
selama satu tahun adalah berbeda
α
Jika diambil α = 5%, maka = 0,025 dan derajat bebasnya adalah 9, didapat
2

nilai kritis yaitu 2,70 dan 19,02.

Statistik uji :
12
2
(𝑂𝑖 − 𝐸𝑖 )2
χ = ∑
𝐸𝑖
𝑖=1

χ2(9;0,025) = 51,000 ; dengan sig(2 − sided) = 0,000

Daerah penerimaan H0 adalah 2,70 < χ2(9;0,025) ≤ 19,02 dan daerah penerimaan
H1 adalah χ2(9;0,025) < 2,70 dan χ2(9;0,025) > 19,02. Karena 51,000 berada di
daerah penerimaan H1 maka H1 diterima dimana hal ini berarti proporsi jumlah

7
 karyawan yang tidak masuk kerja karena sakit tiap bulan selama satu tahun
adalah berbeda.

3. Halaman 22 Latihan 2 Nomor 1

Penyelesaian :
a. Perhitungan manual
Hipotesis :
H0 : 𝐹𝑛 (𝑥) = 𝐹(𝑥), untuk semua 𝑥 = 0, 1, 2, …
H1 : 𝐹𝑛 (𝑥) ≠ 𝐹(𝑥), untuk sekurang-kurangnya satu 𝑥 = 0, 1, 2, …
α
Jika diambil α = 5%, maka = 0,025, didapat nilai kritis yaitu −1,96 dan
2

1,96.
Statistik uji :

𝒙𝝁 𝒇 𝑭 𝑭𝒏 (𝒙) 𝑭(𝒙) 𝑴𝑬𝑫𝑨

1 3 3 0,12 0,024 0,096
2 4 7 0,28 0,082 0,198
3 2 9 0,36 0,191 0,169
4 3 12 0,48 0,342 0,138
5 1 13 0,52 0,512 0,008
6 4 17 0,68 0,670 0,010
7 2 19 0,76 0,797 0,037
8 2 21 0,84 0,886 0,046
11 2 23 0,92 0,988 0,068
15 2 25 1 1,000 0,000

Selisih terbesar adalah 0,198, jadi 𝐷𝑛 = 0,198. Dari tabel Kolmogorov-

Smirnov 𝑑(25;0,05) = 0,264. Karena 𝐷𝑛 = 0,198 < 𝑑(25;0,05) = 0,264, maka
H0 diterima. Sehingga dapat disimpulkan bahwa data X adalah data yang
berdistribusi Poisson pada tingkat kesalahan α = 5%.

8
 b. Perhitungan dengan menggunakan software
Output software SPSS

One-Sample Kolmogorov-Smirnov Test

X
N 25
Poisson Parametera,b Mean 5.60
Most Extreme Differences Absolute .198
Positive .198
Negative -.132
Kolmogorov-Smirnov Z .988
Asymp. Sig. (2-tailed) .283
a. Test distribution is Poisson.
b. Calculated from data.

α
Jika diambil α = 5%, maka 2 = 0,025, didapat nilai Asymp. Sig.(2-tailed) =

0,283. Karena nilai Asymp. Sig.(2-tailed) = 0,283 > nilai α = 5% maka H0

diterima. Sehingga dapat disimpulkan bahwa data berdistribusi Poisson.

Berdasarkan hasil output SPSS di atas, terlihat bahwa banyaknya data adalah
𝑁 = 25, 𝜇 = 5,60. Untuk uji dua arah Most Extreme Differences Absolute
(MEDA) = 0,198, nilai Kolmogorov-Smirnov Z= 0,988, dan Asymp. Sig.(2-
tailed) = 0,283. Terbukti bahwa hasil perhitungan manual sama dengan hasil
olahan software untuk nilai MEDA.

4. Halaman 22 Latihan 2 Nomor 3

Penyelesaian :
Output software SPSS
One-Sample Kolmogorov-Smirnov Test
data
N 5
Exponential parameter.a,b Mean 3950.20
Most Extreme Differences Absolute .418
Positive .183

9
 Negative -.418
Kolmogorov-Smirnov Z .934
Asymp. Sig. (2-tailed) .347
a. Test Distribution is Exponential.
b. Calculated from data.

Analisis Uji Formal

Hipotesis :
H0 : Data berdistribusi eksponensial
H1 : Data tidak berdistribusi eksponensial
α
Jika diambil α = 5%, maka = 0,025, didapat nilai Asymp. Sig.(2-tailed) =
2

0,347. Karena nilai Asymp. Sig.(2-tailed) = 0,347 > nilai α = 5% maka H0

diterima. Sehingga dapat disimpulkan bahwa data berdistribusi eksponensial.

Descriptive Statistics
N Minimum Maximum Sum Mean Std. Deviation
data 5 2137 6701 19751 3950.20 2020.396
Valid N (listwise) 5

Sehingga dapat dihitung parameter dan rataannya:

5 19751
𝜆 = 19751 = 0,000253 dan 𝜇 = = 3950,2
5

𝜕2 𝑦 5
= − (0,000253)2 = −78114015,22 (negatif)
𝜕𝜆2

Hal ini menunjukan bahwa kasus ini memaksimalkan fungsi log-likelihood.

5. Halaman 27 Problem 14
Penyelesaian :
Dengan software MATLAB diperoleh gambar untuk plot fungsi akar kuadrat
1⁄
𝑦 = 𝐵𝑥 2 sebagai berikut:

10
 B didefinisikan sebagai A=0.5:0.5:2; artinya nilai B berjalan dari 0,5 sampai 2
dengan jaraknya 0,5, yaitu B = 0,5; 1; 1,5; 2, sehingga diperoleh 4 grafik pada
plot di atas.

6. Halaman 37 Bagian B
Penyelesaian :
𝜕(𝒚′𝒚 )
a.
𝜕𝜷
𝑦1 𝑛
𝑦2
𝑦 𝑇 𝑦 = [𝑦1 𝑦2 … 𝑦𝑛 ] [ ] = 𝑦1 + 𝑦2 + ⋯ + 𝑦𝑛 = ∑ 𝑦𝑖2 = 𝐴
2 2 2
⋮
𝑦𝑛 𝑖=1
𝜕(𝐴)
𝜕𝛽0
𝜕(𝒚′𝒚 ) 𝜕(𝐴) 𝜕(𝐴) 0
= = = [ 0]
𝜕𝜷 𝜕𝜷 𝜕𝛽1
0
𝜕(𝐴)
[ 𝜕𝛽2 ]

11
 𝜕(𝜷′ 𝑿′ 𝒚 )
b.
𝜕𝜷
1 𝑥11 𝑥21
1 1 … 1 𝛽0
1 𝑥12 𝑥22
𝛽 ′ 𝑋 ′ 𝑋 𝛽 = [𝛽0 𝛽1 𝛽2 ] [𝑥11 𝑥12 … 𝑥1𝑛 ] [ ] [ 𝛽1 ]
⋮ ⋮ ⋮
𝑥21 𝑥22 … 𝑥2𝑛 𝛽2
1 𝑥1𝑛 𝑥2𝑛
𝛽0 + 𝛽1 𝑥11 + 𝛽2 𝑥21
1 1 … 1
= [𝛽0 𝛽1 𝛽2 ] [𝑥11 𝑥12 … 𝑥1𝑛 ] [ 𝛽0 + 𝛽1 𝑥12 +𝛽2 𝑥22 ]
𝑥21 𝑥22 … 𝑥2𝑛 ⋮
𝛽0 + 𝛽1 𝑥1𝑛 + 𝛽2 𝑥2𝑛
(𝛽0 + 𝛽1 𝑥11 𝛽2 𝑥21 ) + (𝛽0 + 𝛽1 𝑥12 +𝛽2 𝑥22 ) + ⋯ + (𝛽0 + 𝛽1 𝑥1𝑛 + 𝛽2 𝑥2𝑛 )
= [𝛽0 𝛽1 𝛽2 [ 11 0 + 𝛽1 𝑥11 𝛽2 𝑥21 ) + 𝑥12 (𝛽0 + 𝛽1 𝑥12 +𝛽2 𝑥22 ) + ⋯ + 𝑥1𝑛 (𝛽0 + 𝛽1 𝑥1𝑛 + 𝛽2 𝑥2𝑛 ) ]
] 𝑥 (𝛽
𝑥21 (𝛽0 + 𝛽1 𝑥11 𝛽2 𝑥21 ) + 𝑥22 (𝛽0 + 𝛽1 𝑥12 +𝛽2 𝑥22 ) + ⋯ + 𝑥2𝑛 (𝛽0 + 𝛽1 𝑥1𝑛 + 𝛽2 𝑥2𝑛 )
∑𝑛𝑖=1 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖
= [𝛽0 𝛽1 𝛽2 ] [𝑥1𝑖 ∑𝑛𝑖=1 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 ]
𝑥2𝑖 ∑𝑛𝑖=1 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖
= 𝛽0 ∑𝑛𝑖=1(𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 ) + 𝛽1 𝑥1𝑖 ∑𝑛𝑖=1(𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 ) + 𝛽2 𝑥2𝑖 ∑𝑛𝑖=1(𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 )
2
= ∑𝑛𝑖=1(𝛽0 2 + 𝛽0 𝛽1 𝑥1𝑖 + 𝛽0 𝛽2 𝑥2𝑖 ) + ∑𝑛𝑖=1(𝛽1 𝛽0 𝑥1𝑖 + 𝛽1 2 𝑥1𝑖 + 𝛽1 𝛽2 𝑥1𝑖 𝑥2𝑖 ) + ∑𝑛𝑖=1(𝛽0 𝛽2 𝑥2𝑖 + 𝛽2 𝛽1 𝑥1𝑖 𝑥2𝑖 +
𝛽2 2 𝑥2𝑖 2 )
2
= ∑𝑛𝑖=1(𝛽0 2 + 𝛽0 𝛽1 𝑥1𝑖 + 𝛽0 𝛽2 𝑥2𝑖 + 𝛽1 𝛽0 𝑥1𝑖 + 𝛽1 2 𝑥1𝑖 + 𝛽1 𝛽2 𝑥1𝑖 𝑥2𝑖 +𝛽0 𝛽2 𝑥2𝑖 + 𝛽2 𝛽1 𝑥1𝑖 𝑥2𝑖 + 𝛽2 2 𝑥2𝑖 2 )
𝑛 2
=∑ (𝛽0 2 + 𝛽0 𝛽1 𝑥1𝑖 + 𝛽0 𝛽1 𝑥1𝑖 + 𝛽0 𝛽2 𝑥2𝑖 +𝛽0 𝛽2 𝑥2𝑖 + 𝛽1 2 𝑥1𝑖 + 𝛽1 𝛽2 𝑥1𝑖 𝑥2𝑖 + 𝛽2 𝛽1 𝑥1𝑖 𝑥2𝑖 + 𝛽2 2 𝑥2𝑖 2 )
𝑖=1
𝑛 2
=∑ (𝛽0 2 + 2𝛽0 𝛽1 𝑥1𝑖 + 2𝛽0 𝛽2 𝑥2𝑖 + 𝛽1 2 𝑥1𝑖 + 2𝛽1 𝛽2 𝑥1𝑖 𝑥2𝑖 + 𝛽2 2 𝑥2𝑖 2 )
𝑖=1
𝑛 2
=∑ (𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 )
𝑖=1

𝜕(𝛽 ′ 𝑋 ′ 𝑋 𝛽) 𝑛
2 ∑ 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖
𝜕𝛽0 𝑖=1
′ ′
𝜕(𝛽 𝑋 𝑋 𝛽) 𝜕(𝛽 𝑋 ′ 𝑋 𝛽)
′ 𝑛
= = 2 𝑥1𝑖 ∑ 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 = 2𝑋 ′ 𝑋
𝜕𝛽 𝜕𝛽1 𝑖=1
′ ′ 𝑛
𝜕(𝛽 𝑋 𝑋 𝛽)
2𝑥2𝑖 ∑ 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖
[ 𝜕𝛽2 ] [ 𝑖=1 ]
𝜕(𝜷′ 𝑿′ 𝑿 𝜷)
c.
𝜕𝜷

1 𝑥11 𝑥21
1 1 … 1 𝛽0
1 𝑥12 𝑥22
𝛽 ′ 𝑋 ′ 𝑋 𝛽 = [𝛽0 𝛽1 𝑥
𝛽2 ] [ 11 𝑥12 … 𝑥1𝑛 ] [ ] [ 𝛽1 ]
⋮ ⋮
𝑥21 𝑥22 … 𝑥2𝑛 ⋮ 𝛽2
1 𝑥1𝑛 𝑥2𝑛

12
 𝛽0 + 𝛽1 𝑥11 + 𝛽2 𝑥21
1 1 … 1
= [𝛽0 𝛽1 𝛽2 ] [𝑥11 𝑥12 … 𝑥1𝑛 ] [ 𝛽0 + 𝛽1 𝑥12 +𝛽2 𝑥22 ]
𝑥21 𝑥22 … 𝑥2𝑛 ⋮
𝛽0 + 𝛽1 𝑥1𝑛 + 𝛽2 𝑥2𝑛

(𝛽0 + 𝛽1 𝑥11 𝛽2 𝑥21 ) + (𝛽0 + 𝛽1 𝑥12 +𝛽2 𝑥22 ) + ⋯ + (𝛽0 + 𝛽1 𝑥1𝑛 + 𝛽2 𝑥2𝑛 )
= [𝛽0 𝛽1 𝛽2 ] [ 𝑥11 (𝛽0 + 𝛽1 𝑥11 𝛽2 𝑥21 ) + 𝑥12 (𝛽0 + 𝛽1 𝑥12 +𝛽2 𝑥22 ) + ⋯ + 𝑥1𝑛 (𝛽0 + 𝛽1 𝑥1𝑛 + 𝛽2 𝑥2𝑛 ) ]
𝑥21 (𝛽0 + 𝛽1 𝑥11 𝛽2 𝑥21 ) + 𝑥22 (𝛽0 + 𝛽1 𝑥12 +𝛽2 𝑥22 ) + ⋯ + 𝑥2𝑛 (𝛽0 + 𝛽1 𝑥1𝑛 + 𝛽2 𝑥2𝑛 )
𝑛
∑ 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖
𝑖=1
𝑛
= [𝛽0 𝛽1 𝛽2 ] 𝑥1𝑖 ∑ 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖
𝑖=1
𝑛
𝑥 ∑ 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖
[ 2𝑖 𝑖=1 ]
𝑛 𝑛 𝑛
= 𝛽0 ∑ (𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 ) + 𝛽1 𝑥1𝑖 ∑ (𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 ) + 𝛽2 𝑥2𝑖 ∑ (𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 )
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 2 𝑛
=∑ (𝛽0 2 + 𝛽0 𝛽1 𝑥1𝑖 + 𝛽0 𝛽2 𝑥2𝑖 ) + ∑ (𝛽1 𝛽0 𝑥1𝑖 + 𝛽1 2 𝑥1𝑖 + 𝛽1 𝛽2 𝑥1𝑖 𝑥2𝑖 ) + ∑ (𝛽0 𝛽2 𝑥2𝑖 + 𝛽2 𝛽1 𝑥1𝑖 𝑥2𝑖
𝑖=1 𝑖=1 𝑖=1

+ 𝛽2 2 𝑥2𝑖 2 )
𝑛 2
=∑ (𝛽0 2 + 𝛽0 𝛽1 𝑥1𝑖 + 𝛽0 𝛽2 𝑥2𝑖 + 𝛽1 𝛽0 𝑥1𝑖 + 𝛽1 2 𝑥1𝑖 + 𝛽1 𝛽2 𝑥1𝑖 𝑥2𝑖 +𝛽0 𝛽2 𝑥2𝑖 + 𝛽2 𝛽1 𝑥1𝑖 𝑥2𝑖 + 𝛽2 2 𝑥2𝑖 2 )
𝑖=1
𝑛 2
=∑ (𝛽0 2 + 𝛽0 𝛽1 𝑥1𝑖 + 𝛽0 𝛽1 𝑥1𝑖 + 𝛽0 𝛽2 𝑥2𝑖 +𝛽0 𝛽2 𝑥2𝑖 + 𝛽1 2 𝑥1𝑖 + 𝛽1 𝛽2 𝑥1𝑖 𝑥2𝑖 + 𝛽2 𝛽1 𝑥1𝑖 𝑥2𝑖 + 𝛽2 2 𝑥2𝑖 2 )
𝑖=1
𝑛 2
=∑ (𝛽0 2 + 2𝛽0 𝛽1 𝑥1𝑖 + 2𝛽0 𝛽2 𝑥2𝑖 + 𝛽1 2 𝑥1𝑖 + 2𝛽1 𝛽2 𝑥1𝑖 𝑥2𝑖 + 𝛽2 2 𝑥2𝑖 2 )
𝑖=1
𝑛 2
=∑ (𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 )
𝑖=1

𝜕(𝛽 ′ 𝑋 ′ 𝑋 𝛽) 𝑛
2 ∑ 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖
𝜕𝛽0 𝑖=1
′ ′
𝜕(𝛽 𝑋 𝑋 𝛽) 𝜕(𝛽 𝑋 ′ 𝑋 𝛽)
′ 𝑛
= = 2 𝑥1𝑖 ∑ 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 = 2𝑋 ′ 𝑋
𝜕𝛽 𝜕𝛽1 𝑖=1
′ ′ 𝑛
𝜕(𝛽 𝑋 𝑋 𝛽)
2𝑥2𝑖 ∑ 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖
[ 𝜕𝛽2 ] [ 𝑖=1 ]

13
 𝜕(𝑋 ′ 𝑦)
d.
𝜕𝛽
𝑛
∑ 𝑦𝑖
𝑖=1
𝑛
𝑋′𝑦 = ∑ 𝑥1𝑖 𝑦𝑖
𝑖=1
𝑛
∑ 𝑥2𝑖 𝑦𝑖
[ 𝑖=1 ]
𝜕 ∑𝑛𝑖=1 𝑦𝑖 𝜕 ∑𝑛𝑖=1 𝑥1𝑖 𝑦𝑖 𝜕 ∑𝑛𝑖=1 𝑥2𝑖 𝑦𝑖
𝜕𝛽0 𝜕𝛽0 𝜕𝛽0
𝜕(𝑋 ′ 𝑦) 𝜕 ∑𝑛𝑖=1 𝑦𝑖 𝜕 ∑𝑛𝑖=1 𝑥1𝑖 𝑦𝑖 𝜕 ∑𝑛𝑖=1 𝑥2𝑖 𝑦𝑖 0 0 0
= = [0 0 0]
𝜕𝛽 𝜕𝛽1 𝜕𝛽1 𝜕𝛽1
0 0 0
𝜕 ∑𝑛𝑖=1 𝑦𝑖 𝑛
𝜕 ∑𝑖=1 𝑥1𝑖 𝑦𝑖 𝑛
𝜕 ∑𝑖=1 𝑥2𝑖 𝑦𝑖
[ 𝜕𝛽2 𝜕𝛽2 𝜕𝛽2 ]
𝜕(𝑋 ′ 𝑋𝛽)
e.
𝜕𝛽

1 𝑥11 𝑥21
1 1 ⋯ 1 𝛽0
′
𝑋 𝑋𝛽 = [𝑥11 𝑥12 ⋯ 𝑥1𝑛 ] [1 𝑥12 𝑥22
] [𝛽1 ]
⋯ 𝑥2𝑛 ⋮ ⋮ ⋮
𝑥21 𝑥22 𝛽2
1 𝑥1𝑛 𝑥2𝑛
𝑛 ∑𝑛𝑖=1 𝑥1𝑖 ∑𝑛𝑖=1 𝑥2𝑖 𝛽0
= [∑𝑛𝑖=1 𝑥1𝑖 ∑𝑛𝑖=1 𝑥1𝑖2
∑𝑛𝑖=1 𝑥1𝑖 𝑥2𝑖 ] [𝛽1 ]
∑𝑛𝑖=1 𝑥2𝑖 ∑𝑛𝑖=1 𝑥1𝑖 𝑥2𝑖 ∑𝑛𝑖=1 𝑥1𝑖2 𝛽2
∑𝑛𝑖=1 𝑛𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖
= [𝑥1𝑖 ∑𝑛𝑖=1 𝑛𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 ]
𝑥2𝑖 ∑𝑛𝑖=1 𝑛𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖
𝜕(𝑋 ′ 𝑋𝛽)
𝜕𝛽
𝜕 ∑𝑛𝑖=1 𝑛𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 𝜕𝑥1𝑖 ∑𝑛𝑖=1 𝑛𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 𝜕𝑥2𝑖 ∑𝑛𝑖=1 𝑛𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖
𝜕𝛽0 𝜕𝛽0 𝜕𝛽0
𝜕 ∑𝑛𝑖=1 𝑛𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 𝜕𝑥1𝑖 ∑𝑛𝑖=1 𝑛𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 𝜕𝑥2𝑖 ∑𝑛𝑖=1 𝑛𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖
=
𝜕𝛽1 𝜕𝛽1 𝜕𝛽1
𝜕 ∑𝑛𝑖=1 𝑛𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 𝜕𝑥1𝑖 ∑𝑛𝑖=1 𝑛𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 𝜕𝑥2𝑖 ∑𝑛𝑖=1 𝑛𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖
[ 𝜕𝛽2 𝜕𝛽2 𝜕𝛽2 ]
𝑛 ∑𝑛𝑖=1 𝑥1𝑖 ∑𝑛𝑖=1 𝑥2𝑖
= [∑𝑛𝑖=1 𝑥1𝑖 ∑𝑛𝑖=1 𝑥1𝑖2
∑𝑛𝑖=1 𝑥1𝑖 𝑥2𝑖 ]
∑𝑛𝑖=1 𝑥2𝑖 ∑𝑛𝑖=1 𝑥1𝑖 𝑥2𝑖 ∑𝑛𝑖=1 𝑥1𝑖2

= 𝑋′𝑋

14
7. Halaman 42 Latihan 4
Penyelesaian :
a. Sintaks
x=c(0,1,2,3,4)
y=c(6.7,11.3,18.7,47.6,112.4)
model=nls(y~a+b*exp(x),start=list(a=7,b=13))
summary(model)
x1=seq(0,5,0.1)
y1=5.52071+1.97103*exp(x1)
plot(x1,y1,type="l",xlab="Prediktor",ylab="Respon",main="Reg
resi Nonlinier (Ajeng Dwi Rizkia")
lines(x,y,type="p",col="blue")

b. Hasil Olahan R

c. Taksiran model
Taksiran model yang diperoleh adalah 𝑦 = 5,52071 + 1,97103 𝑒 𝑥

15
d. Gambar model regresi

e. Uji parameter individu satu arah, jika diambil α = 2%

Berdasarkan hasil olahan dapat dilakukan uji parameter individu untuk b.
Uji Parameter Individu :
Hipotesis :
H0 : 𝛽 = 0 (Koefisien regresi nonlinier adalah tidak signifikan)
H1 : 𝛽 ≠ 0 (Koefisien regresi nonlinier adalah signifikan)
Jika diambil α = 2% dan derajat bebas 𝑑𝑓 = 3, maka didapat nilai kritis
yaitu 4,541.
Statistik uji 𝑡 = 49,324 (dengan Sig.(2-arah)= 0,0000184)
Daerah penerimaan H0 adalah 𝑇 < 4,541 dan daerah penerimaan H1 adalah
𝑇 ≥ 4,541.

16
Karena 𝑡 = 49,324 berada di daerah penerimaan H1 yang sebelah kanan
maka H1 diterima yang artinya koefisien regresi non linier adalah signifikan
bernilai positif, yaitu 1,97103.

17
 DAFTAR PUSTAKA

Sudarno. 2018. Analisis Data Now Edition. Semarang.

18