Regresi Tunggal dengan menggunakan Transformation

Diketahui Ddata sebagai berikut:

Weight (x) MPG (y)
60 5.3
55 5.0
80 4.0
72 4.2
75 4.5
63 5.1
48 7.2
79 3.9
82 3.8
72 4.4
58 4.9
60 5.1
74 4.5
80 4.3
53 5.9
61 5.5
80 3.5
68 4.1
76 4.5
75 4.4
63 5.0
65 4.9
72 4.6
81 4.0
64 5.3
78 4.4
62 4.9
83 3.8
79 4.1
61 4.8
63 5.0
62 4.9
77 4.6
76 4.5
51 5.7
74 4.2
78 4.3
50 6.1
79 4.3
55 4.7
Melakukan Transformasi
Transformasi dilakukan pada kedua variable data. Dalam kasus ini, kami menggunakan fungsi transformasi
log dan 1/x. hasil transformasi dapat dilihat pada table di bawah ini. Variable Tweight(log) merupakan
variable weight yang telah ditranformasi dengan menggunakan fungsi log, sedangakn Tweight(1/x)
merupakan variable weight yang telah ditransformasi dengan menggunakan fungsi 1/x. selain pada
variable dependen (x) transformasi juga dilakukan pada deta independen yaitu MPG. Hasil transformasi
MPG dapat dilihat pada tY(log) dan tY(1/x)
Weight (x) MPG (y) Tweight(log) tweigh(1/x) tY(log) tY(1/x)
60 5.3 1.77815125 0.016666667 0.724276 0.188679
55 5.0 1.740362689 0.018181818 0.69897 0.2
80 4.0 1.903089987 0.0125 0.60206 0.25
72 4.2 1.857332496 0.013888889 0.623249 0.238095
75 4.5 1.875061263 0.013333333 0.653213 0.222222
63 5.1 1.799340549 0.015873016 0.70757 0.196078
48 7.2 1.681241237 0.020833333 0.857332 0.138889
79 3.9 1.897627091 0.012658228 0.591065 0.25641
82 3.8 1.913813852 0.012195122 0.579784 0.263158
72 4.4 1.857332496 0.013888889 0.643453 0.227273
58 4.9 1.763427994 0.017241379 0.690196 0.204082
60 5.1 1.77815125 0.016666667 0.70757 0.196078
74 4.5 1.86923172 0.013513514 0.653213 0.222222
80 4.3 1.903089987 0.0125 0.633468 0.232558
53 5.9 1.72427587 0.018867925 0.770852 0.169492
61 5.5 1.785329835 0.016393443 0.740363 0.181818
80 3.5 1.903089987 0.0125 0.544068 0.285714
68 4.1 1.832508913 0.014705882 0.612784 0.243902
76 4.5 1.880813592 0.013157895 0.653213 0.222222
75 4.4 1.875061263 0.013333333 0.643453 0.227273
63 5.0 1.799340549 0.015873016 0.69897 0.2
65 4.9 1.812913357 0.015384615 0.690196 0.204082
72 4.6 1.857332496 0.013888889 0.662758 0.217391
81 4.0 1.908485019 0.012345679 0.60206 0.25
64 5.3 1.806179974 0.015625 0.724276 0.188679
78 4.4 1.892094603 0.012820513 0.643453 0.227273
62 4.9 1.792391689 0.016129032 0.690196 0.204082
83 3.8 1.919078092 0.012048193 0.579784 0.263158
79 4.1 1.897627091 0.012658228 0.612784 0.243902
61 4.8 1.785329835 0.016393443 0.681241 0.208333
63 5.0 1.799340549 0.015873016 0.69897 0.2
62 4.9 1.792391689 0.016129032 0.690196 0.204082
77 4.6 1.886490725 0.012987013 0.662758 0.217391
76 4.5 1.880813592 0.013157895 0.653213 0.222222
51 5.7 1.707570176 0.019607843 0.755875 0.175439
74 4.2 1.86923172 0.013513514 0.623249 0.238095
78 4.3 1.892094603 0.012820513 0.633468 0.232558
50 6.1 1.698970004 0.02 0.78533 0.163934
79 4.3 1.897627091 0.012658228 0.633468 0.232558
55 4.7 1.740362689 0.018181818 0.672098 0.212766
Identifikasi Slope dan Intercept
Slope dan Intercept dapat diperoleh secara maual (dengan rumus), menggunakan fungsi excel dan
menggunakan bantuan Data Analysis

Dengan menggunakan rumus intercept dapat diperoleh dengan

(𝑛 × ∑ 𝑥𝑦) − (∑ 𝑥 × ∑ 𝑦)
𝑆𝑙𝑜𝑝𝑒 =
(𝑛 × ∑ 𝑥 2 ) − ∑ 𝑥 2
∑ 𝑥 − (𝑠𝑙𝑜𝑝𝑒 × ∑ 𝑥)
𝐼𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡 =
𝑛
Dengan

n = total data

x = variable x

y = variable y

sedangkan apabila dengan menggunakan fungsi excel maka formula yang digunakan adalah
intercept(variable x, variable y) dan slope(variable x, variable y).

hasil intercept dan slope dapat dilihat di bawah ini

log 1/x
intercept 2.158643 0.37776
-
slope -0.8139 10.7845

Forecasting hasil Trasnformasi

Forecasting dilakukan sesuai dengan langkah transformasi pada umumnya yaitu

𝐹𝑜𝑟𝑒𝑐𝑎𝑠𝑡 = 𝑖𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡 + (∑ 𝑠𝑙𝑜𝑝𝑒 × 𝑥)

Hasilnya adalah seperti dibawah ini:

f0(log) f0(1/x)
0.711411 0.198018
0.742167 0.181678
0.609723 0.242954
0.646965 0.227975
0.632536 0.233967
0.694165 0.206578
0.790285 0.153083
0.61417 0.241247
0.600995 0.246242
0.646965 0.227975
0.723394 0.19182
0.711411 0.198018
0.63728 0.232024
 0.609723 0.242954
0.75526 0.174279
0.705568 0.200965
0.609723 0.242954
0.667169 0.219164
0.627854 0.235859
0.632536 0.233967
0.694165 0.206578
0.683118 0.211845
0.646965 0.227975
0.605332 0.244618
0.688598 0.209252
0.618672 0.239497
0.69982 0.203817
0.596711 0.247826
0.61417 0.241247
0.705568 0.200965
0.694165 0.206578
0.69982 0.203817
0.623233 0.237702
0.627854 0.235859
0.768856 0.166299
0.63728 0.232024
0.618672 0.239497
0.775856 0.16207
0.61417 0.241247
0.742167 0.181678

Forecasting
Dalam melakukan forecasting yang dilakukan adalah merubah hasil forecasting transformasi dengan
mengembalikannya dengan fungsi yang berlainan. Untuk transformasi Log maka forecasting adalah
exponensial dari hasil forecasting transformasi. Sedangkan untuk transformasi 1/x fungsi yang
digunakan untuk mengembalikan nilai adalah 1/x

Hasil forecasting dapat pada table dibawah ini:

forecast1 forecast2
2.036862 5.050036
2.100481 5.504237
1.839922 4.116008
1.909736 4.386439
1.882378 4.274112
2.002036 4.840797
2.204025 6.532406
1.848121 4.145122
1.823933 4.061049
1.909736 4.386439
2.061417 5.21321
 2.036862 5.050036
1.89133 4.309906
1.839922 4.116008
2.128164 5.737929
2.024996 4.975991
1.839922 4.116008
1.948713 4.562783
1.873586 4.239825
1.882378 4.274112
2.002036 4.840797
1.980042 4.720439
1.909736 4.386439
1.831861 4.088005
1.990923 4.778921
1.856462 4.175413
2.013391 4.906374
1.816135 4.035083
1.848121 4.145122
2.024996 4.975991
2.002036 4.840797
2.013391 4.906374
1.864948 4.206954
1.873586 4.239825
2.157298 6.013256
1.89133 4.309906
1.856462 4.175413
2.172451 6.170172
1.848121 4.145122
2.100481 5.504237

Melihat derajad kesalahan (error)

Derajad kesalahan dapat diketahui dengan menggunakan MAPE atau MSE. MAPE dapat diketahui
dengan menghitung persentase kesalahan dibanding dengan data actual, sedangakn MSE adalah
mengkuadratkan hasil error.

Berikut hasil perhitungannya:

Weight MPG Tweight(log) tweigh(1/x) tY(log) tY(1/x) f0(log) forecast1 error abs PE SE
(x) (y)
60 5.3 1.77815125 0.016666667 0.724276 0.188679 0.711411 2.036862 3.3 3.263138 62% 10.65
55 5.0 1.740362689 0.018181818 0.69897 0.2 0.742167 2.100481 2.9 2.899519 58% 8.41
80 4.0 1.903089987 0.0125 0.60206 0.25 0.609723 1.839922 2.2 2.160078 54% 4.67
72 4.2 1.857332496 0.013888889 0.623249 0.238095 0.646965 1.909736 2.3 2.290264 55% 5.25
75 4.5 1.875061263 0.013333333 0.653213 0.222222 0.632536 1.882378 2.6 2.617622 58% 6.85
63 5.1 1.799340549 0.015873016 0.70757 0.196078 0.694165 2.002036 3.1 3.097964 61% 9.60
48 7.2 1.681241237 0.020833333 0.857332 0.138889 0.790285 2.204025 5.0 4.995975 69% 24.96
79 3.9 1.897627091 0.012658228 0.591065 0.25641 0.61417 1.848121 2.1 2.051879 53% 4.21
82 3.8 1.913813852 0.012195122 0.579784 0.263158 0.600995 1.823933 2.0 1.976067 52% 3.90
72 4.4 1.857332496 0.013888889 0.643453 0.227273 0.646965 1.909736 2.5 2.490264 57% 6.20
58 4.9 1.763427994 0.017241379 0.690196 0.204082 0.723394 2.061417 2.8 2.838583 58% 8.06
60 5.1 1.77815125 0.016666667 0.70757 0.196078 0.711411 2.036862 3.1 3.063138 60% 9.38
74 4.5 1.86923172 0.013513514 0.653213 0.222222 0.63728 1.89133 2.6 2.60867 58% 6.81
80 4.3 1.903089987 0.0125 0.633468 0.232558 0.609723 1.839922 2.5 2.460078 57% 6.05
53 5.9 1.72427587 0.018867925 0.770852 0.169492 0.75526 2.128164 3.8 3.771836 64% 14.23
61 5.5 1.785329835 0.016393443 0.740363 0.181818 0.705568 2.024996 3.5 3.475004 63% 12.08
80 3.5 1.903089987 0.0125 0.544068 0.285714 0.609723 1.839922 1.7 1.660078 47% 2.76
68 4.1 1.832508913 0.014705882 0.612784 0.243902 0.667169 1.948713 2.2 2.151287 52% 4.63
76 4.5 1.880813592 0.013157895 0.653213 0.222222 0.627854 1.873586 2.6 2.626414 58% 6.90
75 4.4 1.875061263 0.013333333 0.643453 0.227273 0.632536 1.882378 2.5 2.517622 57% 6.34
63 5.0 1.799340549 0.015873016 0.69897 0.2 0.694165 2.002036 3.0 2.997964 60% 8.99
65 4.9 1.812913357 0.015384615 0.690196 0.204082 0.683118 1.980042 2.9 2.919958 60% 8.53
72 4.6 1.857332496 0.013888889 0.662758 0.217391 0.646965 1.909736 2.7 2.690264 58% 7.24
81 4.0 1.908485019 0.012345679 0.60206 0.25 0.605332 1.831861 2.2 2.168139 54% 4.70
64 5.3 1.806179974 0.015625 0.724276 0.188679 0.688598 1.990923 3.3 3.309077 62% 10.95
78 4.4 1.892094603 0.012820513 0.643453 0.227273 0.618672 1.856462 2.5 2.543538 58% 6.47
62 4.9 1.792391689 0.016129032 0.690196 0.204082 0.69982 2.013391 2.9 2.886609 59% 8.33
83 3.8 1.919078092 0.012048193 0.579784 0.263158 0.596711 1.816135 2.0 1.983865 52% 3.94
79 4.1 1.897627091 0.012658228 0.612784 0.243902 0.61417 1.848121 2.3 2.251879 55% 5.07
61 4.8 1.785329835 0.016393443 0.681241 0.208333 0.705568 2.024996 2.8 2.775004 58% 7.70
63 5.0 1.799340549 0.015873016 0.69897 0.2 0.694165 2.002036 3.0 2.997964 60% 8.99
62 4.9 1.792391689 0.016129032 0.690196 0.204082 0.69982 2.013391 2.9 2.886609 59% 8.33
77 4.6 1.886490725 0.012987013 0.662758 0.217391 0.623233 1.864948 2.7 2.735052 59% 7.48
 76 4.5 1.880813592 0.013157895 0.653213 0.222222 0.627854 1.873586 2.6 2.626414 58% 6.90
51 5.7 1.707570176 0.019607843 0.755875 0.175439 0.768856 2.157298 3.5 3.542702 62% 12.55
74 4.2 1.86923172 0.013513514 0.623249 0.238095 0.63728 1.89133 2.3 2.30867 55% 5.33
78 4.3 1.892094603 0.012820513 0.633468 0.232558 0.618672 1.856462 2.4 2.443538 57% 5.97
50 6.1 1.698970004 0.02 0.78533 0.163934 0.775856 2.172451 3.9 3.927549 64% 15.43
79 4.3 1.897627091 0.012658228 0.633468 0.232558 0.61417 1.848121 2.5 2.451879 57% 6.01
55 4.7 1.740362689 0.018181818 0.672098 0.212766 0.742167 2.100481 2.6 2.599519 55% 6.76
58% 7.94
MAPE MSE

Weight MPG Tweight(log) tweigh(1/x) tY(log) tY(1/x) f0(1/x) forecast2 error abs PE MSE
(x) (y)
60 5.3 1.778151 0.016667 0.724276 0.188679 0.198018 5.050036 0.249964 0.249964 5% 0.062482
55 5 1.740363 0.018182 0.69897 0.2 0.181678 5.504237 -0.50424 0.504237 10% 0.254254
80 4 1.90309 0.0125 0.60206 0.25 0.242954 4.116008 -0.11601 0.116008 3% 0.013458
72 4.2 1.857332 0.013889 0.623249 0.238095 0.227975 4.386439 -0.18644 0.186439 4% 0.034759
75 4.5 1.875061 0.013333 0.653213 0.222222 0.233967 4.274112 0.225888 0.225888 5% 0.051026
63 5.1 1.799341 0.015873 0.70757 0.196078 0.206578 4.840797 0.259203 0.259203 5% 0.067186
48 7.2 1.681241 0.020833 0.857332 0.138889 0.153083 6.532406 0.667594 0.667594 9% 0.445682
79 3.9 1.897627 0.012658 0.591065 0.25641 0.241247 4.145122 -0.24512 0.245122 6% 0.060085
82 3.8 1.913814 0.012195 0.579784 0.263158 0.246242 4.061049 -0.26105 0.261049 7% 0.068147
72 4.4 1.857332 0.013889 0.643453 0.227273 0.227975 4.386439 0.013561 0.013561 0% 0.000184
58 4.9 1.763428 0.017241 0.690196 0.204082 0.19182 5.21321 -0.31321 0.31321 6% 0.0981
60 5.1 1.778151 0.016667 0.70757 0.196078 0.198018 5.050036 0.049964 0.049964 1% 0.002496
74 4.5 1.869232 0.013514 0.653213 0.222222 0.232024 4.309906 0.190094 0.190094 4% 0.036136
80 4.3 1.90309 0.0125 0.633468 0.232558 0.242954 4.116008 0.183992 0.183992 4% 0.033853
53 5.9 1.724276 0.018868 0.770852 0.169492 0.174279 5.737929 0.162071 0.162071 3% 0.026267
61 5.5 1.78533 0.016393 0.740363 0.181818 0.200965 4.975991 0.524009 0.524009 10% 0.274585
80 3.5 1.90309 0.0125 0.544068 0.285714 0.242954 4.116008 -0.61601 0.616008 18% 0.379466
68 4.1 1.832509 0.014706 0.612784 0.243902 0.219164 4.562783 -0.46278 0.462783 11% 0.214168
76 4.5 1.880814 0.013158 0.653213 0.222222 0.235859 4.239825 0.260175 0.260175 6% 0.067691
75 4.4 1.875061 0.013333 0.643453 0.227273 0.233967 4.274112 0.125888 0.125888 3% 0.015848
63 5 1.799341 0.015873 0.69897 0.2 0.206578 4.840797 0.159203 0.159203 3% 0.025345
 65 4.9 1.812913 0.015385 0.690196 0.204082 0.211845 4.720439 0.179561 0.179561 4% 0.032242
72 4.6 1.857332 0.013889 0.662758 0.217391 0.227975 4.386439 0.213561 0.213561 5% 0.045608
81 4 1.908485 0.012346 0.60206 0.25 0.244618 4.088005 -0.088 0.088005 2% 0.007745
64 5.3 1.80618 0.015625 0.724276 0.188679 0.209252 4.778921 0.521079 0.521079 10% 0.271523
78 4.4 1.892095 0.012821 0.643453 0.227273 0.239497 4.175413 0.224587 0.224587 5% 0.050439
62 4.9 1.792392 0.016129 0.690196 0.204082 0.203817 4.906374 -0.00637 0.006374 0% 4.06E-05
83 3.8 1.919078 0.012048 0.579784 0.263158 0.247826 4.035083 -0.23508 0.235083 6% 0.055264
79 4.1 1.897627 0.012658 0.612784 0.243902 0.241247 4.145122 -0.04512 0.045122 1% 0.002036
61 4.8 1.78533 0.016393 0.681241 0.208333 0.200965 4.975991 -0.17599 0.175991 4% 0.030973
63 5 1.799341 0.015873 0.69897 0.2 0.206578 4.840797 0.159203 0.159203 3% 0.025345
62 4.9 1.792392 0.016129 0.690196 0.204082 0.203817 4.906374 -0.00637 0.006374 0% 4.06E-05
77 4.6 1.886491 0.012987 0.662758 0.217391 0.237702 4.206954 0.393046 0.393046 9% 0.154485
76 4.5 1.880814 0.013158 0.653213 0.222222 0.235859 4.239825 0.260175 0.260175 6% 0.067691
51 5.7 1.70757 0.019608 0.755875 0.175439 0.166299 6.013256 -0.31326 0.313256 5% 0.098129
74 4.2 1.869232 0.013514 0.623249 0.238095 0.232024 4.309906 -0.10991 0.109906 3% 0.012079
78 4.3 1.892095 0.012821 0.633468 0.232558 0.239497 4.175413 0.124587 0.124587 3% 0.015522
50 6.1 1.69897 0.02 0.78533 0.163934 0.16207 6.170172 -0.07017 0.070172 1% 0.004924
79 4.3 1.897627 0.012658 0.633468 0.232558 0.241247 4.145122 0.154878 0.154878 4% 0.023987
55 4.7 1.740363 0.018182 0.672098 0.212766 0.181678 5.504237 -0.80424 0.804237 17% 0.646796
5% 0.094402
MAPE MSE

Dengan grafik perbandingan sebagai berikut

 Regression 1 (log)
8.0

7.0

6.0

5.0

4.0 actual
forecast
3.0

2.0

1.0

0.0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39

Regression 1 (1/x)
8.0

7.0

6.0

5.0

4.0 actual
forecast
3.0

2.0

1.0

0.0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
Kesimpulan
 Fungsi transformasi sangat berpengaruh terhadap hasil forecasting
 Pada kasus ini fungsi transformasi yang kami gunakan adalah log dan 1/x
 Hasil perbandingan data forecast dan actual menunjukan fungsi transformasi 1/x (MAPE 5%)
lebih baik dari pada fungsi transformasi log (MAPE 58%)