MODUL

MATAKULIAH
PENGOLAHAN DATA PERIKANAN

Modul 1.
Perhitungan Environmental Quality Index
(EQI)

Oleh:
Ir. Eka Iriadenta, M.Si.

Prodi MSP
Fakultas Perikanan
Universitas Lambung Mangkurat
Banjarbaru

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

PENENTUAN KUALITAS AIR DENGAN ENVIRONMENT QUALITY INDEX (EQI)

Dari Canter (1979)
Rumus yang dipergunakan:
(K * PIU)
EQI

= KA

K =
Konstanta
PIU =
Nilai Parameter Impact Unit
EQI =
Nilai EQI dengan maksimum : (K x PIU / 10 x 5 = 50)
KA =
Nilai Kualitas Air
Tahap Perhitungan:
1. Tentukan nilai K, yang menunjukkan tingkat pengaruh parameter terhadap kualitas air
Range nilai antara 0 - 10
=C17/$C$24x10
Contoh : untuk kasus budidaya tambak udang
No
Parameter Kualitas Air
Nilai
Konstanta
1 DO
10 1,7241379
2 pH
9 1,5517241
3 Alkalinitas
8 1,3793103
4 Suhu
9 1,5517241
5 Kecerahan
7 1,2068966
6 PO4
6 1,0344828
7 Salinitas
9 1,5517241
Total
58
10

2. Tentukan nilai PIU dengan tabel referensi berikut

No

Parameter

DO

pH

Alkalinitas

Suhu

Kecerahan

PO4

Salinitas

1
1 1,9
9,6 10
4 4,9
10,1 12
7 84
251 300
18 19,9
33,1 35
20 23
50,1 55
0,3 0,49
1,76 2,00
5 6,9
31 40

2
2 2,9
9 9,5
5 5,9
9,6 10
85 99
221 250
20 21,9
32,1 33
24 25
45,1 50
0,5 0,59
1,71 1,75
7 10,9
28,1 30

PIU
3
3 3,9
8 8,9
6 6,9
9,1 9,5
100 119
201 220
22 23,9
31,1 32
26 27
40,1 45
0,6 0,69
1,61 1,70
11 12,9
26,6 28

4
4 4,9
7 7,9
7 7,4
8 ,6 9
120 159
181 200
24 25,9
30,1 31
28 29
35,1 40
0,70 0,99
1,51 1,60
13 14,9
25,1 26,5

5
57
7,5 8,5
160 180
26 30
30 35
1 1,5
15 25

Nilai PIU ditetapkan berdasarkan hasil pengukuran parameter kualitas air yang ditetapkan
Contoh data pengukuran di lapangan:
No

Stasiun
1
2
3

A1
A2
A3

DO
4,9
2,8
5,6

Sal
41
40
39

Suhu
28,5
27,8
28

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

pH
8,8
8,4
8,4

Alk
315
265
250

Kecrh
75
55
100

PO4
1,5
2
1,5

Lihat tabel referensi PIU untuk penetapan nilai, sehingga dapat ditetapkan nilai PIU parameter pengamatan:
No
Stasiun
DO
Sal
Suhu
pH
Alk
Kecrh
1 A1
4
0
5
4
0
0
2 A2
2
1
5
5
1
1
3 A3
5
1
5
5
2
0

menghitung nilai KA Nilai Parameter KA

No
1

Sta
A1

DO
1,72 x 4
( 6,88 +

Sal
1,55 x 0
0
+

A2

1,72 x 2
( 3,44 +

1,55 x 1
1,55 +

A3

1,72 x 5
( 8,6 +

1,55 x 1
1,55 +

Suhu
1,55 x 5
7,75 +
50
1,55 x 5
7,75 +
50
1,55 x 5
7,75 +
50

Referensi Kualitas Air

Kelas
Kisaran Nilai KA
I
II
III
IV
V

0,00 - 0,20
0,21 - 0,40
0,41 - 0,60
0,62 - 0,80
0,81 - 1,00

pH
1,55 x 4
6,2 +

Alk
1,38 x 0
0 +

Kecrh
1,21 x 0
0
+

PO4
1,04 x 5
5,2 )

KA
26,03 /50

0,52

1,55 x 5
7,75 +

1,38 x 1
1,38 +

1,21 x 1
1,21 +

1,04 x 1
1,04 )

24,12 /50

0,48

1,55 x 5
7,75 +

1,38 x 2
2,76 +

1,21 x 0
0
+

1,04 x 5
5,2 )

33,61 /50

0,67

Sifat KA
Sangat
buruk
Buruk
Sedang
Baik
Excellent

Hasil Identifikasi Kualitas Air

No

Stasiun
1
2
3

A1
A2
A3

Nilai KA
0,52
0,48
0,67

Kelas
III
III
IV

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

Kualitas
Air
Sedang
Sedang
Baik

PO4
5
1
5

MODUL
MATAKULIAH
PENGOLAHAN DATA PERIKANAN

Modul 2.
Perhitungan Data Plankton dan Benthos

Oleh:
Ir. Eka Iriadenta, M.Si.

Prodi MSP
Fakultas Perikanan
Universitas Lambung Mangkurat
Banjarbaru

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

Modul 2. Perhitungan Data Plankton dan Benthos

Pengolahan data untuk perhitungan nilai kelimpahan dan indeks Plankton serta Benthos yang disajikan di sini pada
dasarnya merujuk pada rumus-rumus perhitungan yang secara umum telah digunakan bagi tujuan tersebut.
Data yang dianalisis merupakan data primer yang telah diperoleh dari hasil pengamatan terhadap sampel Plankton
dan Benthos yang diidentifikasi di laboratorium.
1. Kelimpahan
Perhitungan kelimpahan Plankton dilakukan dengan rumus: N = (n/m) X (s/a) X (1 / v)
(cara I)
atau
N = (n) X (s/a) X (1 / v)
(cara II)
dimana: N = Kelimpahan (individu atau sel per liter); n = Jumlah individu atau sel yang dicacah dalam m tetes
m = jumlah tetes sampel yang diperiksa ; s = volume air yang tersaring dengan pengawetnya (ml)
a
= volume tiap tetes sampel diamati di bawah mikroskop (pipet yang digunakan bervolume 0,05 ml)
v
= volume air yang disaring
Contoh:
Sebuah sampel plankton didapat dari hasil penyaringan dengan Plankton net dan ember dengan volume sebesar 20
liter (v = 20 liter). Hasil penyaringan tersebut ditampung dalam sebuah botol flakon dengan volume 30 ml (s = 30
ml/ 0,03 liter). Pengamatan di bawah mikroskop dilakukan dengan meneteskan sampel ke preparat dengan pipet
bervolume 0,05 ml. Pengamatan dilakukan sebanyak 3 kali ulangan (m = 3 tetes) dengan volume pipet 0,05 ml (a
= 0,05 ml).
Hasil pengamatan Plankton yang diidentifikasi dari 3 tetes sampel diperoleh hasil yang disusun sebagai berikut.
No
Jenis
Tetes 1 (T1)
Tetes 2 (T2)
Tetes 3 (T3)
Jumlah
Dengan demikian, jumlah sel
1
Micraetinium
0
1
1
2
yang dicacah dari 3 tetes
2
Gomphosphaera
1
0
0
1
sampel (3 kali pengulangan
3
Vampyrella
2
3
2
7
pengamatan
di
bawah
4
Anacystis
1
2
0
3
mikroskop) adalah 23 sel.
5
Oscillatoria
1
2
2
5
Nilai-nilai tersebut selanjutnya
6
Spyrogyra
1
1
0
2
dihitung ke dalam rumus di
7
Coelastrum
1
1
1
3
atas:
Jumlah

10

23

CARA I
N = (n/m) X (s/a) X (1 /V)
Dimana: n = 23 sel (atau individu), m = 3 tetes, s = 30 ml, a = 0,05 ml, v = 20 liter, sehingga N = (23 sel/ 3) X (30
ml/0,05 ml) X (1/20 liter)
Pada program MS Excel atau Calculator, perhitungan dengan rumus cara I: (Catatan: Pengurangan volume sampel
akibat pemipetan diabaikan):
Conto perhitungan:
= (23/3)*(30/0,05)*(1/20)
diperoleh hasil: 230 sel/liter (untuk phytoplankton)
Catatan: penulisan rumus di dalam MS Excel umumnya didahului dengan tanda sama dengan (=)
CARA II
Perhitungan Cara II (Catatan: Pengurangan volume sampel akibat pemipetan diperhitungkan)
Pengamatan tetes pertama diambil dari sampel volume 30 ml terdapat 7 sel:
N1 = 7 sel X (30 ml/0,05 ml) X (1/20 liter) = 210
Rumus MS Excel
= 7*((30/0,05)*(1/20))
Pengamatan tetes kedua diambil dari sampel volume 29,95 (30 ml 0,05 ml tetes pertama) terdapat 10 sel:
N2 = 10 sel X ((30 ml-0,05)/0,05 ml) X (1/20 liter) = 299,5
Rumus MS Excel
= 10*((30-0,05)/0,05)*(1/20)
Pengamatan tetes ketiga diambil dari sampel volume 29 ml (30 ml 2 X 0,05 ml tetes pertama dan kedua) terdapat
6 sel: N3 = 6 sel X ((30 ml (2 X 0,05))/0,05 ml) X (1/20 liter) = 179,4
Rumus MS Excel
= 6*((30-(2*0,05))/0,05)*(1/20)
Kelimpahan Total Plankton = (N1 + N2 + N3) / 3 = 229,6 sel/liter ~ 230 sel/liter
(Bandingkan hasil perhitungan cara I dengan cara II)
Selanjutnya, untuk perhitungan nilai-nilai Indeks yang akan diuraikan kemudian, tahapan perhitungan dapat
disajikan pada Tabel Contoh Perhitungan Nilai Indeks dengan MS Excel.
Catatan:
Dalam perhitungan ini, hasil pengamatan dan perhitungan CARA I dan CARA II tidak jauh berbeda.
Anda dapat pilih sendiri metode perhitungan yang digunakan.
PERHITUNGAN NILAI INDEKS:
2. Indeks Keanekaragaman (H)
H = Pi X Log 2. Pi
dimana Pi = Ni/N dan Log 2. Pi = Log Pi/Log 2
3. Indeks Keseragaman (E)
E = H/H max
dimana H max = Log 2. S dan Log 2.S = Log S/Log 2
4. Indeks Dominansi (D)
D = (Ni/N)2 atau D = (Pi)2

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

Catatan:
Satuan untuk kelimpahan phytoplankton adalah sel per liter, sedangkan untuk zooplankton adalah individu
per liter.
Perhitungan untuk Benthos:
Perhitungan untuk Benthos berbeda dengan plankton, karena alat sampling bukan plankton net, melainkan Eikman
Grab atau Petit Ponar yang mempunyai kemampuan menangkap sampel individu benthos tiap satuan luas tertentu
(misal individu/cm2).
Sebagai contoh: alat Petit Ponar mempunyai luas bukaan 6 inci X 6 inci atau kurang lebih 15 X 15 cm2 (= 225
cm2). Perhitungan kelimpahan: N = (n /m) X (s/a) (untuk CARA I)
Dimana
n = jumlah cacah individu yang teramati; m = ulangan pengambilan sampel (sedimen/lumpur) dengan alat
s = satuan luas (1 m2 = 10.000 cm2); a = luas bukaan alat (225 cm2 untuk Petit Ponar)
No
Jenis
Ulangan 1 (U1)
Ulangan 2 (U2)
Jumlah
N = (n /m) X (s/a)
1
A
0
1
1
N= (10 /2) X (10.000 /225) individu/ cm2
2
B
1
0
1
= 5 X 44,44 = 222,222 individu/ cm2 ~ 223
3
C
2
3
5
individu/ cm2
4
D
1
2
3
Untuk perhitungan nilai Indeks, dapat
Jumlah
4
6
10
digunakan rumus umum perhitungan nilai
indeks yang diberlakukan bagi plankton dengan beberapa modifikasi.
Contoh perhitungan selengkapnya dapat dilihat pada Tabel (Pada File yang di-copykan).
-

Lakukan latihan latihan perhitungan sendiri dengan merubah angka pengamatan

Coba lakukan perhitungan secara manual dengan Calculator, dan bandingkan hasilnya jika anda
melakukan perhitungan dengan MS Excel.

Catatan Penting:
Dalam perhitungan nilai indeks, harap diperhatikan bahwa:
Jika periran yang diamati merupakan perairan alamiah yang belum atau tidak mengalami tekanan
lingkungan, maka dalam rumus perhitungan indeks digunakan perhitungan Logaritma (lihat rumus untuk
indeks di atas, menggunakan Log)
Jika perairan yang diamati mengalami tekanan lingkungan / pencemaran, maka perhitungan
menggunakan Ln (baca Lon). Ubah rumus di atas, Log dijadikan Ln.
Penggunaan Log dan Ln, secara statistikal adalah untuk menjaga distribusi dan kehomogenan data. Jika
perairan tercemar, maka distribusi populasi kemungkinan besar tidak akan normal, dan data diperkirakan
tidak homogen, sehingga diperlukan perhitungan Ln.

Catatan:
Satuan untuk kelimpahan phytoplankton adalah sel per liter, sedangkan untuk zooplankton adalah
individu per liter.
Untuk membuat penetapan kriteria kualitas air berdasarkan nilai indeks keanekaragaman, dapat
dikakukan dengan penerapan fungsi logika (fungsi IF pada program Excel).
Sebagai contoh, berikut ini disajikan kembali Kriteria Kualitas Air berdasarkan Nilai Indeks
Keanekaragaman menurut Lee:
>2
1,6 - 2,0
< 1,0 - 1,6
<1

Belum Tercemar
Tercemar Ringan
Tercemar Sedang
Tercemar Berat

Kriteria tersebut dapat dimodifikasi (untuk aplikasi MS Excel) menjadi:

<1
= tercemar berat
< 1,59
= tercemar sedang
<2
= tercemar ringan
Kecuali kriteria di atas = belum tercemar
Dari modifikasi kriteria tersebut selanjutnya rumus logika pada sel lembar kerja adalah:
=
IF(SEL
NILAI
KEANEKARAGAMAN<1;TERCEMAR
BERAT;IF(SEL
NILAI
KEANEKARAGAMAN<1,59;TERCEMAR
SEDANG;IF(SEL
NILAI
KEANEKARAGAMAN<2;TERCEMAR RINGAN;BELUM TERCEMAR)))
Contoh perhitungan selengkapnya dapat dilihat pada Tabel.

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

Tabel Contoh Perhitungan Nilai Indeks Plankton dengan MS Excel

No

Jenis

T1

T2

T3

Ni

Pi=Ni/N

Log Pi

Hi

E=H/Log2S

(Ni/N)

Micraetinium

20

0,0869565

-1,0606978

0,3063967

0,859000363

Gomphosphaera

10

0,0434783

-1,3617278

0,1966766

0,0018904

Vampyrella

70

0,3043478

-0,5166298

0,5223239

0,0926276

Anacystis

30

0,1304348

-0,8846066

0,3832956

0,0170132

Oscillatoria

50

0,2173913

-0,6627578

0,4786161

0,047259

Spyrogyra

20

0,0869565

-1,0606978

0,3063967

0,0075614

Coelastrum

30

0,1304348

-0,8846066

0,3832956

0,0170132

230

2,5770011

0,1909263

S=

10

Log 2 =

11

Log 2 S =

0,3
Log S/Log 2 = 2,80735

Ni = (n/m) X (s/a) X (1/V)

Ni = (G2/3)*(30/0,05)*(1/20)
Catatan:

Log Pi = Log(I2)

E=K9/G14

Hi = - (I2*(J2/$D$10)

Di = (I2)^2

Hi = - Pi X Log 2.Pi

Posisi Baris dan Kolom pada rumus dapat berubah sesuai posisi/penempatan data
1. kelimpahan > 40 X 106/m3 termasuk perairan subur ; = (> 40 X 103/Lt)
2. kelimpahan 0,1 X 106 - 40 X 106/m3 termasuk kesuburan sedang; = (0,1 X 103 - 40 X 103/Lt)
3. kelimpahan < 0,1 X 106/m3 termasuk perairan kurang subur. (< 0,1 X 103/Lt)
TKP = Tingkat Kesuburan Perairan
TPP = Tingkat Pencemaran Perairan
Lee et al. Di dalam Tim KLH (1986):
>2

Belum Tercemar

2,0 - 1,6

Tercemar Ringan

< 1,6 - 1,0

<1
TKP
TPP

Tercemar Sedang
Tercemar Berat

=if(N<0,1*(10^3);"Kurang Subur";if(N<=40*(10^3);"Sedang";"Subur"))
=if(H<1;"Tercemar Berat";if(H<=1,6;"Tercemar Sedang";if(H<=2;"Tercemar Ringan";"Belum Tercemar")))

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

N
2

0,0075614

TKP

TPP

Sedang

Belum Tercemar

Tabel Contoh Perhitungan Nilai Indeks Benthos dengan MS Excel

B

No

Jenis

Nama

U1

U2

Ni

Pi=Ni/N

Log Pi

Hi

E=H/Log2S

(Ni/N)2

22,222222

0,0996512

-1,0015174

0,3315365

0,881629706

0,0099304

22,222222

0,0996512

-1,0015174

0,3315365

111,11111

0,4982561

-0,3025474

0,5007676

0,2482591

155,55556

0,6975585

-0,1564193

0,362461

0,4865879

0,2989537

-0,5243961

5
6

4
S=

66,666667

0,5207791

0,0893733

10

377,77778

2,0470808

0,8440811

H'

Log 2 =
Log 2 S =

0,0099304

Log S/Log 2 =

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

0,30103

223
2

MODUL
MATAKULIAH
PENGOLAHAN DATA PERIKANAN

Modul 3.
Perhitungan Rerata pH

Oleh:
Ir. Eka Iriadenta, M.Si.

Prodi MSP
Fakultas Perikanan
Universitas Lambung Mangkurat
Banjarbaru

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

PERHITUNGAN RERATA pH (derajat keasaman air)

Jika anda melakukan pengamatan/pengukuran pH di lapangan, pada satu stasiun
dengan beberapa kali ulangan pengukuran atau periode pengamatan, maka terkadang
anda harus melakukan perhitungan rerata nilai pH di stasiun tersebut.
Yang sering terjadi, salah kaprah perhitungan rerata pH tidak jarang menimbulkan
masalah.
Misal:
Data pengukuran di stasiun A untuk 3 periode / 3 kali ulangan pengukuran didapatkan
sebagai berikut.
pH A1 = 4
pH A2 = 2
pH A3 = 3
Tidak jarang, orang akan menghitung rerata pH pengukuran tersebut, dengan
langsung menjumlah (total) nilai pH tersebut kemudian membaginya dengan periode
pengukurannya.
Misal: A1 + A2 + A3 = 9, sehingga reratanya adalah 9/3 = 3
pH rerata disimpulkan 3.
Benar atau Salah ?
Mari kita pahami esensi nilai pH.
pH = - log [H+] , yang berarti bahwa nilai pH merupakan minus logaritma dari
konsentrasi ion H+.
Sehingga jika kita akan merata-ratakan nilai pH, semestinya kita harus merubah
terlebih dahulu nilai pH tersebut ke dalam nilai konsentrasinya.
Misal:
pH = 4 konsentrasinya adalah : 1 x 10-4
pH = 2 konsentrasinya adalah : 1 x 10-2
pH = 3 konsentrasinya adalah : 1 x 10-3
sehingga rerata nilai pH dicari dengan menjumlahkan ketiga konsentrasi tersebut, baru
direratakan (dibagi 3) untuk kemudian dicari nilai minus logaritmanya:
= ([1 x 10-4] + [1 x 10-2] + [1 x 10-3])/3 = 0,0037 = 3,7 x 10-3
pH rerata = - log [3,7 x 10-3]
pH rerata = 3 - 0,568 = 2,432, perhatikan: Hasilnya Tidak Sama
Kesimpulan:
- Pengukuran rerata pH tidak dapat dilakukan langsung pada nilai pH tersebut,
melainkan dengan mengkonversinya terlebih dahulu menjadi nilai konsentrasinya,
kecuali jika nilai-nilai pH tersebut sama.
- Pengukuran rerata pH lebih tepat jika diaplikasikan untuk percobaan/ eksperimen
laboratorium
- Untuk deskripsi kondisi pH di lapangan, sebaiknya digunakan nilai kisaran pH hasil
pengukuran. Misal untuk contoh di atas kisaran pH 2 4.

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

Untuk diperhatikan:
- Dengan menganalogkan kasus perhitungan rerata pH tersebut, maka nilai indeks
(seperti Indeks Keanekaragaman, dsb pada perhitungan Modul 1), maka nilai indeks
pun tidak dapat dirata-ratakan langsung dari beberapa nilai indeks secara langsung,
karena nilai indeks (seperti halnya pH) tidak memiliki satuan
- Hati-hati mereratakan nilai-nilai suatu parameter yang tidak memiliki satuan
Contoh perhitungan nilai rerata pH dengan MS Excel
Perhitungan Rerata pH
No pH ukur Konsentrasi
Rerata pH Rerata
1,0E-07
3,8E-07 6,421296
1
7
2
6
1,0E-06
3
6,5
3,2E-07
4
7
1,0E-07

Formula:
=10^-(sel dari nilai pH)

Formula:
=-log(sel dari rerata
konsentrasi)

Formula:
=Average(blok seluruh
konsentrasi pH)

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

MODUL
MATAKULIAH
PENGOLAHAN DATA PERIKANAN

Modul 4.
Analisis Regresi

Oleh:
Ir. Eka Iriadenta, M.Si.

Prodi MSP
Fakultas Perikanan
Universitas Lambung Mangkurat
Banjarbaru

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

DASAR TEORI / FALSAFAH REGRESI

(REGRESI LINIER SEDERHANA)
History
Istilah REGRESI diperkenalkan oleh Francis Galton, dalam tulisannya Family
Likeness in Stature (Proceedings of Royal Society, London, vol. 40, 1886) yang
menjelaskan hasil penelitian bahwa meskipun ada kecenderungan bagi orang tua yang
tinggi mempunyai anak yang tinggi dan orang tua yang pendek mempunyai anak yang
pendek, distribusi mengenai tinggi dari suatu populasi tidak berubah dari generasi ke
generasi. Galton menyebutkan istilah regression to mediocrity untuk menyatakan
ada suatu kecenderungan untuk rata-rata anak dari orang tua dengan tinggi tertentu
bergerak menuju nilai rata-rata dari seluruh populasi, dan dapat disimpulkan bahwa
umumnya tinggi anak mengikuti tinggi orang tua.
Interpretasi Modern tentang Regresi
Damodar Gujarati (dalam bukunya Basic Econometrics) menyebutkan interpretasi
modern tentang regresi:
Regression analysis is concerned with the study of dependence of one variable,
the dependent variable, on one or more other variables, the explanatory variables,
with view to estimating and or predicting the (population) mean or average value
of the former in terms of the known or fixed (in repeating sampling) values of the
latter.
Analisis regresi berkenaan dengan studi kebergantungan dari satu variabel yang
disebut variabel tak bebas (dependent variable) terhadap satu atau lebih variabel, yaitu
variabel yang menerangkan (explanatory variabel/ independent variable variabel
bebas), dengan tujuan untuk memperkirakan dan atau meramalkan nilai rerata dari
variabel tak bebas, apabila nilai variabel yang menerangkan sudah diketahui.
Substansi dari analisis regresi adalah memperkirakan/meramalkan nilai
variabel Y jika nilai variabel X sudah diketahui.
Hubungan Antara Variabel/Data
Suatu variabel yang mengandung data, mungkin dapat saling berhubungan. Dalam
ilmu fisika, hubungan antar variabel merupakan hubungan yang eksak (excat
relationship) atau ketergantungan fungsional secara deterministik. Contoh: Kecepatan
pasti dipengaruhi oleh jarak dan waktu. Maksudnya, jika nilai X diketahui sekian,
maka nilai Y pasti sekian. Di dalam hubungan fungsional/fuctional relationship,
variabelnya tidak acak/random.
Hubungan variabel pada regresi merupakan hubungan statistik/ketergantungan
statistik (stastistical independent), yaitu merupakan hubungan antar variabel yang
random atau variabel yang stokastik (random of stochastic variables). Contoh: Jumlah
produksi padi tidak hanya dipengaruhi oleh jumlah pupuk, tapi juga oleh faktor-faktor
yang lain seperti ketersediaan bibit, luas sawah, curah hujan, kesuburan lahan, jumlah
petani/tenaga kerja dan lain sebagainya.
Jadi hubungan statistik dalam regresi tidak merupakan hubungan sebab dan akibat,
bukan hubungan yang eksak, maksudnya kalau nilai X sudah diketahui, maka kita
masih tidak bisa memastikan nilai Y, kecuali hanya bisa mengharapkan bahwa Y kirakira akan bernilai sekian (hanya bersifat peramalan/pendugaan).
Penentuan variabel tidak bebas (Y) terhadap variabel bebas (X) dalam regresi harus
diperhatikan, karena anggapan/hipotesis yang timbul dari hubungan tersebut bukan
sebab akibat, dan penetapan variabel yang keliru akan membuat analisis regresi yang

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

salah. Misal: Jika kita menganggap curah hujan mempengaruhi produksi padi,
anggapan/hipotesis tersebut bukan karena alasan/pertimbangan statistik tapi karena
anggapan yang berlaku umum (common sense) menunjukkan bahwa kita tidak boleh
mengatakan produksi padi mempengaruhi curah hujan sebab kita tidak bisa begitu
saja mengontrol variabel curah hujan. Jadi variabel tidak bebas produksi padi (Y)
dipengaruhi variabel bebas curah hujan (X).
Mana yang benar pada pernyataan berikut:
a. Jika tubuh ikan bertambah berat, maka ikan tersebut akan bertambah panjang.
b. Jika tubuh ikan bertambah panjang, maka ikan tersebut bertambah berat.
Logika kita akan menyatakan, pernyataan b yang benar, dimana panjang ikan adalah
X dan berat ikan adalah Y. Ingat, jangan sampai terbalik.
Persamaan Regresi
Persamaan regresi sangat berguna untuk membuat ramalan dari berbagai nilai variabel
guna menyusun perencanaan.
Penggunaan garis regresi harus memperhatikan asumsi-asumsi tertentu.
Secara umum, persamaan regresi linier sederhana dinyatakan sebagai :
Y=a+bX
Dimana:
X
= nilai variabel bebas, yang telah diketahui
Y
= nilai variabel tidak bebas, yang akan diramalkan/diprediksi
a & b = koefisien regresi, yang dihitung dengan Least Square Method
Dalam studi/kajian Regresi, kita hanya akan membahas hubungan statistik, yaitu
hubungan yang memperhitungkan adanya berbagai kesalahan, paling tidak kesalahan
dalam mengukur variabel (measurements error). Bentuk fungsi yang dipakai bukan Y
= a + b X, akan tetapi = a + b X + , dimana adalah bias/kesalahan pengganggu
yang terjadi dalam melakukan prediksi, yang menyebabkan tidak tepatnya ramalan
nilai Y setelah nilai X diketahui.
=a+bX+
Dimana:
X
= nilai variabel bebas, yang telah diketahui

= nilai variabel tidak bebas, yang akan diramalkan/diprediksi

a & b = intercept & koefisien regresi, yang dihitung dengan Least Square Method

= bias/kesalahan yang terjadi dalam melakukan prediksi/kesalahan

pengganggu yang menyebabkan tidak tetapnya ramalan nilai Y,
setelah X diketahui
Ketidaktepatan ramalan nilai Y prediksi () dengan menggunakan regresi disebabkan
adanya berbagai kesalahan/error (), antara lain:
1. kesalahan dalam mengukur variabel
2. kesalahan karena tidak semua variabel yang mempengaruhi Y dimasukkan
dalam persamaan regresi
3. kesalahan karena fungsi yang dipakai tidak cocok (fit) misal yang
dipergunakan seharusnya fungsi parabola, tapi yang dipergunakan fungsi linier
4. asumsi-asumsi yang dipergunakan tidak benar.

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

Contoh penggunaan regresi:

1. Regresi antara variabel tinggi badan orang (Y) terhadap umur (X) dapat
digunakan untuk memperkirakan rata-rata tingginya kalau umurnya sudah
diketahui. Asumsinya: pertumbuhan badan orang tsb normal.
2. Seorang ahli moneter akan meramalkan tingkat harga (Y) setelah jumlah uang
beredar (X) diketahui.Asumsinya: jumlah barang beredar tetap.
Analisis Korelasi dalam Regresi
Analisis korelasi bertujuan untuk mengukur kuatnya tingkat hubungan linier antar dua
variabel. Untuk mengukur kuatnya hubungan (korelasi) antar variabel X dan Y
dipergunakan nilai yang disebut koefisien. Korelasi diberi simbol rxy atau r saja.
Nilainya antara -1 dan 1. Nilai r =1 berarti hubungan X dan Y sempurna & positif.
Nilai r = 0 berarti hubungan X & Y lemah sekali atau tidak ada hubungan.
Hubungan
Jika nilai X naik
Jika nilai X turun
Positif
Nilai Y naik
Nilai Y turun
Negatif
Nilai Y turun
Nilai Y naik
Lemah/tidak berhubungan Nilai Y tidak berubah, Nilai Y tidak berubah,
atau naik turun
atau naik turun
Hubungan Variabel X dan Y secara Scattergram / Grafis
Y

X
Hubungan positif

X
Y

Hubungan negatif

X
Tak ada hubungan/lemah

X
Tak ada hubungan/lemah

Apabila X dan Y mempunyai hubungan kuat, kita bisa menggunakan persamaan garis
regresi untuk meramalkan nilai rerata Y jika X diketahui. Nilai koefisien korelasi (r)
dapat dihitung dari akar r2. Nilai r2 disebut nilai koefisien penetuan atau koefisien
determinasi,
yang
digunakan
untuk
mengukur
besarnya
persentase
sumbangan/kontribusi nilai X (regresi) terhadap variasi (naik turunnya) nilai Y.
Contoh: X = pendapatan, Y = konsumsi, r = 0,9 dan r2 = 0,81 berarti bahwa hubungan
X dan Y kuat dan positif (0,9), kemudian variasi (naik turunnya) X memiliki
kontribusi/pengaruh sebesar 81% terhadap naik turunnya nilai Y, sedangkan sisanya
(19%) dipengaruhi oleh variabel lain yang tidak dimasukkan dalam persamaan garis
regresi.

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

Koefisien Regresi
Koefisien regresi dalam persamaan garis regresi linier sederhana biasanya dinyatakan
dengan simbol a dan b. Nilai a dan b adalah koefisien regresi, yang biasanya dihitung
dengan Least Square Method.
a =
intercept, yaitu jarak dari titik asal ke titik perpotongan antara garis regresi
dengan sumbu tegak/konstanta.
b =
koefisien arah (slope) atau koefisien regresi
Nilai b selain menunjukan pengaruh (positif/negatif) X terhadap Y, juga menunjukkan
besarnya pengaruh yang terjadi. Misal: Jika X (pendapatan) dan Y (konsumsi) serta b
= 0,550 berarti bahwa kenaikan pendapatan berpengaruh positif terhadap konsumsi
(konsumsi akan naik karena kenaikan pendapatan), dimana setiap kenaikan sebesar
Rp. 1000,- akan menaikan konsumsi sebesar Rp. 550,-.

Persamaan garis regresi

Y=a+bX
b

Contoh data & soal untuk analisis regresi linier sederhana

X (Rp)
Y (Rp)
Pendapatan Konsumsi
80
70
100
65
120
90
140
95
160
110
180
115
200
120
220
140
240
155
260
150
Hitung a, b dan tulis persamaan analisis regresi linear Y = a + b X. Apa arti b pada hasil tersebut ? Jelaskan hasilnya !
Contoh hasil perhitungan analisis regresi menggunakan perangkat lunak MS Excel
SUMMARY OUTPUT
Regression Statistics
Multiple R
0,980847369
R Square
0,96206156
Adjusted R Square 0,957319256
Standard Error
6,493003227
Observations

10

ANOVA

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

df
Regression
Residual

SS
MS
F
Signifi. F
1 8552,727273 8552,727 202,8679 5,75275E-07
8 337,2727273 42,15909

Total

8890

Intercept

Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95,0% Upper 95,0%
24,45454545 6,413817299 3,812791 0,005142 9,664246677 39,2448442 9,664246677 39,24484423

X Variable 1

0,509090909 0,035742806 14,24317 5,75E-07 0,426667796 0,59151402 0,426667796 0,591514022

Berdasarkan hasil analisis:

1) Nilai a = intercept = 24,45 sedangkan nilai b=X variabel 1 = 0,509 sehingga
persamaan regresinya adalah Y = 24,45 + 0,509 X
2) b = 0,509; berarti setiap kenaikan pendapatan sebesar Rp. 1000,- akan menaikan
konsumsi sebesar Rp. 509,- (atau kenaikan X 1% akan menaikkan Y 0,509%).
3) Korelasi antara X dan Y dinyatakan dengan nilai Multiple R =0,98 berarti
mendekati 1 atau hubungan antara X dan Y sangat erat. Dalam statistik tidak ada
pedoman yang pasti tentang interval keeratan hubungan antar variabel. Namun
pada umumnya angka korelasi > 0,6 dianggap cukup memadai
menggambarkan eratnya hubungan antar variabel, sedangkan angka < 0,6
berarti antar variabel tidak berkorelasi dengan baik (hubungan tidak erat)
atau model regresi kurang baik.
4) Standard error =6,49 menunjukkan variasi sebesar 6,49 di sekeliling garis regresi
atau simpangan yang terjadi dalam meramalkan nilai variabel Y. Makin besar
standar error maka makin tersebar variabel Y yang riil dari garis regresinya, atau
makin bias angka ramalan kita.
5) R square (koefisien determinasi) = R2 = 0,96 berarti 96% variasi Y bisa dijelaskan
oleh variasi X, atau nilai konsumsi (Y) dipengaruhi sebesar 96% oleh variabel
Pendapatan (X) sedangkan sisanya (4%) dipengaruhi oleh variabel lain yang tidak
dimasukkan dalam model persamaan regresi.
Untuk regresi linier sederhana, pemggunaan R square sudah dianggap cukup
untuk menjelaskan determinasi. Namun untuk persamaan multi regresi (regresi
berganda) dianjurkan untuk menggunakan Adjusted R square.
6) Jika grafik Residual Plot tidak memberikan pembentukan suatu pola tertentu pada
masing-masing gambar residual, atau angka residual tersebar merata (baik positif
maupun negatif) maka bisa disimpulkan bahwa model persamaan regresi layak
untuk memprediksikan nilai Y. Tapi jika ada pola tertentu pada residual maka
model tersebut tidak bisa dipakai untuk memprediksikan variabel dependent (Y).
Contoh grafik residual yang memiliki pola:
Residual

X (independent variable)

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP

Modul Pengolahan Data Perikanan oleh Eka Iriadenta Prodi MSLP