BAB IV

ANALISA DATA DAN PEMBAHASAN

4.1 Scatterplot
Dari data nilai variasi sudut kemiringan lintasan dan respon waktu tempuh
pipa PVC, akan diolah dan dianalisis menggunakan metode yang telah dibahas
diatas. Berikut ini adalah gambar grafik scatterplot digunakan untuk menduga pola
yang diikuti oleh data yang diinput.

Vasiasi Sudut VS Waktu Tempuh

Waktu Tempuh pipa PVC(t)

1,2
1
0,8
0,6
0,4
0,2
0

0,1

0,2

0,3

0,4

0,5

0,6

Variasi Sudut Lintasan sin

Gambar 4.1 Scatterplot Variasi sudut vs Waktu tempuh pipa PVC

Berdasarkan gambar 4.1 terdapat 4 kemungkinan model yang mendekati
pola data pada gambar 4.1, pola tersebut yakni : simple liner regresi model, nonlinier exponential model, non linier-power model seperti yang ditunjukkan
gambar 4.2

Gambar 4.2 Beberapa model regresi non-linier

14

4.2 Analisa Regresi

Untuk mengetahui bentuk hubungan antara besarnya sudut kemiringan
lintasan terhadap waktu tempuh pipa PVC dalam persamaan matematis. Berikut ini
terdapat 4 model regresi yang penulis coba untuk analisa dan bandingkan secara
manual dan divalidasikan dengan software minitab untuk mengetahui valid
tidaknya perhitungan manual. Perbandingan manual dilakukan untuk memperoleh
model yang paling fit mendeskripsikan hubungan data besarnya sudut kemiringan
lintasan terhadap data waktu tempuh pipa PVC.
4.2.1 SIMPLE LINIER REGRESSION
Data besar sudut kemiringan lintasan (X) dan waktu tempuh pipa pvc (Y)
dituangkan dalam bentuk tabel ditunjukkan pada tabel 4.3
Tabel 4.3. Tabel data sudut kemiringan lintasan (X) dan waktu tempuh pipa pvc (Y)

Untuk dapat membangun model persamaan regresi sederhana seperti berikut :

= +
Keterangan :
Y = Variabel Terikat = Variabel respon waktu tempuh pipa PVC
X = Variabel bebas = Variabel perlakuan yakni besar sudut kemiringan lintasan
a = Konstanta
b = Koefisien regresi.

15

maka penulis juga memuatkan perhitungan secara manual pada tabel 4.3 nilai
nilai yang dibutuhkan untuk mendapatkan konstanta a dan koefisien regresi.
=

2
2 ( )

((2.357081)(13.89) (5.6779661)(5.11407))
((15)(2.357081) (5.6779661)2 )
= 1.18782

2 ( )

((15)(5.11407) (5.6779661)(13.89))
((15)(2.357081) (5.6779661)2 )

= 0.691686636
Sehingga model persamaan liniernya adalah :
= 1.18782 0.691686636
Apabila diplot dalam bentuk grafik maka akan ditunjukkan seperti gambar 4,3
Simple Linier Regression
1,15

Waktu tempuh pipa PVC

1,10
1,05
1,00
0,95
0,90
0,85
0,80
0,75
0,20

0,25

0,30
0,35
0,40
0,45
Variasi sudut kemiringan lintasan

0,50

0,55

Gambar 4.3 Plot grafik simple regression model

16

4.2.1.1 Uji lack of fit

Uji lack of fit digunakan untuk mengetahui kecocokan model linier yang
dibangun untuk menjelaskan hubungan antara X dan Y. Berikut ini adalah data
tabel perhitungan pure error pada setiap perulangan data X dan respon Y
Tabel 4.4 Perhitungan pure error pada setiap perulangan X dan Y

Dari tabel 4.3 dan tabel 4.4 dapat dicari nilai , ,

Fo, dan Lack of fit

Lack of fit = = 0.1503447 0.1024 = 0.0479447

=
=
=

= 0.0479447

= 0.008533333

= 5.6182

Atau dalam bentuk tabel akan ditunjukkan oleh tabel 4.5

17

Tabel 4.5 Nilai nilai , , Fo, dan Lack of fit

Source

SS

DF

Regression
Error
Lack of Fit
Pure Error
Total Error

0,0994153
0,1503447
0,0479447
0,1024
0,24976

1
13
1
12
14

MS

F0

0,0479447
0,008533333

5,61852

4.2.1.2 Pengujian Hyphotesis Lack of fit

Ho : Model linier cocok untuk menjelaskan hubungan antara X dan Y
H1 : Model linier tidak cocok untuk menjelaskan hubungan antara X dan Y
Kaidah pengujian :
Ho tidak ditolak jika F0 < F(a;n-2-ne;ne)
Diambil nilai sebesar = 0.05
Dari tabel distribusi F dengan F(0.05;1;12) diperoleh nilai 4.75 artinya bahwa nilai
F0 >F(a;n-2-ne;ne) atau 5,61852 > 4.75, Ho DITOLAK , sehingga model linier tidak
cocok untuk menjelaskan hubungan antara X dan Y.

18

4.2.1.3 VALIDASI PERHITUNGAN MANUAL DENGAN BANTUAN

SOFWARE MINITAB.
SIMPLE LINIER MODEL
Regression Analysis: Y versus X
The regression equation is
Y = 1,19 - 0,692 X
PERSAMAAN SESUAI
PERHITUNGAN MANUAL
SUB BAB 4.2.1 (VALID)
Predictor
Constant
X

Coef
1,18782
-0,6917

SE Coef
0,09352
0,2359

T
12,70
-2,93

P
0,000
0,012

S = 0,107541
R-Sq = 39,8%
R-Sq(adj) = 35,2%
KOEFISIEN DETERMINASI R2 SESUAI
PERHITUNGAN MANUAL (VALID )
PRESS = 0,193363

R-Sq(pred) = 22,58%

Analysis of Variance
Source
Regression
Residual Error
Lack of Fit
Pure Error
Total

DF
1
13
1
12
14

SS
0,09942
0,15034
0,04794
0,10240
0,24976

MS
0,09942
0,01156
0,04794
0,00853

F
8,60

P
0,012

5,62

0,035

SESUAI
PERHITUNGAN MANUAL PADA TABEL 4.5 ( VALID)

19

4.2.2 EXPONENTIAL MODEL REGRESSION

Persamaan non linier model eksponensial adalah berupa Y = abx (1), untuk
memperoleh persamaan liniernya maka persamaan (1) harus ditransformasikan
sebagai berikut.
=
log = log( )
log = log() + log( )(2)
Sehingga dapat dimisalkan Y= log Y, maka dari perubahan diatas maka data X dan
Y dapat dituangkan pada tabel 4.6 sebagai berikut :
Tabel 4.6 Data setelah dilinierkan

Untuk memperoleh nilai konstanta log a dan slope log b maka ditunjukkan pada
perhitungan dibawah ini.
log =

2 log log ((2.3571)(0.563940107) (5.678)(0.278567))

=
(15)(2.3571) (32.239)
2 ( )2

log = 0.080990655
log =

log
2

( )2

(15)(0.278567) (5.678)(563940107)
(15)(2.3571) (32.239)

log = 0.31328118

20

Sehingga persamaan liniernya adalah

Y = 0.080990655 0.31328118
Apabila diplot dalam grafik maka akan ditunjukkan pada gambar 4.4
Exponensial Regression Model
Y'= Log Y ( Waktu tempuh Pipa PVC)

0,050
0,025
0,000
-0,025
-0,050
-0,075
-0,100
-0,125
0,20

0,25

0,30
0,35
0,40
0,45
Variasi besar sudut kemiringan lintasan

0,50

0,55

Gambar 4.4 Plot grafik Exponensial Regression Model

21

4.2.2.1 Uji Lack of Fit

Tabel 4.7 Perhitungan Pure Error pada setiap perulangan X dan Y

Dari tabel 4.6 dan tabel 4.7 dapat dicari nilai , ,

Fo, dan Lack of fit

Lack of fit = = 0.034379491 0.023832303 = 0.01054719

=
=
=

= 0.0154719

= 0.00198603

= 5.310702101

Atau dalam bentuk tabel akan ditunjukkan oleh tabel 4.8

22

Tabel 4.8 perhitungan nilai , , Fo, dan Lack of fit

Source
Regression
Error
Lack of fit
Pure Error
Total

SS
df
0,020394
1
0,0343795
13
0,0105472
1
0,0238323
12
0,0547735
14

MS

0,0105472
0,001986

F0

5,3107021

4.2.2.2 Pengujian Hyphotesis Lack of fit

Ho: Model exponensial cocok untuk menjelaskan hubungan antara X dan Y
H1: Model exponensial tidak cocok untuk menjelaskan hubungan
antara X dan Y
Kaidah pengujian :
Ho diterima jika F0 < F(a;n-2-ne;ne)
Diambil nilai sebesar = 0.05
Dari tabel distribusi F dengan F(0.05;1;12) diperoleh nilai 4.75 artinya bahwa nilai
F0 >F(a;n-2-ne;ne) atau 5,3107021 > 4.75, Ho DITOLAK, sehingga model
eksponensial TIDAK cocok untuk menjelaskan hubungan antara X dan Y.

23

4.2.2.3 VALIDASI PERHITUNGAN MANUAL DENGAN BANTUAN

SOFWARE MINITAB.
EXPONENTIAL MODEL
Regression Analysis: Log Y versus X
The regression equation is
Log Y = 0,0810 - 0,313 X

Predictor
Constant
X

Coef
0,08099
-0,3133

PERSAMAAN SESUAI
PERHITUNGAN MANUAL SUB BAB 4.2.2
(VALID)

SE Coef
0,04472
0,1128

S = 0,0514255
R-Sq = 37,2%
KOEFISIEN DETERMINASI R2 SESUAI
PRESS = 0,0440734

T
1,81
-2,78

P
0,093
0,016

R-Sq(adj) = 32,4%
PERHITUNGAN MANUAL (VALID)

R-Sq(pred) = 19,54%

Analysis of Variance
Source
Regression
Residual Error
Lack of Fit
Pure Error
Total

DF
1
13
1
12
14

SS
0,020394
0,034380
0,010547
0,023832
0,054774

MS
0,020394
0,002645
0,010547
0,001986

F
7,71

P
0,016

5,31

0,040

SESUAI
PERHITUNGAN MANUAL PADA TABEL 4.8 ( VALID)

24

4.2.3 POWER MODEL REGRESSION

Persamaan power model regression adalah berupa Y = aXb (2), untuk
memperoleh persamaan liniernya maka persamaan (2) harus ditransformasikan
sebagai berikut.
=
log = log + log
log = log + b log
Sehingga dapat dimisalkan X=log X, dan Y= log Y, maka dari perubahan diatas
maka data X dan Y dapat dituangkan pada tabel 4.9 sebagai berikut :
Tabel 4.9 Data setelah dilinierkan

Untuk memperoleh nilai konstanta log a dan slope b maka ditunjukkan pada
perhitungan dibawah ini.
log =

(log )2 log log (log log )

2

(log ) ( log )2
((3.25973)(0.563940107) (6.66322)(0.1665))
=
(15)(3.25973) (44.39847575)

log = 0.1621

25

b=

(log log ) log

2

(log ) ( log )2

(15)(0.278567) (5.678)(563940107)
(15)(2.3571) (32.239)

= 0.28028
Sehingga persamaan liniernya adalah
Y = 0.1621 0.28028
Apabila diplot dalam grafik maka akan ditunjukkan pada gambar 4.5
Power Regression Model
0,050

Log Y (waktu tempuh )

0,025
0,000
-0,025
-0,050
-0,075
-0,100
-0,125
-0,65

-0,60

-0,55
-0,50
-0,45
-0,40
-0,35
log X ( variasi sudut kemiringan)

-0,30

Gambar 4.5 Plot grafik regresi dengan model power

26

4.2.3.1 Uji Lack of Fit

Tabel 4.10 Perhitungan Pure Error pada setiap perulangan X dan Y

Dari tabel 4.9 dan tabel 4.10 dapat dicari nilai , ,

Fo, dan Lack of fit

Lack of fit = = 0.03122 0.023832303 = 0.007387

=

= 0.0154719

=
=

= 0.007387

= 3.7192

Atau dalam bentuk tabel akan ditunjukkan oleh tabel 4.11

27

Tabel 4.11 nilai , , Fo, dan Lack of fit

Source
Regression
Error
Lack of fit
Pure Error
Total

SS
df
0,02355
1
0,03122
13
0,00739
1
0,02383
12
0,05477
14

MS

F0

0,007387
0,001986

3,719

4.2.3.2 Pengujian Hyphotesis Lack of fit

Ho: Model power cocok untuk menjelaskan hubungan antara X dan Y
H1: Model power tidak cocok untuk menjelaskan hubungan
antara X dan Y
Kaidah pengujian :
Ho diterima jika F0 < F(a;n-2-ne;ne)
Diambil nilai sebesar = 0.05
Dari tabel distribusi F dengan F(0.05;1;12) diperoleh nilai 4.75 artinya bahwa nilai
F0 >F(a;n-2-ne;ne) atau 3.719 < 4.75, Ho DITERIMA, sehingga model Power cocok
untuk menjelaskan hubungan antara X dan Y.
4.2.2.3 Uji Korelasi
Uji korelasi digunakan untuk mengukur tinggi rendahnya derajat hubungan
antara variabel X dan Y.
Berdasarkan hubungan antara koefisien korelasi dan koefisien determinasi maka
diperoleh :
2

( )

= 2 =
=
( )2

2 = 2 =

0.02355
0.054773522

2 = 2 = 0.430038194 = 43%

= 0.65577

28

Untuk mengetahui apakah hubungan variabel besar sudut dengan waktu

tempuh pipa pvc ini signifikan maka dapat dilakukan uji hypothesis sebagai
berikut : Hypothesis :
Ho: r = 0 ( Tidak ada hubungan signifikan antara besarnya sudut kemiringan
lintasan dengan respon waktu tempuh pipa PVC )
H1 : r 0 ( Ada hubungan yang signifikan antara antara besarnya sudut kemiringan
lintasan dengan respon waktu tempuh pipa PVC )

2
1

0.6557715 2
1 0.65577

= 4.03

Kaidah pengujian :

Jika thitung ttabel maka Ho ditolak artinya terdapat hubungan

yang signifikan
Jika thitung ttabel maka Ho diterima artinya terdapat
hubungan yang tidak signifikan
Dengan mengambil sebesar 0.05 dan v = 15-2= 13, maka dari tabel distribusi t
diperoleh nilai t tabel sebesar = 1.771. Ternyata nilai t hitung ttabel atau 4.03 1.771
Intepretasi :
a. Hanya 43%, hubungan antara nilai sudut kemiringan lintasan
dan waktu tempuh pipa PVC yang dapat dijelaskan sistem,
sedangkan sisanya tidak dapat dijelaskan akibat pengaruh
variabel lain.
b. Terdapat hubungan yang signifikan antara nilai sudut
kemiringan lintasan dan waku tempuh pipa pvc hal ini terlihat
dari nilai t hitung ttabel.

29

4.2.3.4 VALIDASI PERHITUNGAN MANUAL DENGAN BANTUAN

SOFWARE MINITAB.
POWER MODEL
Regression Analysis: Log Y versus log X
The regression equation is
Log Y = - 0,162 - 0,280log X

Predictor
Constant
log X

Coef
-0,16210
-0,28028

SE Coef
0,04172
0,08949

S = 0,0490046
R-Sq = 43,0%
KOEFISIEN DETERMINASI R2 SESUAI
PRESS = 0,0401079

PERSAMAAN SESUAI
PERHITUNGAN MANUAL
SUB BAB 4.2.3 (VALID)
T
-3,89
-3,13

P
0,002
0,008

R-Sq(adj) = 38,6%
PERHITUNGAN MANUAL (VALID)

R-Sq(pred) = 26,78%

Analysis of Variance
Source
Regression
Residual Error
Lack of Fit
Pure Error
Total

DF
1
13
1
12
14

SS
0,023555
0,031219
0,007387
0,023832
0,054774

MS
0,023555
0,002401
0,007387
0,001986

F
9,81

P
0,008

3,72

0,078

SESUAI
PERHITUNGAN MANUAL PADA TABEL 4.11 ( VALID)

30

4.2.4 HYPERBOLIC MODEL REGRESSION

Persamaan regresi pada hyperbolik model memiliki bentuk seperti
berikut
= +
= +
Dimana U = 1
Sehingga dapat dimisalkan X=1/X, dan Y, maka dari perubahan diatas maka data
X dan Y dapat dituangkan pada tabel 4.12 sebagai berikut :
Tabel 4.13 Data regresi Hyperbolik model

Untuk memperoleh nilai konstanta a dan b maka ditunjukkan pada perhitungan

dibawah ini.

(1X)2 Y(1X) (YX)

n (1X)2 (1X)2

(142.8731)(13.89)(43.996649)(42.0627734)
(15)(142.8731)(1935.7051)

= 0.64557

()(1) (15)(42.0627734)(43.996649)(13.89)

(1)2 [(1)2 ]

(15)(142.8731)(1395.7051)

= 0.09561

31

Sehingga persamaan liniernya adalah

Y = 0.64557 + 0.09561U
Apabila diplot dalam grafik maka akan ditunjukkan pada gambar 4.6.
Hyperbolic Regression Model
1,15
1,10
1,05

1,00
0,95
0,90
0,85
0,80
0,75
2,0

2,5

3,0

3,5

4,0

4,5

1/X

Gambar 4.6 Plot grafik Hyperbolik model

Trend grafik pada hyperbolik regresi terlihat sangat berbeda dengan model-model
sebelumnya tapi terdapat hubungan yang tersirat yakni semakin besar nilai X yaitu
nilai sudut kemiringan apabila disubtitusikan pada persamaan liniernya maka akan
menghasilkan respon waktu tempuh yang singkat, untuk membuktikan hubungan
tersebut maka akan dianalisa lebih lanjut.

32

4.2.4.1 Uji Lack of Fit

Tabel 4.14 Perhitungan Pure Error pada setiap perulangan X dan Y

Dari tabel 4.13 dan tabel 4.14 dapat dicari nilai , ,

Fo, dan Lack of fit

Lack of fit = = 0.12338 0.1024 = 0.020979

=
=
=

= 0.020979

= 0.008533

= 2.4584608

33

Atau dalam bentuk tabel akan ditunjukkan oleh tabel 4.15

Tabel 4.15 nilai , , Fo, dan Lack of fit

Source
Regression
Error
Lack of fit
Pure Error
Total

SS
df
0,12638
1
0,12338
13
0,02098
1
0,1024
12
0,24976
14

MS

F0

0,020979
0,008533

2,458461

4.2.4.2 Pengujian Hyphotesis Lack of fit

Ho: Model hyperbolik cocok untuk menjelaskan hubungan antara X dan Y
H1: Model hyperbolic tidak cocok untuk menjelaskan hubungan
antara X dan Y
Kaidah pengujian :
Ho diterima jika F0 < F(a;n-2-ne;ne)
Diambil nilai sebesar = 0.05
Dari tabel distribusi F dengan F(0.05;1;12) diperoleh nilai 4.75 artinya bahwa nilai
F0 >F(a;n-2-ne;ne) atau 2.458461 < 4.75, Ho DITERIMA, sehingga model
hyperbolik cocok untuk menjelaskan hubungan antara X dan Y.
4.2.4.3 Uji Korelasi
Uji korelasi digunakan untuk mengukur tinggi rendahnya derajat hubungan
antara variabel X dan Y.
Berdasarkan hubungan antara koefisien korelasi dan koefisien determinasi maka
diperoleh :
2

( )

=
=
( )2

2 = 2 =

0.12638
0.24976

2 = 2 == 50.6%

= 0.71134

34

Untuk mengetahui apakah hubungan variabel besar sudut dengan waktu

tempuh pipa pvc ini signifikan maka dapat dilakukan uji hypothesis sebagai
berikut : Hypothesis :
Ho: r = 0 ( Tidak ada hubungan signifikan antara besarnya sudut kemiringan
lintasan dengan respon waktu tempuh pipa PVC )
H1 : r 0 ( Ada hubungan yang signifikan antara antara besarnya sudut kemiringan
lintasan dengan respon waktu tempuh pipa PVC )

2
1

0.7113415 2
1 0.71134

= 4.774

Kaidah pengujian :

Jika thitung ttabel maka Ho ditolak artinya terdapat hubungan

yang signifikan
Jika thitung ttabel maka Ho diterima artinya terdapat
hubungan yang tidak signifikan
Dengan mengambil sebesar 0.05 dan v = 15-2= 13, maka dari tabel distribusi t
diperoleh nilai t tabel sebesar = 1.771. Ternyata nilai t hitung ttabel atau 4.774 1.771
Intepretasi :
50.6%, hubungan antara nilai sudut kemiringan lintasan dan
waktu tempuh pipa PVC yang dapat dijelaskan sistem,
sedangkan sisanya tidak dapat dijelaskan akibat pengaruh
variabel lain.
d. Terdapat hubungan antara nilai sudut kemiringan lintasan dan
waku tempuh pipa pvc hal ini terlihat dari nilai t hitung ttabel,
yang sangat signifikan dibandingkan model non-linier
sebelumnya.
c.

35

4.2.4.4 VALIDASI PERHITUNGAN MANUAL DENGAN BANTUAN

SOFWARE MINITAB.
Hyperbolic Model
Regression Analysis: Y versus 1/X
The regression equation is
Y = 0,646 + 0,0956 1/X
PERSAMAAN SESUAI.
PERHITUNGAN MANUAL
SUB BAB 4.2.4 (VALID)

Predictor
Constant
1/X

Coef
0,64557
0,09561

SE Coef
0,08086
0,02620

S = 0,0974201
R-Sq = 50,6%
KOEFISIEN DETERMINASI R2 SESUAI
PRESS = 0,160446

T
7,98
3,65

P
0,000
0,003

R-Sq(adj) = 46,8%
PERHITUNGAN MANUAL (VALID)

R-Sq(pred) = 35,76%

Analysis of Variance
Source
Regression
Residual Error
Lack of Fit
Pure Error
Total

DF
1
13
1
12
14

SS
0,12638
0,12338
0,02098
0,10240
0,24976

MS
0,12638
0,00949
0,02098
0,00853

F
13,32

P
0,003

2,46

0,143

SESUAI
PERHITUNGAN MANUAL PADA TABEL 4.15 ( VALID)

36