TUGAS II

ANALISA STATISTIK

“REGRESI LINEAR”

OLEH:
ARGA SATRIA TAMA
NPM 212180017

PROGRAM STUDI PASCASARJANA TEKNIK PERTAMBANGAN

JURUSAN TEKNIK PERTAMBANGAN
FAKULTAS TEKNOLOGI MINERAL
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
YOGYAKARTA
2018
1. PENDAHULUAN
Untuk mempelajari alam dapat didekati dengan dua sifat, pertama sifat alam
yang sistematik, deterministic dan yang kedua adalah sifat alam yang berpola acak
atau random. Pola sifat sistematik dapat dirumuskan dengan formula matematik
yang memperlihatkan keterkaitan antar parameter atau kejadian. Tetapi sifat random
hanya dapat dirumuskan dengan pendekatan konsep statistik dimana sifat parameter
alam tersebut dinyatakan dalam besaran prediksi pada suatu tingkat kepercayaan.
Pada suatu formasi batuan sering ditemukan keberadaan materi dan berbagai
macam mineral dalam keadaan yang tidak teratur atau acak. Dalam hal ini
pendekatan analisa yang dilakukan adalah dengan metode statistik. Penggabungan
kedua sifat alam deterministic dan acak ini dapat dilakukan dengan optimal
berdasarkan pada pendekatan statistik. Statistik akan dapat dilihat peranannya
dengan lebih mudah, terutama dalam menganalisa data-data seperti pengolahan data
kekar, estimasi mineral, klasifikasi data, regresi dan sebagainya.
Dalam tugas analisa statistik ini, penulis menggunakan hasil data dari metode Q-
system, lalu dianalisis dengan regresi linear berganda untuk mengetahui nilai R
terbesar dari data tersebut.
2. Regresi Linear
Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui
pengaruh antara satu atau beberapa variabel terhadap satu buah variabel. Secara
umum regresi linear terdiri dari dua, yaitu regresi linear sederhana dan regresi linear
berganda.
2.1 Regresi Linear Sederhana
Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk menguji
sejauh mana hubungan sebab akibat antara Variabel Faktor Penyebab (X) terhadap
Variabel Akibatnya. Persamaan umumnya adalah sebagai berikut :

Persamaan di atas adalah rumus dari persamaan regresi linear sederhana. Y adalah
variabel tak bebas, a adalah koefisien intersep, b adalah kemiringan dan t adalah
variabel bebas. Rumus untuk b adalah :
Dan rumus untuk mendapatkan nilai a adalah sebagai berikut :

Dalam regresi linear sederhana juga ada yang disebut dengan koefisien korelasi yang
menunjukkan bahwa nilai suatu variabel bergantung pada perubahan nilai variabel
yang lain. Rumus untuk menghitung koefisien korelasi adalah sebagai berikut :

2.2 Regresi Linear Berganda

Analisis regresi linier berganda adalah hubungan secara linear antara dua atau
lebih variabel independen (X1, X2,….Xn) dengan variabel dependen (Y). Analisis ini
untuk mengetahui arah hubungan antara variabel independen dengan variabel
dependen apakah masing-masing variabel independen berhubungan positif atau
negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan. Data yang digunakan biasanya
berskala interval atau rasio.
Persamaan regresi linear berganda sebagai berikut:
Y = a + b1X1+ b2X2+…..+ bnXn
Keterangan:
Y = Variabel dependen (nilai yang diprediksikan)
X1 dan X2 = Variabel independen
a = Konstanta (nilai Y’ apabila X1, X2…..Xn = 0)
b = Koefisien regresi (nilai peningkatan ataupun penurunan)
Untuk mencari koefisien regresi a, b1, b2, dan b3 digunakan persamaan simultan
sebagai berikut :
1. ∑𝑋1 𝑌 = 𝑏1 ∑𝑋1 2 + 𝑏2 ∑𝑋1 𝑋2 + 𝑏3 ∑𝑋1 𝑋3
2. ∑𝑋2 𝑌 = 𝑏1 ∑𝑋1 𝑋2 + 𝑏2 ∑𝑋2 2 + 𝑏3 ∑𝑋2 𝑋3
3. ∑𝑋3 𝑌 = 𝑏1 ∑𝑋1 𝑋3 + 𝑏2 ∑𝑋2 𝑋3 + 𝑏3 ∑𝑋3 2
𝑎 = 𝑌̅ − 𝑏1 𝑋
̅̅̅1 − 𝑏2 𝑋
̅̅̅2 − 𝑏3 𝑋
̅̅̅3
3. Analisis
Dalam tugas ini, penulis menggunakan pendekatan analisa regresi linear
berganda pada data runtuhan terowongan dengan metode Q-system.
3.1 Data
Data yang digunakan yaitu :
Jumlah Q-
Jr jn
NO Kekar system
X1 X2 X3 Y
1 2 2 5 0.099
2 1.5 4 6 0.148
3 4 4 2 0.394
4 3 2 3 0.591
5 3 2 3 0.296
6 3 4 4 0.074
7 3 4 3 0.148
8 0.5 2 4 0.025
9 3 4 2 0.148
10 2 2 3 0.333
11 4 4 4 0.394
12 3 4 3 0.099
13 4 4 3 0.197
14 1 4 3 0.025
15 1.5 2 3 0.099
∑ 38.5 48 51 3.07

3.2 Analisis Regresi Linear Berganda

Dalam menganalisis data, digunakan 2 metode yaitu dengan menggunakan
software (Microsoft Excel) dan perhitungan manual.
a. Analisis menggunakan software Microsoft Excel
Dalam analisis menggunkan software Microsoft Excel, yang menjadi variabel Y adalah
Q-system, dan variabel X1, X2, X3 adalah Kekasaran Kekar atau Kekar Utama/Joint
Roughness Number (Jr), jumlah pasangan kekar/joint set number (Jn), jumlah kekar.
 Dengan menggunakan metode seperti yang diperilihatkan gambar diatas maka akan menghasilkan perhitungan :
SUMMARY OUTPUT

Regression Statistics
Multiple R 0.735003137
R Square 0.540229612
Adjusted R Square 0.414837688
Standard Error 0.124456025
Observations 15

ANOVA
Significance
df SS MS F F
Regression 3 0.20019901 0.066733003 4.308328598 0.030693323
Residual 11 0.170382323 0.015489302
Total 14 0.370581333

Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0%
- -
Intercept 0.173480721 0.182901589 0.948492148 0.363251598 0.229082962 0.576044405 0.229082962 0.576044405
X Variable 1 0.117197761 0.036657261 3.197122732 0.008498088 0.036515675 0.197879848 0.036515675 0.197879848
- - - - - -
X Variable 2 0.085135572 0.036657261 2.322475022 0.040401275 0.165817659 0.004453486 0.165817659 0.004453486
- -
X Variable 3 0.000827114 0.034491047 0.023980554 0.981297615 0.075087169 0.076741398 0.075087169 0.076741398
b. Analisis Perhitungan Manual
Jr jn Jumlah Kekar Q-system
NO X1^2 X2^2 X3^2 Y^2 X1Y X2Y X3Y X1X2 X1X3 X2X3
X1 X2 X3 Y
1 2 2 5 0.099 4 4 25 0.009801 0.198 0.198 0.495 4 10 10
2 1.5 4 6 0.148 2.25 16 36 0.021904 0.222 0.592 0.888 6 9 24
3 4 4 2 0.394 16 16 4 0.155236 1.576 1.576 0.788 16 8 8
4 3 2 3 0.591 9 4 9 0.349281 1.773 1.182 1.773 6 9 6
5 3 2 3 0.296 9 4 9 0.087616 0.888 0.592 0.888 6 9 6
6 3 4 4 0.074 9 16 16 0.005476 0.222 0.296 0.296 12 12 16
7 3 4 3 0.148 9 16 9 0.021904 0.444 0.592 0.444 12 9 12
8 0.5 2 4 0.025 0.25 4 16 0.000625 0.0125 0.05 0.1 1 2 8
9 3 4 2 0.148 9 16 4 0.021904 0.444 0.592 0.296 12 6 8
10 2 2 3 0.333 4 4 9 0.110889 0.666 0.666 0.999 4 6 6
11 4 4 4 0.394 16 16 16 0.155236 1.576 1.576 1.576 16 16 16
12 3 4 3 0.099 9 16 9 0.009801 0.297 0.396 0.297 12 9 12
13 4 4 3 0.197 16 16 9 0.038809 0.788 0.788 0.591 16 12 12
14 1 4 3 0.025 1 16 9 0.000625 0.025 0.1 0.075 4 3 12
15 1.5 2 3 0.099 2.25 4 9 0.009801 0.1485 0.198 0.297 3 4.5 6
∑ 38.5 48 51 3.07 115.75 168 189 0.998908 9.28 9.394 9.803 130 124.5 162
Dengan metode skor deviasi diperoleh hasil sebagai berikut :

2 2 (𝑋1 )2
∑𝑋1 = 𝑋1 −
𝑛
(38.5)2
∑𝑋1 2 = 115.75 −
15
∑𝑋1 2 =17

2 2 (𝑋2 )2
∑𝑋2 = 𝑋2 −
𝑛
(48)2
∑𝑋2 2 = 168 −
15
∑𝑋2 2 =14.4

(𝑋3 )2
∑𝑋3 2 = 𝑋3 2 −
𝑛

2 (51)2
∑𝑋3 = 189 −
15
∑𝑋3 2 =15.6

2
(𝑌)22
∑𝑌 = 𝑌 −
𝑛
(3.07)2
∑𝑌 2 = 0.998908 −
15
∑𝑌 2 = 0.370581333

(𝑋1 )(𝑌)
∑𝑋1 𝑌 = 𝑋1 𝑌 −
𝑛
(38.5)(3.07)
∑𝑋1 𝑌 = 9.28 −
15
∑𝑋1 𝑌 = 1.400333333
 (𝑋2 )(𝑌)
∑𝑋2 𝑌 = 𝑋2 𝑌 −
𝑛
(48)(3.07)
∑𝑋2 𝑌 = 9.394 −
15
∑𝑋2 𝑌 = -0.43

(𝑋3 )(𝑌)
∑𝑋3 𝑌 = 𝑋3 𝑌 −
𝑛
(51)(3.07)
∑𝑋3 𝑌 = 9.803 −
15
∑𝑋3 𝑌 = -1

(𝑋1 )(𝑋2 )
∑𝑋1 𝑋2 = 𝑋1 𝑋2 −
𝑛
(38.5)(48)
∑𝑋1 𝑋2 = 130 −
15
∑𝑋1 𝑋2 =6.8

(𝑋1 )(𝑋3 )
∑𝑋1 𝑋3 = 𝑋1 𝑋3 −
𝑛
(38.5)(48)
∑𝑋1 𝑋3 = 124.5 −
15
∑𝑋1 𝑋3 =-6.4

(𝑋2 )(𝑋3 )
∑𝑋2 𝑋3 = 𝑋2 𝑋3 −
𝑛
(48)(51)
∑𝑋2 𝑋3 = 162 −
15
∑𝑋2 𝑋3 =-1.2
Hasil perhitungan dengan metode skor deviasi dimasukkan ke rumus
persamaan 1, 2 dan 3 :
1.400333333 = 17 𝑏1 + 6.8 𝑏2 + −6.4 𝑏3
−0.43 = 6.8 𝑏1 + 14.4 𝑏2 + −1.2 𝑏3
−1 = −6.4 𝑏1 + −1.2 𝑏2 + 15.6 𝑏3
Jika persamaan (1) dibagi dengan -6.4; persamaan (2) dibagi dengan -1.2; dan
persamaan (3) dibagi dengan 15.6, maka akan diperoleh :
−0.21880208 = −2.645833𝑏1 + −1.0625 𝑏2 + 𝑏3
0.358333333 = −5.666667 𝑏1 + −12 𝑏2 + 𝑏3
−0.04070513 = −0.410256 𝑏1 + −0.076923077 𝑏2 + 𝑏3

Jika persamaan (4) dikurangi persamaan (5); dan persamaan (5) dikurangi
persamaan (6), maka di peroleh :
−0.57713542 = 3.0208333 𝑏1 + 10.9375 𝑏2
0.399038462 = −5.25641 𝑏1 + −11.92307692 𝑏2

Jika persamaan (7) dibagi dengan 0.018345475; dan persamaan (8) dibagi dengan
0.043113846, maka diperoleh :
−0.05276667 = 0.2761905 𝑏1 + 𝑏2
−0.03346774 = 0.4408602 𝑏1 + 𝑏2

Jika persamaan (9) dikurangi persamaan (10), maka diperoleh :

−0.01929892 = 0.0516678 𝑏1
𝑏1 = 0.1171978

Jika nilai b1, dimasukkan ke persamaan (10), maka diperoleh :

−0.03346774 = 0.4408602 𝑏1 + 𝑏2
−0.03346774 = 0.4408602 (0.1171978) + 𝑏2
−0.03346774 = 0.0516678 + 𝑏2
𝑏2 = −0.085136

Jika nilai b1 dan b2 dimasukkan ke persamaan (6), maka dperoleh :

−0.04070513 = −0.410256 𝑏1 + −0.076923077 𝑏2 + 𝑏3
−0.04070513 = −0.410256 (0.1171978) + −0.076923077 (−0.085136) + 𝑏3
−0.04070513 = −0.0480811 + 0.00654889 + 𝑏3
−0.04070513 = −0.0415322 + 𝑏3
𝑏3 = 0.0008271

Nilai a diperoleh dari :

𝑎 = 𝑌̅ − 𝑏1 𝑋
̅̅̅1 − 𝑏2 𝑋
̅̅̅2 − 𝑏3 𝑋
̅̅̅3

𝑎 = 0.2046667 − 0.1171978 (2.5666) − (−0.085136) (3.2) − 0.0008271(3.4)

𝑎 = 0.2046667 − 0.300807587 − (−0.272434) − 0.0028
𝑎 = 0.1734807
Jadi, persamaan regresinya adalah :
𝑌 ′ = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + 𝑏3 𝑋3
𝑌 ′ = 0.1734807 + 0.1171978 𝑋1 + (−0.085136 𝑋2 ) + 0.0008271 𝑋3

Berdasarkan analisis regresi, koefisien regresi didapat berturut-turut :

𝑎 = 0.1734807
𝑏1 = 0.1171978
𝑏2 = −0.085136
𝑏3 = 0.0008271

Rumus korelasi ganda 3 prediktor :

𝑏1 ∑𝑋1 𝑌 + 𝑏2 ∑𝑋2 𝑌 + 𝑏3 ∑𝑋3 𝑌
𝑅𝑦(1,2,3) =
∑𝑌 2
0.1171978 (1.40033) + (−0.085136) (−0.43) + 0.0008271 (−1)
𝑅𝑦(1,2,3) =
0.3705813
0.1641159 + 0.036608295 − 0.000525
𝑅𝑦(1,2,3) =
0.370581333
0.200199
𝑅𝑦(1,2,3) =
0.370581333
𝑅𝑦(1,2,3) = 0.5402296

Koefisien determinasi (R2) adalah :

R2 = (0.5402296)2
R2 = 0.291848
4. Kesimpulan
Dari hasil analisis regresi linear berganda, didapat kan nilai a, b1, b2, b3, RY dan
R2, yaitu sebagai berikut :
𝑎 = 0.1734807
𝑏1 = 0.1171978
𝑏2 = −0.085136
𝑏3 = 0.0008271
𝑅𝑦(1,2,3) = 0.5402296
R2 = 0.291848