LAPORAN AKHIR

PRAKTIKUM FISIKA DASAR

METODE KUADRAT TERKECIL

(M – 2)

Nama : Adelia Febrianti Nur Rahman

NPM : 230210200069
Partner : Livia, Farrel, Mudrafin, Naufal,
Alvita, Raisya, Adam
NPM : 070, 071, 072, 073, 074, 075, 076
Fakultas/Departemen : Perikanan dan Ilmu Kelautan /
Ilmu Kelautan
Kelas/Kelompok : B/3
Tanggal : 10 Maret 2021
Hari/Jam : Rabu / 13.00 WIB
Nama Asisten : Kanaya Maurizka

LABORATORIUM FISIKA DASAR

PUSAT PELAYANAN BASIC SCIENCE
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALA
MUNIVERSITAS PADJADJARAN
2021
 LEMBAR PENGESAHAN

LAPORAN AKHIR PRAKTIKUM FISIKA DASAR

METODE KUADRAT TERKECIL

M-7

NAMA : Adelia Febrianti Nur Rahman

NPM 230210200069
PARTNER : Livia, Farrel, Mudrafin, Naufal, Alvita, Raisya, Adam
NPM : 070, 071, 072, 073, 074, 075, 076
DEPARTEMEN/FAKULTAS : Universitas Padjadjaran / Fakultas Perikanan dan Ilmu
Kelautan
JADWAL PRAKTIKUM : Rabu, 10 Maret 2021

KOLOM NILAI

Speaken Lap. Pendahuluan Praktikum Lap. Akhir

Jatinangor, ………………………
Asisten

NPM
 Abstrak

Metode Kuadrat Terkecil merupakan suatu metode yang digunakan untuk

menentukan hubungan linier dari suatu data atau hubungan antar dua variabel data
yang merupakan fungsi linear. Pada percobaan ini metode kuadrat terkecil digunakan
untuk menentukan sebuah garis lurus yang baik dalam bentuk grafik yang dihasilkan
dari data-data yang telah ada. Data sendiri merupakan sekumpulan fakta yang ada di
alam. Data yang baik memiliki beberapa kriteria yang harus dilengkapi, yaitu
objektif, sesuai dengan yang sebenarnya, representatif, memiliki tingkat kesalahan
yang kecil, fresh, dan relevan. Pada percobaan ini kita dapat menghitung berapa nilai
parameter a, parameter b, sesatan, dan koefisien korelasinya.
Kata kunci: Metode kuadrat terkecil, Variabel, Data, Garis lurus, Grafik.
 BAB I
PENDAHULUAN

1.1 Latar Belakang

1.1.1 Data yang Baik
Data yang merupakan kumpulan-kumpulan fakta yang ada di alam.
Data yang baik ditentukan oleh berbagai syarat, diantaranya harus objektif
yaitu sesuai dengan keadaan yang sebenarnya, representatif yaitu mewakili
persoalan yang ada, mempunyai tingkat kesalahan baku yang kecil, fresh
(masih baru), dan relevan yaitu data yang dihasilkan harus mempunyai
hubungan dengan persoalan yang akan dipecahkan.
1.1.2 Grafik yang Baik dan Benar
Memilih luas kertas grafik memerlukan perencanaan yang bijak.
Sebuah garis grafik harus tampak penuh (mengisi seluruh luasan kertas
grafik) dengan cara memilih nilai skala mendatar maupun tegak yang tepat.
Adapun hal yang harus diperhatikan dalam membuat grafik yaitu:
1. Judul grafik, ditulis pada bagian atas kertas grafik.
2. Nama besaran pada sumbu mendatar atau tegak lurus ditulis
lengkap dengan satuannya dan harga kalibrasinya jika ada
(contoh: tegangan (110 volt))
3. Pilih skala satuan pada sumbu grafik dengan bilangan bulat atau
bilangan kelipatan puluhan.
4. Perhatikan bentuk fungsi besaran yang akan dibuat (fungsi linear
atau fungsi kuadratik) sehingga kita sudah mengetahui bentuk
grafik yang akan digambar.
5. Bila grafik berupa fungsi, misal y = f(x), sehingga sebaiknya
besaran pengubah f(x) diplotkan pada sumbu mendatar,
sedangkan besaran y pada sumbu tegak.
1.1.3 Istilah Fungsi dalam Matematis
Salah satu konsep dalam matematika yang paling penting adalah
konsep fungsi. Hampir semua cabang matematika menggunakan kosep
fungsi dalam pengembangannya (Amir & Prasojo, 2016).
 Fungsi linear dan fungsi kuadrat merupakan salah satu fungsi yang
banyak digunakan dalam kehidupan. Fungsi linear dan fungsi kuadrat dapat
mempermudah menyelesaikan masalah yang terjadi sehari-hari.
Fungsi dalam matematika merupakan suatu relasi yang
menghubungkan setiap anggota X dan himpunan asal (domain) dengan
suatu nilai tunggal f(x) dari suatu himpunan kawan (kodomain). Adapun
jenis-jenis fungsi, diantaranya:
1. Fungsi konstan (fungsi tetap)
Suatu fungsi f : A → B ditentukan dengan rumus f(x) disebut
fungsi konstan apabila untuk setiap anggota domain fungsi selalu
berlaku f(x) = C, di mana C bilangan konstan.
2. Fungsi linear
Suatu fungsi f(x) disebut fungsi linear apabila fungsi itu
ditentukan oleh f(x) = ax + b, di mana a ≠ 0, a dan b bilangan
konstan dan grafiknya berupa garis lurus.
3. Fungsi kuadrat
Suatu fungsi f(x) disebut fungsi kuadrat apabila fungsi itu
ditentukan oleh f(x) = ax2 + bx + c, di mana a ≠ 0 dan a, b, dan c
bilangan konstan dan grafiknya berupa parabola.
4. Fungsi identitas
Suatu fungsi f(x) disebut fungsi identitas apabila setiap anggota
domain fungsi berlaku f(x) = x atau setiap anggota domain fungsi
dipetakan pada dirinya sendiri. Grafik fungsi identitas berupa
garis lurus yang melalui titik asal dan semua titik absis maupun
ordinatnya sama. Fungsi identitas ditentukan oleh f(x) = x.
1.1.4 Variabel Bebas, Variabel Terikat, dan Konstanta
Variabel bebas merupakan variabel yang memengaruhi atau menjadi
sebab perubahannya atau timbulnya variabel terikat (variabel dependen).
Variabel ini biasa disebut juga variabel eksogen (Ridha, 2017).
Variabel terikat merupakan variabel yang dipengaruhi atau menjadi
akibat karena adanya variabel bebas. Variabel ini disebut juga variabel
indogen. Pengertian variabel terikat adalah variabel yang diuji dan diukur
dalam percobaan ilmiah. Variabel terikat adalah ‘bergantung’ pada variabel
 independen. Ketika eksperimen mengubah variabel independen, efek pada
variabel terikat atau dependen diamati dan dicatat.
Konstanta merupakan suku yang berupa bilangan dan tidak memuat
variabel. Nilai dari konstanta bersifat tetap (konstan) dan tidak bisa diubah
sepanjang program berjalan.
1.1.5 Metode Menentukan Garis Lurus yang Baik
Dari hasil perhitungan dan pengukuran tidak semua titik-titik data
akan berada tepat pada satu garis lurus. Ada beberapa cara menarik garis
lurus terbaik, yaitu:
1. Metode memandang (visual) adalah metode pencocokan kurva
berdasarkan penglihatan visual mata manusia. Metode visual
sangat mudah dilakukan karena hanya mengandalkan persepsi
mata manusia, dengan metode visual suatu sebaran titik dapat
ditentukan garis lurus terbaiknya hanya dengan melihatnya
dengan mata kemudian membuat garis lurus berdasarkan
perkiraan pengamat saja. Metode ini sangat mudah dilakukan
tapi sangat lemah untuk dijadikan suatu reverensi penelitian.
Nilai error pada metode ini sangat besar karena hanya
menggunakan perkiraan dari mata manusia tanpa
memperhitungkan apa pun.
2. Metode titik sentroid merupakan metode yang menggunakan
nilai rata-rata sebaran titik data untuk membentuk garis lurus
terbaik. Cara menggunakan metode ini adalah : pertama mencari
nilai rata-rata di sumbu x dan y untuk setiap titik data dan titik
(x,y) tersebut dibebut sebagai titik sentroid atau titik pusat,
kemudian membuat garis lurus sembarang yang melalui titik
sentroid tersebut dan garis lurus tersebut diputar dengan pusat
sumbu di titik sentroid hingga garis dianggap paling mewakili
setiap sebaran data berdasarkan penglihatan pengamat.
3. Metode garis sumbu dikembangkan dari metode bagi dua.
Metode ini dilakukan dengan membagi dua titik data secara nilai
penyimpangannya, sehingga metode ini dinilai metode yang
hampir sempurna untuk menentukan garis lurus terbaik. Garis
lurus yang dibentuk akan sanggup mewakili setiap sebaran data
dan memiliki nilai error yang terukur. Cara menggunakan
metode
 ini adalah dengan membuat garis lurus diantara titik-titik data
dengan mengusahakan jumlah nilai simpangan antara titik yang
berada diatas dan dibawah garis sama besar.
4. Metode Kuadrat Terkecil (Least Square Method) adalah
suatu metode yang digunakan untuk menentukan hubungan linier
dari suatu data agar dapat diprediksi nilai-nilainya yang mana
nilai tersebut tidak terdapat pada data-data yang kita miliki;
terkadang proses yang melibatkan metode kuadrat terkecil untuk
menentukan hubungan dua variabel data berupa fungsi linier
disebut sebagai regresi linier.

1.2 Tujuan
1.2.1 Untuk menentukan garis lurus terbaik (trend) dari pasangan data yang
secara teoritis memiliki hubungan linear.
1.2.2 Untuk mengetahui bagaimana melinearisasi fungsi-sungsi kuadratis
sederhana.
1.2.3 Untuk menentukan koefisien korelasi dari beberapa pasangan data.
 BAB II
METODE PENELITIAN

2.1 Alat dan Fungsi

1. Microsoft Excel
Microsoft Excel adalah sebuah aplikasi yang digunakan untuk mengolah sebuah
data dengan otomatis melalui berbagai bentuk seperti rumus, perhitungan dasar,
pengolahan data.

2.2 Prosedur
1. Perhatikan data yang akan diolah.
2. Menentukan parameter a dan b beserta sesatannya jika diperkirakan data tersebut
memenuhi fungsi :
 y1 = a x + b
 y2 = a x2 + bx
 y3 = a x2 + b
3. Menentukan koefisien korelasi ketiga fungsi yang mana yang paling memenuhi
data yang tersedia, lakukan pada ketita pasangan data.
4. Membuat grafik linearisasi masing-masing data menggunakan metode kuadrat
terkecil.

2.3 Rumus yang Digunakan

2.3.1 Nilai a terbaik

2.3.2 Nilai b terbaik

2.3.3 Sesatan pada nilai a

2.3.4 Sesatan pada nilai b

2.3.5 Nilai sesatan bersifat statistik

2.3.6 Nilai koefisien korelasi

 BAB III
HASIL DAN PEMBAHASAN

3.1 Data

Tabel 3.1 Data Percobaan 1

No X y1

1 1 5,78
2 2 7,11
3 3 9,96
4 4 12,59
5 5 13,93
6 6 15,98
7 7 16,78
8 8 19,97
9 9 22,32
10 10 24,86

Tabel 3.2 Data Percobaan 2

No X y2

1 1 3,21
2 2 6,01
3 3 14,83
4 4 22,96
5 5 31,42
6 6 45,39
7 7 57,17
8 8 73,88
9 9 93,88
10 10 114,74
 Tabel 3.3 Data Percobaan 3

No X y3

1 1 4,58
2 2 5,70
3 3 7,25
4 4 10,70
5 5 14,02
6 6 20,40
7 7 28,21
8 8 35,24
9 9 41,99
10 10 52,98

3.2 Pengolahan Data

i. y = ax + b
ii. y = ax² + bx
𝑦
= ax + b
𝑥
 Misal Y = 𝑦
𝑥
Y = ax + b
iii. y = ax² + b Misal Z = x²

 Percobaan 1
Untuk fungsi y = ax + b

No X y1 x² y² x.y
1 1 5.78 1 33.4084 5.78
2 2 7.11 4 50.5521 14.22
3 3 9.96 9 99.2016 29.88
4 4 12.59 16 158.5081 50.36
5 5 13.93 25 194.0449 69.65
6 6 15.98 36 255.3604 95.88
7 7 16.78 49 281.5684 117.46
8 8 19.97 64 398.8009 159.76
9 9 22.32 81 498.1824 200.88
10 10 24.86 100 618.0196 248.6
∑ 55 149.28 385 2587.647 992.47
Tabel 3.4 Data Percobaan 1 untuk fungsi y = ax + b
a∑ = 𝑁 𝑁 𝑋𝑖
𝑖=1(𝑋𝑖𝑌𝑖)−∑ 𝑖=1 𝑖=1 𝑌𝑖
t 𝑁
𝑁 𝑁∑ ∑
𝑁 𝑁
𝑖=1 𝑋𝑖²−(∑ 𝑋𝑖)²
𝑖=1

10(992,47)−55(149,28)
at = 10(385)−55²
 9924,7−8210,4
at = 825 = 2,078
Jadi nilai parameter a adalah 2,078

𝑁 𝑁 𝑁 𝑁
𝑁∑ 𝑋𝑖² ∑ 𝑌𝑖−∑ 𝑋𝑖 ∑ (𝑋𝑖𝑌𝑖)
bt = 𝑖=1
𝑁 ∑𝑁
𝑖 𝑖=1
𝑋𝑖²−(∑ 𝑁
𝑖=1
𝑋𝑖)²
𝑖=1 𝑖=1

385(149,28)−55(992,47)
bt = 10(385)−55²

57472,8−54585,85 2886,95
bt = 825 = 825 = 3,499 ≈ 3,5
Jadi nilai parameter b adalah 3,5

1
Sy = √ {149,28 − (2,078(55) + 3,5)}²
10−1

1
Sy = √ {31,49}2
9

Sy = √991,62/9 = √110,18 =10,497

Jadi nilai Sy atau nilai sesatan bersifat statistik adalah 10,497

10
∆at = 10,497 √
10(385 −55²

∆at = 10,497√ 10 = 1,156

825

Jadi nilai sesatan pada nilai a yang bersifat statistik adalah 1,156

∆bt = 10,497√ 385

10 (385 −55

385
∆bt = 10,497√ = 7,171
825

Jadi nilai sesatan pada nilai b yang bersifat statistik adalah 7,171
 𝑁
𝑁∑ (𝑋𝑖𝑌𝑖)− ∑𝑁 𝑋𝑖 ∑𝑁 𝑌𝑖

r= 𝑁
𝑖=1 𝑖=1 𝑖=1

√[𝑁 ∑𝑖=1 𝑋𝑖²−(∑𝑁 𝑁 𝑁

𝑖=1 𝑋𝑖)²][∑𝑖=1 𝑌𝑖²−(∑ 𝑖=1 𝑌𝑖)²]

10 (992,47)− 55(149,28)
r= √[10(385)−552][(10)2587.647−149,28²

(9924,7)−8210,4
r = √825(3591,9516)= 0,996
Jadi nilai koefisien korelasinya 0,99

Untuk fungsi y = ax2+bx

No x y1 Y x^2 Y^2 x.Y

1 1 5.78 5.78 1 33.4084 5.78
2 2 7.11 3.555 4 12.638025 7.11
3 3 9.96 3.32 9 11.0224 9.96
4 4 12.59 3.1475 16 9.90675625 12.59
5 5 13.93 2.786 25 7.761796 13.93
6 6 15.98 2.663333333 36 7.093344444 15.98
7 7 16.78 2.397142857 49 5.746293878 16.78
8 8 19.97 2.49625 64 6.231264063 19.97
9 9 22.32 2.48 81 6.1504 22.32
10 10 24.86 2.486 100 6.180196 24.86
Σ 55 149.28 31.11122619 385 106.1388756 149.28
Tabel 3.5 Data Percobaan 1 untuk fungsi y = ax2+bx

𝑁
𝑁∑ (𝑋𝑖𝑌𝑖)−∑𝑁 𝑋𝑖 ∑𝑁 𝑌𝑖
at = 𝑖=1 𝑖=1 𝑖=1
𝑁 ∑𝑁
𝑖=1 𝑋𝑖²−(
∑𝑁 𝑋𝑖)²
𝑖=1

10(149.28)−55(31.11122619)
at = 10(385)−(55)²

1492.8−1,711.11744045
at = 3850−3025 −218.31744045
= 825 = -0.265
Jadi nilai parameter a adalah -0.265

∑𝑁 𝑋𝑖² ∑𝑁 𝑌𝑖−∑𝑁 𝑋𝑖 ∑𝑁 (𝑋𝑖𝑌𝑖)

bt = 𝑖=1
𝑁 ∑𝑁
𝑖 𝑖=1
𝑁
𝑖=1
𝑖=1 𝑋𝑖²−(∑ 𝑖=1 𝑋𝑖)²

385(31.11122619)−(55)(149.28)
bt = 10(385)−(55)²

11,977.82−8,210.4 3,767.42
bt = 825 = 825 = 4.567
Jadi nilai parameter b adalah 𝟒. 𝟓𝟔𝟕
1 {𝑦 − (𝑎 + 𝑏 )}2
S = ∑𝑁 𝑥
y 𝑁−1 𝑖=1 𝑖 𝑡 𝑖 𝑡
 1
Sy = √ {31.11122619 − (−0.265(55) + 4.567)}²
10−1

1
Sy = √ {31.11122619 − (−10.008)}2
9

1
Sy = √ {41.119}2
9

Sy = √1,690.77/9 = √187.863573 =13.706

Jadi nilai Sy atau nilai sesatan bersifat statistik adalah 13.706

10
∆at = 13.706 √
10(385 −55²

∆at = 13.706√ 10 = 1.509

825

Jadi nilai sesatan pada nilai a yang bersifat statistik adalah 𝟏. 𝟓𝟎𝟗

385
∆bt = 13.706√
10 (385 −55

385
∆bt = 13.706√ = 9.363
825

Jadi nilai sesatan pada nilai b yang bersifat statistik adalah 𝟗. 𝟑𝟔𝟑

𝑁
𝑁∑ (𝑋𝑖𝑌𝑖)− ∑𝑁 𝑋𝑖 ∑𝑁 𝑌𝑖
r= 𝑁
𝑖=1 𝑖=1 𝑖=1

√[𝑁 ∑𝑖=1 𝑋𝑖²−(∑𝑁 𝑁 𝑁

𝑖=1 𝑋𝑖)²][∑ 𝑖=1 𝑌𝑖²−(∑ 𝑖=1 𝑌𝑖)²]

10 (149.28)− 55(31.11122619)
r= √[10(385)−(55)2][10(106.1388756)−(31.11122619)²

(1492.8)−1,711.117
r= √825(93.48)

−218.317
r= √77,121 −218.317 = -0.786
= 277.70

Jadi nilai koefisien korelasinya -0.786

Untuk fungsi y = ax2+b

z y x² y² z.y

1 1 5,78 1 33,408 5,78

2 4 7,11 16 50,5521 28,44
3 9 9,96 81 99,2016 89,64
4 16 12,59 256 158,5081 201,44
5 25 13,93 625 194,0449 348,25
6 36 15,98 1296 255,3604 575,28
7 49 16,78 2401 281,5684 822,22
8 64 19,97 4096 398,8009 1278,08
9 81 22,32 6561 498,1824 1807,92
10 100 24,86 10000 618,0196 2486
∑ 385 149,28 25333 2587,647 7643,05

Tabel data 3.6 Data Percobaan 1 untuk fungsi y = ax² + b

N N
N   XiYi  N Xi Yi
at  i1 i1 i1
2
  X i 
N N

N
i2
X 
i1
 i1 
10 7643, 05  385149, 28
 10  25333   385 2
76430, 5  57472,8
 253330 148225
18957, 7
 105105
at  0,180
Jadi, nilai parameter a adalah 0,180
N N N N

 X Y   X  ( X
2
i i i i i
bt  i1 i1 i1 i1
Y)
  X i 
2
N N

N
i2
X 
i1
 i1 
25333149, 28  3857643, 05
 10(25333)  (385)2
3781710, 24  2942574, 25
 253330 148225
839135, 99
 105105
bt  7, 984

Jadi, nilai parameter b adalah 7,984

Sy  2
1 N
y  a x it b 
N 1  it
 i1

1 149, 28  (0,180(385)  7, 9842

10

1  71, 9962
 9
575, 93600178
Sy  23, 999

Jadi, nilai Sy atau nilai sesatan bersifat statistik adalah 23,999

10
at  23, 999
10(25333)  (385)2
10
at  23, 999
105105
at  0, 234
Jadi, nilai sesatan pada nilai a yang bersifat statistik adalah 0,234

25333
bt  23, 999
10(25333)  (385)2
25333
bt  23, 999
105105
bt  11, 782
Jadi, nilai sesatan pada nilai b yang bersifat statistik adalah 11,782
 N N

N  ( X iYi )  N  X i  Yi
N

r i1 i1 i1

N
 N 2  N
 2 
 i  Y Y   
N
i  N
2 2
NXX i i
i1  i1   i1 i1

10 7643, 05  385149, 28


10  25333   3852  10
  2587, 647   149, 282 
76430, 5  57472,8

1051053591, 9516
18957, 7
 377532072, 92

18957, 7
 19430,18458
r  0, 976
Jadi, nilai koefisien korelasinya adalah 0,976

 Percobaan 2
Untuk fungsi y = ax + b

No x y x2 y2 x,y
1 1 3,21 1 10,3041 3,21
2 2 6,01 4 36,1201 12,02
3 3 14,83 9 219,9289 44,49
4 4 22,96 16 527,1616 91,84
5 5 31,42 25 987,2164 157,1
6 6 45,39 36 2060,252 272,34
7 7 57,17 49 3268,409 400,19
8 8 73,88 64 5458,254 591,04
9 9 93,88 81 8813,454 844,92
10 10 114,74 100 13165,27 1147,4

 55 463,49 385 34546,37 3564,55

Tabel 3.7 Data Percobaan 2 untuk fungsi y = ax +b

N N
( XiYi)  Xi  N Yi
at  i1

 N N
 Xi 
i1 i1
N 2
2
i1 Xi)
( N
i1

10(3564,55)  (55)(463, 49)

 10(385)  (55)2
 35645,5  25491,95
 3850  3025

10153,55
 825
 12, 307

Jadi, nilai parameter a adalah 12,307

N
N

Xi 2  N Yi  Xi  ( XiYi)
bt  N i1
i1 N i1
N
i1
N
Xi 2 
 i1
2
Xi)
( N
i1

(385)(463, 449) (55)(3564,55)

 10(385)  (55)2

178443, 65 196050, 25
 3850  3025
17606, 6
 825
 21,341

Jadi, nilai parameter b adalah -21,341

1
Sy  [463, 49  (12,307(55)  (21,341))]2
10 1

 1 [192, 054]2
9

 4098,304324
 64, 018

Jadi, nilai Sy atau nilai sesatan bersifat statistik adalah 64,018

 10
 at  64, 018
10(385)  (55)2

10
 64, 018
825
 7, 048

Jadi, nilai sesatan pada nilai a yang bersifat statistik adalah 7,048

385
 bt  64, 018
10(385)  (55)2

385
 64, 018
825
 43, 783

Jadi, nilai sesatan pada nilai b yang bersifat statistik adalah 43,783

r 
 N  XiYi  N Xi N Yi
N
i1
i1 i1

 [NXi² (Xi)²][Yi² (Yi)²] 

N N N N
i1 i1 i1 i1

10(3564, 55)  (55)(463, 49)


[10(385)  (55)2 ][10(34546, 37)  (469, 49)2 ]

35645, 5  25491, 95

[825][125042,8399]

10153,55

103160342,917

10153,55
 10156, 788

 0,9997

Jadi, nilai koefisien korelasinya adalah 0,9997

Untuk fungsi y = ax2+bx

No X Y X2 Y2 X.Y

1 1 3,21 1 10,3041 3,21

2 2 3,005 4 9,030025 6,01

3 3 4,94 9 24,4365444 14,83

4 4 5,74 16 32,9476 22,96

5 5 6,28 25 39,488656 31,42

6 6 7,56 36 57,229225 45,39

7 7 8,16 49 66,7022224 57,17

8 8 9,23 64 85,285225 73,88

9 9 10,43 81 108,808079 93,88

10 10 11.474 100 131,652676 114,74

∑ 55 70,05 385 565,88 463,49

Tabel 3.8 Data Percobaan 2 untuk fungsi y = ax2 + bx

𝑁 ∑𝑁 (𝑋𝑖𝑌𝑖) − ∑𝑁 𝑋𝑖 ∑𝑁 𝑌𝑖
𝑎𝑡 = 𝑖=1 𝑖=1 𝑖=1
𝑁 ∑𝑁
𝑖=1 𝑋𝑖² − 𝑋𝑖)²
(∑𝑁
𝑖=1
(10)(463,49) − (55)(70,05)
=
(10)(385) − (55)2
7817
= = 0,947
825

Jadi, nilai parameter a adalah 0,947

𝑁 ∑𝑁 𝑋𝑖² ∑𝑁 𝑌𝑖 − ∑𝑁 𝑋𝑖 ∑𝑁 (𝑋𝑖𝑌𝑖)
𝑖=1 𝑖 𝑖=1 𝑖=1
𝑏𝑡 =
𝑁 ∑𝑁
𝑖=1 𝑋𝑖² − 𝑖=1 𝑋𝑖)²
(∑𝑁
(385)(70,05) − (55)(463,49)
= = = 26969,25 − 25491,95
(10)(385) − (55)2 825
1477,3
= = 1,79
825
Jadi, nilai parameter b adalah 1,79

1
Sy = √ [70,05 − (0,947(55) + 1,79)]²
10−1

1
= √ [70,05 − (53,875)]² = 5,39
9

Jadi, nilai Sy atau nilai sesatan bersifat statistik adalah 5,39

∆at = 5,39√ 10
( ) ( )2
10 385 − 55

10
= 5,39√
825 = 0,593

Jadi, nilai sesatan pada nilai a yang bersifat statistik adalah 0,593

385
∆bt = 5,39√
10 (385 −55

385
= 5,39√ =3,68
825

Jadi, nilai sesatan pada nilai b yang bersifat statistik adalah 3,68

𝑁 ∑𝑁 (𝑋𝑖𝑌𝑖) − ∑𝑁 𝑋𝑖 ∑𝑁 𝑌𝑖
𝑖=1 𝑖=1 𝑖=1
𝑟=
√[𝑁 ∑𝑁 𝑋𝑖2 − 𝑖=1 𝑋𝑖)²][𝑁 𝑖=1 𝑌𝑖²
− 𝑖=1 𝑌𝑖)²]
𝑖=1
(∑𝑁 ∑𝑁 (∑𝑁

10(463,49) − (55)(70,05)
=
√[10(385) − (55)2][(10)565,88 − (70,05)2]

4634,9 − 3852,75
=
√[3850 − 3025][(10)565,88 − 4907,0025]
782,15
=
√[825][5658,8 − 4907,0025]
 782,15
= = 0,993
√620232,93
Jadi, nilai koefisien korelasinya adalah 0,976

Untuk Fungsi 𝑦 = 𝑎𝑥2 + 𝑏

No Z Y 𝑿𝟐 𝒀𝟐 Z.Y
1 1 3,21 1 10,3041 3,21
2 4 6,01 16 36,1201 24,04
3 9 14,83 81 219,9289 133,47
4 16 22,96 256 527,1616 367,36
5 25 31,41 625 987,2164 785,5
6 36 45,39 1296 2060,252 1634,04
7 49 57,17 2401 3268,409 2801,33
8 64 73,88 4096 5458,254 4728,32
9 81 93,88 6561 8813,454 7604,28
10 100 114,74 10000 13165,27 11474
Σ 385 463,49 25333 34546,38 29555,55
Tabel 3.9 Data Percobaan 2 untuk fungsi y = ax² + b

𝑁 ∑𝑁 (𝑋𝑖𝑌𝑖) − ∑𝑁 𝑋𝑖 ∑𝑁 𝑌𝑖
𝑎𝑡 = 𝑖=1 𝑖=1 𝑖=1
𝑁 ∑𝑁
𝑖=1 𝑋𝑖² − 𝑖=1
𝑋𝑖)²
(∑𝑁
10(29555,55) − (385)(463,49)
𝑎𝑡 =
10(25333) − (385)2
295999,5 − 178443,65
𝑎𝑡 =
253330 − 148225
17111,85
𝑎𝑡 =
105105
𝑎𝑡 = 1,114
Jadi, nilai parameter a adalah 1,114

𝑁 ∑𝑁 𝑋𝑖² ∑𝑁 𝑌𝑖 − ∑𝑁 𝑋𝑖 ∑𝑁 (𝑋𝑖𝑌𝑖)
𝑖=1 𝑖 𝑖=1 𝑖=1
𝑏𝑡 =
𝑁 ∑𝑁
𝑖=1 𝑋𝑖² − 𝑖=1 𝑋𝑖)²
(∑𝑁

(25333)(463,49)−(385)(29555,55)
𝑏𝑡 = 10(25333)−(385)²
 11741592,17−11378886,75
𝑏𝑡 = 253330−148225
362705,42
𝑏𝑡 = 105105
𝑏𝑡 = 3,451
Jadi, nilai parameter b adalah 𝟑, 𝟒𝟓𝟏

𝑆𝑦 = √ 1 [463,49 − (1,114 × 385 + 3,451]2

1−10
1
𝑆𝑦 = √ × 107,806689
9

𝑆𝑦 = 10,383
Jadi, nilai Sy atau nilai sesatan bersifat statistik adalah 10,383

10
∆𝑎𝑡 = 10,383 √
10(25333)−(385)²

10
∆𝑎𝑡 = 10,383
√
105105

∆𝑎𝑡 = 0,101
Jadi, nilai sesatan pada nilai a yang bersifat statistik adalah 0,101

25333
∆𝑏𝑡 = 10,383 √
10(25333)−(385)²

25333
∆𝑏𝑡 = 10,383
√
105105

∆𝑏𝑡 = 5,088
Jadi, nilai sesatan pada nilai b yang bersifat statistik adalah 5,088

10 (2955555)−(385)(463,49)
𝑟 = √[10(25333)−(385)2] .[10(34546,37)−(463,49)²]

295555,5−178443,65
𝑟 = √[105105] .[130640,7199]
117111,85
𝑟 = √13730992865,0895
117111,85
𝑟 = 117179,319
𝑟 = 0,9994
Jadi nilai koefisien korelasinya adalah 0,9994
 Percobaan 3
Untuk fungsi 𝑦 = 𝑎𝑥 + 𝑏
No X 𝒀𝟑 𝑿𝟐 𝒀𝟐 X.Y
1 1 4,58 1 20,9764 4,58
2 2 5,7 4 32,49 11,4
3 3 7,25 9 52,5625 21,75
4 4 10,7 16 114,49 42,8
5 5 14,02 25 196,5604 70,1
6 6 20,4 36 416,16 122,4
7 7 28,21 49 795,8041 197,47
8 8 35,24 64 1241,858 281,92
9 9 41,99 81 1763,16 377,91
10 10 52,98 100 2806,88 529,8
Σ 55 221,07 385 7440,942 1660,13
Tabel 3.10 Data Percobaan 3 untuk fungsi y = ax +b

N N
N   XiYi    Xi Yi
at  i1 i1 i1
2
  X i 
N N

N
i2
X 
i1
 i1 
101660,13  55221, 07
 10(385)  552
16601, 3 12158,85
 3850  3025
4442, 45
 825
at  5, 385
Jadi, nilai parameter a adalah 5,385

N N N N

 Yi   Xi ( X Y
2
Xi i i
bt  i1 i1 i1 i1

  X i 
2
N N

N
i2
X 
i1
 i1 
(385)(221, 07)  (55)(1660,13)
 10(385)  552
85111, 95  91307,15
 3850  3025
6195, 2
 825
bt  7, 509
Jadi nilai parameter b adalah -7,509

2
Sy  1 N
y  a x it b 
N 1  it
i1
1
10 1
221, 07   296,175  (7, 509) 2
 1
 67, 596 2
9

1
 (67, 596)
3
S y  7, 510
Jadi nilai Sy atau nilai sesatan bersifat statistik adalah 7,510

N
at  S y N N

i
NX Y 2
i
i1 i1

10
 7, 51
10(385)  552

10
 7, 51
3850  552
10
 7, 51
825
at  0,8261

Jadi nilai sesatan pada nilai a yang bersifat statistik adalah 0,8261

X i
bt  S y N
i1
N

i
NX Y 2
i
i1 i1

385
 7, 51
10(385)  552
385
 7, 51
825
bt  5,11

Jadi nilai sesatan pada nilai a yang bersifat statistik adalah 5,11
 N N

N  ( X iYi )  N  X i  Yi
r i1 i1 i1
N
 2  N
 N 2 
 NXX  i  N  i  
N
i
2
i
2
Y Y
i1 i1   i1  i1  
1660,13  55(221, 07)

385   55 2 7440,
 942   221, 07 2 

10498, 72
 2640 41431, 0029
 
10498, 72
 10458, 38
r  1, 003
Jadi nilai koefisien korelasinya adalah -1,003

Untuk fungsi y = ax² + bx

No X 𝒀𝟑 X² Y² X.Y
1 1 4,58 1 20,9764 4,58
2 2 2,85 4 8,1225 5,7
3 3 2,416667 9 5,840278 7,25
4 4 2,675 16 7,155625 10,7
5 5 2,804 25 7,862416 14,02
6 6 3,4 36 11,56 20,4
7 7 4,03 49 16,2409 28,21
8 8 4,405 64 19,40403 35,24
9 9 4,665556 81 21,76741 41,99
10 10 5,298 100 28,0688 52,98
∑ 55 37,12422 385 146,9984 221,07
Tabel 3.11 Percobaan 3 untuk fungsi y = ax² + bx
 𝑁 ∑𝑁 (𝑋𝑖𝑌𝑖) − ∑𝑁 𝑋𝑖 ∑𝑁 𝑌𝑖
𝑎𝑡 = 𝑖=1 𝑖=1 𝑖=1
𝑁 ∑𝑁
𝑖=1 𝑋𝑖² − 𝑖=1
𝑋𝑖)²
(∑𝑁

(10)(221, 07)  (55)(37,12422)

 (10)(385)  (55)2
562893
 2750000  0, 204688

Jadi, nilai parameter a adalah 0,204688

𝑁 ∑𝑁 𝑋𝑖² ∑𝑁 𝑌𝑖 − ∑𝑁 𝑋𝑖 ∑𝑁 (𝑋𝑖𝑌𝑖)
𝑖=1 𝑖 𝑖=1 𝑖=1
𝑏𝑡 = 𝑁
𝑁 ∑𝑖=1 𝑋𝑖² − 𝑖=1 𝑋𝑖)²
(∑𝑁

(385)(37,12422)  (55)(221, 07) 2133, 9747

 (10)(385)   825
(55)2
 2, 586636

Jadi, nilai parameter b adalah 2,586636

Sy  10 37,12422  0, 204688 55  2,586636

1 2

 1  23, 2797442  7, 75991

9

Jadi, nilai Sy atau nilai sesatan bersifat statistik adalah 7,75991

10
𝛥𝑎𝑡 = 7,75991 √
10(385)−(55)

10
= 7,75991√
= 0,854338
825

Jadi, nilai sesatan pada nilai a yang bersifat statistik adalah 0,584338

𝛥𝑏𝑡 = 7,75991√
385
(
) ( )2
10 385 − 55
385
= 7,75991√ = 5,30103
825

Jadi, nilai sesatan pada nilai b yang bersifat statistik adalah 5,30103
 𝑁 ∑𝑁 (𝑋𝑖𝑌𝑖) − ∑𝑁 𝑋𝑖 ∑𝑁 𝑌𝑖
𝑖=1 𝑖=1 𝑖=1
𝑟=
√[𝑁 ∑𝑁 𝑋𝑖2 − 𝑋𝑖)²][𝑁 𝑌𝑖² − 𝑌𝑖)²]
𝑖=1
(∑𝑁 𝑖=1 ∑𝑁 𝑖=1 (∑𝑁 𝑖=1

10 221, 07  5537,12422


10  385   552  10
 146, 9984    37,124222 
168,8679
  0, 613698
82591, 77629
Jadi, nilai koefisien korelasinya adalah 0,61398

Untuk fungsi 𝑦 = 𝑎𝑥2 + 𝑏

Tabel 3.12 Data Percobaan 3 Untuk Fungsi 𝑦 = 𝑎𝑥2 + 𝑏

 𝑁 ∑𝑁 (𝑋𝑖𝑌𝑖) − ∑𝑁 𝑋𝑖 ∑𝑁 𝑌𝑖
𝑎𝑡 = 𝑖=1 𝑖=1 𝑖=1
𝑁 ∑𝑁
𝑖=1 𝑋𝑖² − 𝑖=1
𝑋𝑖)²
(∑𝑁
10(13685,57) − (385)(221,07)
𝑎𝑡 =
10(25333) − (385)2
136855,7 − 85111,95
𝑎𝑡 =
253330 − 148225
51743,75
𝑎𝑡 =
105105
𝑎𝑡 = 0,492
Jadi, nilai parameter a adalah 0,492

𝑁 ∑𝑁 𝑋𝑖² ∑𝑁 𝑌𝑖 − ∑𝑁 𝑋𝑖 ∑𝑁 (𝑋𝑖𝑌𝑖)
𝑖=1 𝑖 𝑖=1 𝑖=1
𝑏𝑡 = 𝑁
𝑁 ∑𝑖=1 𝑋𝑖² − 𝑖=1 𝑋𝑖)²
(∑𝑁

10(25333)(221,07)−(385)(13685,57)
𝑏𝑡 = 10(25333)−(385)²

56003663,1−5268944,45
𝑏𝑡 = 253330−148225
13177849
𝑏𝑡 = 105105
𝑏𝑡 = 125,3
Jadi, nilai parameter b adalah 125,3

𝑆𝑦 = √ 1 [221,07 − (0,492 × 385 + 125,3]2

1−10
1
𝑆𝑦 = √ × 8770,32
9

𝑆𝑦 = 31,21
Jadi, nilai Sy atau nilai sesatan bersifat statistik adalah 31,21

10
∆𝑎𝑡 = 31,21√
10(25333)−(385)²

10
∆𝑎𝑡 = 31,21
√
105105

∆𝑎𝑡 = 0,304
Jadi, nilai sesatan pada nilai a yang bersifat statistik adalah 0,304

25333
∆𝑏𝑡 = 31,21√
10(25333)−(385)²
 21847√517
∆𝑏𝑡 = 100√253330−3852
∆𝑏𝑡 = 15,322
Jadi, nilai sesatan pada nilai b yang bersifat statistik adalah 15,322

10 (13685,57)−(385)(221,07)
𝑟 = √[10(25333)−(385)2] .[10(7440,942)−(221,07)2]

136855,7−85111,95
𝑟 = √[105105] .[25537,4751]

51743,75
𝑟 = √2684116320,38
51743,75
𝑟 = 51808,458
𝑟 = 0,999
Jadi nilai koefisien korelasinya adalah 0,999

 Grafik Percobaan 1
 Grafik Percobaan 2
 Percobaan 3
3.3 Analisa
Metode kuadrat terkecil digunakan untuk menentukan hubungan antar dua
variabel data yang merupakan fungsi linear. Metode kuadrat terkecil pun dapat
digunakan untuk meminimalisir kesalahan titik data dalam menentukan garis lurus
(linear). Dari data data yang telah ditetapkan pada percobaan ini kita dapat menghitung
berapa nilai parameter a, parameter b, sesatan, dan koefisien korelasinya.

Prosedur percobaan pada praktikum ini yaitu, terlebih dahulu kita menhitung
atau mencari nilai x², y², dan xy. Untuk mempermudah pengerjaaan bisa menggunakan
microsoft excel karena data yang terkumpul sedikit kompleks. Masukkan hasil
perhitungan tersebut dalam bentuk tabel untuk mempermudah pembacaan. Pengolahan
data kemudian dilanjutkan dengan mencari nilai parameter a, parameter b, sesatan, dan
koefisien korelasinya.
 Jika kita memiliki sejumlah data dan data tersebut digambarkan dalam bentuk
grafik pada kertas linear, akan diperoleh suatu garing lurus. Beberapa fungsi yang tidak
linear dapat dilinearkan dalam batas-batas tertentu. Pada percobaan ini disajikan tiga
fungsi yang berbeda, yang terdiri atas satu fungsi umum dan dua fungsi yang harus
diubah terlebih dahulu kedalam fungsi umum agar menghasilkan garis lurus terbaik.
Ketiga fungsi tersebut adalah

 y1 = a x + b
 y2 = a x2 + bx
 y3 = a x2 + b

Jika titik-titik data tersebut semakin dekat atau mendekati garis maka
semakin rendah tingkat errornya dan semakin mendekati garis lurus terbaik.
Berdasarkan hasil perhitungan yang telah dilakukan dan gambarkan dalam
bentuk grafik, sebagian besar data tersebut sudah mendekati garis lurus terbaik
terutama pada data percobaan 2 dimana semua pasangan data ((𝑥, 𝑦1), (𝑥, 𝑦2), (𝑥,
𝑦3)) mendekati garis lurus yang sempurna.
 BAB IV
KESIMPULAN

4.1 Kesimpulan
Percobaan ini menggunakan metode kuadrat terkecil dan didapatkan
nilai parameter a, parameter b sesatan fungsi, dan koefisien korelasinya. Dari
data- data percobaan tersebut yang paling mendekati garis lurus yang sempurna
yaitu pada data percobaan 2, dimana semua pasangan data menghasilkan titik
yang mendekati atau terletak tepat pada garis.
 DAFTAR PUSTAKA

Amir, M. F., dan Prasojo, B. H. (2016). Buku Ajar Matematika Dasar. Sidoarjo:
Universitas Muhammadiyah Sidoarjo.

Ridha, N. (2017). Proses Penelitian, Masalah, Variabel, dan Paradigma Penelitian.

Jurnal Hikmah. Medan: Sekolah Tinggi Islam.

Sugiarto, A., dan Hansun, S. (2016). Rancangan Bangun Aplikasi Peramalan Laba
dengan Metode Kuadrat Terkecil Berbasis Android. Ultimatics: Jurnal
Teknik Informatika, 7(2), 125-130.