LAPORAN RESMI PRAKTIKUM 6

ANALISIS DATA DENGAN METODE REGRESI LINIER

Disusun Oleh :

1. Rifqi Nur Fakhruddin (19312241002)

2. Ella Isnaini (19312241009)
3. Siti Khoirunnisa (19312241024)
4. Rizqi Agustiana (19312244031)

JURUSAN PENDIDIKAN ILMU PENGETAHUAN ALAM

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI YOGYAKARTA

2020
 PRAKTIKUM 6.

ANALISIS DATA DENGAN METODE REGRESI LINIER

A. Tujuan Praktikum

Mahasiswa mampu melakukan analisis data pada pengukuran tidak langsung dengan
menggunakan metode regresi linier atau kuadrat terkecil dan menghitung korelasinya.

B. Dasar Teori

Metode Regresi Linier

Regresi sederhana didasarkan pada hubungan fungsional ataupun kausal antara satu
variabel independen dengan satu variabel dependen. Metode regresi linear sering
digunakan dalam analisis data hasil eksperimen. Eksperimen murni yang polanya tidak
linier dengan bantuan persamaan matematis bisa dijadikan menjadi linier. Dengan kata
lain dalam segala kondisi, apabila ada fenomena yang muncul tidak linear maka dalam
analisis data dilinearkan dengan memodifikasi persamaan matematis terlebih dahulu
kemudian dianalisis dengan metode linear. Analisis regresi adalah suatu analisis yang
mengukur pengaruh antara variabel bebas terhadap variabel terikat. Jika pengukuran
pengaruh ini melibatkan satu variabel bebas (X) dan variabel terikat (Y) dinamakan
analisis regresi linear sederhana. Sedangkan jika pengukuran ini melibatkan dua atau lebih
variabel bebas, maka disebut analisis regresi berganda. (Supangat; 2007:219). Analisis
regresi berganda adalah pengenbangan dari analisis regresi sederhana. Kegunaannya yaitu
untuk meramalkan nilai variabel terika (Y) apabila jumlah variabel bebas berjumlah dua
atau lebih. Analisis regresi berganda adalah suatu alat analisis peramalan nilai dua variabel
bebas atau lebih terhadap variabel terikat untuk membuktikan ada atu tidaknya hubungan
fungsi atau hubungan kasual diantaranya. (Riduwan; 2009: 189)

Persamaan matematis yang digunakan dalam eksperimen IPA adalah persamaan garis
lurus y = a + bx. Metode regresi dengan menggunakan persamaan garis lurus ini sangat
sederhana dan mudah dilakukan sehingga bias diinterpretasikan hasil analisis tersebut
secara fisis. Selain itu, persamaan garis lurus ini mudah digunakan sebagai alat bantu
dalam analisis hasil eksperimen untuk menentukan nilai tetapan atau konstanta dari
variabel fisika yang menjadi tujuan eksperimen. Metode regresi dalam aplikasinya
digunakan sebagai metode pencocokan data yang dikenal dengan istilah Least Square
Fitting atau metode kuadrat terkecil yang diterapkan dalam persamaan garis lurus, maka
akan dapat ditetapkan nilainilai parameter persamaan garis lurus yaitu a dan b tanpa perlu
menggunakan grafik. Metode kuadrat terkecil (Least-Squares Method) merupakan salah
satu metode pendekatan yang paling penting dalam dunia sains maupun teknik yang
digunakan untuk pembentukan persamaan dari titik-titik data diskretnya untuk
menemukan model yang sederhana. Metode kuadrat terkecil ini juga memainkan peranan
penting dalam teori statistik, karena metode ini seringkali digunakan dalam penyelesaian
problem-problem yang melibatkan kumpulan data yang tersusun secara acak, seperti
dalam waktu selama percobaan. Perlu difahami bahwa teori regresi akan memberikan
penyesesaian pasangan data (Xi;Yi) untuk dianalisa pada regresi yang diharapkan; untuk
itu bila di-inginkan akan dianalisa dengan linear maka data pasangan (Xi;Yi) harus
diyakinkan berfungsi linear ( secara visual dapat di tampilkan pada grafik pengamatan).
Bila pada persamaan teori belum secara langsung menggambarkan hubungan yang linear,
maka dilakukan proses pelinearan terlebih dahulu. Persamaan regresi linear diturunkan
untuk menghitung pasangan data xi dan yi yang memenuhi hubungan linear, yaitu:

y = a + bx

Dalam penampilan grafik y = f (x) sebagai berikut.

Grafik Fungsi y = a + bx
Nilai b merupakan slope/ gradient garis dari grafik tersebut yang dapat ditentukan dengan
menggunakan persamaan berikut. Jika S1=S2=Si (Ketidakpastiannya sama), maka nilai a dan
b sebagai berikut.

Maka diperoleh persamaan sebagai berikut.

N adalah jumlah data yang dianalis

Dengan nilai ketidakpastiannya a dan b sebagai berikut.

Nilai S pada persamaan Sa dan Sb di atas pada dasarnya sama dengan Sy. Jika nilai Sy tidak
diketahui tetapi dapat diperkirakan bahwa besarnya sama (umumnya bersumber dari alat ukur
yang sama dan skala yang digunakan juga sama), maka nilai S dapat ditentukan dengan
persamaan berikut.

Jika S1 ≠ S2 ≠Si (Ketidakpastiannya tidak sama), maka nilai a dan b sebagai berikut.
Dengan nilai ketidakpastian Sa dan Sb sebagai berikut.

Hubungan linier antara x dan y diharapkan berbentuk seperti persamaan yfit = a + bx, yang
dinamakan persamaan hasil fit linier, sehingga untuk setiap nilai xi bisa dihitung nilai yfit = a
+ bxi sedangkan hasil pengukuran untuk nilai xi adalah yi. Secara teori, regresi linear dapat
dipergunakan untuk menemukan persamaan garis lurus terbaik dari data pasangan (xi : yi)
yang diperoleh dari hasil eksperimen yang secara eksplisit tidak membatasi, apakah pasangan
data tersebut betul–betul membentuk garis lurus. Hal ini berimplikasi untuk pasangan data
sembarang dapat dipilih garis lurusnya. Lebih dari itu, hal ini sering menimbulkan kesalahan
dalam penggunaan analisa data eksperimen.

Koefisien Korelasi

Koefisien korelasi adalah suatu nilai yang dipakai untuk mengetahui derajad kesesuaian dari
persamaan yang didapat. Data hasil pengamatan yang baik menunjukkan bahwa variabel x
dan variabel y menunjukkan hubungan persamaan garis lurus yang memenuhi persamaan y =
a + bx sebagaimana gambar di bawah.
 Data Memenuhi Persamaan Garis Lurus

Data hasil pengamatan yang tidak baik menunjukkan bahwa variabel x dan variabel y dalam
eksperimen tidak menunjukkan hubungan garis lurus sebagaimana gambar berikut.

Data Memenuhi Persamaan Garis Lurus

Korelasi linearitas dari data yang diperoleh adalah baik atau tidak, dapat diketahui
dengan menghitung nilai koefisien korelasi r dengan menggunakan rumus sebagai
berikut.
 Nilai r semakin mendekati nilai 0 maka antara variabel x dan variabel y semakin tak
terkolerasi, artinya data tersebut tidak memenuhi persamaan garis lurus. Sebaliknya nilai
r semakin mendekati ± 1 maka antara variabel x dan variabel y semakin terkolerasi
secara linear. Nilai positif artinya variabel x dan variabel y terkorelasi secara positif, dan
sebaliknya jika negatif berarti variabel x dan variabel y terkorelasi negatif.

C. Alat dan Bahan

Data hasil percobaan sederhana dari praktikum fisika dasar, kimia umum, dan biologi
umum yang menggunakan metode pengukuran tidak langusng.

Keterangan: Anda juga dijinkan menggunakan data yang disiapkan dalam praktikum alat
ukur dan metode pengukuran dalam panduan ini.

D. Data Hasil Praktikum

Kelompok 1, 2, dan 3: Data Percobaan Lensa Cembung

No. Jarak Benda Jarak bayangan Fokus lensa

(So ± 0,05) (Si ± 0,05 ) cm ( ± ∆𝑓) cm

1. 12,80 20,90
f=
2. 12,90 22,50
3. 13,20 20,50
4. 13,40 21,50
5. 12,70 21,60

E. Analisis data

(So ) (Si) X (𝑆𝑜 + Y (𝑆𝑜 × X2 Y2 XY

𝑆𝑖) 𝑆𝑖)
12,80 20,90 33,7 267,52 1135,69 71566,95 9015,424
12,90 22,50 35,4 290,25 1253,16 84245,06 10274,85
13,20 20,50 33,7 270,3 1135,69 73224,36 9119,22
13,40 21,50 34,9 288,1 1218,01 83001,61 10054,69
 12,70 21,60 34,3 274,32 1176,49 75251,46 9409,176
JUMLAH 172 1390,79 5919,04 387289,4 47873,36
KUADRAT 29584 1934297 2291858598

F. Pembahasan

1.

• A = ∑ 𝑋2(∑ 𝑌2) − 2 ∑ 𝑋𝑌 ∑ 𝑋 ∑ 𝑌 + 𝑁(∑ 𝑋𝑌)2

A = (5919,04)(1934297) − 2(47873,36)(172)(1390,79) + 5(2291858598)

A = (11449180274) − (229041358820) + (11459292988)

A = 4337380,255

• Δ = N∑ 𝑋2 + (∑ 𝑋)2

Δ = 5(5919,04) − (29584)

Δ= (29595,2) − (29584)

Δ= 11,2
 Maka:

2.

𝑚 = 13,475

m =13,48
m ≈ 13,5
∆𝑚 = 0,87

∆𝑚 = 0,9

Dari persamaan diketahui 𝑓 = 𝑚 maka dapat disimpulkan bahwa besar jarak (𝑓 ± ∆𝑓)
yaitu (13,5 ± 0,9)𝑐𝑚.

295

290

285 y = 13,569x - 188,67

Axis Title

R² = 0,9487
280
Series1

275 Linear (Series1)

270

265
33,5 34 34,5 35 35,5
Axis Title

Analisis regresi adalah suatu analisis yang mengukur pengaruh antara variabel bebas
terhadap variabel terikat. Jika pengukuran pengaruh ini melibatkan satu variabel bebas (X)
dan variabel terikat (Y) dinamakan analisis regresi linear sederhana. Sedangkan jika
pengukuran ini melibatkan dua atau lebih variabel bebas, maka disebut analisis regresi
berganda. (Supangat; 2007:219).

Persamaan matematis yang digunakan dalam eksperimen IPA adalah persamaan garis lurus y
= a + bx. Metode regresi dengan menggunakan persamaan garis lurus ini sangat sederhana
dan mudah dilakukan sehingga bisa diinterpretasikan hasil analisis tersebut secara fisis.
Selain itu, persamaan garis lurus ini mudah digunakan sebagai alat bantu dalam analisis hasil
eksperimen untuk menentukan nilai tetapan atau konstanta dari variabel fisika yang menjadi
tujuan eksperimen. Metode regresi dalam aplikasinya digunakan sebagai metode pencocokan
data yang dikenal dengan istilah Least Square Fitting atau metode kuadrat terkecil yang
diterapkan dalam persamaan garis lurus, maka akan dapat ditetapkan nilai-nilai parameter
persamaan garis lurus yaitu a dan b tanpa perlu menggunakan grafik (Joko dan Didik, 2020:
24). Berdasarkan analisis data hasil praktikum dengan metode regresi, diperoleh bahwa jarak
fokus lensa cembung f ± ∆f adalah (13,5±0,9) cm.

G. Kesimpulan

Berdasarkan analisis data hasil praktikum dengan metode regresi, diperoleh bahwa jarak
fokus lensa cembung f ± ∆f adalah (13,5±0,9) cm.

H. Daftar Pustaka

Joko Sudomo dan Didik Setyawarno. 2020. Panduan Praktikum Alat Ukur dan Metode
Pengukuran.Sleman: Universitas Negeri Yogyakarta.
Riduan. 2009.Dasar-Dasar Statistika. Bandung: Alfabeta.
Supangat, Andi. 2008.Statistik Teori dan Aplikasi Jilid II Edisi ke Lima.Jakarta: Penerbit
Erlangga