TUGAS 3

LAPORAN UJI ANALISA REGRESI LINEAR MENGGUNAKAN

MINITAB 19 SOFTWARE

Disusun untuk melengkapi Tugas Desain Eksperimen kelas (B)

Fakultas Teknologi Industri Dan Rekayasa Sistem Teknik Mesin – ITS

Disusun Oleh :
Nama : Viki Sofyan Hadi
NRP : 6007201034

Dosen Mata Kuliah :

Arif Wahyudi, ST., MT., Ph.D.

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA
2020

1
A. URAIAN TUGAS
1. Mencari sumber data dengan memilih Jurnal atau Paper penelitian International.
2. Melakukan Uji:
2.1 Uji Regresi
2.2 Uji Normalitas Residual– Kolmogorov Smirnov
2.3 Uji Lack of Fit
2.4 Pengecekan R2 (R-Square)

B. JAWABAN TUGAS
1. Mencari Sumber Data
Jurnal International yang diambil sebagai data pada Tugas.3 Uji Analisa Regresi
adalah dengan judul “Optimization of Surface Roughness and Power Consumption in
laser-assisted machining of Inconel 718 by Taguchi based Response Surface
Methodology”. Seorang peneliti yang bernama K. Venkatesan dari School of
Mechanical Engineering, VIT University, Vellore, India.
Inconel 718 bahan yang sulit untuk mesin digunakan dalam komponen critical aero
engines. Surface roughness (product quality) dan Power consumption (energy
efficiency) adalah dua faktor tolak ukur penting bagi Industri manufaktur yang sangat
layak menentukan titik desain optimal dalam Laser Assisted Machining (LAM) untuk
keberlangsungan kinerja pada proses pemesinan.
Pada konteks ini percobaan kemampuan mesin dilakukan dengan sisipan karbida
berlapis pada tiga cutting speed yang berbeda (60, 105 dan 150 m/min), tiga feed rate
yang berbeda (0,05, 0,0875 dan 0,125 mm/rev), tiga laser power (1250, 1500 dan
1750 W) dan tiga sudut laser beam (60, 70, 80 deg) di bawah kondisi pemotongan
kering berpelindung.
Dari pembahasan jurnal, berikut merupakan parameter percobaan machining yang
dilakukan pada material Inconel 718:
 3 Factor Cutting Parameter Variable: Speed (S)(m/min), Feed rate (f)(mm/rev),
Power (P)(W).
 4 Response Variable: Approach angle (θ)(deg), Cutting force (Fz, N), Surface
roughness (Ra)(μm), Power consumption (W)

2
Tabel 1. Data hasil tingkat parameter proses machining material Inconel 718

3
 Dari data hasil penelitian Tabel.1 diambil data sebagai Tugas.2 untuk melakukan Uji
Regresi yaitu sebagai variabel bebas atau (X) adalah Power (P)(W) dan sebagai
variabel respon atau variabel terikat atau (Y) adalah Surface roughness (Ra)(μm).
Adapun data tersebut adalah sebagai berikut:

Tabel 2. Data (X) dan (Y) Uji Regresi

X Y
N Power Surface roughness
o (P) (Ra)
(W) (μm)
1 1250 0.4642
2 1250 0.4845
3 1250 0.4892
4 1250 0.4975
5 1500 0.3904
6 1500 0.4163
7 1500 0.4315
8 1500 0.4315
9 1500 0.4315
10 1500 0.4315
11 1500 0.4721
12 1500 0.4809
13 1500 0.4915
14 1500 0.5355
15 1500 0.5808
16 1750 0.4736
17 1750 0.4976
18 1750 0.5162
19 1750 0.5192
20 1750 0.5414
21 1750 0.6399
22 1750 0.7619

2. Melakukan Uji Regresi

2.1 Uji Regresi
Analisis regresi dalam statistika adalah salah satu metode untuk menentukan
hubungan sebab-akibat antara satu variabel dengan variabel(-variabel) yang lain.
Variabel "penyebab" disebut dengan bermacam-macam istilah: variabel penjelas,
variabel eksplanatorik, variabel independen, atau secara bebas, variabel X (karena

4
sering kali digambarkan dalam grafik sebagai absis, atau sumbu X). Variabel terkena
akibat dikenal sebagai variabel yang dipengaruhi, variabel dependen, variabel terikat,
atau variabel Y. Kedua variabel ini dapat merupakan variabel acak (random), namun
variabel yang dipengaruhi harus selalu variabel acak.

Uji Regresi dilakukan dengan Hipotesa sebagai berikut :

 H0 : β = 0
 H1 : β ≠ 0
 α : 0.05
 Kriteria Penolakan
H0 ditolak jika P-Value < 0,05, regresi bermakna dan terdapat slope

Langkah-langkah Pengolahan Data Menggunakan Minitab 19 Uji Regresi

dan Uji Normalitas Data Residual
1. Buka Aplikasi Minitab 19
2. Klik Stat → Regression → Regression → Fit Regression Model

3. Masukkan data pada kolom C1 diberi nama X untuk Power (P)(W) sebagai
continuous predictors dan C2 diberi nama Y untuk Surface roughness (Ra)
(μm) sebagai responses.

Tabel 3. Data (X) dan (Y)

5
4. Isi Responses sebagai “Y” dan Continuous Predictors sebagai “X”

5. Klik menu “Storage” → centang “Residuals”

6. Hasilnya akan tampil nilai error tiap nilai percobaan di kolom “C3”

6
 Hasil Pengolahan Data dan Kesimpulan
Untuk Uji Regresi didapatkan hasil sebagai berikut:

Dari pengolahan data tersebut di atas diketahui bahwa berdasarkan Uji Regresi
didapat persamaannya Y = 0,199 + 0,000195 X serta P-Value = 0.048 sehingga
H0 ditolak karena P-Value < 0,05, maka regresinya bermakna dan memiliki
slope/kemiringan pada grafiknya.

2.2 Uji Normalitas Residual– Kolmogorov Smirnov

7
 Kolmogorov Smirnov Test (K-S Test) merupakan uji dalam statistik
nonparametric yang digunakan untuk uji dua sampel dari distribusi data yang sama.
K-S Test mempunyai keuntungan bahwa uji ini tidak memperhatikan asumsi dari
distribusi data (secara Teknik bisa dikatakan bahwa uji ini bebas sebaran dan
nonparametric). K-S Test digunakan untuk menentukan distribusi suatu data sampel.
Selain itu, dapat juga digunakan untuk menguji kenormalan suatu data digunakan
dengan cara menstandarkan sampel kemudian membandingkannya dengan distribusi
normal. Keuntungan K-S Test adalah statistic-nya tidak bergantung pada fungsi
distribusi kumulatif dari sebaran yang akan diuji.
 H0 : Data mengikuti distribusi normal
Hipotesa nol (H0) adalah rumusan pernyataan yang didahului dengan kalimat
yang tidak ada hubungan atau tidak ada pengaruh antara variabel bebas
terhadap variabel terikat. Pada kasus ini nilai H0 adalah data mengikuti
distribusi normal.
 H1 : Data tidak mengikuti distribusi normal
Hipotesa alternatif (H1) adalah suatu pernyataan sementara yang lazimnya
dimuat dengan ada hubungan atau pengaruh atau apabila nilai variabel bebas
naik diikuti naiknya nilai variabel terikat. Pada kasus ini nilai H1 adalah data
tidak mengikuti distribusi normal.
 α : 0.05
α adalah nilai yang dijadikan sebagai tolak ukur untuk menentukan taraf
kepercayaan atau generalisasi dari objek yang diteliti setelah dilakukan analisa
dan interpretasi data (taraf signifikasi). Dalam hal pengujian ini α ditentukan
adalah sebesar 0.05 atau 5%.
 Kriteria Pengujian
Jika Signifikasi < 0.05 H0 Ditolak
Jika Signifikasi >0.05 H0 Diterima

Uji Normality Data

1. Masukkan data pada Minitab 19
2. Pilih Stat → Basic Statistic → Normality Test
3. Pilih “Resi” ke kolom “Variable”
4. Pilih tipe Test for Normality “Kolmogorov-Sminov” lalu klik OK

8
 Hasil Pengolahan Data dan Kesimpulan
Untuk Uji Normality Data didapatkan hasil sebagai berikut:

Syarat dari suatu data dapat dikatakan berdistribusi normal adalah nilai P-Value
yang lebih dari alpha dan nilai mean yang nol atau mendekati nol.
Dari pengolahan data tersebut di atas diketahui bahwa P-Value > 0.150 dan mean
-2,77556E-17 maka P-Value 0.150 > 0.05, dan Mean sudah mendekati nol
sehingga error/residual yang dimiliki sudah mengikuti distribusi normal. Dengan
kata lain berarti bahwa data berdistribusi normal.

2.3 Uji Lack of Fit

9
 Setelah data terbukti berdistribusi normal, maka langkah selanjutnya adalah
melakukan Uji Lack of Fit. Uji ini adalah uji formal untuk menentukan apakah sebuah
fungsi regresi cukup fit pada data atau apakah fungsi linier fit dengan baik untuk data.
Uji ini mengasumsikan bahwa observasi Y adalah independent, berdistribusi normal,
dan mempunyai varians yang sama S2. Pengulangan nilai pada variabel independen
disebut replikasi (replications), Hasil observasinya disebut replika (replicates).
Hipotesis
Hipotesis H0 dan H1, α , dan Kriteria Pengujian
• H0 : Model sesuai dengan data
• H1 : Model tidak sesuai dengan data
• α : 0.05
• Kriteria Pengujian
H0 diterima jika P-Value > 0,05, maka model sesuai data
H0 ditolak jika P-Value < 0,05, maka model tidak sesuai data

Langkah-langkah Pengolahan Data Uji Lack of Fit menggunakan Minitab 19

sama dengan Uji Regresi. Di dalam Minitab 19 hasil uji Lack of Fit sudah
langsung tertampil saat kita melakukan Uji Regresi.

Dari pengolahan data tersebut di atas diketahui bahwa berdasarkan Uji Lack of Fit
didapat P-Value = 0,061 dan sehingga H0 diterima karena P-Value > 0,05 , maka
model sesuai data sehingga data cocok dengan Regresi Linear.

2.4 Pengecekan R2 (R-Square)

Setelah data dilakukan uji Lack of Fit dan model sesuai dengan data sehingga data
cocok dengan regresi linear, maka kita melakukan pengecekan R-square. R-square
mengindikasikan bahwa variabel independen secara Bersama-sama mampu
memprediksi variabel dependen sebesar nilai r-square tersebut. Sedangkan sisanya (1-

10
r-square) merupakan nilai error yang tidak bisa dijelaskan oleh variabel-variabel di
dalam model persamaan regresi. Tentunya kita mengharapkan nilai r-square yang
mendekati nilai 1 atau 100% agar penelitian yang kita lakukan berhasil dan dapat
segera menginterpretasikan hasil dan mulai menulis pembahasan.
Langkah-langkah menampilkan R-Square :
1. Buka Aplikasi Minitab 19
2. Pilih Stat  Regression  Fitted Line Plot
3. Isi Response “Y” dan Predictor “X”

4. Klik OK

Hasil Pengolahan Data dan Kesimpulan

Untuk pengujian R-Square didapatkan hasil sebagai berikut:

Nilai R-Square adalah 18,10% sehingga terdapat 18,10% data yang terwakili
dengan garis linear.

11