p-ISSN : 2443-2210 Jurnal Teknik Informatika dan Sistem Informasi

e-ISSN : 2443-2229 Volume 08 Nomor 41 Bulan 2020

Pengaruh Tinggi Badan Terhadap Berat Badan

Hendro Gunawan
Program Studi: PJJ Informatika, Universitas Siber Asia (UNSIA) Jakarta.
Alamat penulis: Desa Sumbersari Kecamatan Sine Kabupaten Ngawi Jawa Timur.
Email: hendro.gnwn@outlook.com

I. Pendahuluan

Regresi adalah suatu teknik analisis untuk mengindentifikasi relasi atau hubungan diantara dua variabel
atau lebih. Regresi bertujuan untuk menemukan suatu fungsi yang memodelkan data dengan
meminimalkan error atau selisih antara nilai prediksi dengan nilai sebenarnya. Regresi termasuk kedalam
supervised learning yang digunakan untuk memprediksi nilai kontinu. Dalam regresi ada dua jenis
variabel yaitu Dependent variable dan Independent variable . Variabbel dipendent adalah variabel yang
akan kita prediksi atau pelajari, sedangkan variabel independent adalah variabel yang menjelaskan atau
menyebabkan nilai target di variabel dependen. Variabel independen dinotasikan dengan X, sementara
variabel dependen dinotasikan dengan Y. Yang harus diperhatikan dalam kasus regresi adalah nilai dari
variabel dipenden (Y) harus berupa nilai kontinu, bukan diskrit. Sementara itu untuk variabel independen
(X) bisa berupa nilai kontinu maupun kategori, misalnya sedan, hatchback, wagon, convertible. Untuk
memprediksi harga mobil, kita harus membuat model regresi dari data sebelumnya. Setelah model selesai
dibuat, kita dapat menggunakannya untuk memprediksi harga mobil menggunakan data baru.
Di sini peneliti memilih data regresi karena mudah dalam menggunakan dan mengaplikasikannya,
selain itu data yang digunakan juga sangat simple dan sederhana. Regresi linear adalah sebuah teknik
klasik di statistika untuk mempelajari hubungan antar variabel dan memprediksi masa depan. Walaupun
tidak seakurat teknik yang lebih modern, kelebihannya adalah mudah dimengerti dan tidak mensyaratkan
data harus dalam bentuk tertentu. Regresi linear mencoba untuk memodelkan hubungan antara dua
variabel dengan mencocokkan persamaan-persamaan linear dengan data yang diamati. Satu variabel
dianggap sebagai penjelas, dan yang lainnya dianggap sebagai variabel dependen. Misalnya, seorang
pemodel mungkin ingin menghubungkan bobot individu dengan ketinggian mereka menggunakan regresi
linear. Sebelum mencoba menyelesaikan model linear dengan data yang diamati, seseorang modeler harus
terlebih dahulu menentukan apakah ada hubungan antara variabel-variabel yang diamati. Ini tidak selalu
menyiratkan bahwa satu variabel menyebabkan yang lain, tetapi bahwa ada beberapa hubungan yang
signifikan antara kedua variabel. Scatterplot dapat menjadi alat yang membantu dalam menentukan
kekuatan hubungan antara dua variabel. Jika tampaknya tidak ada hubungan antara variabel penjelas yang
diusulkan dan variabel dipenden, maka pemasangan model regresi linear ke data mungkin tidak akan
memberikan model yang berguna. Ukuran numerik yang berharga dari hubungan antara dua variabel
adalah koefisien korelasi, yang merupakan nilai antara -1 dan 1 yang menunjukkan kekuatan hubungan
dari data yang diamati untuk dua variabel. Garis regresi linear memiliki persamaan bentuk Y = a + bX, di

1
Jurnal Teknik Informatika dan Sistem Informasi p-ISSN : 2443-2210
Volume 08 Nomor 41 Bulan 07 2022 e-ISSN : 2243-2229

mana X adalah variabel penjelas dan Y adalah variabel dependen. Kemiringan garis adalah b, dan a adalah
intersep (nilai y ketika x = 0). Peneliti memilih teknik ini karena, algoritma ini adalah yang terbaik untuk
digunakan karena ini adalah yang paling kompleks dibandingkan dengan algoritma lain yang juga
mencoba menemukan hubungan antara variabel independen dan dependen.

II. Metodologi Penelitian

Tahapan yang dilakukan dalam percobaa ini yaitu: 1) Melakukan teknik pengumpulan data dengan cara
survey. 2) Melakukan pengolahan data menggunakan teknik simple regression (regresi sederhana). 3)
Menjelaskan tentang hasil penelitian dan pembahasannya secara lengkap. 4) Membuat kesimpulan tentang
hasil penelitian yang telah dilakukan. Metodologi yang digunakan pada penelitian ini yaitu menggunakan
simple regresion (regresi sederhana). Pada dasarnya ada dua tipe model regresi yaitu simple regresion
(regersi sederhana), dan multiple regression (regresi berganda). Simple regresion adalah ketika hanya satu
variabel independen yang digunakan untuk memprediksi dependen variabel, bisa berupa linear (simple
linear regression) maupun non-linear (simple non-linear regression). Misalnya memprediksi harga mobil
hanya dengan berdasarkan engine size saja. Analisis regresi sederhana adalah sebuah metode pendekatan
untuk pemodelan hubungan antara satu variabel dependen dan satu variabel independen. Dalam model
regresi, variabel independen menerangkan variabel dependennya. Dalam analisis regresi sederhana,
hubungan antara variabel bersifat linear, dimana perubahan pada variabel X akan diikuti oleh perubahan
pada variabel Y secara tetap. Sementara pada hubungan non linear, perubahan variabel X tidak diikuti
dengan perubahan variabel Y secara proporsional. Seperti model kuadratik, perubahan X diikuti oleh
kuadrat dari variabel X. Hubungan demikian tidak bersifat linear.
Analisis regresi sederhana dapat digunakan untuk mengetahui arah dari hubungan antara variabel bebas
dengan variabel terikat, apakah memiliki hubungan positif atau negatif serta untuk memprediksi nilai dari
variabel terikat apabila nilai variabel bebas mengalami kenaikan ataupun penurunan. Pada regresi
sederhana biasanya data yang digunakan memiliki skala interval atau rasio. Di sini peneliti menggunakan
tools berupa aplikasi Excel untuk mengolah data. Rumus regresi linear sederhana yang digunakan pada
penelitian ini adalah:

Y = a + bX

Keterangan:
Y = Variabel dependen (variabel terikat)
X = Variabel independen (variabel bebas)
a = Konstanta (nilai dari Y apabila X = 0)
b = Koefisien regresi (pengaruh positif atau negatif)

III. Hasil dan Pembahasan

a. Model Regresi Linear

Hubungan antara X dan Y dijelaskan oleh sebuah fungsi linear. Perubahan pada Y diasumsikan terjadi
akibat perubahan pada X. Model regresi linear (populasi) memiliki rumus yaitu:

2
p-ISSN : 2443-2210 Jurnal Teknik Informatika dan Sistem Informasi
e-ISSN : 2443-2229 Volume 08 Nomor 41 Bulan 2020

Yi = β0 + βi Xi + εi

Di mana β0 dan β1 adalah koefisien model populasi dan ε adalah random error. Jika digambarkan
dalam bentuk diagram scatter plot maka grafiknya adalah sebagai berikut:

Gambar 1
Model Regresi Linear.

b. Persamaan Regresi Linear Sederhana.

Persamaan regresi linear sederhana menghasilkan sebuah nilai estimasi dari garis regresi populasi.
Persamaan regresi linear sederhana memiliki rumus sebagai berikut:

෡𝑖 = b0 + b1 xi
Y

Keterangan:
෡
Y = Estimasi (atau prediksi) nilai Y pada pengamatan ke-i
b0 = Estimasi dari intersep regresi
b1 = Estimasi dari slope regresi
xi = Nilai dari X pada pengamatan ke-i
Random error individu ei yang memiliki mean 0 (nol) dapat di cari dengan rumus:

ei = (Yi - ෡
Y𝑖 ) = Yi – (b0 + b1 xi )

3
Jurnal Teknik Informatika dan Sistem Informasi p-ISSN : 2443-2210
Volume 08 Nomor 41 Bulan 07 2022 e-ISSN : 2243-2229

c. Least Squares Estimator.

b0 dan b1 diperoleh dengan mencari nilai dari b0 dan b1 yang meminimalisir jumlah kuadrat dari
selisih antara y dan yො di mana rumusnya adalah:

Min SSE = min σ(ei )2

= min σ(yi − yොi )2
= min σ[ yi − (b0 + b1 x1 )]2

Erstimator dari koefisien slope adalah:

σ𝑛𝑖=0(xi − xത )(yi − yത) Sy

b1 = = rxy
σ𝑛𝑖=1(xi − xത)2 Sx

Sedangkan intersep dari y adalah:

b0 = yത - b1 xത

Garis regresi selalu melewati mean xത dan yത.

d. Asumsi Model Regresi Linear.

▪ Bentuk hubungannya adalah linear (Y adalah fungsi linear dari X ditambah random error)
▪ Nilai error, εi bersifat bebas dari x.
▪ Nilai error merupakan variabel acak dengan mean 0 dan memiliki ragam konstan, σ2

E[εi ] = 0 dan E[εi 2 ] = 𝜎 2 dengan (i = 1,…,n)

▪ Random error εi , tidak berkorelasi satu sama lain, sehingga

E[εi εj ] untuk setiap i ≠ j

e. Interpretasi dari Slope dan Intersep

❖ b0 adalah estimasi nilai rata-rata dari y ketika nilai dari x adalah nol (jika x = 0 berada dalam
range pengamatan x).
❖ b1 adalah estimasi perubahan rata-rata dari nilai y sebagai akibat dari perubahan “satu unit” X.

4
p-ISSN : 2443-2210 Jurnal Teknik Informatika dan Sistem Informasi
e-ISSN : 2443-2229 Volume 08 Nomor 41 Bulan 2020

Dari hasil penelitian yang dilakukan terhadap 12 mahasisiwa Universitas Siber Asia Jakarta
didapatkan data-data tinggi badan dan berat badan sebagai berikut:

Tabel 1
Data Sampel untuk Tinggi Badan dan Berat Badan.

Dari data di atas, peneliti akan mengolahnya menjadi sebuah data yang hasilnya berupa interpretasi
dari dari slope dan intersep yang data-datanya diambil dari data sampel untuk tinggi badan dan berat
badan mahasiswa tersebut. Langkah-langkahnya yaitu sebagai berikut:
1. Presentasi Grafik dalam Bentuk Scatter Plot

Model Tinggi Badan Dan Berat Badan: Scatter Plot

80

70

60
Berat Badan (1000 gr)

50

40

30

20

10

0
150 155 160 165 170 175 180
Tinggi Badan (cm)

Gambar 2
Diagram Scatter Plot.

5
Jurnal Teknik Informatika dan Sistem Informasi p-ISSN : 2443-2210
Volume 08 Nomor 41 Bulan 07 2022 e-ISSN : 2243-2229

2. Regresi Menggunakan Excel

Regresi Menggunakan Excel

Gambar 3
Data Analysis.

Cara menggunakan excel untuk menghitung regresi sederhana ini yaitu dengan cara mengecek data
analysis di menu data pada excel, di sini apabila belum ada maka kita harus mengaktifkannya terlebih
dahulu dengan cara mengklik file, kemudian klik option, klik add-ins, kemudian pada bagian Manage
pilih menu excel add-ins, kemudian pada name pilih Analysis Toolpak, kemudian klik go, maka akan
muncul kotak dialog Add-ins, dan centang pada bagian Analysis Toolpak, lalu klik oke. Maka akan mucul
“Data Analysis” pada pojok kanan tool bar. Jika Data Analysis nya sudah tersedia, kita klik lalu pilih
“Regression” lalu klik oke.

6
p-ISSN : 2443-2210 Jurnal Teknik Informatika dan Sistem Informasi
e-ISSN : 2443-2229 Volume 08 Nomor 41 Bulan 2020

Gambar 4
Regresi Menggunakan Excel.

Input Y range dan X range, dengan cara diblok pada bagian kolom yang bertanda (Y) dan (X) dengan
mengikutkan labelnya, bila yang di blok hanya angkanya saja maka labelnya tidak usah dicentang. Pada
output option kita pilih yang new worksheet ply saja, lalu klik oke. Hasil output dari penelitian tersebut
yaitu dapat ditunjukkan seperti pada gambar berikut:

7
Jurnal Teknik Informatika dan Sistem Informasi p-ISSN : 2443-2210
Volume 08 Nomor 41 Bulan 07 2022 e-ISSN : 2243-2229

Tabel 2
Keluaran Excel.

Keluaran Excel

Dari hasil output di atas didapat suatu nilai Multiple R sebesar 0,31553 yang berarti bahwa nilai korelasi
antara variabel bebas (X) dan variabel terikat (Y) adalah 0,31553. Termasuk dalam kategori “lemah”. Di
sini dapat ditunjukkan dengan tabel kategori tingkat hubungan besaran korelasi seperti gambar di bawah
ini.

Tabel 3
Kategori Tingkat Hubungan.

8
p-ISSN : 2443-2210 Jurnal Teknik Informatika dan Sistem Informasi
e-ISSN : 2443-2229 Volume 08 Nomor 41 Bulan 2020

Kemudian nilai koefisien determinasi bisa di lihat pada kolom Adjusted R Square. Nilai koefisien
determinasi yaitu sebesar 0,00952 atau 0,95%. Yang berarti bahwa variabel bebas (X) = tinggi badan
dalam cm, dapat menjelaskan variabel terikat (Y) = berat badan dalam 1000 gram sebesar 0,95%. Sisanya
dipengaruhi oleh faktor lain.
Pada tabel Anova didapatkan bahwa F hitung sebesar 1,10569 dengan nilai signifikansi sebesar 0,31777.
F hitung di sini bisa dibandingkan dengan F Tabel, agar mudah kita membandingkan kita menggunakan
significance F saja, di mana nilai alpha di sini ditetapkan sebesar 0,05 atau senilai 5%. Nilai
signifikansinya adalah 0,31777 yang berrarti bahwa nilai signifikansinya lebih kecil dari alpha = 0,05
sehingga dapat disimpulkan bahwa adanya pengaruh yang signifikan antara variabel X dengan variabel Y.
Selanjutnya yaitu persamaan regresinya dapat dilihat dari tabel Coeffisients. Nilai intercept nya yaitu
1,86344 dan nilai X nya yaitu 0,35446. Jadi persamaan regresinya Y = 1,86344 + 0,35446X yang berarti
bahwa jika X nya adalah 0 (nol) maka Y nya adalah 1,86344. Selanjutnya X nya positif 0,35446 jadi
pengaruhnya positif antara variabel X dengan variabel Y, ketika X naik satu maka Y akan naik 0,35446.

3. Presentasi Grafik
Dari data di atas dapat dipresentasikan grafknya dalam bentuk diagram scatter plot yaitu sebagai
berikut.

Model Tinggi Badan dan Berat Badan: Scater Plot dan Garis Regresi

Model Tinggi Badan dan Berat Badan Slope

75 = 0,35446
80
70 68
70
60 60 62
59 58
57 55
Berat Badan (1000 gr)

60
49 48
50
40
Intersep
30
= 1,86344
20
10
0
150 155 160 165 170 175 180
Tinggi Badan (cm)

Berat badan = 1,86344 + 0,35446 (tinggi badan)

Gambar 5
Pretesentasi Grafik Model Tinggi Badan dan Berat Badan dalam Bentuk Diagram Scatter Plot dan Garis Regresi.

4. Interpretasi dari Intersep: 𝐛𝟎

9
Jurnal Teknik Informatika dan Sistem Informasi p-ISSN : 2443-2210
Volume 08 Nomor 41 Bulan 07 2022 e-ISSN : 2243-2229

Berat badan = 1,86344 + 0.35446 (tinggi badan)

• b0 adalah estimasi nilai rata-rata dari Y ketika nilai X adalah nol (jika X = 0 berada dalam range
pengamatan X)
• Pada kasus ini tidak ada badan yang tingginya 0 cm.
• Sehingga b0 = 1,863.44 mengindikasikan bahwa 1,863.44 kg adalah berat badan yang tidak
dapat dijelaskan dengan centimeter.

5. Interpretasi dari Koefisien Slope: 𝐛𝟏

Berat badan = 1,86344 + 0,35446 (tinggi badan)

• b1 adalah estimasi perubahan rata-rata dari nilai Y sebagai akibat dari perubahan “satu unit” X.
• Di sini, b1 = 0,35446 menyatakan bahwa berat badan meningkat sebesar 0,35446 (1000 gr) =
354,46 secara rata-rata, untuk setiap penambahan tinggi badan sebesar satu centimeter.

IV. Kesimpulan

Kesimpulan
a. Dalam melakukan penelitian ini peneliti dapat menyimpulkan bahwa berat badan memiliki pengaruh
yang signifikan terhadap tinggi badan seseorang.
b. Implementasi regresi linear sederhana melalui pelajaran data science dapat dilakukan dengan cara
menerapkannya melalui praktik dalam kehidupan sehari-hari, hal ini dapat mudah kita amati melalui
survey, wawancara, dan dokumentasi terhadap data sampel yang akan kita ambil sebagai acuan dasar
dalam melakukan penelitian.
c. Kita dapat mengambil contoh data set yang berasal dari lingkungan sekitar atau tempat kerja kita sebagai
bahan dalam membuat laporan penelitian. Jika tidak ada maka kita dapat mencari data set yang lainnya di
internet.
Saran
1. Kepada para peneliti direkomendasikan untuk menyusun materi penelitian yang benar secara ilmiah
akademik, rumusan yang sama, satu tafsir dan disepakati yang didukung oleh pemikiran akademik ilmiah.
2. Kepada para guru direkomendasikan agar 1) Data Science dikuasai dan dipahami secara benar sehingga
materi pendidikan yang disajikan benar secara ilmiah akademis, 2) tidak perlu melakukan perluasan materi
yang telah ada tetapi memberi pendalaman atas materi yang terkait sesuai perkembangan dan pengalmana
belajar siswa pada semester sebelumnya, 3) Pelajaran materi Data Science khususnya regresi linear dapat
diwujudkan dan dipraktikkan dalam kehidupan sehari-hari, dan 4) melengkapi cara mengorganisir materi

10
p-ISSN : 2443-2210 Jurnal Teknik Informatika dan Sistem Informasi
e-ISSN : 2443-2229 Volume 08 Nomor 41 Bulan 2020

pelajaran Data Science dengan memperhatikan urutan materi berdasarkan pemikiran akademik melalui
pembelajaran daring secara online dari pertemuan satu sampai pertemuan terakhir.
3. Kepada para ilmuwan dan komunitas akademik Data Science, diharapkan dapat bekerjasama
melakukan kegiatan ilmiah akademik mengembangkan Data Science sebagai paradigma ilmu
pengetahuan atau sebagai landasan statistik pendidikan di Indonesia sehingga Data Science dapat menjadi
inti dari semua mata pelajaran di sekolah.

Daftar Pustaka

Ilmu dataPy. 2022. Apa itu Regresi, Klasifikasi dan Clustering (Klasterisasi)?. Diakses pada 6 Juli 2022,
dari https://www.ilmudatapy.com/apa-itu-regresi-kalsifikasi-dan-clustering-klasterisasi/

Toptenid.com. 2022. Kelebihan dan kekurangan regresi linear sederhana. Diakses pada 7 Juli 2022, dari
https://toptenid.com/kelebihan-dan-kekurangan-regresi-linear-sederhana

Abdullah, Syahid. 2022. Pengantar Data Science Program Studi Informatika Sesi 12-Analisis Regresi.
Halaman 1-18.

11
Jurnal Teknik Informatika dan Sistem Informasi p-ISSN : 2443-2210
Volume 08 Nomor 41 Bulan 07 2022 e-ISSN : 2243-2229

Tanda Tangan Dosen Pengampu / Tanda Tangan

Nilai
Tutor Mahasiswa

(Sahid Abdullah, S.SI., M.Kom. ) (Hendro Gunawan)

Diserahkan pada Tanggal: Tanggal Mengumpulkan:
08/07/2022

12