LABORATORIUM TEKNIK INDUSTRI

PROGRAM STUDI TEKNIK INDUSTRI

UNIVERSITAS MERCU BUANA
Q
LAPORAN PRAKTIKUM
STATISTIK

Disusun Oleh:
Kelompok 5
1. Fauzy Ikhsan Nur Ramadhan (41622010031)
2. Aurick Farrel N. Z (41622010035)
3. Aghna Hanania (41622010039)
4. Nur Kholis Majid (41622010040)

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK
UNIVERSITAS MERCU BUANA JAKARTA
2023

Telah Diperiksa dan Dinilai oleh:

Asisten Laboratorium Muhamad Aldi S.
 KATA PENGANTAR
Puji Syukur kehadirat Allah SWT yang telah memberikan rahmat dan
hidayah-Nya sehingga penulis dapat menyelesaikan Laporan Praktikum Mata
Kuliah Statistik tepat pada waktunya.
Adapun tujuan dari penulisan laporan ini adalah untuk memenuhi tugas
praktikum Ibu Silvi Ariyanti, ST, M.Sc dan Bapak Torik, Ir. MT pada bidang studi
Statistik. Selain itu, laporan ini juga bertujuan untuk menambah wawasan tentang
pengumpulan data, pengolahan data, dan analisa data, baik bagi penulis maupun
pembaca.
Untuk itu, kami mengucapkan terima kasih kepada:
1. Ibu Silvi Ariyanti, ST, M.Sc dan Bapak Torik, Ir. MT selaku dosen mata
kuliah statistik.
2. Muhammad Aldi Setiadi selaku asisten laboratorium statistik.
3. Keluarga, teman-teman dan seluruh pihak yang terlibat dalam penulisan
laporan praktikum mata kuliah statistik.
Kami sadar bahwa laporan praktikum ini masih jauh dari kesempurnaan.
Oleh karena itu, penulis sangat menghargai setiap kritik dan saran yang bersifat
positif dan membangun.
Akhir kata, kami ucapkan terima kasih dan penulis berharap bahwa
laporan ini dapat bermanfaat untuk perkembangan ilmu pengetahuan untuk
mahasiswa/i pada umumnya.

Jakarta, 9 November 2023

Penulis
DAFTAR ISI
DAFTAR GAMBAR
DAFTAR TABEL
 MODUL 5 REGRESI LINIER
BAB I
PENDAHULUAN
1.1 Latar Belakang
Regresi linier merupakan salah satu teknik analisis statistik yang digunakan
untuk memahami hubungan antara satu atau lebih variabel bebas (independen)
dengan variabel terikat (dependen). Dalam konteks ilmu statistik, regresi linier
memiliki peran penting dalam memodelkan dan memprediksi hubungan
kuantitatif antara variabel-variabel tersebut.
Praktikum ini dirancang untuk memberikan pemahaman mendalam tentang
aplikasi regresi linier dalam konteks riset dan analisis data. Pemahaman ini
penting dalam berbagai bidang, seperti ekonomi, ilmu sosial, ilmu kedokteran,
dan berbagai disiplin ilmu lainnya, di mana kita sering kali tertarik untuk
memahami pengaruh variabel tertentu terhadap variabel lainnya.
Dalam regresi linier, kita mencari persamaan garis terbaik yang dapat
menggambarkan hubungan antara variabel bebas dan variabel terikat. Metode ini
memberikan kemampuan untuk membuat prediksi berdasarkan data yang telah
diamati. Dengan demikian, regresi linier memainkan peran krusial dalam
mendukung pengambilan keputusan yang berbasis data dan membantu
mengidentifikasi pola atau tren yang mungkin tidak terlihat secara kasual.
Melalui praktikum ini, diharapkan peserta dapat menguasai konsep dasar
regresi linier, memahami langkah-langkah implementasi, dan mampu
mengevaluasi hasil analisis secara kritis. Keseluruhan pemahaman ini akan
membantu peserta dalam menyusun model regresi yang sesuai dengan data yang
dimiliki, serta memberikan dasar yang kokoh untuk interpretasi hasil analisis.
Penting untuk diingat bahwa regresi linier bukan hanya alat statistik semata,
tetapi juga merupakan sarana untuk memahami dan menjelaskan fenomena di
dunia nyata. Dengan demikian, pemahaman yang baik tentang regresi linier akan
memberikan kontribusi positif terhadap kemampuan analisis dan interpretasi data
bagi para praktisi di berbagai bidang ilmu.
1.2 Tujuan Praktikum
Adapun tujuan
 BAB II
LANDASAN TEORI

2.1 Definisi Regresi Linier

Regresi linier adalah suatu metode statistik yang digunakan untuk
memodelkan dan menganalisis hubungan kuantitatif antara satu atau lebih
variabel bebas (independen) dengan satu variabel terikat (dependen). Tujuan
utama dari regresi linier adalah untuk mengidentifikasi dan mengukur sejauh
mana perubahan dalam variabel bebas dapat menjelaskan variasi dalam
variabel terikat. Hubungan ini dijelaskan dengan model matematis, yang
umumnya merupakan garis lurus (untuk regresi linier sederhana) atau bidang
hiperspace (untuk regresi linier berganda).

Secara matematis, persamaan regresi linier dapat dinyatakan sebagai:

Y=β0+β1X1+β2X2+…+βnXn+ε
Menurut David A. Freedman, Robert Pisani, dan Roger Purves:
"Regresi linier adalah alat statistik yang digunakan untuk mengukur dan
memodelkan hubungan antara satu atau lebih variabel kuantitatif. Metode ini
digunakan untuk mengidentifikasi pola-pola hubungan dan memahami sejauh
mana variabel bebas dapat menjelaskan variasi dalam variabel terikat.”
2.2 Analisis Regresi Linier
Analisis regresi linier sederhana adalah metode statistik yang digunakan
untuk memahami hubungan antara dua variabel, yaitu satu variabel terikat
(dependen) dan satu variabel bebas (independen). Tujuan utama analisis ini
adalah untuk memodelkan dan mengukur sejauh mana perubahan dalam
variabel bebas dapat menjelaskan variasi dalam variabel terikat. Dalam
konteks ini, "linier" mengacu pada hubungan yang dijelaskan oleh garis lurus
dalam model matematis.
Analisis regresi linier memiliki dua jenis yaitu Analisis regresi linier
sederhana dan Analisis regresi linier berganda.

2.3 Analisis Regresi Linier Sederhana

Analisis regresi linier sederhana adalah metode statistik yang digunakan
untuk memahami dan memodelkan hubungan antara dua variabel: variabel
bebas (independen) dan variabel terikat (dependen). Tujuan utama adalah
untuk mengidentifikasi dan mengukur sejauh mana perubahan dalam variabel
bebas dapat mempengaruhi variabel terikat. Model matematisnya dapat
dinyatakan sebagai:

Y=β0+β1X+ε
 Y adalah variabel terikat.
 X adalah variabel bebas.
 β0 adalah intercept.
 β1 adalah koefisien regresi yang mengukur perubahan rata-rata dalam
Y yang diakibatkan oleh perubahan satu unit dalam X.
 ε adalah kesalahan acak.
Analisis ini memberikan pemahaman tentang arah (positif/negatif) dan
kekuatan hubungan antarvariabel, serta memungkinkan pembuatan prediksi
berdasarkan model yang dikembangkan.
Contoh Analisis Regresi Linier Sederhana: Misalkan kita ingin memahami
hubungan antara jumlah jam belajar (variabel X) dan nilai ujian matematika
(variabel Y) siswa. Dalam analisis regresi linier sederhana, kita
mengumpulkan data tentang jumlah jam belajar dan nilai ujian matematika
dari sejumlah siswa. Model regresi linier sederhana dapat membantu kita
menjawab pertanyaan seperti: Sejauh mana peningkatan jumlah jam belajar
dapat memprediksi peningkatan nilai ujian matematika?
 Secara matematis, model regresi linier sederhana untuk contoh ini dapat
dituliskan sebagai :

Y=β0+β1X+ε
Kemudian, dengan menggunakan metode least squares, kita dapat
memperoleh nilai-nilai �0β0 dan �1β1 yang menggambarkan hubungan
linier antara jumlah jam belajar dan nilai ujian matematika.
2.4 Analisi Regresi Linier Berganda
Analisis regresi linier berganda adalah metode statistik yang digunakan
untuk memahami hubungan antara satu variabel terikat (dependen) dengan
dua atau lebih variabel bebas (independen). Dalam konteks ini, kita
mencoba untuk memodelkan hubungan kuantitatif antara variabel terikat
dan beberapa variabel bebas secara simultan. Model regresi linier berganda
dapat dinyatakan dalam persamaan matematis:
Y=β0+β1X1+β2X2+…+βnXn+ε
 Y adalah variabel terikat.
 1,2,…,X1,X2,…,Xn adalah variabel bebas.
 0β0 adalah intercept.
 1,2,…,β1,β2,…,βn adalah koefisien regresi yang mengukur seberapa besar
perubahan rata-rata dalam Y yang diakibatkan oleh perubahan satu unit
dalam masing-masing 1,2,…,X1,X2,…,Xn.
 ε adalah kesalahan acak.

Contoh Analisis Regresi Linier Berganda:

Misalkan kita ingin memahami faktor-faktor yang mempengaruhi kinerja
siswa dalam ujian matematika. Variabel bebas yang mungkin
mempengaruhi bisa mencakup jumlah jam belajar ( 1X1), jumlah jam tidur
sebelum ujian ( 2X2), dan frekuensi mengikuti kelas tambahan matematika
( 3X3).
Dalam konteks ini, model regresi linier berganda dapat dituliskan sebagai:
Nilai Ujian=0+1×Jam Belajar+2×Jam Tidur+3×Kelas Tambahan+Nilai Uji
an=β0+β1×Jam Belajar+β2×Jam Tidur+β3×Kelas Tambahan+ε
  β0 adalah intercept, yaitu nilai ujian yang diharapkan jika semua variabel
bebas setara dengan nol.
 1,2002C3β1,β2,β3 adalah koefisien regresi yang mengukur seberapa besar
perubahan rata-rata dalam nilai ujian yang diakibatkan oleh perubahan satu
unit dalam masing-masing variabel bebas.
 ε adalah kesalahan acak yang mencerminkan faktor-faktor yang tidak
dapat dijelaskan oleh variabel bebas dalam model.

Dengan menggunakan data yang dikumpulkan, kita dapat menggunakan

metode least squares untuk memperoleh estimasi nilai-nilai koefisien
regresi dan menginterpretasikan pengaruh masing-masing variabel bebas
terhadap nilai ujian.

2.5 Korelasi
Korelasi adalah suatu konsep statistik yang digunakan untuk mengukur
tingkat hubungan atau ketergantungan antara dua atau lebih variabel. Korelasi
mengukur sejauh mana perubahan dalam satu variabel berbanding lurus atau
berbanding terbalik dengan perubahan dalam variabel lainnya. Secara umum,
korelasi memberikan indikasi tentang kekuatan dan arah hubungan
antarvariabel tersebut.
Terdapat beberapa metode untuk mengukur korelasi, namun salah satu
yang paling umum digunakan adalah Koefisien Korelasi Pearson. Koefisien
Korelasi Pearson mengukur tingkat hubungan linier antara dua variabel
kontinu dan dapat memiliki nilai antara -1 dan 1:
 r=1: Korelasi sempurna positif (kedua variabel bergerak berbanding lurus).
 r=−1: Korelasi sempurna negatif (kedua variabel bergerak berbanding
terbalik).
 r=0: Tidak ada korelasi linier (kedua variabel tidak memiliki hubungan
linier).
 Contoh: Misalkan kita memiliki dua variabel, X dan Y, yang masing-masing
mewakili jumlah jam belajar dan nilai ujian siswa. Jika korelasi antara X dan Y
positif, hal itu menunjukkan bahwa semakin banyak siswa belajar, semakin tinggi
nilai ujiannya. Sebaliknya, jika korelasi negatif, itu menunjukkan bahwa semakin
banyak siswa belajar, semakin rendah nilai ujiannya.
Namun, perlu dicatat bahwa korelasi tidak menyiratkan hubungan sebab-
akibat. Meskipun dua variabel dapat berkorelasi, hal tersebut tidak berarti bahwa
satu variabel menyebabkan variabel lainnya. Korelasi hanya mengukur tingkat
hubungan antarvariabel dan bukan penyebab dan akibatnya.
 BAB III
PENGUMPULAN DAN PENGOLAHAN DATA
 BAB IV
ANALISIS DAN PEMBAHASAN
 BAB V
KESIMPULAN DAN SARAN
DAFTAR PUSTAKA
LAMPIRAN
Percobaan 1

Percobaan 2

Percobaan 3
Percobaan 4

Percobaan 5