LAPORAN PRAKTIKUM FISIKA KOMPUTASI

METODE REGRESI POLINOMIAL BERBASIS PYTHON

Untuk memenuhi tugas mata kuliah Praktikum Fisika Komputasi
Dosen : Mada Sanjaya WS, M.Si., Ph.D

Oleh:
Fitri Indah Anggreani
(1187030011)

JURUSAN FISIKA
FAKULTAS SAINS DAN TEKNOLOGI
UIN SUNAN GUNUNG DJATI BANDUNG
2020
 ABSTRACT

A Computational Physics Practicum has been carried out, entitled Python-Based Polynomial
Regression Methods on Monday, December 28, 2020 at their respective locations through the
Youtube communication application. This practicum aims to, Understand the Polynomial
Regression method which represents data trends., Be able to create a Python-based
Polynomial Regression method algorithm, Solve several Polynomial Regression applications
in the field of physical science and this Practicum technique requires a laptop with Python
software then entered in the form of data and programming related to calculations linear
regression and entering the value of the polynomial order with the value of the sample
questions regarding GLBB where looking for the coefficient from the graph of velocity
against time, the result is 20.20 and the standard deviation value is 0. In addition, there are
many examples of application cases that can be solved using Linear regression methods such
as viscosity poisuellie law, diffraction lattice interference and Joule calorimeter constant.
From each experiment it was found that the smaller the deviation value (standard deviation),
the linear regression line will be closer to the data points as in the example that has been
done.

Keywords: Python, regression, linear, polynomial, order

ABSTRAK
Telah dilakukan Praktikum Fisika Komputasi yang berjudul Metode Regresi Polinomial
Berbasis Python pada Senin, 28 Desember 2020 di tempat masing- masing melalui aplikasi
komunikasi Youtube. Praktikum ini bertujuan untuk , Memahami metode Regresi
Polinomial yang merepresentasikan trend data., Mampu membuat algoritma metode
Regresi Polinomial berbasis Python, Memecahkan beberapa aplikasi Regresi Polinomial
pada bidang sains fisis dan Teknik Praktikum ini membutuhkan laptop dengan software
Python kemudian dimasukkan berupa data dan pemograman terkait penghitungan regresi
linear dan memasukkan nilai ordo polinomialnya dengan nilai contoh soal mengenai GLBB
dimana mencar koefisien dari grafik kecepatan terhadap waktu, didapatkan hasilnya sebesar
20,20 dan nilai simpangan baku(deviasi) sebesar 0. Selain itu, banyak contoh kasus
penerapan yang bisa diselesaikan dengan menggunakan metode regresi linier seperti hokum
poisuellie viskositas, interferenai kisi difraksi dan konstanta joule calorimeter. Dari setiap
percobaan didapatkan bahwa semakin kecil nilai deviasi(simpangan baku) maka garis
regresi linier akan semakin berdekatan dengan titik data seperti pada contoh yang telah
dilakukan.

Kata kunci: Python, regresi, linear, polinomial, ordo

 BAB I
PENDAHULUAN

A. LATAR BELAKANG PENELITIAN

Analisis regresi merupakan suatu cara yang dapat digunakan untuk mengetahui
hubungan sebuah variabel tak bebas dengan satu atau lebih variabel bebas. Analisis
regresi dapat digunakan untuk menganalisis data dan mengambil kesimpulan yang
bermakna tentang hubungan ketergantungan variabel terhadap variabel lainnya.
Berdasarkan jumlah variabel bebas, analisis regresi linier dibagi menjadi dua macam
yaitu, analisis regresi linier sederhana dan analisis regresi linier berganda

Model regresi adalah persamaan matematik yang dapat meramalkan nilai-nilai suatu
variabel tak bebas dari nilai-nilai variabel bebas Pada regresi harus ada variabel yang
ditentukan dan variabel yang menentukan atau dengan kata lain adanya ketergantungan
variabel yang satu dengan variabel yang lainnya. Untuk menentukan bentuk hubungan
(model) diperlukan pemisahan yang tegas antara variabel bebas yang diberi simbol dan
variabel tak bebas yag diberi simbol . Hubungan tersebut dapat dituliskan dalam bentuk
persamaan yang menghubungkan variabel tak bebas dengan variabel bebas . Adapun
persamaan regresi linear sederhana = + + .

Analisis regresi merupakan salah satu teknik statistik yang digunakan secara luas pada
ilmu terapan untuk menyelesaikan masalah sebab akibat. Analisis regresi tersebut
merupakan suatu metode yang digunakan untuk menganalisis hubungan antar variabel
yang dibentuk dalam suatu persamaan atau regresi. Regresi memiliki bermacam-macam
bentuk seperti, regresi linear sederhana dan regresi linear berganda yang digunakan untuk
mencari hubungan linear antara variabel bebas dan variabel terikat. Maka, untuk
mengetahui lebih lanjut tentang bagaimana sistem regresi polynomial, dilakukanlah
praktikum ini.

B. TUJUAN
Tujuan dalam praktikum ini sebagai berikut:
1. Memahami metode Regresi Polinomial yang merepresentasikan trend data.
2. Mampu membuat algoritma metode Regresi Polinomial berbasis Python 3.
3. Memecahkan beberapa aplikasi Regresi Polinomial pada bidang sains fisis dan
Teknik
 BAB II
DASAR TEORI

A. METODE NUMERIK
Metode numerik adalah teknik untuk menyelesaikan permasalahan- permasalahan
yang diformulasikan secara matematik dengan cara operasi hitungan (arithmetic). Metode
numerik merupakan suatu teknik untuk menyelesaikan masalah matematika yang efektif dan
efisien. Dengan bantuan computer ia sanggup menangani masalah yang rumit dan melibatkan
perhitungan yang luas. Tahap-tahap memecahkan masalah persoalan secara numerik yang
dilakukan dalam pemecahan persoalan dunia nyata dengan metode numeric, yaitu:

1. Pendefinisian masalah (apa yang diketahui dan apa yang dimimta)

2. Pemodelan. Persoalan dunia nyata dimodelkan ke dalam persamaan matematika

3. Penyederhanaan model
4. Formulasi numerik. Segtelah model matematika yang sederhana diperoleh, tahap
selanjutnya adalah memformulasikannya secara numeric
5. Pemrograman
6. Operasional
7. Evaluasi
Metode Regresi

Gambar 1. Contoh grafik metode regresi

Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun
persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction).
Dengan demikian, analisis regresi sering disebut sebagai analisis prediksi. Dikatakan prediksi
karena nilai prediksi tidak selalu tepat dengan nilai riilnya. Semakin kecil tingkat
penyimpangan antara nilai prediksi dengan nilai riilnya, maka semakin tepat persamaan
regresi yang bentuk. Hal ini dapat didefinisikan bahwa analisa regresi adalah metode
statistika yang digunakan untuk menentukan kemungkinan bentuk hubungan antara variabel-
variabel dengan tujuan pokok dalam penggunaan metode untuk meramalkan atau
memperkirakan nilai dari suatu variabel lain yang diketahui.
Metode Regresi Linier (Regression Linear)
Persamaan matematik dengan melakukan peramalan nilai-nilai suatu peubah (variabel) tak
bebas dari satu atau lebih peubah bebas disebut persamaan regresi. Istilah ini berasal dari
hasil pengamatan yang dilakukan Sir Francis Galton (1822 - 1911) membandingkan tinggi
badan anak laki-laki dengan tinggi badan bapaknya. Galton menyatakan bahwa tinggi badan
anak laki - laki dari bapak yang tinggi pada beberapa generasi kemungkinan cendurung
"mundur" (regressed) mendekati rata - rata populasi (Yusuf, 2009)
Ada dua jenis Persamaan Regresi Linier, yaitu analisis regresi linier sederhana dan analisis
regresi linier berganda.
Regresi Linier Sederhana
Regresi linier sederhana merupakan suatu proses untuk mendapatkan hubungan matematis
dalam bentuk suatu persamaan antara variabel tak bebas tunggal dengan variabel bebas
tunggal atau dengan kata lain, regresi linier yang hanya melibatkan satu peubah bebas X yang
dihubungkan dengan satu peubah tak bebas Y. Bentuk umum model regresi linier sederhana
yaitu:
Y= 0 + 1 1 +
Di mana :
= variabel tak bebas (dependen)

0 = parameter intersep

1 = koefisien regresi (slop)

1 = variabel bebas (independen)

= kesalahan penduga
Regresi Linier Berganda
Disamping hubungan linier dua variabel, hubungan linier lebih dari dua variabel dapat
juga terjadi. Pada hubungan ini, perubahan satu variabel dipengaruhi oleh lebih dari satu
variabel lain. Maka regresi linier berganda adalah analisis regresi yang menjelaskan
hubungan antara peubah respon (variable dependent) dengan faktor-faktor yang
mempengaruhi lebih dari satu predaktor (variable independent).
Tujuan analisis regresi linier berganda adalah untuk mengukur intensitas hubungan
antara dua variabel atau lebih dan memuat prediksi/perkiraan nilai Y atas nilai X. Bentuk
umum persamaan regresi linier berganda yang mencakup dua atau lebih variabel, yaitu :
Y= 0 + 1 + 2 2+ 3 +⋯+ + (2.2)
Dengan :
Y = variabel tidak bebas (dependent)

0,… , = Koefisien regresi

1, …, = variabel bebas (independent)

e = kesalahan pengganggu
2.4 Membangun Persamaan Regresi Linier Berganda Persamaan regresi linier berganda
megandung makna bahwa dalam suatu persamaan regresi terdapat satu variabel dependen dan
lebih dari satu variabel independen. Semakin banyak variabel independen yang terlibat dalam
suatu persamaan regresi semakin rumit menentukan nilai statistik yang diperlukan hingga
diperoleh persamaan regresi estimasi. Dalam regresi linier berganda terdapat variabel terikat
(Y) dan variabel bebas (X). Bentuk persamaan regresi linier berganda tersebut yaitu :
= + 1 1 + 2 2 (2.3)
Nilai dari koefisien , 1 , 2 dapat ditentukan dengan metode kuadrat terkecil (least
squared) seperti berikut ini:

1=

2=

Harga-harga , 1 , 2 yang telah didapat kemudian disubstitusikan ke dalam persamaan

(2.3) sehingga diperoleh model regresi linier berganda Y atas 1

B. Python
Python adalah bahasa pemrograman tujuan umum yang ditafsirkan, tingkat
tinggi. Python buat oleh Guido van Rossum dan pertama kalinya dirilis pada tahun 1991,
filosofi desain Python menekankan keterbacaan kode dengan penggunaan spasi putih yang
signifikan. Rancang bangun bahasanya dan pendekatan berorientasi objek bertujuan untuk
memudahkan programmer menulis kode yang jelas dan logis untuk proyek skala kecil dan
besar.

Gambar2. Lambang Python

 Python diketik secara dinamis dan ini mendukung beberapa paradigma pemrograman,
termasuk pemrograman terstruktur (terutama, prosedural), berorientasi objek, dan fungsional.
Python sering dideskripsikan sebagai bahasa "termasuk baterai" karena perpustakaan
standarnya yang komprehensif.

Python telah dirancang pada akhir 1980-an sebagai penerus bahasa ABC. Python 2.0,
dirilis pada tahun 2000, memperkenalkan fitur-fitur seperti pemahaman daftar dan sistem
pengumpulan sampah dengan penghitungan referensi. Python 3.0, dirilis pada tahun 2008,
adalah revisi utama dari bahasa yang tidak sepenuhnya kompatibel dari versi sebelumnya,
dan banyak kode Python 2 yang tidak berjalan tanpa modifikasi pada Python 3 tersebut.
 BAB III
METODOLOGI PRAKTIKUM

A. ALAT DAN BAHAN

Berikut ini alat dan bahan yang dibutuhkan dalam praktikum. Alat dan Bahan
Praktikum

No Nama Alat Jumlah Ilustrasi

1. Laptop 1 Buah

2. Software Python -

B. TEMPAT DAN WAKTU

Penelitian ini dilakukan di lokasi masing-masing mahasiswa pada hari Senin, tanggal
28 Desember 2020
C. PROSEDUR PRAKTIKUM

Mulai

Siapkan alat dan bahan yang akan digunakan

Buka software Python

Masukkan program fungsi Regresi, swap.polyFit, gausspivot dan error

Masukkan program contoh lalu run

Masukkan nilai ordo polinomial, hasil akan keluar

Selesai
 BAB IV
HASIL DAN PEMBAHASAN

A. Data
Hasil percobaan python
Soal 1

Gambar 3. Hasil Data dan grafik Soal 1

Soal 2 kisi 1
 Gambar 4.Hasil data dan grafik soal 2 kisi 1

Soal 2 kisi 3

Gambar 4.Hasil data dan grafik soal 2 kisi 3

Soal 3
Gambar 4.Hasil data dan grafik soal 3
 B. Pembahasan

Pada praktikum kali ini melakukan percobaan Metode Regresi Polinomial Berbasis
Python. Percobaan ini dilakukan menggunakan software Python 3. Prinsip dasar pada
persamaan metode regresi adalah bahwa antara variabel dependen (Y) dengan variable
independennya (Y) harus memiliki sifat hubungan sebab akibat atau hubungan kausalitas,
berdasarkan teori, dari hasil penelitian sebelumnya, atau juga yang didasarkan dari penjelasan
logis tertentu.

. Percobaan yang dilakukan yaitu percobaan dengan software python. Percobaan ini
dilakukan dengan memasukkan program Regresi, dan beberapa modul yaitu gaussPivot,
polyFit, swab dan error lalu mengimport ke program nilai yang akan di hitung. Ketika
program di run dan dimasukkan nilai orde polinomial akan keluar hasil berupa nilai x dan y.

Pada percobaan pertama mengenai gerak lurus berubah beraturan. Dari soal diketahui
nilai waktu dan kecepatan benda. Dengan menggunakan metode regresi akan didapatkan nilai
koefisien x dan y 20 dan 20 dan nilai deviasi nol. Hasil yang ada sesuai dengan tampilan
grafik dimana nilai titik data tepat berada pada garis regresi.
Pada percobaan kedua yaitu soal nomor 1 mengenai eksperimen hokum poisuellie
tentang viskositas dengan nilai yang dicari adalah grafik hubungan Q terhadap h. Dari soal
diketahui nilai debit air yaitu Q1-5 (m3/s)= 0.000032, 0.000031, 0.00003, 0.000026, 0.000024
dan tinggi permukaan h(m) = 0.482, 0.47, 0.458, 0.44, 0.42.. Dengan menggunakan rumus
metode regresi pada solusi akan didapatkan nilai x dan y sebesar -3.39946844e-05 dan
1.37873754e-04. Dengan standard deviasi 6.894233390456287e-07
Percobaan ketiga yaitu soal nomor 2 mengenai interferensi kisi difraksi yaitu mencari
panjang gelombang pada sinar x. Diketahui nilai r, d dan x. Dari nilai tersebut didapatkan
grafik laser kisi. Nilai kisi yang digunakan ada 2 yaitu kisi 10 5garis/m dan 3x105garis/m.
Untuk kisi 105 hasilnya didapatkan nilai koefisien x dan y -4.28343905e-03 dan
7.28180933e-07 serta deviasi sebesar 0.00031515548700565836. Untuk kisi 3x105 hasilnya
didapatkan nilai koefisien x dan y -3.18566765e-03 dan 6.02596581e-07 dan deviasi
0.001396344697376462,
Percobaan keempat yaitu soal nomor 3 mengenai konstanta joule calorimeter.
Diketahui nilai suhu dan waktu. Dari nilai tersebt didapatkan grafik hubungan waktu dan
perubahan suhu. Nilai koefisien x dan y yang didapat sebesar 193.88427293 dan
6.14517955 dan deviasi 95.10715107666084.
 Dari setiap percobaan didapatkan bahwa semakin kecil nilai deviasi(simpangan baku)
maka garis regresi linier akan semakin berdekatan dengan titik data seperti pada contoh yang
telah dilakukan.
 BAB V
KESIMPULAN
1. Metode numerik merupakan salah satu alternatif metode penyelesaian yang berupa
hampiran dan penting dalam terapan praktis dimana para ilmuwan seringkali menghadapi
masalah-masalah yang aktual dan tidak dapat diselesaikan secara analitis Dengan
menggunakan salah satu metode yaitu Analisis regresi (regression analysis) yang
merupakan suatu teknik untuk membangun persamaan dan menggunakan persamaan
tersebut untuk membuat perkiraan (prediction). Pada polynomial orde yang dihasilkan
semakin kecil deviasinya maka garis regresi linier semakin mendekati titik data.
2. Perhitugan Regresi Linier dapat dilakukan dengan menggunakan software python. Dan
dari perhitungan numeric metode regressi ini dapat diimplementasikan dalam konsep
matematika
3. Perhitugan metode Regula-Falsi dapat diterapkan dalam beberapa prinsip fisika dan
teknik seperti prinsip GLBB, hokum poisuellie viskositas, interferenai kisi difraksi dan
konstanta joule kalorimeter
 REFERENSI

[1] Wibisono, Yusuf. 2009. Metode Statistik, Yogyakarta Universitas Gadjah Mada.
[2] Sianipar, R. H. 2010. JAVA Algoritma, Struktur Data dan Pemrograman GUI. Bandung
Penerbit Informatika
[3]Giancoli, Douglas. 2001. Fisika Untuk Ilmu Pengetahuan dan Teknik Jilid 2. Jakarta:
Erlangga
[4] Abdullah, M .2010. Fisika Dasar 1. Jakarta: Erlangga
[5] Turban, Efraim. 2005. Decision Support Systems and Intelligent Systems 7th
[6] https://repository.usd.ac.id/27734/2/135314052_full.pdf (Diakses 3 Januari 2021)
[7] http://dinus.ac.id/repository/docs/ajar/regresi-linier_file_2013-06
01_102244_mukhamad_taufik_hidayat_se._m.si__akt__.ppt (Diakses 3 Januari 2021)