ANALISIS PERBANDINGAN REGRESI MULTIPLE MODEL SITI

MALKAMAH DENGAN MODEL MATLAB

TUGAS UTS
Diajukan untuk memenuhi salah satu tugas mata kuliah Penggunaan Komputer Dalam
Sistem TE dengan dosen pengampu Drs. Tasma Sucita, ST., MT.



Disusun oleh:
Handi Agus H.
0908810

JURUSAN PENDIDIKAN TEKNIK ELEKTRO
FAKULTAS PENDIDIKAN TEKNOLOGI DAN KEJURUAN
UNIVERSITAS PENDIDIKAN INDONESIA
2012

I. JUDUL
Paper yang diajukan sebagai salah satu tugas UTS mata kuliah Penggunaan
Komputer Dalam Sistem TE ini berjudul Analisis Perbandingan Regresi Multiple
Model Siti Malkamah Dengan Model MATLAB.
II. LATAR BELAKANG MASALAH
Permasalahan yang melatar belakangi paper kali ini ialah:
1. Bagaimana perbandingan prediksi tingkat kebisingan lalu lintas yang
dikarenakan kendaraan di kota Yogyakarta antara model yang telah
ditentukan yakni Model Siti Malkamah dengan model komputasi
MATLAB, dan
2. Prosentasi kesalahan/ error dari masing-masing model yang ada.

III. TUJUAN PEMBAHASAN
Paper ini bertujuan untuk mengetahui jenis model yang mana yang lebih baik
diantara model Siti Malkamah dengan model MATLAB dalam memprediksi tingkat
kebisingan lalu lintas yang dikarenakan kendaraan di kota Yogyakarta dan untuk
mengetahui tingkat kesalahan/ error dari masing-masing model.
IV. LANDASAN TEORI
A. Analisis Regresi
Analisis Regresi bermanfaat untuk menghitung persamaan regresi linear
sederhana dan berganda, asosiasi statistik beserta scatter plot, diagnosa kolinearitas,
harga prediksi dan residual. Untuk analisis regresi dibedakan dua jenis variabel yakni
variabel independent (bebas) dan variabel dependent (tidak bebas). Jika variabel
dependent dihubungkan dengan satu variabel independent saja, persamaan regresi
yang dihasilkan adalah regresi linier sederhana (linear regression). Jika variabel
independent-nya lebih dari satu, maka persamaan regresinya adalah persamaan regresi
linier berganda (multiple linear regression).
Penentuan variabelnya dalam beberapa hal tidak mudah dilaksnakan. Studi
yang cermat, diskusi yang seksama, berbagai pertimbangan, kewajaran masalah yang
dihadapi dan pengalaman akan membantu memudahkan dalam penentuan jenis
variabel.
Analisis terhadap data mengenai sebuah karakteristik atau atribut (jika data itu
kualitatif) dan mengenai variabel, diskrit ataupun kontinu (jika data itu kualitatif).
Tetapi, sebagaimana disadari, banyak persoalan atau fenomena yang meliputi lebih
dari sebuah variabel. Misalnya : tingkat kebisingan bergantung pada kecepatan,
volume kendaraan serta persentase kendaraan diesel, tekanan gas bergantung kepada
temperatur, banyak curah hujan, cuaca dan sebagainya.
Jika kita mempunyai data yang terdiri atas dua atau lebih variabel, adalah
sewajarnya untuk mempelajari cara bagaiman variabel-variabel itu berhubungan.
Hubungan yang didapat pada umumnya dinyatakan dalam bentuk persamaan
matematik yang menyatakan hubungan fungsional antara variabel-variabel. Studi yang
menyangkut masalah ini dikenal dengan analisis regresi.
Regresi adalah teknik pencocokan kurva untuk data berketelitian rendah.
Contoh data berketelitian rendah yaitu data hasil pengamatan, percobaan
dilaboratorium, atau data statistik. Data seperti itu disebut data hasil pengukuran. Galat
yang dikandung data berasal dari ketidaktelitian alat ukur yang dipakai, kesalahan
membaca alat ukur (paralaks), atau karena kelakuan sistem yang diukur.
Sebelum uji regresi dilakukan, terlebih dulu harus dilakukan uji keberartian
masing-masing koefisien regresi, apakah regresi itu linier atau tidak. Jika tidak
linier,maka pengujian bisa dilakukan dengan model lainnya. Untuk mempermudah
melihat apakah model ini linear atau bentuk lainnya, dapat dibantu dengan melalui
diagram pencar (scatter plot). Secara kasat mata akan tampak kecenderungan
hubungan linier antara nilai-nilai statistik tersebut.
B. Multiple Regresi
Multiple regresi atau ada juga yang mengatakan dengan regresi majemuk
pertama kali diperkenalkan oleh Pearson pada tahun 1908. Analisa multiple regresi
paling umum digunakan untuk menjelaskan hubungan variabel dependen (terikat)
dengan satu atau sekumpulan variabel independen (bebas). Prinsip kecil metode ini
berdasarkan kuadrat terkecil (least square), yaitu mencari hubungan linier variabel
dependen dan independen yang akan meminimasi jumlah kuadrat deviasi dari garis
linier yang terbentuk dengan titik-titik yang teramati. Secara umum, metode regresi
linier adalah sebagai berikut.
= o + b
1
X
1
+ b
2
X
2
+ + b
n
X
n
+ c
Keterangan :
Y = Variabel dependen
X
i
= Variabel independen ke-i
b
i
= Koefisien regresi ke-i
e = Kesalahan error
Contohnya ialah hubungan antara jenis kelamin siswa, motivasi belajar, tingkat
inteligensi, dan waktu belajar dengan prestasi di sekolah. Dari hasil, bisa diketahui
variable mana yang mampu memperkirakan prestasi siswa lebih baik.
V. METODE PEMBAHASAN
Dalam makalah oleh Siti Malkamah, Forum Teknik, 17, h.31-37, tahun 1993
dilaporkan hasil survey tentang hubungan antara:
B = Tingkat kebisingan ekivalen (Leq), dBA
Q =Volume kendaraan, jumlah kendaraan / jam;
V = Kecepatan kendaraan rata-rata, km/jam
P = Presentase kendaraan bermesin diesel, %
dari lalu lintas di kota Yogyakarta. Periksa tabEl. Lakukan analisis regresi atas data itu
untuk menetapkan kecepatan kendaraan optimal.
Daftar 1. Data Lalu Lintas dan Tingkat Kebisingan
No.
Tingkat
Kebisingan
Ekivalen (L
eq
)
[dBA]
Kecepatan
kendaraan rata-
rata (V) [km/jam]
Volume
kendaraan (Q)
[kendaraan/ 15
menit]
Persentase
kendaraan disel
(P) [%]
1. 78.82 58.59 230 15.22
2. 78.27 54.64 547 8.04
3. 78.02 55.81 515 8.35
4. 77.86 54.53 514 10.31
5. 77.84 56.17 476 9.87
6. 77.76 58.27 444 11.94
7. 77.66 55.74 419 12.41
8. 77.62 57.79 401 15.96
9. 77.58 58.38 403 19.60
10. 77.49 59.95 359 16.16
11. 77.43 62.13 312 16.99
12. 77.34 58.14 382 18.32
13. 77.25 55.90 333 14.71
14. 77.15 63.15 403 18.61
15. 77.12 60.77 383 16.45
16. 77.03 57.74 374 16.58
17. 76.98 54.73 353 15.58
18. 76.93 53.54 363 17.63
19. 76.90 54.64 343 14.29
20. 76.89 57.91 337 22.85
21. 76.90 55.72 341 22.29
22. 76.82 55.85 369 17.62
23. 76.74 59.06 328 16.77
24. 76.78 52.98 372 18.01
25. 76.87 59.49 292 21.58
26. 76.88 53.50 419 12.17
27. 76.81 55.90 468 12.61
28. 65.86 20.55 522 11.32
29. 76.83 53.35 369 20.60
30. 75.86 55.53 262 12.98
31. 75.30 52.98 276 13.77
32. 75.17 54.12 278 16.55
33. 75.17 57.37 297 9.09
34. 74.94 54.79 188 17.55
35. 74.75 54.03 235 19.57
36. 74.61 56.39 223 13.00
37. 66.22 32.33 457 12.43
38. 74.56 54.72 171 21.05
39. 74.52 57.40 180 14.44
40. 74.45 53.46 165 13.33
41. 74.31 58.93 146 10.96
42. 74.23 57.49 158 13.29
43. 74.12 56.98 137 14.60
44. 74.13 60.10 130 23.08
45. 74.79 65.63 104 20.19
46. 79.08 42.45 97 20.62
47. 67.01 32.34 533 12.55
48. 66.12 25.32 522 16.32
49. 70.20 65.32 232 11.23
50. 65.19 23.22 432 13.42
51. 68.68 54.33 322 23.10

Rumus model Siti Malkamah:
B = + log Q + log (
450
v
+ V + 35) + log (1 +
6P
v
)
Dan berdasarkan hasil analisis multiple regresi, diperolehlah:
B = - 47.318 + 8.693 log Q + 47.073 log (
450
v
+ V + 35) + 5 log (1 +
6P
v
)
Sedangkan model MATLAB yang akan digunakan untuk mencari masing-
masing variable ialah dengan cara sebagai berikut:
A=[78.82 58.59 230 15.22; 78.27 54.64 547 8.04; 78.02 55.81
515 8.35; 77.86 54.53 514 10.31; 77.84 56.17 476 9.87;
77.76 58.27 444 11.94;77.66 55.74 419 12.41; 77.62 57.79
401 15.96; 77.58 58.38 403 19.60; 77.49 59.95 359 16.16;
77.43 62.13 312 16.99; 77.34 58.14 382 18.32; 77.25 55.90
333 14.71; 77.15 63.15 403 18.61; 77.12 60.77 383 16.45;
77.03 57.74 374 16.58; 76.98 54.73 353 15.58; 76.93 53.54
363 17.63; 76.90 54.64 343 14.29; 76.89 57.91 337 22.85;
76.90 55.72 341 22.29; 76.82 55.85 369 17.62; 76.74 59.06
328 16.77; 76.78 52.98 372 18.01; 76.87 59.49 292 21.58;
76.88 53.50 419 12.17; 76.81 55.90 468 12.61; 65.86 20.55
522 11.32; 76.83 53.35 369 20.60; 75.86 55.53 262 12.98;
75.30 52.98 276 13.77; 75.17 54.12 278 16.55; 75.17 57.37
297 9.09; 74.94 54.79 188 17.55; 74.75 54.03 235 19.57;
74.61 56.39 223 13.00; 66.22 32.33 457 12.43; 74.56 54.72
171 21.05; 74.52 57.40 180 14.44; 74.45 53.46 165 13.33;
74.31 58.93 146 10.96; 74.23 57.49 158 13.29; 74.12 56.98
137 14.60; 74.13 60.10 130 23.08; 74.79 65.63 104 20.19;
79.08 42.45 97 20.62; 67.01 32.34 533 12.55; 66.12 25.32
522 16.32; 70.20 65.32 232 11.23; 65.19 23.22 432 13.42;
68.68 54.33 322 23.10];
B=A(:,1); V=A(:,2); Q=A(:,3); P=A(:,4);
H=ones(51,1);
alfa=H(:,1); beta=log10(Q); gamma=log10((450./V)+V+35);
delta=log10(1+(6*P./V));
MATRIKS=[alfa beta gamma delta];
ABCD=inv(MATRIKS'*MATRIKS)*(MATRIKS'*B);
ALFA=ABCD(1,:);
BETA=ABCD(2,:);
GAMMA=ABCD(3,:);
DELTA=ABCD(4,:);
BSM=-47.318 + 8.693 * log10(Q) + 47.073 * log10((450./V) + V + 35) +
5*log10(1+(6*P./V))
BM=ALFA+(BETA*beta)+(GAMMA*gamma)+(DELTA*delta)
errorBSM=((B-BSM)./B)
errorBM=((B-BM)./B)
DATA=1:51;
subplot(2,2,1)
plot(DATA,B)
grid on
hold on
plot(DATA,BSM,'--')
plot(DATA,BM,':')
legend('Data Real','Model Siti Malkamah', 'Model MATLAB')
subplot(2,2,2)
plot(DATA,errorBSM,'--')
grid on
hold on
plot(DATA,errorBM,':')
legend('Error Siti Malkamah','Error MATLAB')

VI. DATA HASIL PROGRAM
Berdasarkan hasil komputasi dengan menggunakan MATLAB, maka
diperolehlah variabel-variabel sebagai berikut:
= -92.0427
= 2.9043
= 80.9671
= -2.2561
Sehingga diperolehlah formulasi model MATLAB:
B = -92.0427 + 2.9043 log Q + 80.9671 log (
450
v
+ V + 35) + -2.2561 log (1 +
6P
v
)

Gambar 1. Hasil Perhitungan dengan MATLAB
Dibawah ini grafik perbandingan model Siti Malkamah dengan model
MATLAB:

Gambar 2. Perbandingan Hasil Prediksi
Sedangkan tingkat kesalahan dari masing-masing model ditunjukkan oleh
grafik dibawah ini.

Grafik 2. Perbandingan Kesalahan
0 10 20 30 40 50 60
64
66
68
70
72
74
76
78
80
Data
T
i
n
g
k
a
t

K
e
b
i
s
i
n
g
a
n
Perbandingan Model Malkamah dengan MATLAB


Data Real
Model Siti Malkamah
Model MATLAB
0 10 20 30 40 50 60
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
0.2
Data
E
r
r
o
r
Perbandingan Error


Error Siti Malkamah
Error MATLAB
VII. ANALISIS
Berdasarkan hasil pembahasan yang telah dilakukan dengan menggunakan
metode komputasi MATLAB, maka diperolehlah data sebagai berikut:
Tabel . Perbandingan Model Siti Malkamah dengan MATLAB
No. Data Real
Prediksi
Model Siti
Malkamah
Prediksi
Model
MATLAB
Persentase
Error Model
Siti
Malkamah
Persentase
Error Model
MATLAB
1. 78.82 69.6566 76.2741 0.1163 0.0323
2. 78.27 71.5645 76.4685 0.0857 0.0230
3. 78.02 71.5612 76.7412 0.0828 0.0164
4. 77.86 71.5823 76.2335 0.0806 0.0209
5. 77.84 71.4997 76.6737 0.0815 0.0150
6. 77.76 71.7846 77.1421 0.0768 0.0079
7. 77.66 71.2211 76.2562 0.0829 0.0181
8. 77.62 71.6967 76.6966 0.0763 0.0119
9. 77.58 72.0932 76.7576 0.0707 0.0106
10. 77.49 71.6248 77.2228 0.0757 0.0034
11. 77.43 71.4933 77.6888 0.0767 -0.0033
12. 77.34 71.7579 76.6587 0.0722 0.0088
13. 77.25 70.5970 75.9181 0.0861 0.0172
14. 77.15 72.7380 78.2684 0.0572 -0.0145
15. 77.12 72.0177 77.5477 0.0662 -0.0055
16. 77.03 71.4779 76.5696 0.0721 0.0060
17. 76.98 70.7161 75.5874 0.0814 0.0181
18. 76.93 70.8149 75.1668 0.0795 0.0229
19. 76.90 70.4773 75.5752 0.0835 0.0172
20. 76.89 71.5759 76.2814 0.0691 0.0079
21. 76.90 71.2552 75.6224 0.0734 0.0166
22. 76.82 71.2252 75.9198 0.0728 0.0117
23. 76.74 71.1987 76.8095 0.0722 -0.0009
24. 76.78 70.8539 75.0055 0.0772 0.0231
25. 76.87 71.1850 76.6344 0.0740 0.0031
26. 76.88 70.8505 75.5606 0.0784 0.0172
27. 76.81 71.6832 76.4370 0.0667 0.0049
28. 65.86 68.3980 67.3675 -0.0385 -0.0229
29. 76.83 71.0787 75.0230 0.0749 0.0235
30. 75.86 69.4724 75.5725 0.0842 0.0038
31. 75.30 69.3537 74.7975 0.0790 0.0067
32. 75.17 69.8055 75.0551 0.0714 0.0015
33. 75.17 69.8183 76.4936 0.0712 -0.0176
34. 74.94 68.5132 74.7365 0.0858 0.0027
35. 74.75 69.4000 74.7051 0.0716 0.0006
36. 74.61 68.9985 75.6386 0.0752 -0.0138
37. 66.22 68.3026 69.1431 -0.0314 -0.0441
38. 74.56 68.4126 74.4740 0.0824 0.0012
39. 74.52 68.4799 75.6243 0.0811 -0.0148
40. 74.45 67.4423 74.3200 0.0941 0.0017
41. 74.31 67.5879 75.9896 0.0905 -0.0226
42. 74.23 67.8950 75.5361 0.0853 -0.0176
43. 74.12 67.3994 75.1418 0.0907 -0.0138
44. 74.13 68.3221 75.7583 0.0783 -0.0220
45. 74.79 68.1090 77.2636 0.0893 -0.0331
46. 79.08 64.4608 69.8498 0.1849 0.1167
47. 67.01 68.8989 69.3332 -0.0282 -0.0347
48. 66.12 68.8340 67.5388 -0.0410 -0.0215
49. 70.20 70.3534 78.5149 -0.0022 -0.1184
50. 65.19 67.8041 67.1615 -0.0401 -0.0302
51. 68.68 70.8866 75.0838 -0.0321 -0.0932

Dari data diatas, bisa terlihat bahwa model MATLAB mempunyai nilai
prediksi dari awal sampai mendekati akhir-akhir memiliki tingkat error yang kecil.
Sehingga nilai prediksi tidak jauh dari data real lapangan. Namun mendekati akhir-
akhir (mulai data ke 47 sampai akhir), baik itu model Siti Malkamah maupun model
MATLAB, kedua-duanya secara bergantian mempunyai tingkat error yang kecil dan
memiliki nilai prediksi yang mendekati dengan data yang ada.
VIII. KESIMPULAN
Berdasarkan pembahasan dan analisis yang telah dilakukan, mengenai
perbandingan prediksi model Siti Malkamah dengan MATLAB, bisa diambil
kesimpulan bahwa analisis regresi multiple dengan menggunakan metode komputasi
MATLAB memiliki tingkat akurasi yang bagus dibandingkan dengan model Siti
Malkamah, terbukti dari nilai prediksi dan error yang dimiliki model MATLAB yang
dari awal sampai mendekati akhir-akhir hampir mendekati dengan nilai data real yang
ada. Sedangkan model Siti Malkamah memiliki nilai prediksi dan tingkat error yang
hampir mendekati dengan nilai data real dari data ke 47 sampai akhir, namun itu juga
tidak konsisten karena ada beberapa model MATLAB yang mempunyai nilai prediksi
dan tingkat error yang mendekati dengan nilai data real.
Rumus umum model Siti Malkamah:
B = - 47.318 + 8.693 log Q + 47.073 log (
450
v
+ V + 35) + 5 log (1 +
6P
v
)
Rumus umum model MATLAB:
B = -92.0427 + 2.9043 log Q + 80.9671 log (
450
v
+ V + 35) + -2.2561 log (1 +
6P
v
)

Gambar . Perbandingan masing-masing model
IX. DAFTAR PUSTAKA
-. 2009. Multiple Regresi (Regresi Majemuk). Statistik S2 Profesi, F. Psi, UI.
Prof. DR. Sudjana M.A., M.Sc. 2002. Metode Statistika. Bandung: Penerbit Tarsito.
Renaldi, Munir. 2003 Metode Numerik. Bandung: Penerbit Informatika.
Riefhid. 10 November 2008. Multiple regresi (analisis regresi). Tersedia:
http://mtsox.wordpress.com/.
Widiarsono, M.T., Teguh. 2005. Tutorial Praktis Belajar MATLAB. Jakarta.


0 10 20 30 40 50 60
64
66
68
70
72
74
76
78
80
82
Perbandingan Prediksi
Data
H
a
s
i
l

P
r
e
d
i
k
s
i


Data Real
Siti Malkamah
MATLAB
0 10 20 30 40 50 60
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
0.2
Perbandingan Error
Data
T
i
n
g
k
a
t

E
r
r
o
r


Siti Malkamah
MATLAB
LAMPIRAN-LAMPIRAN