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
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
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