BAB I

PENDAHULUAN

1.1 Latar Belakang

Geostatistik adalah ilmu yang mempelajari aplikasi dan teori mengenai
variabel terregional (variabel berubah) pada berbagai fenomena gejala alam,
terutama untuk menentukan volume bahan galian. Landasan dari pembelajaran
geostatistik adalah "The Theory of Regionalised Variables”, dimana data dari
titik-titik sampel mempunyai korelasi satu sama lain sesuai dengan
karakteristik penyebaran endapan mineral.
Istilah ”Geostatistik” dikemukakan pertama kali oleh Matheron (1963)
didefinisikan sebagai aplikasi hubungan atau turunan fungsi dalam penelaahan
dan perkiraan gejala alam. Gejala alam dapat diprediksi berdasarkan
penyebaran objek dalam suatu ruang, bidang maupun garis. Penyebaran
variabel dalam suatu ruang, bidang atau garis disebut variabel terregional atau
dapat diartikan sebagai variabel yang diukur tergantung pada nilai yang
terdistribusi dalam ruang berdimensi dua atau tiga. Variabel tersebut tidak lain
adalah merupakan pengujian fungsi f(x) yang menempati setiap titik (x) pada
ruang.
Geostatistik dapat digunakan pada bidang-bidang industri pertambangan
juga perminyakan, lingkungan, meteorologi, geofisika, pertanian dan
perikanan, kelautan, ilmu tanah, fisika media heterogen, teknik sipil, akutansi,
dan astrofisika. Dalam kegiatan penambangan bahan tambang hampir tidak
pernah tergantikan seperti,batubara yang merupakan bahan tambang yang
sangat sering digunakan. Pada industri pertambangan, banyak kegiatan
pertambangan yang dilakukan, seperti proses pengangkutan bahan galian yang
dibawa oleh dump truck. Sehingga menyebabkan kestabilan lereng pada
daerah sekitar menjadi terganggu akibat sering dilalui oleh dump truck.
Getaran yang disebabkan oleh truck memiliki hubungan serta korelasi dan
jarak dump truck tersebut sehingga kita dapat mengetauhui serta menganalisa

1
 kestabilan lereng yang berada di daerah ruas jalan tambang. Sehingga kita
juga dapat menentukan jarak optimal pada area lereng jalan tambang tersebut.
Dalam kasus ini kita membutuhkan sebuah sofware, software yang kami
gunakan adalah Jupyter Notebook atau disebut juga dengan Anaconda. Jupyter
notebook digunakan untuk menganalisa kestabilan lereng, Jupyter Notebook
merupakan suatu aplikasi open source yang berfungsi untuk membuat dan
membagi dokumen yang memuat live code, persamaan, visualisasi dan teks
penjelasan untuk menginstall jupyter notebook dengan menggunakan conda
dengan command. Dalam hal ini dokumen notebook berisi input dan output
dari seri interaktif serta teks tambahan yang menyertai kode,namun tidak
dimaksudkan untuk eksekusi. Dengan menggunakan cara ini, file-file
notebook berfungsi untuk catatan komputasional lengkap dengan seri,
interleaving kode dengan teks penjelasan, matematika, dan representasi
dengan objek yang dihasilkan. JSON merupakan internal file dan disimpan
dengan ekstensi ipynb.

1.2 Rumusan Masalah

1. Bagaimana cara menggunakan aplikasi Jupyter Notebook (Anaconda) ?
2. Bagaimana cara menganalisa kestabilan lereng pada jalan tambang ?
3. Bagaimana cara mencari korelasi antara jarak truck pengangkut dengan
getaran dihasilkan?

1.3 Tujuan dan Maksud

1. Mahasiswa dapat mengoperasikan aplikasi Jupyter Notebook (Anaconda).
2. Mahasiswa dapat membuat plot grafik getaran sensor A dan B.
3. Mahasiswa dapat membuat scatter plot jarak truck sensor dengan getaran
yang dihasilkan untuk sensor A dan B.
4. Mahasiswa dapat menemukan korelasi antara jarak truck dengan getaran
yang dihasilkan dengan menggunakan regresi linear.
5. Mahasiswa dapat membandingkan hasil sensor A dan sensor B.
6. Mahasiswa dapat menentukan jarak minimum anata jalan dan lereng yang
diizinkan jika toleransi getaran pada lereng tidak boleh melebihi 5 mm/s.

2
 BAB II
LANDASAN TEORI

2.1 Pengertian Geostatistik

Geostatistik adalah metode statistik yang digunakan untuk melihat
hubungan antar variabel yang diukur pada titik tertentu dengan variabel yang
sama diukur pada titik dengan jarak tertentu dari titik pertama (data spasial)
dan digunakan untuk mengestimasi parameter di tempat yang tidak diketahui
datanya (Oliver and Carol, 2005).
Matheron (1963) mendefinisikan geostatistik adalah ilmu yang khusus
menpelajari distribusi dalam ruang, yang sangat berguna untuk sarjana
tambang dan ahli geologi seperti grade, kestabilan lereng, ketebalan, dan
semua aplikasi yang muncul.
Geostatistik dapat digunakan pada bidang-bidang industri pertambangan
juga perminyakan, lingkungan, meteorologi, geofisika, pertanian dan
perikanan, kelautan, ilmu tanah, fisika media heterogen, teknik sipil, akutansi,
dan astrofisika.

2.2 Pengertian Regresi

Regresi adalah suatu metode statistika yang berguna untuk memeriksa atau
memodelkan hubungan diantara variabel-variabel. Variabel-variabel tersebut
dengan menggunakan analisis regresi dapat melihat adanya pengaruh suatu
karakteristik terhadap data lain. Dengan kata lain jika kita mempunyai dua
atau lebih variabel maka kita dapat mencari suatu cara bagaimana variabel-
variabel itu berhubungan. Dan hubungan tersebut secara matematika
dinyatakan sebagai hubungan fungsional antara variabel-variabel.
Regresi pertama kali dipergunakan sebagai konsep statistika oleh Sir
Farncis Galton (1822-1911). Beliau memperkenalkan model peramalan,
penaksiran, atau pendugaan, yang selanjutnya dinamakan regresi, sehubungan
dengan penelitiannya terhadap tinggi badan manusia. Galton melakukan suatu

3
penelitian di mana penelitian tersebut membandingkan antara tinggi anak
laki-laki dan tinggi badan ayahnya. Galton menunjukkan bahwa tinggi badan
anak laki-laki dari ayah yang tinggi setelah beberapa generasi cenderung
mundur (regressed) mendekati nilai tengah populasi. Dengan kata lain, anak
laki-laki dari ayah yang badannya sangat tinggi cenderung lebih pendek
daripada ayahnya, sedangkan anak laki-laki dari ayah yang badannya sangat
pendek cenderung lebih tinggi dari ayahnya, jadi seolah-olah semua anak
laki-laki yang tinggi dan anak laki-laki yang pendek bergerak menuju kerata-
rata tinggi dari seluruh anak laki-laki yang menurut istilah Galton disebut
dengan “regression to mediocrity”. Dari uraian tersebut dapat disimpukan
bahwa pada umumnya tinggi anak mengikuti tinggi orangtuanya.
Hukum regresi semesta (law of universal regression) dari Galton diperkuat
oleh temannya Karl Pearson, yang mengumpulkan lebih dari seribu catatan
tinggi anggota kelompok keluarga. Ia menemukan bahwa rata-rata tinggi anak
laki-laki kelompok ayah (yang) pendek lebih besar dari pada tinggi ayah
mereka, jadi “mundurnya” (“regressing”) anak laki-laki yang tinggi maupun
yang pendek serupa kea rah rata-rata tinggi semua laki-laki. Dengan kata lain
Galton, ini adalah “kemunduran kearah sedang”.
Istilah “regresi” pada mulanya bertujuan untuk membuat perkiraan nilai
satu variabel (tinggi badan anak) terhadap suatu variabel yang lain (tinggi
badan orangtua). Pada perkembangan selanjutnya analisis regresi dapat
digunakan sebagai alat untuk membuat perkiraan nilai suatu variabel dengan
menggunakan beberapa variabel lain yang berhubungan dengan variabel
tersebut.
Jadi prinsip dasar yang harus dipenuhi dalam membangun suatu
persamaan regresi adalah bahwa antara suatu variabel tidak bebas (dependent
variabel) dengan variabel-variabel bebas (independent variabel) lainnya
memiliki sifat hubungan sebab akibat (hubungan kausal), baik didasarkan
pada teori, hasil penelitian sebelumnya, maupun yang didasarkan pada
penjelasan logis tertentu.
Analisis regresi adalah analisis yang bertujuan untuk mengetahui apakah
ada pengaruh suatu variabel terhadap variabel yang lain. Tujuan utama dalam

4
 penggunaan analisis ini adalah untuk meramalkan atau menduga nilai dari
satu variabel dalam hubungannya dengan variabel yang lain yang diketahui
melalui persamaan garis regresinya. Adakalanya, setelah kita memperoleh
data berdasarkan sampel, kita ingin menduga nilai dari suatu variabel Y yang
bersesuaian dengan nilai tertentu dari variabel X. Analisis regresi yang sering
digunakan dalam pemecahan suatu permasalahan adalah regresi linier
Hasil analisis regresi adalah berupa koefisien regresi untuk masing-masing
variable independent. Koefisien ini diperoleh dengan cara memprediksi nilai
variable dependen dengan suatu persamaan..
Tujuan Analisis Regresi :
1. Untuk memperoleh suatu persamaan garis yang menunjukkan
persamaan hubungan antara dua variabel. Persamaan garis yang
diperoleh disebut persamaan regresi.
2. Untuk mengetahui besarnya pengaruh perubahan tiap unit variabel
bebas terhadap perubahan variabel terikatnya. Pengaruh perubahan
tiap unit variabel bebas ditunjukkan oleh nilai koefisien regresinya.
3. Untuk menaksir nilai variabel terikat (Y) berdasarkan variabel bebas
(X) yang nilainya telah diketahui. Penaksiran disini bersifat
deterministik (pasti) atau non-stokastik, maksudnya penaksiran atau
pendugaan yang dilakukan mengabaikan faktor ketidakpastian.

2.3 Regresi linear sederhana

Regresi linear sederhana adalah persamaan regresi yang menggambarkan
hubungan antara suatu peubah bebas (x) dan suatu peubah tak bebas (y),
dimana hubungan keduanya dapat di gambarkan sebagai suatu garis lurus
(Juanda, 2003).
Selain itu Sudjana (1989) menyatakan bahwa penentuan variabel mana
yang bebas dan yang mana yang tidak bebas dalam beberapa hal yang tidak
mudah dapat dilaksanakan. Studi yang cermat, diskusi yang seksama,
berbagai pertimbangan, kewajaran masalah yang dihadapi dan pengalaman
akan membantu memudahkan penentuan. Variabel yang mudah didapat atau
yang tersedia sering dapat diglongkan kedalam variabel bebas sedangkan
variabel yang terjadikarena variabel bebas itu merupakan variebel tak bebas.

5
 Kegunaan Analisis Regresi Linear Sederhana Analisis Regresi Linear
Sederhana digunakan untuk mengukur pengaruh antara satu variabel
prediktor (variabel bebas) terhadap variabel terikat.
Rumus:
Y = a + bX

Keterangan :
Y = Variabel terikat
a = Nilai intercept (konstanta)
b = Koefisien regresi
X = Variabel bebas
Berikut ini adalah langkah-langkah dalam melakukan Analisis Regresi Linear
Sederhana :
1. Tentukan tujuan dari melakukan analisis regresi linear sederhana.
2. Identifikasikan variabel faktor penyebab (predictor) dan variabel
akibat (response).
3. Lakukan pengumpulan data.
4. Hitung X², Y², XY dan total dari masing-masingnya.
5. Hitung a dan b berdasarkan rumus diatas.
6. Buatkan model persamaan regresi linear sederhana.
7. Lakukan prediksi atau peramalan terhadap variabel faktor penyebab
atau variabel akibat.
Contoh penggunaan analisis regresi linear sederhana dalam produksi antara
lain :
1. Hubungan antara lamanya kerusakan mesin dengan kualitas produk
yang dihasilkan.
2. Hubungan jumlah pekerja dengan output yang diproduksi.
3. Hubungan antara suhu ruangan dengan cacat produksi yang
dihasilkan.

6
 Gambar 2.1 Regresi Linear Sederhana
2.4 Regresi Linear Berganda
Analisi regresi berganda digunakan oleh peneliti, peneliti bermaksud
meramalkan bagaimana keadaan(naik turunnya) variebel dependen
(kriterium), bila dua atau lebih variabel independen sebagai faktor prediktor
dimanipulasikan (dinaik turunkan nilainya). Jadi regresi linear berganda akan
dilakukan bila jumlah variabel independennya minimal dua (2). Kegunaan
analisis regresi linear berganda digunakan untuk mengukur pengaruh antara
lebih dari satu variabel prediktor (variabel bebas) terhadap variabel terikat.
Rumus:
Y = a + b1X1+b2X2+…+bnXn
Keterangan :
Y = variabel terikat
a = konstanta
b1,b2 = koefisien regresi
X1, X2 = variabel bebas

2.5. Korelasi
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi / hubungan (measures of association) antara dua
variabel. Pengukuran asosiasi merupakan istilah umum yang mengacu pada
sekelompok teknik dalam statistik bivariat yang digunakan untuk mengukur
kekuatan hubungan antara dua variabel.

7
 Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk
mengetahui keeratan hubungan antara dua variabel dan untuk mengetahui
arah hubungan yang terjadi. Koefisien korelasi sederhana menunjukkan
seberapa besar hubungan yang terjadi antara dua variabel.
Dalam penerapannya terdapat beberapa ukuran korelasi, tiga di antaranya
yang paling sering digunakan adalah koefisien korelasi product moment
Pearson (digunakan dalam statistik parametik, biasa digunakan untuk data
interval dan rasio), korelasi tingkat Spearman, dan korelasi tou kendall
(digunakan dalam statistic nonparametik, biasa digunakan untuk data nominal
dan ordinal).
Koefisien korelasi untuk 2 buah variabel X dan Y dengan jumlah data
sebesar N, dapat dihitung dengan menggunakan rumus yang dikembangkan
oleh Karl Pearson, yaitu :

Untuk menghitung koefisien korelasi ganda dapat digunakan rumus berikut :

Keterangan :
ryx1= Koefisien korelasi antara variabel x1 dengan variabel y
ryx2= Koefisien korelasi antara variabel x2 dengan variabel y
Sementara itu pada keadaan dimana terdapat lebih dari 2 variabel bebas,
koefisien korelasi juga padat dicari nilainya dengan pola yang sama.
Contohnya adalah untuk mencari koefisien korelasi ketika terdapat 7 variabel
bebas dan 1 variabel terikat, dapat dipergunakan persamaan sebagai berikut:

8
Keterangan :

Korelasi dibagi menjadi tiga yaitu :

1. Korelasi Positif (+)
Jika semua titik(x,y) pada diagram berpencar mendekati bentuk garis
lurus dan jika arah perubahan kedua variabel sama, sehingga apabila x
naik,maka y juga akan naik.
2. Korelasi Negatif (-)
Jika arah perubahan kedua variabel tidak sama, sehingga apabila x
naik,maka harga permintaan turun. Contoh: antara dollar dan rupiah.
Kedua korelasi di atas dapat dilihat pada gambar di bawah ini :

Gambar 2.2 Korelasi Positif dan Negatif

9
 3. Tidak ada Korelasi
Kenaikan nilai variabel yang satunya kadang-kadang diikut dengan
variabel lainnya atau kadang-kadang dengan variabel lainnya. Arah
hubungannya tidak teratur, kadang-kadang searah kadang-kadang
berlainnan.
Apabila nilai koefisien mendekati 0 berarti pasangan variabel x dan
variabel y memiliki korelasi yang sangat lemah atau kemungkinan tiadak
ada korelasi.

Gamabr 2.3 Tidak ada Korelasi

2.6 Regresi dan korelasi
Analisis korelasi berkaitan erat dengan regresi, tetapi secara konsep
berbeda dengan analisis regresi. Analisis korelasi adalah mengukur suatu
tingkat atau kekuatan hubungan linear antara dua variabel. Koefisien korelasi
adalah mengukur kekuatan hubungan linear. Sebagai contoh, kita tertarik
untuk menemukan korelasi antara merokok dengan penyakit kanker,
berdasarkan penjelasan statistik dan matematika, pada anak sekolah dan
mahasiswa dan sebagainya.
Dalam analisis regresi, kita tidak menggunakan pengukuran tersebut.
Analisis regresi mencoba untuk mengestimasi atau memprediksikan nilai
rata-rata suatu variabel yang sudah diketahui nilainya, berdasarkan suatu
variabel lain yang juga sudah diketahui nilainya. Misalnya, kita ingin

10
mengetahui apakah kita dapat memprediksikan nilai rata-rata ujian statistik
berdasarkan nilai hasil ujian matematika.
Regresi mempelajari bentuk hubungan antar variabel melalui suatu
persamaan. Persamaan yang digunakan untuk melihat hubungan antar
variabel adalah Regresi Linear Sederhana (RLS), Regresi Linear Berganda
(RLB), dan Regresi non Linear.
Regresi bisa berupa hubungan sebab akibat. Regresi mengukur seberapa
besar suatu variabel mempengaruhi variabel yang lain, sehingga dapat
digunakan untuk melakukan peramalan nilai suatu variabel berdasarkan
variabel lain.
Regresi dan korelasi mempunyai perbedaan mendasar. Dalam analisis
regresi terdapat asimtri pada variabel tergantung dan terkiat yang akan
dianalisis. Variabel terikat diasumsikan random atau stokastik, sehingga
mempunyai distribusi probabilitas. Variabel penjelas (variabel bebas)
diasumsikan mempunyai nilai yang tertentu (dalam sampel tertentu).
Sebenarnya sangat dimungkinkan bahwa variabel bebas juga stokastik secara
intrinsik, akan tetapi untuk kegunaan analisis regresi, maka kita asumsikan
bahwa nilai variabel bebas adalah tertentu (fixed). Nilai-nilai pada variabel
bebas adalah sama pada berbagai sampel sehingga tidak random atau tidak
stokastik.
Dalam analisis korelasi, kita menggunakan dua variabel yang simetris,
sehingga tidak ada perbedaan antara variabel terikat dengan variabel penjelas.
Korelasi antara nilai ujian matematika dan ujian statistik (dalam contoh di
atas) adalah sama dengan korelasi antara ujian statistik dan ujian matematika.
Lebih lanjut, dua variabel tersebut diasumsikan random. Seperti yang telah
kita ketahui, bahwa kebanyakan teori korelasi berdasarkan pada asumsi
variabel random, di mana kebanyakan teori regresi berdasarkan pada asumsi
variabel tergantung stokastik dan variabel bebas adalah tertentu atau non
stokastik. Meskipun demikian, dalam analisis yang lebih mendalam, kita
dapat mempertimbangkan kembali asumsi bahwa variabel penjelas
merupakan non stokas.

11
 Jika korelasi bertanda positif artinya berbanding lurus dan jika bertanda
negatif maka berbanding terbalik. Korelasi tidak bisa menyatakan hubungan
sebab akibat meskipun angka korelasinya tinggi.

2.7 Koefisien Determinasi

Koefesien diterminasi (R2) merupakan proporsi variabilitas dalam suatu
data yang dihitung didasarkan pada model statistik. Definisi berikutnya
menyebutkan bahwa R2 mengukur seberapa jauh kemampuan model dalam
menerangkan variasi variabel dependen. Secara umum R2 digunakan sebagai
informasi mengenai kecocokan suatu model. Nilai koefisien determinan
adalah antara nol dan satu. Nilai yang mendekati satu mendekati satu berarti
variabel-variabel independen memberikan hampir semua. Koefisien
determinan untuk menyatakan proporsi keragaman total nilai-nilai peubah Y
yang dapat dijelaskan oleh nilai-nilai peubah X melalui hubungan linier
tersebut. Dalam kenyataan nilai adjusted R2 dapat bernilai negatif.
Menurut Gujarati(2003) jika dalam uji empiris di dapat nilai empiris
adjusted R2 negatif, maka nilai adjusted R2 dianggap nilai nol. Secara
otomatis jika nilai R2=1, sehingga ajusted R2=R2=1 sedangkan jika nilai
R2=0, maka nilai adjusted R2= (1-k)(n-k) jika k > 1, maka adjusted R akan
bernilai negatif.

2.8 Komponen Regresi dan Korelasi

Komponen regresi dan korelasi adalah berupa dataset, processing data dan
scatter plot . Pada garis regresi serta keakuratannya terhadap dataset yang ada.
Sedangkan pada korelasi untuk menentukan dataset tersebut.
2.8.1 Dataset
Dataset merupakan suatu objek yang mempresentasikan data serta
relasinya ada di memori,struktur dataset mirip dengan database. Pada
dataset memiliki koleksi dari datatable dan datarelation.

12
2.8.2 Processing Data ( Pemrosesan Data)
Adalah jenis pemrosesan yang dapat mengubah data menjadi
informasi atau pengetahuan. Pemprosesan data ini sering menggunakan
komputer sehingga bisa berjalan secara otomatis. Setelah diolah, data
ini biasanya mempunyai nilai yang informatif jika dinyatakan dan
dikemas secara terorganisir dan rapi, maka istilah pemrosesan data
sering dikatakan sebagai sistem informasi. Kedua istilah ini mempunyai
arti yang hampir sama, pemrosesan data mengolah dan memanipulasi
data mentah menjadi informasi (hasil pengolahan).
Pengolahan data menurut George R. Terry, Phd adalah serangkaian
operasi informasi yang direncanakan guna mencapai tujuan atau hasil
yang diinginkan. (Martin M. Lipschutz, 1990). Sedangkan menurut
Gordon B. Davis data adalah sebagai bahan mentah dari informasi yang
dirumuskan sebagai kelompok lambang-lambang tidak acak yang
menunjukan jumlah atau tindakan-tindakan atau hal (Gordon B. Davis,
1997).
Kualitas dari suatu informasi tergantung dari tiga hal yaitu:
1. Akurat berarti informasi harus bebas dari kesalahan-kesalahan dan
tidak menyesatkan.
2. Tepat waktu berarti informasi yang datang pada penerima tidak
boleh terlambat. Informasi yang sudah using tidak mempunyai nilai
lagi.
3. Relevan berarti informasi tersebut mempunyai manfaat untuk
pemakaiannya.
Macam macam pemrosesan data yaitu :
a. Pemrosesan data batch
adalah suatu model pengolahan data, dengan menghimpun
data terlebih dahulu, dan diatur pengelompokkan datanya dalam
kelompok-kelompok yang disebut batch. Tiap batch ditandai
dengan identitas tertentu, serta informasi mengenai data-data
yang terdapat dalam batch tersebut. Setelah data-data tersebut

13
 terkumpul dalam jumlah tertentu, data-data tersebut akan
langsung diproses. Contoh dari penggunaan pemrosesan data
bach adalah e-mail dan transaksi batch processing. Dalam suatu
sistem batch processing, transaksi secara individual dientri
melalui peralatan terminal, dilakukan validasi tertentu, dan
ditambahkan ke transaction file yang berisi transaksi lain, dan
kemudian dientri ke dalam sistem secara periodik. Di waktu
kemudian, selama siklus pengolahan berikutnya, transaction file
dapat divalidasi lebih lanjut dan kemudian digunakan untuk
meng-up date master file yang berkaitan.
b. Pemrosesan data online
adalah sebuah sistem yang mengaktifkan semua periferal
sebagai pemasok data, dalam kendali komputer induk.
Informasi-informasi yang muncul merupakan refleksi dari
kondisi data yang paling mutakhir, karena setiap perkembangan
data baru akan terus diupdatekan ke data induk. Salah satu
contoh penggunaan pemrosesan data online adalah transaksi
online. Dalam sistem pengolahan online, transaksi secara
individual dientri melalui peralatan terminal, divalidasi dan
digunakan untuk meng-update dengan segera file komputer.
Hasil pengolahan ini kemudian tersedia segera untuk permintaan
keterangan atau laporan.
Fungsi Pengolahan Data
Ada beberapa fungsi dasar dari pengolahan data, diantaranya :
1. Pengolahan data untuk mengambil program dan juga data berupa
masukan atau input data.
2. Pengolahan data untuk menyimpan program data dan
menyediakan suatu pemrosesan.
3. Pengolahan data untuk menjalankan proses aritmatika dan juga
logika pada suatu data yang tersimpan.
4. Pengolahan data untuk menyimpan hasil sampai hasil akhir suatu
pengolahan.

14
 5. Pengolahan data juga bisa berfungsi untuk menampilkan dan juga
mencetak data yang sudah tersimpan.
Dengan demikian maka pengolahan data dapat bermanfaat untuk
meminimalkan kebutuhan dari tenaga manusia. Hal ini tentu
dikarenakan pekerjaan yang sudah dapat dilakukan secara otomatis oleh
peralatan dengan bantuan alat seperti computer. Keuntungan lainnya
dalam menggunakan pengolahan data adalah dari kemampuan computer
dalam memproses data yang lebih besar dan akurat serta memiliki
kecepatan yang lebih baik dan dapat dilakukan secara otomatis dan juga
serentak.
2.8.3 Scatter Plot
Scatter plot adalah sebuah grafik yang biasa digunakan untuk
melihat suatu pola hubungan antara 2 variabel. Untuk bisa
menggunakan scatter plot, skala data yang digunakan haruslah skala
interval dan rasio.

15
 BAB III
METODE PELAKSAAN

3.1 Langkah Kerja

3.1.1 Plot Data Grafik Posisi Truck
1. Klik dua kali pada aplikasi jupyter notebook

2. Setelah muncul tampilan seperti berikut, klik ‘New’ pada bagian pojok kanan
atas

16
3. Klik pada bagian ‘Python 3’

4. Setelah meng-klik ‘Python 3’ maka akan keluar tampilan seperti berikut

5. Lalu baca data file Truck position, seperti cara berikut

17
6. Selanjutnya plot Grafik posisi Truck dengan menggunakan ‘Conda’ dengan
Comment atau ‘code’ sehingga menghasilkan Grafik posisi Truck yang kita
inginkan Kemudian dilakukan ploting dari data yang sudah ada dengan format
dibawah sampai dengan “plt.show( )” kemudian klik “

7. Hasil Grafik Posisi

18
3.1.2 Plot Grafik Getaran Sensor A dan B
1. ketik “%matplotlib inline” dan “import matplotlib.pyplot as plt” pada
lembar kerja “ln []” kedua.
Lalu import data dengan format “file_A=open("E:/sensor_A3.txt","r")”
dan “sensorA_line=file_A.readlines()”.
2. Masing-masing data (v_a,t_a) dipisahkan menjadi data list dari data set
sensor A dalam loop “s” dengan format “sensorA_split=s.split(",")”.
3. Format waktu pada data set adalah jam:menit:detik, dipisahkan masing-
masing data dengan format “tA=sensorA_split[1].split(":")”.
4. Pada saat ploting data, satuan waktu yang digunakan adalah detik (s).
Maka dimasukkan rumus “ss=hA*3600+mA*60+sA” sehingga nilai t_a
yang di append menjadi dalam satuan detik(s).
5. Import data dengan format “file_B=open("E:/sensor_B3.txt","r")” dan
“sensorB_line=file_B.readlines()”
6. Masing-masing data (v_b,t_b) dipusahkan menjadi data list dari data set
sensor B dalam loop “r” dengan format “sensorB_split=r.split(",")”.
7. Format waktu pada data set adalah jam:menit:detik, dipisahkan masing-
masing data dengan format “tB=sensorB_split[1].split(":")”.

19
8. Pada ploting data, satuan waktu yang digunakan adalah detik (s).
Dimasukkan rumus “rs=hB*3600+mB*60+sB” sehingga nilai t_b yang di
append menjadi dalam satuan detik(s).

9. Lalu dilakukannya ploting dari data yang sudah ada dengan format
dibawah sampai dengan “plt.show()” kemudian klik “Run”
10. Maka akan didapat hasil berupa grafik “Data Getaran Sensor A dan Sensor
B”.

20
3.1.3 Scatter Plot Jarak Truck-Sensor dan Getaran yang Dihasilkan
Sensor A dan B
1. Tahap pertama yaitu membuat jarak sensor A dan B terhadap posisi truck
dengan persamaan“d1=math.sqrt((x_a-x_data)*(x_a-x_data)+(y_a-
y_data)*(y_a-y_data))” untuk data sensor A dan persamaan
“d2=math.sqrt((x_b-x_data)*(x_b-x_data)+(y_b-y_data)*(y_b-
y_data))” untuk data sensor B. Kemudian data d1 dan d2 di append atau
dimasukkan ke dalam variabel jarak dA dan dB.

21
2. Tahap selanjutnya yaitu mencocokkan data vibrasi pada sensor sesuai
dengan waktu yang berada pada posisi Truck dengan format “if(ss % 10
== 0):” untuk data A dan format “if(rs % 10 == 0):” untuk data B.“ss”
adalah waktu dalam satuan detik(s). Maksud dari persamaan di atas adalah
jika setiap nilai waktu yang dibagi sepuluh maka akan muncul bersamaan
dengan nilai vibrasi pada waktu yang sama, 0 = data pertama.

3. Selanjutnya dilakukan ploting dari data yang sudah ada dengan format
dibawah sampai dengan “plt.show()” kemudian klik “Run” .

22
4. Maka akan didapatlah hasil berupa grafik “Scater Plot Getaran dan Jarak
Truck-Sensor”.

3.1.4 Korelasi antara Jarak Truck-Sensor dengan Getaran

1. Untuk getaran pilih data vibrasi yang memilki nilai lebih dari atau ssama
dengan 1 dalam sensor A

2. Dipilih data vibrasi yang memiliki nilai lebih dari atau sama dengan 1
dalam sensor B

3. Digunakan fungsi python berikut ini untuk mendapatkan titik koordinat x

(regresi) dan y (regresi) untuk memperoleh garis regresi.

23
24
4. Maka akan didapat hasil grafik seperti berikut.

3.1.5 Menghitung Nilai R²

1. Mencari nilai y regresi

25
 2. Mencari nilai y(y_reg_bar)

3. Mencari nilai SE Line (SE_line)

4. Mencari nilai SE y (SE_ybar)

5. Mencari nilai R²(R2)

3.1.6 Menghitung Jarak Minimum antara Jalan dan Lereng dengan

Toleransi Getaran Maksimum 5 mm/s

26
 BAB IV
HASIL DAN PEMBAHASAN

4.1 Hasil
1. Grafik Plot Posisi Truck dan Lokasi Sensor

2. Grafik Plot Data Getaran Sensor A dan Sensor B

27
 3. Scatter Plot jarak truck-sensor dengan Getaran(Sensor A dan B)

4. Grafik

4.2 Pembahasan
Dari hasil grafik plot data diatas dpat diambil kesimpulan bahwa lokasi
sensor sangat dipengaruhi oleh lokasinya. Semakin dekat sensor dengan
truck, maka getaran yang dihasilkan akan semakin besar

28
 BAB V
PENUTUP

4.1 Kesimpulan
Penggunaan aplikasi Jupyter Notebook sangatlah memudahkan pekerjaan
dalam dunia pertambangan, khusunya pada saat pengukuran kestabilan lereng
contohnya. Aplikasi ini sangat mendukung sehingga dapat mempersingkat
waktu dalam pengukuran titik-titik lokasi yang diinginkan, misalnya sensor
getaran, dan posisi truck. Didalam dunia pertamangan ketepatan waktu sangat
dibutuhkan, maka aplikasi ini sangat membatu.

4.2 Saran
Disarankan dalam penggunaan alat ini harus dilakukan dengan sedetail
mugkin, karea sedikit saja salah memasukkan ‘coding’ maka hasilnya akan
error, maka diperlukan ketelitian dalam pemuatannya.

29
 DAFTAR PUSTAKA

Draper, N dan Smith, H. 1992. Analisis Regresi Terapan. Ed ke-2. Gramedia.

Jakarta. Gujarati, D. 2003. Ekonometrika Dasar. Zain, S, penerjemah.
Erlangga. Jakarta.
Abdurrahman, Maman, dan Muhibbin, Sambas Ali, Analisis Korelasi, Regresi,
dan Jalur dalam Penelitian, Bandung: CV Pustaka Setia,2007.
http://www.konsultanstatistik.com/2011/07/regresi-dan-korelasi.html.Diakses
pada Tanggal 25 November 2018.
https://azuharu.net/statistik/perbedaan-regresi-dan-korelasi/. Diakses pada tanggal
25 November 2018.
http://artikel-az.com/pengertian-pengolahan-data/.Diakses pada tanggal 25
November 2018.

30