LAPORAN TUGAS REGRESI

METODE NUMERIK

Disusun Oleh :
ATHADHIA FEBYANA (3.33.17.0.04)
INNAYA MAULIDA (3.33.17.0.09)
RUDY HENDRIYANTO (3.33.17.0.17)

D3 - TEKNIK TELEKOMUNIKASI
POLITEKNIK NEGERI SEMARANG
2018/2019
I PENDAHULUAN
Dalam tugas ini kelompok kami menggunakan variabel yang mempengaruhi rumus link
budget. Link budget adalah nilai yang menghitung semua gain dan loss antara pengirim
dan penerima termasuk atenuasi, penguatan, atau gain antena, dan loss lainnya yang
dapat terjadi. Link budget dapat berguna untuk menentukan berapa banyak power yang
dibutuhkan untuk mengirimkan sinyal agar dapat dimengerti oleh penerima sinyal.
Berikut adalah rumus sederhana untuk menentukan link budget :

Receive Power (dBm) =Transmitter Power (dBm) + Gain (dBm) – Losses (dBm)

Pada receive power dideklarasikan sebagai variabel y, sedangkan transmitter power

dideklarasikan sebagai variabel x1, gain sebagai variabel x2, dan losses sebagai variabel
x3. Variabel x1, x2, x3 ini menjadi variabel independen atau yang mempengaruhi
varibel y.

II PEMBAHASAN
Pada bab ini kelompok kami akan menunjukkan langkah-langkah yang dikerjakan
untuk menyelesaikan kasus yang ada. Persoalan yang ada pada praktikum kali ini
adalah melakukan analisa regresi linear sederhana untuk melihat ada tidaknya pengaruh
transmitter power, gain dan losses terhadap receive power serta menjelaskan proses
perhitungannya dengan menggunakan softwere matlab dan minitab. Kasus yang akan
diselesaikan sebagai berikut :
Kasus 1 :
1. Import data dari excel ke matlab
2. Gunakan tool gftool untuk melihat pola hubungan antara variabel y dengan x1, x2
dan x3
>> load regresi
>> X1=data(:,1)

X1 =

55
88
67
76
77
72
100
78
51
81
80
71
86
84
86
74
72
86
78
55
75
83
73
95
83
80
95
64
74
 97

>> X2=data(:,2)

X2 =

70
76
74
75
108
139
116
105
103
94
96
73
68
84
53
62
150
77
56
121
122
92
130
69
114
57
138
107
90
130
>> X3=data(:,3)

X3 =

23
16
16
30
22
25
26
14
16
27
25
28
25
25
27
13
28
27
11
20
18
13
10
13
28
11
23
23
24
10

>> Y=data(:,4)
Y=

96
130
137
116
159
193
205
175
149
168
173
108
136
156
102
134
106
129
131
168
164
153
186
169
156
117
225
135
158
228

>> X=[X1 X2 X3]

X=
 55 70 23
88 76 16
67 74 16
76 75 30
77 108 22
72 139 25
100 116 26
78 105 14
51 103 16
81 94 27
80 96 25
71 73 28
86 68 25
84 84 25
86 53 27
74 62 13
72 150 28
86 77 27
78 56 11
55 121 20
75 122 18
83 92 13
73 130 10
95 69 13
83 114 28
80 57 11
95 138 23
64 107 23
74 90 24
97 130 10

>> cftool
data set Y vs X1:
Linear model Poly1:
f(x) = p1*x + p2
Coefficients (with 95% confidence bounds):
p1 = 1.198 (0.1939, 2.201)
p2 = 58.81 (-20.22, 137.8)

Goodness of fit:
SSE: 2.765e+004
R-square: 0.1758
Adjusted R-square: 0.1464
RMSE: 31.42
>> cftool
data Y vs X2:
Linear model Poly1:
f(x) = p1*x + p2
Coefficients (with 95% confidence bounds):
p1 = 0.787 (0.418, 1.156)
p2 = 77.33 (40.9, 113.8)

Goodness of fit:
SSE: 1.995e+004
R-square: 0.4054
Adjusted R-square: 0.3841
RMSE: 26.69
>> cftool

Data Y vs X3:
Linear model Poly1:
f(x) = p1*x + p2
Coefficients (with 95% confidence bounds):
p1 = -1.191 (-3.177, 0.7953)
p2 = 176.6 (133.8, 219.3)

Goodness of fit:
SSE: 3.183e+004
R-square: 0.05112
Adjusted R-square: 0.01723
RMSE: 33.72
3. Tuliskan interpretasi dari output Anda
Kelompok kami akan menghitung interval prediksi 95%. Interval ini menunjukkan
bahwa kami memiliki kemungkinan 95% bahwa pengamatan sebenarnya
terkandung dalam batas prediksi bawah dan atas. Hal ini menunjukkan bentuk
persamaan data Y vs X1 yaitu f(x) = p1*x + p2 diikuti oleh koefisien spesifik untuk
kurva data p1=1.198 dan p2=58.81 . Jadi untuk fit polinomial derajat pertama
persamaan bentuk data kami adalah f(x)= -1.198*x +58.81.
Sedangkan bentuk persamaan data Y vs X2 yaitu f(x) = p1*x + p2 diikuti oleh
koefisien spesifik untuk kurva data p1=0.787 dan p2=77.33 . Jadi untuk fit
polinomial derajat pertama persamaan bentuk data kami adalah f(x)= 0.787 *x
+77.33.
Serta bentuk persamaan data Y vs X3 f(x) = p1*x + p2 diikuti oleh koefisien
spesifik untuk kurva data p1=1.191 dan p2=176.6 . Jadi untuk fit polinomial derajat
pertama persamaan bentuk data kami adalah f(x)= -1.191*x +176.6.

Goodness of fit adalah uji keseluruhan (uji F) atau untuk menguji apakah model
sudah baik. Parameter pada Goodness of fit yaitu SSE (The Sum of Squares due to
error), R-square, Adjusted R-square, RMSE (Root Mean Squared Error ).
SSE (The Sum of Squares due to error) adalah mengukur kesalahan penggunaan
estimasi persamaan regresi untuk menghitung nilai variabel terikat dari sampel.
SSE pada data Y vs X1 bernilai 2.765e+004 sedangkan SSE pada data Y vs X2
bernilai 1.995e+004, dan SSE pada data Y vs X3 bernilai 3.183e+004. Jadi nilai
yang mendekati 0 menunjukkan bahwa model memiliki nilai kesalahan yang lebih
kecil.
R-square atau koefisien determinasi diartikan sebagai seberapa besar kemampuan
semua variabel bebas dalam menjelaskan varians dari variabel terikat. Secara
sederhana koefisien determinasi dihitung dengan mengkuadratkan koefisien
korelasi (R). R-square pada data Y vs X1 memiliki nilai 0.1758, maka kemampuan
variabel bebas dalam menjelaskan varians dari variabel terikatnya adalah 17%,
berarti terdapat 83% (100%-17%) varians variabel terikat yang dijelaskan oleh
faktor lain. R-square pada data Y vs X2 memiliki nilai 0.4054, maka kemampuan
variabel bebas dalam menjelaskan varians dari variabel terikatnya adalah 40%,
berarti terdapat 60% (100%-40%) varians variabel terikat yang dijelaskan oleh
 faktor lain. R-square pada data Y vs X3 memiliki nilai 0.05112, maka kemampuan
variabel bebas dalam menjelaskan varians dari variabel terikatnya adalah 5%,
berarti terdapat 95% (100%-5%) varians variabel terikat yang dijelaskan oleh faktor
lain. Maka tampak bahwa nilai R-square adalah antara 0 sampai dengan 1.
Nilai Adjusted R-square, interpretasinya sama dengan R-square. Akan tetapi nilai
Adjusted R-square dapat naik atau turun dengan adanya penambahan variabel baru
tergantung dari korelasi antara variabel bebas tambahan tersebut dengan variabel
terikatnya. Adjusted R-square pada data Y vs X1 yaitu 0.1464, sedangkan Adjusted
R-square pada data Y vs X2 yaitu 0.3841, Adjusted R-square pada data Y vs X3
yaitu 0.01723. Nilai Adjusted R-square dapat bernilai negatif, sehingga jika
nilainya negatif maka nilai tersebut dianggap 0 atau variabel bebas tidak dapat
menjelaskan varian variabel terikatnya.
RMSE (Root Mean Squared Error ) adalah suatu indikator kesalahan yang
didasarkan pada total kuadratis dari simpangan antara hasil model dengan hasil
observasi. Hal ini dikenal sebagai kesalahan standar regresi dan perkiraan standar
deviasi komponen acak dalam data. RMSE pada data Y vs X1 bernilai 31.42,
sedangkan RMSE pada data Y vs X2 bernilai 26.69, serta RMSE pada data Y vs
X3 bernilai 33.72.

4. Tuliskan kesimpulan Anda

Setelah mengamati grafik diagram pencar pada Y vs X1, Y vs X2, dan Y vs X3
dapat dilihat apabila titik-titik data terpencar lebih rapat disekitar garis regresi maka
variabel bebas memengaruhi variabel terikat. Dan sebaliknya jika titik-titik data
terpencar menjauhi disekitar garis regresi maka variabel bebas tidak memengaruhi
variabel terikat. Setelah melihat pada grafik dibawah, variabel X1,X2 dan X3 masih
mempengaruhi variabel Y.
Kasus 2 :
1. Buat matrik X yang berisikan vector kolom 1 berukuran 30 x1 , vector kolom
variabel X1, X2 dan x3
>> X0=ones(30,1)

X0 =

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
 1
1
>> X=[X0 X1 X2 X3]

X=

1 55 70 23
1 88 76 16
1 67 74 16
1 76 75 30
1 77 108 22
1 72 139 25
1 100 116 26
1 78 105 14
1 51 103 16
1 81 94 27
1 80 96 25
1 71 73 28
1 86 68 25
1 84 84 25
1 86 53 27
1 74 62 13
1 72 150 28
1 86 77 27
1 78 56 11
1 55 121 20
1 75 122 18
1 83 92 13
1 73 130 10
1 95 69 13
1 83 114 28
1 80 57 11
1 95 138 23
1 64 107 23
1 74 90 24
1 97 130 10
2. Gunakan command [b, bint,r,intr,stats]= regress (Y,x)
>> [b,bint,r,intr,stats]=regress(Y,X)

b=

7.5852
1.2395
0.8334
-1.5158

bint =

-55.3403 70.5106
0.5843 1.8946
0.5486 1.1182
-2.7292 -0.3024

r=

-3.2290
-25.7420
8.9533
-2.8139
-0.6817
18.2279
16.2070
4.4526
16.6163
22.6070
24.1481
-5.9814
3.0463
12.1909
-15.4212
2.7304
-73.3920
 -8.4226
-3.2587
21.7206
-10.9335
-14.4264
-5.2481
5.8681
-7.0239
-20.5710
19.5222
-6.2196
20.0693
7.0050

intr =

-41.5457 35.0876
-65.2618 13.7778
-31.5811 49.4877
-42.6667 37.0389
-42.6053 41.2419
-20.8184 57.2742
-21.6282 54.0422
-36.6781 45.5833
-20.3537 53.5862
-17.6349 62.8489
-16.3931 64.6892
-46.0992 34.1363
-37.5156 43.6082
-28.9082 53.2901
-53.8521 23.0097
-37.3003 42.7612
-96.6117 -50.1723
-48.8605 32.0153
-42.3665 35.8492
-15.7977 59.2390
 -51.8534 29.9865
-54.9305 26.0777
-43.4649 32.9686
-32.9986 44.7349
-47.6120 33.5641
-58.8370 17.6951
-18.0750 57.1194
-47.0129 34.5737
-20.8935 61.0321
-29.0152 43.0252

stats =

0.6763 18.1094 0.0000 417.6592

3. Tuliskan interpretasi dari output Anda
Saat memberikan command [b, bint,r,intr,stats]= regress (Y,x) memiliki pengertian
b (koefisien perkiraan untuk multiple regresi linier) merupakan koefisien perkiraan
untuk multiple regresi linier dan sebagai vektor numerik, b adalah p1, di
mana p adalah jumlah prediksi di X.
Sedangkan bint (ketelitian atas dan bawah batas untuk memperkirakan koefisien)
bint adalah p2 matriks, di mana p adalah jumlah prediksi di X. Kolom pertama
bint berisi batas-batas ketelitian yang lebih rendah untuk masing-masing perkiraan
koefisien kolom kedua berisi batas atas ketelitian. Sedangkan r atau residu adalah
r adalah p1, di mana p adalah jumlah prediksi di x dan sebagai numerik vektor.
intr ( interval untuk mendiagnosa output) sebagai matriks numerik intr adalah
sebuah p2 matriks, di mana p adalah jumlah prediksi di X. Kemudian untuk stats
(model statistik) sebagai vektor numerik termasuk R2 Statistik, F-Statistik dan
dengan p-nilai, dan perkiraan varians kesalahan.
X harus menyertakan sebuah kolom sehingga model berisi istilah konstan. F-
Statistik dan dengan p-nilai yang dihitung berdasarkan asumsi ini dan tidak benar
untuk model tanpa konstan.
F-Statistik adalah uji statistik F-uji pada model regresi. F-tes mencari regresi linear
yang signifikan hubungan antara variabel respon dan variabel peramal.
 R2 Statistik bisa negatif untuk model tanpa konstan, menunjukkan bahwa model ini
tidak cocok untuk data.
Apabila memerintahkan stats =
0.6763 18.1094 0.0000 417.6592
Penjelasan 0,6763 merupakan nilai R2 yaitu nilai X (transmitter power, gain, losses)
mampu menjelaskan keragaman Y (receiver power) sebanyak 67%. Kemudian
18.1094 merupakan nilai F. Sedangkan 0.0000 merupakan nilai P value < 0.05, hal
ini menunjukkan variabel independen atau X1, X2, X3 yang mempengaruhi Y.
Terakhir 0.0096 merupakan estimasi variansi.

4. Tuliskan kesimpulan Anda

Bahwa baik atau tidaknya model dapat menggunakan fungsi [b, bint,r,intr,stats]=
regress (Y,x). Apabila nilai P value < 0.05 maka variabel bebas mepengaruhi
variabel terikat. Dan apabila nilai ketelitian mendekati 70% maka model dapat
diterima.
Kasus 3 :
1. Analisis data Anda menggunakan metode regresi dengan bantuan software
minitab
 2. Tuliskan interpretasi dari output Anda
Apabila menggunakan minitab dapat langsung melihat hasil Square, R-square, R-
square (adjusted), dan R-square (prediksi) secara akumulatif untuk X1, X2, dan
X3. Nilai Square adalah mengukur kesalahan penggunaan estimasi persamaan
regresi untuk menghitung nilai variabel terikat dari sampel. Pada minitab, nilai
square yaitu 20,4367. R-square atau koefisien determinasi diartikan sebagai
seberapa besar kemampuan semua variabel bebas dalam menjelaskan varians dari
variabel terikat. Secara sederhana koefisien determinasi dihitung dengan
mengkuadratkan koefisien korelasi (R). Pada minitab, nilai R-square yaitu 67,3%.
Nilai Adjusted R-square, interpretasinya sama dengan R-square. Akan tetapi nilai
Adjusted R-square dapat naik atau turun dengan adanya penambahan variabel baru
tergantung dari korelasi antara variabel bebas tambahan tersebut dengan variabel
terikatnya. Pada minitab, nilai R-sq(adj) bernilai 63,90%.
Sedangkan P value yaitu besarnya kemungkinan hasil yang diperoleh atau hasil
yang lebih ekstrim diperoleh karena faktor peluang, bila hipotesis nol benar.
Apabila nilai P untuk masing-masing variabel bebas < 0,05 maka secara statistik
dapat diterima dan bila nilai P > 0,05 maka secara statistik tidak dapat diterima.
Untuk X1 atau transmitter power memiliki nilai P value yaitu 0,001, sedangkan X2
atau gain memiliki nilai P value yaitu 0,000, sedangkan X3 atau losses memiliki
nilai P value yaitu 0,016.
3. Tuliskan kesimpulan Anda
Dengan menggunakan software minitab untuk mengecek model baik atau tidak
cukup mudah dan simple. Data output dapat dilihat pada lembar worksheet dan
dapat dilihat secara akumulatif tingkat ketelititian yaitu 67,63% dan memiliki
kesamaan hasil pada software matlab. Dan nilai P-Value untuk model bernilai
<0,005 sehingga model dapat diterima.

III. KESIMPULAN
Dengan menggunakan software minitab dan matlab didapatkan tingkat ketelitian
67,63% dimana menedekati 70% yang berarti model dapat diterima, dan 32,37%
merupakan error atau kesalahan-kesalahan. Dan model memiliki nilai P-Value
sebesar <0,005 sehingga model dapat diterima.
Sehingga variabel bebas mempengaruhi variabel terikat, dimana transmitter power,
gain, dan losses mempengaruhi receiver power.