FAKULTAS TEKNIK MESIN DAN DIRGANTARA

INSTITUT TEKNOLOGI BANDUNG

2023

AE2204 SEMESTER 4 2022-2023

TUGAS BESAR SAINS DATA DAN STATISTIKA
Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
[1]13621051

[2]13621053

[3]13621062

sempurna, nilai -1 menunjukkan hubungan linier

1. Teknik Pembagian Data Train-Test
Proses pengolahan data memerlukan machine
learning yang mungkin bisa memprediksi data
yang belum pernah diolah oleh algoritma. Oleh
karena itu, perlu adanya teknik untuk melatih
algoritma. Salah satunya adalah teknik pembagian
data Train-Test. Metode ini membagi data supaya
mempercepat analisis, modelling, dan prediksi
data tersebut.
negatif sempurna, dan nilai 0 menunjukkan tidak
adanya hubungan linier antara kedua variabel.
Skala dari nilai koefisien korelasi sebagai berikut.
Nilai dari Pearson Correlation Coefficient dapat
dicari melalui rumus ini:
Σ�𝑋𝑋1 − 𝜇𝜇𝑥𝑥1 ��𝑋𝑋2 − 𝜇𝜇𝑥𝑥2 �
𝑟𝑟 = (1)
2 2
�Σ�𝑋𝑋1 − 𝜇𝜇𝑥𝑥1 � Σ�𝑋𝑋2 − 𝜇𝜇𝑥𝑥2 �

Train-test split adalah teknik untuk mengevaluasi

performa alrgoritma machine learning. Data Dengan nilai 𝑋𝑋1 dan 𝑋𝑋2 adalah dataset dari variabel
tersebut dibagi menjadi dua subdata. Data pertama yang ingin dicari, dengan komponen 𝜇𝜇 adalah rata-
digunakan untuk fit pada model dan regresi yang rata dari data tersebut. Nilai dari Pearson
diperlukan. Data ini disebut training dataset. Data correlation coefficient dapat didekati dengan tabel
kedua digunakan untuk menginput hasil element empiris berikut:
dari data tersebut, lalu membandingkan apakah
hasil dari training dataset akurat pada nilai di data
ini. Sehingga, data ini lebih dikenal sebagai test
dataset. Perlu diperhatikan bahwa data ini hanya
berlaku apabila jumlah datanya cukup banyak.

Untuk tugas ini, semua problem menggunakan

teknik pembagian data train-test.
2. Dasar Teori
2.1. Pearson Correlation Coefficient (r)
Pearson Correlation Coefficient dapat digunakan
untuk mencari hubungan antar variabel. Ia
merupakan suatu ukuran statistik yang digunakan
untuk mengukur kekuatan dan arah hubungan
linier antara dua variabel kontinu. Koefisien
korelasi Pearson berkisar antara -1 hingga 1, di
mana nilai 1 menunjukkan hubungan linier positif
Tabel 2.1 Kualitas Empiris Koefisien Korelasi
2.2. Pembentukan Model
2.2.1. Model Regresi Linear
Model regresi linear adalah suatu metode
pemodelan untuk mendapatkan hubungan antara
variabel dependen, Y dengan variabel
independen-nya, X, dengan pada suatu pemodelan
regresi linear dapat memiliki satu atau lebih

1
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]

variabel independen. Persamaan untuk

𝑛𝑛
memodelkan suatu regresi linear, yaitu:
𝑅𝑅𝑅𝑅𝑅𝑅�𝛽𝛽̂ � = �(𝑦𝑦𝑖𝑖 − 𝑦𝑦�𝑖𝑖 )2 (7)
𝑌𝑌𝑖𝑖 = 𝛽𝛽0 + 𝛽𝛽1 𝑋𝑋𝑖𝑖1 + 𝛽𝛽2 𝑋𝑋𝑖𝑖2+ … + 𝑖𝑖=1
𝑛𝑛
𝛽𝛽𝑝𝑝 𝑋𝑋𝑖𝑖𝑖𝑖 + 𝜀𝜀𝑖𝑖 , 𝑖𝑖 = 1, … , 𝑛𝑛 (2) 2
= ��𝑦𝑦𝑖𝑖 − 𝛽𝛽0 − 𝛽𝛽1 𝑥𝑥𝑖𝑖1 − ⋯ − 𝛽𝛽𝑝𝑝 𝑥𝑥𝑖𝑖𝑖𝑖 �
Persamaan di atas dapat disederhanakan menjadi, 𝑖𝑖=1

𝑌𝑌𝑖𝑖 = 𝛽𝛽0 + ∑𝑘𝑘𝑖𝑖=1 𝛽𝛽𝑘𝑘 𝑓𝑓𝑘𝑘 �𝑋𝑋𝑖𝑖1 , 𝑋𝑋𝑖𝑖2 , … , 𝑋𝑋𝑖𝑖𝑖𝑖 � + Dengan y_i adalah nilai fungsi ke-i yang akan
𝜀𝜀𝑖𝑖 , 𝑖𝑖 = 1, … , 𝑛𝑛 (3) diprediksi, dan β adalah prediksi dari koefisien-
koefisiennya yang membentuk prediksi untuk y_i.
Dengan catatan, 𝛽𝛽0 adalah bias atau intercept, 𝛽𝛽𝑖𝑖 Persamaan ini dapat diubah menjadi bentuk
adalah koefisien yang merepresentasikan matriks sebagai berikut:
kemiringan atau slope dari fungsi 𝑓𝑓, 𝑋𝑋𝑖𝑖𝑖𝑖 adalah
𝑅𝑅𝑅𝑅𝑅𝑅�𝜷𝜷 � �𝑇𝑇 �𝒚𝒚 − 𝑭𝑭𝜷𝜷
� � = �𝒚𝒚 − 𝑭𝑭𝜷𝜷 �� (8)
variabel independen pada pengamatan ke-i serta
prediktor ke-j (j = 1, 2, …, p), 𝜀𝜀 adalah besar
random error, dan apabila suatu dataset hanya Sehingga, nilai minimum dapat dicari dengan
memiliki variabel independen, maka p = 1. Proses mengubah ulang persamaan (8) menjadi berikut:
persamaan ini dapat diubah menjadi komponen
vektor dengan 𝜷𝜷 = {𝛽𝛽0 , 𝛽𝛽1 , 𝛽𝛽2 , … , 𝛽𝛽𝑝𝑝 } dan matriks � = �𝑭𝑭𝑻𝑻 𝑭𝑭�−1 𝑭𝑭𝑻𝑻 𝒚𝒚
𝜷𝜷 (9)
𝑿𝑿. Sehingga, data ini dapat diubah menjadi:
Setelah kita tahu bahwa dari rumus variansi kita
𝑝𝑝 dapat menggunakan nilai RSS sebagai berikut:
𝒀𝒀 = 𝛽𝛽0 + � βp 𝑿𝑿𝑝𝑝 + 𝜀𝜀 (4)
𝑖𝑖=1 𝑅𝑅𝑆𝑆𝑆𝑆�𝛽𝛽̂ �
𝜎𝜎� 2 = (10)
𝑛𝑛𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 − 𝑛𝑛𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣
Dengan:
Dengan 𝑛𝑛𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 sebagai jumlah baris dan
𝑭𝑭 = (𝟏𝟏, 𝑿𝑿) (5) 𝑛𝑛𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 sebagai jumlah variabel. Maka dari itu,
Sehingga kita dapat membuat perkalian matriks
𝑉𝑉𝑉𝑉𝑉𝑉�𝛽𝛽̂ � = (𝑭𝑭𝑇𝑇 𝑭𝑭)−1 𝜎𝜎� 2 (11)
dimana:
2.2.3. Model Regresi Logistik
𝑭𝑭𝑭𝑭 = 𝒚𝒚 (6)
Model regresi logistik merupakan suatu metode
Model linear ini berarti kita harus mencari nilai 𝛽𝛽̂ statistik yang digunakan untuk memodelkan
yang paling mewakili regresi ini. Maka dari itu, hubungan antara variabel dependen biner (dua
perlu adanya upaya fitting yang menggunakan kategori) dengan satu atau lebih variabel
metode least squares. Proses ini lebih dijelaskan independen. Regresi logistik adalah salah satu
pada topik RSS atau Residual Sum of Squares. metode yang umum digunakan untuk melakukan
analisis prediktif pada data kategori atau data
2.2.2. RSS (Residual Sum of Square)
biner. Fungsi logistik memetakan variabel
independen ke dalam rentang 0 hingga 1, yang
RSS mengukur tingkat variansi dalam konteks
dapat diinterpretasikan sebagai probabilitas suatu
error atau residu dalam sebuah model regresi.
kejadian. Persamaan model logistik dimodelkan
Oleh karena itu, kita perlu meminimalkan nilai
dalam bentuk berikut.
dari RSS ini. Dengan menggunakan metode RSS
ini, akan diperoleh nilai β yang meminimalisir 𝑝𝑝
RSS yang memiliki persamaan sebagai berikut: 𝑃𝑃
ln � � = 𝛽𝛽0 + � βp 𝑿𝑿𝑝𝑝 (12)
1 − 𝑃𝑃
𝑖𝑖=1

2
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
Dengan P adalah probablilitas. Model logistik ini
menggunakan prinsip maximum likelihood untuk
meningkatkan likelihood. Itu merupakan fungsi
mencari fit terbaik dari model.
𝐿𝐿(𝛽𝛽) = � 𝑝𝑝(𝑥𝑥) � �1 − 𝑝𝑝(𝑥𝑥 ′ )�
𝑥𝑥∈𝐶𝐶1 𝑥𝑥 ′ ∈𝐶𝐶0
𝑁𝑁
log�𝐿𝐿(𝛽𝛽)� = ��𝑦𝑦𝑖𝑖 𝛽𝛽𝑥𝑥𝑖𝑖 − log�1 + 𝑒𝑒 𝛽𝛽𝑥𝑥𝑖𝑖 �� (14)
𝑖𝑖=1
Hasil komputasi menggunakan metode iteratif
Newton-Rhapson hingga turunan kedua. Proses
tersebut dilakukan dengan menurukan rumus
sebagai berikut:
𝑁𝑁
𝜕𝜕𝜕𝜕(𝛽𝛽)
= � 𝐹𝐹𝑖𝑖 �𝑦𝑦𝑖𝑖 − 𝑝𝑝(𝑥𝑥𝑖𝑖 , 𝛽𝛽)�
𝜕𝜕𝜕𝜕
𝑖𝑖=1
𝑁𝑁
𝜕𝜕 2 𝐿𝐿(𝛽𝛽)
= � −𝐹𝐹𝑖𝑖 𝐹𝐹𝑖𝑖𝑇𝑇 𝑝𝑝(𝑥𝑥𝑖𝑖 , 𝛽𝛽)�1 − 𝑝𝑝(𝑥𝑥𝑖𝑖 , 𝛽𝛽)� (16)
𝜕𝜕𝜕𝜕𝜕𝜕𝛽𝛽 𝑇𝑇
𝑖𝑖=1
2.2.4. Training Logistic Regression
Proses memaksimalkan log-likelihood melalui
tahap berikut:
A. Tentukan βo insial
B. Coba log-likelihood ke 0 dan hitung log-
likelihood baru.
C. Hitung nilai toleransi, untuk memotong
iterasi apabila teralu lama.
D. Hitung β baru.
E. Gunakan β baru ke step B, iterasi hingga
hasil toleransi mencapai nilai error yang
teralu dikit.
2.2.5. Model KNN (K-Nearest Neighbor)
KNN adalah suatu metode algoritma yang
berbasis non-parametrik dan membuat model
prediksi berdasarkan nilai rata-rata dari sekitarnya
mengenai pengelompokkan dari data point secara
individual. Untuk mengetahui hubungan pada
suatu data point terhadap sekitarnya maka
diperlukan nilai jaraknya, sehingga setiap input
perlu dinormalisasi agar memiliki skala yang
dapat dibandingkan. Perlu diketahui juga bahwa
KNN hanya dapat diterapkan untuk memodelkan
permasalahan dengan satu (p=1) atau dua (p=2)
(13) variabel independen nya.
2.2.6. Interpretasi Model menggunakan
Hipotesis
Dalam menentukan suatu value pasti terdapat
error di dalamnya. Oleh karena itu diperlukan
confidence interval dari suatu value yang
didapatkan. Confidence interval berguna untuk
menentukan seberapa yakin akan keakuratan
value yang didapatkan. Untuk melakukan uji
hipotesis digunakan metode t-test. T-test adalah
suatu cara untuk mencari signifikansi perbedaaan
antara dua objek. Penurunan yang dilakukan
(15)
ditampilkan seperti berikut:
𝑆𝑆𝑆𝑆�𝛽𝛽̂ � = �𝑉𝑉𝑉𝑉𝑉𝑉�𝛽𝛽̂ � (17)
𝛽𝛽̂ ± 𝑡𝑡𝛼𝛼\2 ∙ 𝑆𝑆𝐸𝐸�𝛽𝛽̂ � (18)
𝛽𝛽̂ − 0
𝑡𝑡 = (19)
𝑆𝑆𝑆𝑆(𝛽𝛽)
Signifikansi hasil yang diamati diukur
menggunakan p value. Nilai p yang kecil
menunjukkan bahwa kemungkinan data yang
diamati terjadi di bawah hipotesis awal sangat
kecil, sehingga hipotesis awal ditolak demi
hipotesis alternatif. Nilai p mengindikasikan
kekuatan bukti melawan hipotesis awal
berdasarkan data yang diamati. Jika perkiraan
akurasi value sudah didapatkan, model dari
permasalahan dapat diinterpretasikan dengan
lebih baik dan akurat.
2.2.7. R Square and RSE (Residual Standard
Error)
𝑅𝑅 2 adalah metode kuantifikasi pengukuran
statistik yang merepresentasikan dari variasi untuk
variabel dependen yang dijelaskan oleh sebuah
variabel independen pada sebuah model regresi.
Berbeda dengan korelasi koefisien Pearson yang
3
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
mengkuantifikasi keakuratan dalam mengestimasi
koefisien, 𝑅𝑅 2 menunjukan nilai keakuratan dalam
sebuah model memprediksi sebuah data. Untuk
mengukur nilai 𝑅𝑅 2, dapat digunakan persamaan
sebagai berikut:
𝑅𝑅𝑅𝑅𝑅𝑅
𝑅𝑅 2 = 1 − � � (20)
𝑇𝑇𝑇𝑇𝑇𝑇
𝑇𝑇𝑇𝑇𝑇𝑇 = Σ(𝑦𝑦𝑖𝑖 − 𝑦𝑦�)2
1 the effective stiffness of the composite plate can
𝑅𝑅𝑆𝑆𝑆𝑆 = � 𝑅𝑅𝑅𝑅𝑅𝑅
𝑛𝑛 − 2
2.2.8. Min-Max Scaling
Metode normalisasi sebuah data secara sederhana
dengan melakukan skala ulang pada suatu data set
sehingga skala pada data set tersebut akan menjadi
skala yang universal dan dapat dilakukan
komparasi dengan data set lainnya yang
sebelumnya tidak dapat dilakukan komparasi,
namun dengan normalisasi min-max, kini data
tersebut memiliki skala yang sama dan dapat
dilakukan perbandingan. Adapun rumus dari
normalisasi min-max adalah sebagai berikut:
𝑥𝑥 − 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚
𝑋𝑋𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 =
𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 − 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚
Dengan catatan, min-max scaling hanya dapat
dilakukan apabila tidak terdapat data outlier
sehingga perlu dipastikan agar tidak ada data
outlier salah satunya dengan box plot.
Untuk problem ini semua menggunakan min-max
scaling akibat data yang diberikan memiliki
variabel yang tidak terlalu jauh alias outlier.
3. Problem 1
3.1. Pertanyaan
The experiment described in Luqman et. al. 2022
(see the reference) studied the kinematic of a
flapping plate to simulate the fin’s movement of a
fish. The study is particularly important for the
design of Autonomous Underwater Vehicle (AUV)
that mimics the movement of a fish. In particular,
the study aimed to investigate the effect of the fin’s
stiffness and the flapping frequency on thrust
production while moving forward. The schematic
is given in the figures below, where the fin rotates
with a maximum angle alpha with a certain
flapping frequency. The plate is composed of
Acrylic and silicone rubber length attached in
tandem. The plate with 0% and 100% percentage
of acrylic represents the most flexible and the
stiffest panel, respectively. The stiffness of the
(21) plate is varied by changing the proportion of the
Acrylic and the silicone rubber length, in which
(22)
then be calculated. For each proportion of
material, the flapping frequency is varied, and the
thrust is measured using a set of experimental
setups comprising a towing tank and a load cell.
Left figure: Caudal fin kinematic. Right figure: An illustration
of the fin panel used in the current experiment. The length L
of the fin panel is 100 mm. The length of the acrylic and
silicone rubber part are denoted as L1 and L2, respectively.
(23)
In the “flapping_fin_data”, the first column is for
the percentage of acrylic, the second column is for
the flapping frequency, and the third column is for
the thrust (measured in Newton). Your tasks are as
follows:
(a) Create a model to approximate the
relationship between thrust as the output with the
frequency and the stiffness as the input variables.
(b) Interpret the obtained relationship between
thrust and the two input variables.
3.2. Jawaban
Dari problem yang diberikan, proses penyelesaian
yang paling tepat adalah menentukan dulu
variabel-variabel apa yang akan menjadi
pertimbangan dari penjawaban problem ini.
Terlihat bahwa dari pertanyaan (a) dan (b),
diperlukan analisis antara dua variabel input
(flaping frequency dalam Hz dan persentase
akrylik) dan satu variabel respons. (thrust dalam
4
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]

Newton). Setelah diteliti problem ini terdapat 140

baris data points yang harus dikelola.

3.2.1. Pembagian Data Train-Test

Pembagian data ini dilakukan dengan acak. Dari

data ini, akan dipisah menjadi train dan test
dataset. Proses analisis akan menggunakan train
dataset dengan test dataset dipakai untuk
mencoba menguji keakuratkan train dataset.

3.2.2. Visualisasi

Sebelum mulai menganalisis model yang

diberikan. Perlu adanya visualisasi terlebih dahulu
agar dapat memberikan sense of direction atas
penggunakan model yang lebih baik. Pertama, kita Grafik 3.2 3D Contour Plot dari Data Flapping Fin
perlu memvisualisasikan data set ke dalam bentuk
grafik 3D, yaitu flapping frequency pada sumbu-
x, flutter speed pada sumbu-y, dan gaya
dorong/thrust pada sumbu-z yang ditunjukkan
oleh grafik di bawah ini:

Grafik 3.3 2D Scatter Plot dari Data Flapping Fin

3.2.3. Qualitative Analysis

Dari hasil data di atas. Dapat disimpulkan

Grafik 3.1 3D Scatter Plot dari Data Flapping Fin
Melihat bentuk datanya susah direpresentasikan
pada 3D pola scatter. Adanya kebutuhan untuk
mencari proses yang paling tepat untuk
mendapatkan visualisasi terbaik untuk kebutuhan
analisis. Oleh karena itu, grafik kedua dan ketiga
menggambarkan lebih jelas dari mendeskripsikan
contour plot dan membuat 2D plot dengan
hubungan antara flapping frequency dan gaya
dorong.
bahwa sebenarnya pendekatan linear tidak akan
mampu merepresentasikan data karena data yang
terlihat pun tidak linear. Baik dari perspektif
variabel manapun, hasil hubungan tersebut tidak
memiliki hubungan linear yang konstan,
sedangkan memberikan hubungan paraboloid
dengan sebuah puncak pada nilai % acrylic dan
flapping frequency tertentu. Bahkan, dapat
diperkirakan dari grafik 3.2 bahwa nilai thrust
tertinggi yang dihasilkan oleh fin dengan membuat
fin dua variabel independen yang menghasilkan
nilai Thrust paling besar, yaitu 50% akrilik pada

5
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]

flapping frequency 3.03125 Hz menghasilkan pada perubahan nilai thrust dengan persentase
52.9283594906917 N Thrust force. akrilik yang konstan.

3.2.4. Model 3.2.4.2. KNN Model

Untuk menjawab permasalahan ini akan
digunakan pemodelan multiple linear regression
dan juga KNN. Metode ini berfungsi untuk
memodelkan hubungan antara gaya dorong, thrust
sebagai outputnya dengan flapping frequency dan
stiffness yang direpresentasikan oleh besarnya
persentase komposisi akrilik pada fin. Model-
model ini sudah dijelaskan pada dasar teori di
subbab sebelumnya.
Seperti yang sudah disebutkan, akan digunakan
metode KNN untuk dapat memodelkan data-data
input menjadi output yang sesuai. Setelah
dilakukan pemodelan KNN, diperoleh model
berupa surface yang menunjukkan hubungan antar
variabel independen dengan variabel
dependennya, yaitu:

3.2.4.1. Pearson Correlation Coefficient

Permodelan dari data ini dapat dibantu dengan

melihat matrik korelasi dari masing-masing
variabel yang terdapat di data ini. Dengan
menggunakan rumus pearson correlation
coefficient di persamaan (1). Hasilnya adalah
sebagai berikut:

1 0.00624991 0.109468
�0.00624991 1 0.30843139� (24)
0.109468 0.30843139 1

Data tersebut dapat diketahui bahwa angka

0.00624991 mengindikasikan bahwa hubungan
antara frekuensi dan stiffness bersifat independen Grafik 3.4 Model KNN dari Data Flapping Fin
yang artinya kedua input tidak saling berpengaruh
atau mutually exclusive. Hubungan antara Aproksimasi ini dapat dilakukan dengan nilai n
frekuensi dan thrust berada di skala 0.109468. paling optimal sebanyak 5 tetangga. Hal ini
Skala tersebut tergolong ke dalam jenis very low menghasilkan keakurasian KNN dengan test
correlation yang artinya frekuensi sangat sedikit dataset sebesar 89.29%.
pengaruhnya terhadap thrust yang dihasilkan.
Sedangkan hubungan antara stiffness dan thrust 3.2.4.3. Model Regresi Linear
berada di skala 0.30843139. Skala tersebut
berada di range low correlation. Stiffness Pada model regresi linear, kita dapat menemukan
memiliki pengaruh yang kecil terhadap thrust nilai beta yang dapat diwakilkan seperti
yang dihasilkan. Namun bila dibandingkan persamaan bidang yang merepresentasikan data
dengan pengaruh frekuensi terhadap thrust, tersebut. Dari hasil analisis, terlihat bahwa didapat
stiffness memiliki pengaruh lebih terhadap thrust komponen-komponen regresi linear sebagai
yang dihasilkan. Hal ini terdapat pada grafik 2D berikut:
scatter plot yang menunjukkan pada flapping
frequency yang sama, perubahan nilai pada
persentase komposisi akrilik menyebabkan β s2 t-stat p-val uji
perubahan nilai thrust yang signifikan, berbeda 0 2.4227 3.5285 0.6866 0.4935 0
dengan pengaruh perubahan flapping frequency 1 0.0481 0.0405 1.1880 0.2369 0
2 3.4038 1.0013 3.3995 0.0009 1

6
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
Tabel.3.1. Tabel Regresi Linear dari Data Flapping Fin
Dari hasil data ini, terlihat bahwa pada uji model
regresi linear, terlihat bahwa uji hipotesis pada β2
adalah satu-satunya yang terbukti hipotesis
korelasi. Sehingga, uji ini menyatakan bahwa
variabel ke-2 atau flapping frequency ternyata
memiliki pengaruh yang kuat terhadap hasil
variabel respons. Pendekatan regresi linear
menjadi sebagai berikut:
𝑦𝑦 = 2.4227 + 0.0481x1 + 3.4038𝑥𝑥2 (25)
Dengan 𝑦𝑦 adalah thrust dengan 𝑥𝑥1 sebagai
variabel persentase acrylic dan 𝑥𝑥2 sebagai variabel
flapping frequency. Selain tabel ini, didapatkan
hasil R2 dan RSE sebagai berikut:
R2 0.10669529482018798
RSE 13.225845481164576
Tabel.3.2. Tabel R2 dan RSE dari Data Flapping Fin
Dari hasil ini, terlihat bahwa nilai regresi linear
merepresentasikan ke-linear-an yang sangat
rendah dengan nilai R2 yang rendah dan RSE yang
sangat besar.
Grafik 3.5 Model Regresi Linear dari Data Flapping Fin
Keakurasian dari regresi linear dari pengujian test
dataset adalah 11.632%.
3.3. Interpretasi Hasil
Berdasarkan beberapa model yang telah
didapatkan, akurasi yang paling tinggi dimiliki
oleh model KNN. Pada model regresi linear
didapatkan akurasi terhadap pengujian test dataset
sebesar 11.632%. Hasil akurasi yang rendah
menandakan hubungan antar variabel yang tidak
linear. Oleh karena itu diperlukan metode non-
parametrik untuk mengaproksimasi hasil uji test
dataset terhadap training test set.
4. Problem 2
4.1. Pertanyaan
A study was performed to investigate the impact of
transonic airfoil geometries on the drag and lift
production. The airfoil is designed to operate at
Mach number of 0.73 and Angle of Attack of 2
degrees. The aerodynamics coefficients are
evaluated using a simplified aerodynamic solver,
which neglects the viscosity of the air. The nine
geometrical parameters, with the lower, upper
bounds, and the definitions are shown below:
Illustration of the airfoil parameterization. The ZTE and delta
ZTE are both set to zero.
The data is given in the “aerodynamic_data_set”.
Your tasks are to:
a) Build a model that best approximates the
relationship between the nine geometrical
parameters with the lift coefficient (CL), drag
coefficient (CD), and moment coefficient (CM).
7
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
b) Is the relationship between CL, CD, CM with
the nine geometrical parameters linear?
c) Rank the input variables according to their
importance on the aerodynamics coefficient (hint:
you should normalize the input variables so that
they have the same scale).
4.2. Jawaban
Dari problem yang diberikan, proses penyelesaian
yang paling tepat adalah menentukan dulu
variabel-variabel apa yang akan menjadi
pertimbangan dari penjawaban problem ini.
Terlihat bahwa dari pertanyaan (a) dan (b),
diperlukan analisis antara 9 variabel input (rLE, xup,
yup, yxxup, xlo, yloo, yxxlo, αTE, βTE) dan 3 variabel
respons. (CL, CD, CM). Setelah diteliti problem ini
terdapat 500 baris data points yang harus dikelola.
4.2.1. Pembagian Data Train-Test
Pembagian data ini dilakukan dengan acak. Dari
data ini, akan dipisah menjadi train dan test
dataset. Proses analisis akan menggunakan train
dataset dengan test dataset dipakai untuk
mencoba menguji keakuratkan train dataset.
4.2.2. Visualisasi
Karena jumlah variabel yang dimiliki. Disini
visualisai tidak dapat dilakukan. Namun, upaya
lainnya seperti proses analisis nilai β dan upaya
lainnya sudah mampu menggambarkan model dari
problem ini.
4.2.3. Model
Untuk menjawab permasalahan ini akan
digunakan pemodelan multiple linear regression
dan juga KNN. Metode ini berfungsi untuk
memodelkan memodelkan sembilan variabel
independen berupa parameter geometri dengan
koefisien aerodinamika. Untuk menjawab
pertanyaan pada problem 2a, sembilan parameter
geometri akan dicari korelasinya terhadap
koefisien-koefisien aerodinamika dengan
menggunakan koefisien korelasi Pierson tanpa
melakukan normalisasi seluruh variabel
independen tersebut.
4.2.3.1. Pearson Correlation Coefficient
Permodelan dari data ini dapat dibantu dengan
melihat matrik korelasi dari masing-masing
variabel yang terdapat di data ini. Dengan
menggunakan rumus pearson correlation
coefficient di persamaan (1). Hasilnya adalah
sebagai berikut:
CL:
[[ 1.00e+00 -2.05e-02 -1.60e-02 -3.95e-03
3.02e-03 -4.53e-03 -2.26e-02
-1.40e-02 -9.08e-03 2.72e-02]
[-2.05e-02 1.00e+00 -5.75e-03 -1.60e-02
1.53e-04 -7.94e-03 -2.85e-02
-9.07e-03 2.52e-04 1.72e-01]
[-1.60e-02 -5.75e-03 1.00e+00 1.18e-02
2.78e-02 2.08e-03 -2.27e-02
-3.08e-02 2.18e-03 6.78e-01]
[-3.95e-03 -1.60e-02 1.18e-02 1.00e+00 -
3.76e-02 -1.69e-02 1.15e-03
-1.11e-03 -9.00e-03 1.53e-01]
[ 3.02e-03 1.53e-04 2.78e-02 -3.76e-02
1.00e+00 1.97e-02 -1.40e-02
-1.38e-02 1.58e-02 -1.28e-01]
[-4.53e-03 -7.94e-03 2.08e-03 -1.69e-02
1.97e-02 1.00e+00 -6.12e-03
1.03e-03 -2.02e-02 5.63e-01]
[-2.26e-02 -2.85e-02 -2.27e-02 1.15e-03
-1.40e-02 -6.12e-03 1.00e+00
6.26e-03 -2.43e-02 1.63e-01]
[-1.40e-02 -9.07e-03 -3.08e-02 -1.11e-03
-1.38e-02 1.03e-03 6.26e-03
1.00e+00 1.91e-02 -2.98e-01]
[-9.08e-03 2.52e-04 2.18e-03 -9.00e-03
1.58e-02 -2.02e-02 -2.43e-02
1.91e-02 1.00e+00 -1.53e-02]
[ 2.72e-02 1.72e-01 6.78e-01 1.53e-01 -
1.28e-01 5.63e-01 1.63e-01
-2.98e-01 -1.53e-02 1.00e+00]]
CD:
[[ 1.00e+00 -2.05e-02 -1.60e-02 -3.95e-03
3.02e-03 -4.53e-03 -2.26e-02
-1.40e-02 -9.08e-03 -2.79e-02]
[-2.05e-02 1.00e+00 -5.75e-03 -1.60e-02
1.53e-04 -7.94e-03 -2.85e-02
-9.07e-03 2.52e-04 -3.55e-01]
[-1.60e-02 -5.75e-03 1.00e+00 1.18e-02
2.78e-02 2.08e-03 -2.27e-02
-3.08e-02 2.18e-03 7.80e-01]
[-3.95e-03 -1.60e-02 1.18e-02 1.00e+00 -
3.76e-02 -1.69e-02 1.15e-03
-1.11e-03 -9.00e-03 1.68e-02]
[ 3.02e-03 1.53e-04 2.78e-02 -3.76e-02
1.00e+00 1.97e-02 -1.40e-02
-1.38e-02 1.58e-02 -6.06e-02]
[-4.53e-03 -7.94e-03 2.08e-03 -1.69e-02
1.97e-02 1.00e+00 -6.12e-03
1.03e-03 -2.02e-02 2.47e-01]
8
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]

[-2.26e-02 -2.85e-02 -2.27e-02 1.15e-03 input menjadi output yang sesuai. Setelah
-1.40e-02 -6.12e-03 1.00e+00
6.26e-03 -2.43e-02 9.77e-02]
dilakukan pemodelan KNN, diperoleh model
[-1.40e-02 -9.07e-03 -3.08e-02 -1.11e-03 berupa surface yang menunjukkan hubungan antar
-1.38e-02 1.03e-03 6.26e-03 variabel independen dengan variabel
1.00e+00 1.91e-02 -1.48e-01] dependennya. Aproksimasi ini dapat dilakukan
[-9.08e-03 2.52e-04 2.18e-03 -9.00e-03
1.58e-02 -2.02e-02 -2.43e-02
dengan nilai n sebanyak 7 tetangga. Hal ini
1.91e-02 1.00e+00 -1.64e-02] menghasilkan keakurasian KNN dengan test
[-2.79e-02 -3.55e-01 7.80e-01 1.68e-02 - dataset sebagai berikut:
6.06e-02 2.47e-01 9.77e-02
-1.48e-01 -1.64e-02 1.00e+00]] KNNCL 0.8188354041401852
CM: KNNCD 0.717464327890282
[[ 1.00e+00 -2.05e-02 -1.60e-02 -3.95e-03 KNNCM 0.8338900167582667
3.02e-03 -4.53e-03 -2.26e-02
-1.40e-02 -9.08e-03 -5.26e-02] Tabel.4.1. Tabel Keakuratan KNN dari Data Problem 2
[-2.05e-02 1.00e+00 -5.75e-03 -1.60e-02
1.53e-04 -7.94e-03 -2.85e-02
-9.07e-03 2.52e-04 1.95e-01] 4.2.3.3. Model Regresi Linear
[-1.60e-02 -5.75e-03 1.00e+00 1.18e-02
2.78e-02 2.08e-03 -2.27e-02 Pada model regresi linear, kita dapat menemukan
-3.08e-02 2.18e-03 7.94e-01] nilai beta yang dapat diwakilkan seperti
[-3.95e-03 -1.60e-02 1.18e-02 1.00e+00 -
3.76e-02 -1.69e-02 1.15e-03 persamaan multi-regresi yang merepresentasikan
-1.11e-03 -9.00e-03 9.60e-02] data tersebut. Dari hasil analisis, terlihat bahwa
[ 3.02e-03 1.53e-04 2.78e-02 -3.76e-02 didapat komponen-komponen regresi linear
1.00e+00 1.97e-02 -1.40e-02 sebagai berikut:
-1.38e-02 1.58e-02 -1.89e-01]
[-4.53e-03 -7.94e-03 2.08e-03 -1.69e-02
1.97e-02 1.00e+00 -6.12e-03 β s2 t-stat p-val uji
1.03e-03 -2.02e-02 4.02e-01] 0 0.3007 0.0265 11.572 0 1
[-2.26e-02 -2.85e-02 -2.27e-02 1.15e-03 1 6.5481 1.2735 5.1416 0 1
-1.40e-02 -6.12e-03 1.00e+00
6.26e-03 -2.43e-02 1.48e-01] 2 0.4075 0.0195 20.891 0 1
[-1.40e-02 -9.07e-03 -3.08e-02 -1.11e-03 3 10.384 0.1369 75.830 0 1
-1.38e-02 1.03e-03 6.26e-03 4 0.3475 0.0204 17.010 0 1
1.00e+00 1.91e-02 -2.61e-01]
[-9.08e-03 2.52e-04 2.18e-03 -9.00e-03 5 -0.4179 0.0242 -17.25 0 1
1.58e-02 -2.02e-02 -2.43e-02 6 9.4429 0.1476 63.9649 0 1
1.91e-02 1.00e+00 -1.15e-02] 7 0.2559 0.0121 21.0692 0 1
[-5.26e-02 1.95e-01 7.94e-01 9.60e-02 -
1.89e-01 4.02e-01 1.48e-01 8 -2.4026 0.0768 -31.274 0 1
-2.61e-01 -1.15e-02 1.00e+00]] 9 0.0516 0.0526 0.9794 0.3279 0

Dengan diketahui tidak adanya satupun variabel Tabel.4.2. Tabel Regresi Linear dari Cl
independen yang tidak berkorelasi sama sekali
dengan suatu koefisien aerodinamika dan bahwa
variabel independen saling mempengaruhi satu
dengan variabel parameter geometrik yang lain. β s2 t-stat p-val uji
0 -0.0092 0.0043 -2.1351 0.033 1
Namun, karena banyaknya variabel yang harus
diuji, Pearson Correlation Coefficient sudah gagal 1 -0.2029 0.2075 -0.9777 0.3287 0
dalam memberikan representasi baik dari data 2 -0.0522 0.0032 -16.427 0.000 1
tersebut, sehingga harus lanjut pada permodelan. 3 0.8220 0.0223 36.843 0.000 1
4 0.0004 0.0033 0.1172 0.9067 0
4.2.3.2. KNN Model 5 -0.0163 0.0039 -4.121 0 1
6 0.2795 0.2405 11.6206 0 1
Seperti yang sudah disebutkan, akan digunakan 7 0.0099 0.0020 5.0135 0 1
metode KNN untuk dapat memodelkan data-data 8 -0.0768 0.0125 -6.1362 0 1

9
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]

9 -0.0028 0.0086 -0.3225 0.7472 0 Dari hasil ini, terlihat bahwa nilai regresi linear
merepresentasikan ke-linear-an yang sangat tinggi
Tabel.4.3. Tabel Regresi Linear dari Cd dengan nilai R2 yang tinggi dan RSE yang sangat
kecil.
β s2 t-stat p-val uji
0 -0.0877 0.0078 -11.156 0 1
1 -1.1514 0.3769 -4.0173 0 1 RLCL 0.9638760033230835
2 0.1483 0.0058 25.688 0 1 RLCD 0.6581909829441328
3 4.0168 0.4052 99.131 0 1 RLCM 0.9654968825502612
4 0.0662 0.0060 10.989 0 1
5 -0.1939 0.0072 -27.050 0 1 Tabel.4.8. Tabel Keakuratan Regresi Linear dari Data
6 2.2275 0.0437 50.9905 0 1 Problem 2
7 0.0772 0.0036 21.4736 0 1
8 -0.6806 0.0227 -29.940 0 1 Untuk menjawab problem 2b, menggunakan
0.0149 0.0156 0.9581 0.3384 0 model yang sudah diperoleh untuk menemukan
9
sifat linearitas suatu variabel independen geometri
Tabel.4.4. Tabel Regresi Linear dari Cm airfoil terhadap masing-masing koefisien
aerodinamika sehingga diperoleh sifat linearitas
Untuk menjawab problem 2b, menggunakan antar sembilan variabel parameter geometri
model yang sudah diperoleh untuk menemukan terhadap Cl, Cd, dan Cm sembilan variabel
sifat linearitas suatu variabel independen geometri parameter geometri yang bersifat variatif. Namun,
airfoil terhadap masing-masing koefisien terlihat bahwa hubungan dari parameter ini
aerodinamika sehingga diperoleh sifat linearitas menghasilkan hubungan linear yang cukup baik,
antar sembilan variabel parameter geometri kecuali dengan Cd dengan nilai yang cukup rendah
terhadap Cl, Cd, dan Cm sembilan variabel sebesar 0.82 nilai R2 dan 65.82% keakuratan.
parameter geometri yang bersifat variatif. Namun,
terlihat bahwa hubungan dari parameter ini 4.2.3.4. Normalisasi Model Regresi
menghasilkan hubungan linear yang cukup baik,
kecuali dengan Cd dengan nilai yang cukup rendah Untuk menjawab 2c yang menginginkan faktor
sebesar 0.82 nilai R2 dan 65.82% keakuratan. importance dari setiap variabel, perlunya data
input untuk dinormalisasi terlebih dahulu.
Sebelum membuat pemodelan data input yang
sudah dinormalisasi terhadap outputnya, perlu
R2 0.9690495965726103 diperiksa terlebih dahulu masing-masing variabel
RSE 0.019727260168915656 independennya menggunakan box plot untuk
memastikan tidak ada penyebaran data yang
Tabel.4.5. Tabel R2 dan RSE dari Data Cl ekstrim atau yang tidak normal. Box Plot untuk
masing-masing variabel yaitu sebagai berikut:

R2 0.826458419400856
RSE 0.003214196596767444

Tabel.4.6. Tabel R2 dan RSE dari Data Cd

R2 0.9749716085946188
RSE 0.005837640401239611

Tabel.4.7. Tabel R2 dan RSE dari Data Cm Grafik.4.1. Box Plot rle dan xup

10
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]

Kesembilan box plot untuk setiap variabel

independen parameter geometrik, menunjukkan
bahwa tidak ada data yang bernilai secara ekstrim
jauh dari range kuartilnya ataupun range antar data
terkecil dan terbesar yang abnormal/sangat besar
sehingga dapat dipastikan tidak ada data outlier
pada data variabel parameter geometrik dan
normalisasi menggunakan min-max scaling dapat
dilakukan.

Grafik.4.2. Box Plot yup dan yxxup 4.2.3.5. Model Regresi Linear yang
Ternormalisasi

Pada model regresi linear, kita dapat menemukan

nilai beta yang dapat diwakilkan seperti
persamaan multi-regresi yang merepresentasikan
data tersebut. Dari hasil analisis, terlihat bahwa
didapat komponen-komponen regresi linear
sebagai berikut:

β s2 t-stat p-val uji

0 0.524 0.0054 96.7791 0 1
1 0.0177 0.0034 5.1416 0 1
2 0.0702 0.0034 20.8907 0 1
Grafik.4.3. Box Plot xlo dan ylo 3 0.2602 0.0034 75.8301 0 1
4 0.0588 0.0035 17.0097 0 1
5 -0.0602 0.0035 -17.251 0 1
6 0.2212 0.0035 63.9649 0 1
7 0.0721 0.0034 21.0692 0 1
8 -0.1076 0.0034 -31.273 0 1
9 0.0034 0.0035 0.9794 0.3279 0

Tabel.4.9. Tabel Regresi Linear dari Cl

β s2 t-stat p-val uji

0 0.0037 0.0009 4.2020 0 1
Grafik.4.4. Box Plot yxxlo dan αTE 1 -0.0006 0.0006 -0.9778 0.3287 0
2 -0.0090 0.0006 -16.427 0 1
3 0.0206 0.0006 36.8433 0 1
4 0.0001 0.0006 0.1172 0.9068 0
5 -0.0023 0.0006 -4.1212 0 1
6 0.0066 0.0006 11.6206 0 1
7 0.0028 0.0006 5.0135 0 1
8 -0.0034 0.0006 -6.1362 0 1
9 -0.0002 0.0006 -0.3225 0.7472 0

Tabel.4.10. Tabel Regresi Linear dari Cd

Grafik.4.5. Box Plot βTE β s2 t-stat p-val uji

0 0.0468 0.0016 19.1465 0.0000 1

11
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]

1 -0.0006 0.0010 -4.0173 0.0001 1 Upper Crest Curvature (Yxxup), Lower Crest
2 -0.0090 0.0010 25.6876 0.0000 1 Curvature (Yxxlo), dan Trailing Edge Wedge
3 0.0206 0.0010 99.1313 0.0000 1 Angle (𝛽𝛽𝑇𝑇𝑇𝑇).
4 0.0001 0.0010 10.9894 0.0000 1
5 -0.0024 0.0010 -27.050 0.0000 1 ● Pada Coefficient of Moment (Cm), mirip
0.0066 0.0010 50.9906 0.0000 1
seperti yang diperoleh pada Cd, seluruh
6
variabel independen menunjukkan linearitas
7 0.0028 0.0010 21.4736 0.0000 1
yang rendah terhadap Cm. Dengan variabel
8 -0.0034 0.0010 -29.940 0.0000 1 Upper Crest Ordinate (Yup) dan Lower Crest
9 -0.0002 0.0010 0.9582 0.3384 0 Ordinate (Yloo) merupakan kedua variabel
independen yang memiliki linearitas tertinggi
Tabel.4.11. Tabel Regresi Linear dari Cm terhadap Cm. Selain itu, Radius of Leading
Edge (rLe) merupakan variabel independen
Sesuai dengan persamaan (4) mengenai regresi dengan linearitas negatif tertinggi dan juga
linear. Proses pemilihan linearlitas yang paling variabel independen Trailing Edge Wedge
mencolok atau variabel yang paling signifikan
Angle (𝛽𝛽𝑇𝑇𝑇𝑇) memiliki linearitas yang
berada pada nilai mutlak β. Semakin besar nilai
terendah terhadap Cm.
mutlak tersebut pada kondisi sudah ternormalisasi,
maka semakin berpengaruh parameter tersebut
pada variabel respons. Urutan variabel input berdasarkan tingkat
pengaruhnya terhadap setiap koefisien
Meninjau sembilan koefisien independen dengan aerodinamis dapat dilihat sebagai berikut:
untuk setiap regresi linear untuk setiap koefisien
aerodinamik, diperoleh deskripsi sebagai berikut:
● Lift Coefficient (Cl)
● Pada Coefficient of Lift (Cl), variabel dengan 1. Upper Crest Ordinate (Yup)
linearitas yang paling mencolok terhadap Cl 2. Lower Crest Ordinate (Yloo)
terlihat pada variabel Upper Crest Ordinate 3. Trailing Edge Direction (𝛼𝛼𝑇𝑇𝐸𝐸)
(Yup) dan Lower Crest Ordinate (Yloo) 4. Lower Crest Curvature (Yxxlo)
dimana keduanya memiliki koefisien 5. Upper Crest Abssisca (Xup)
independen masing-masing yang tinggi di 6. Lower Crest Abssisca (Xlo)
antara variabel yang lainnya dan merupakan 7. Upper Crest Curvature (Yxxup)
linear positif. Sementara untuk variabel 8. Radius of Leading Edge (rLe)
independen lainnya berada pada linearitas 9. Trailing Edge Wedge Angle (𝛽𝛽𝑇𝑇𝑇𝑇)
cukup rendah dengan linearitas negatif
tertinggi ditunjukkan oleh variabel geometri, ● Drag Coefficient (Cd)
Trailing Edge Direction (𝛼𝛼𝑇𝑇𝑇𝑇) dan linearitas 1. Upper Crest Ordinate (Yup)
terendah, yaitu Trailing Edge Wedge Angle 2. Upper Crest Abssisca (Xup)
(𝛽𝛽𝑇𝑇𝑇𝑇). 3. Lower Crest Ordinate (Yloo)
4. Trailing Edge Direction (𝛼𝛼𝑇𝑇𝑇𝑇)
● Pada Coefficient of Drag (Cd), hampir seluruh 5. Lower Crest Curvature (Yxxlo)
variabel independen memiliki linearitas yang 6. Lower Crest Abssisca (Xlo)
rendah terhadap Cd, dengan variabel Upper 7. Radius of Leading Edge (rLe)
Crest Ordinate (Yup) dan Lower Crest 8. Trailing Edge Wedge Angle (𝛽𝛽𝑇𝑇𝑇𝑇)
Ordinate (Yloo) merupakan kedua variabel 9. Upper Crest Curvature (Yxxup)
independen yang memiliki linearitas tertinggi
terhadap Cd. Selain itu, Radius of Leading ● Moment Coefficient (Cm)
Edge (rLe) merupakan variabel independen 1. Upper Crest Ordinate (Yup)
dengan linearitas negatif tertinggi dan terdapat 2. Lower Crest Ordinate (Yloo)
beberapa variabel independen yang memiliki 3. Trailing Edge Direction (𝛼𝛼𝑇𝑇𝑇𝑇)
linearitas sangat kecil mendekati nol, yaitu 4. Lower Crest Abssisca (Xlo)

12
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
5. Upper Crest Abssisca (Xup)
6. Lower Crest Curvature (Yxxlo)
7. Upper Crest Curvature (Yxxup)
8. Radius of Leading Edge (rLe)
9. Trailing Edge Wedge Angle (𝛽𝛽𝑇𝑇𝑇𝑇)
Dengan dilakukannya normalisasi, kita mendapat
informasi juga bahwa pada setiap variabel
independen untuk suatu parameter geometri yang
sama, parameter tersebut akan paling
mempengaruhi coefficient of lift dibandingkan
coefficient of moment, dan coefficient of drag
merupakan variabel dependen yang paling kecil
dipengaruhi oleh variabel-variabel independen
dibandingkan dengan koefisien aerodinamik yang
lain. Dengan model pada problem 2a ini, kita
dapat memperoleh nilai koefisien aerodinamika
Cl, Cd, dan Cm yang reliable menggunakan suatu
parameter geometrik input.
Setelah diketahui koefisien pada ketiga regresi
linear terhadap masing-masing variabel dependen,
kita perlu mengetahui juga mengenai kemampuan
pemodelan yang telah diperoleh dalam
memprediksi nilai sebuah data, dapat digunakan
metode R Squared. Maka nilai R Squared untuk
model di atas diperoleh:
R2 0.9690495965726103
RSE 0.019727260168915656
Tabel.4.12. Tabel R2 dan RSE dari Data Cl
R2 0.826458419400856
RSE 0.003214196596767444
Tabel.4.13. Tabel R2 dan RSE dari Data Cd
R2 0.9749716085946188
RSE 0.005837640401239611
Tabel.4.14. Tabel R2 dan RSE dari Data Cm
Terlihat bahwa nilai R2 dan RSE sama,
membuktikan logika persamaan (20) dan (22).
Dengan prinsip yang sama dari keuntungan
MinMaxScaling, nilai keakuratan juga tidak
berubah.
5. Problem 3
5.1. Pertanyaan
Flutter is an aero-structural phenomenon that
should be avoided when designing a wing. An
aircraft should fly in the safe region, that is, the
region where the wing will not experience flutter.
To that end, engineers should identify the region
where the flutter will not occur. Palar et al. (see
the reference) conducted a numerical experiment
which investigates the safety regime of a NACA
64A010 with two degrees of freedom: pitch and
plunge motion. The study investigates the impact
of two design conditions, namely, the Mach
number (M) and the flutter speed (Vf). A numerical
aerodynamic solver was employed with the Mach
number and the flutter speed as inputs, and the
damping coefficient (DC) as the output. In this
regard, a negative and positive damping
coefficient indicates that flutter occurs and does
not occur, respectively. The data is given on
“flutter_data_set”.
Illustration of the NACA64A010 airfoil.
Your tasks are as follows:
A) Build a model that will be used to classify the
flutter and the no-flutter region.
B) Draw the flutter boundary (i.e., the line/curve
that separates the flutter and no-flutter region).
5.2. Jawaban
Dari problem yang diberikan, proses penyelesaian
yang paling tepat adalah menentukan dulu
variabel-variabel apa yang akan menjadi
pertimbangan dari penjawaban problem ini.
Terlihat bahwa dari pertanyaan (a) dan (b),
diperlukan analisis antara dua variabel input
(mach number dan flutter speed) dan satu variabel
13
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]
respons. (damping coefficient). Setelah diteliti
problem ini terdapat 300 baris data points yang
harus dikelola.
5.2.1. Pembagian Data Train-Test
Pembagian data ini dilakukan dengan acak. Dari
data ini, akan dipisah menjadi train dan test
dataset. Proses analisis akan menggunakan train
dataset dengan test dataset dipakai untuk
mencoba menguji keakuratkan train dataset.
5.2.2. Visualisasi
Sama seperti problem 1, sebelum mulai
menganalisis model yang diberikan. Perlu adanya
visualisasi terlebih dahulu agar dapat memberikan
sense of direction atas penggunakan model yang
lebih baik. Pertama, kita perlu memvisualisasikan
data set ke dalam bentuk grafik 3D, yaitu mach
number pada sumbu-x, persentase komposisi
akrilik pada sumbu-y, dan damping coefficient
pada sumbu-z yang ditunjukkan oleh grafik di
bawah ini:
Grafik 5.1 3D Scatter Plot dari Data Flutter
Dari gambar 3D scatter plot di atas, kita
memperoleh gambaran bagaimana boundary
berdasarkan dilakukannya kategorisasi logistik
data. Untuk dapat membuktikan gambaran
tersebut, perlu digunakannya regresi jenis logistik
yang juga perlu dilakukan pelatihan model agar
diperoleh model yang dapat merepresentasikan
problem dengan menunjukan hasil output yang
sesuai dengan inputnya menggunakkan metode
gradient descent optimization. Setelah itu,
menggunakan matriks rangkuman, kita dapat
memastikan bahwa model yang telah dilatih
memenuhi confidence level sebesar 95% dalam
memprediksi data point yang akan digunakan
untuk membuat flutter boundary line.
Salah satu manfaat dari data ini adalah data
tersebut mempertimbangkan hanya nilai positif-
negatif dari variabel response (apakah perlu
damping atau tidak), maka dengan itu, dapat
didekatkan dengan regresi logistik dan dapat plot
scatter 2D dengan tidak mempertimbangkan besar
nilai negatif atau positif. Hasilnya adalah sebagai
berikut:
Grafik 5.2 2D Scatter Plot dari Data Flutter
5.2.3. Two Branches of Thought
Dari pengolahan data ini, perlunya kita perhatikan
bahwa dalam mencari model data flutter/no flutter,
kita dapat direpresentasikan langsung dengan
regresi logistik yang sudah dijelaskan pada dasar
teori. Namun, untuk melihat keakuratan dari
dataset ini perlu adanya proses konfirmasi dari
model-model yang sudah dilakukan pada problem
1 dan 2. Oleh karena itu, pada problem 3 terdapat
dua proses yang dilakukan, yakni proses model
biasa dengan proses model logistik.
5.2.4. Model
14
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]

Untuk menjawab permasalahan ini akan

digunakan pemodelan multiple linear regression
dan juga KNN. Metode ini berfungsi untuk
memodelkan hubungan antara damping coefficient
sebagai outputnya dengan Mach Number dan
flutter speed. Model-model ini sudah dijelaskan
pada dasar teori di subbab sebelumnya.

5.2.4.1. Pearson Correlation Coefficient

Permodelan dari data ini dapat dibantu dengan

melihat matrik korelasi dari masing-masing
variabel yang terdapat di data ini. Dengan
menggunakan rumus pearson correlation
coefficient di persamaan (1). Hasilnya adalah
sebagai berikut:
Grafik 5.3 Model KNN dari Data Flutter
1 −0.054 −0.285
�−0.054 1 −0.446� (26) Aproksimasi ini dapat dilakukan dengan nilai n
−0.285 −0.446 1 paling optimal sebanyak 7 tetangga. Hal ini
menghasilkan keakurasian KNN dengan test
Data tersebut dapat diketahui bahwa terdapat
dataset sebesar 94.08%.
hubungan korelasi berbanding terbalik dari
variabel input dengan output. Artinya bahwa nilai
5.2.4.3. Model Regresi Linear
flutter speed dan mach number yang meningkat
akan menurunkan nilai damping coefficient.
Pada model regresi linear, kita dapat menemukan
nilai beta yang dapat diwakilkan seperti
5.2.4.2. KNN Model
persamaan bidang yang merepresentasikan data
tersebut. Dari hasil analisis, terlihat bahwa didapat
Seperti yang sudah disebutkan, akan digunakan
komponen-komponen regresi linear sebagai
metode KNN untuk dapat memodelkan data-data
berikut:
input menjadi output yang sesuai. Setelah
dilakukan pemodelan KNN, diperoleh model
berupa surface yang menunjukkan hubungan antar
β s2 t-stat p-val uji
variabel independen dengan variabel
0 0.1374 0.0185 7.4244 0 1
dependennya, yaitu:
1 -0.1289 0.0227 -5.6803 0 1
2 -0.0375 0.0044 -8.4747 0 1

Tabel.5.1. Tabel Regresi Linear dari Data Flutter

Dari hasil data ini, terlihat bahwa pada uji model

regresi linear, terlihat bahwa uji hipotesis semua β
berlaku, sehingga semua variabel memiliki 95%
confidence. Dengan ini, persamaannya menjadi:

𝑦𝑦 = 0.1374 − 0.1289x1 − 0.0375𝑥𝑥2 (27)

Dengan 𝑦𝑦 adalah damping coefficient dengan 𝑥𝑥1

sebagai variabel mach number dan 𝑥𝑥2 sebagai
variabel flutter speed. Selain tabel ini, didapatkan
hasil R2 dan RSE sebagai berikut:

15
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]

R2 0.2950214291819448
RSE 0.03311694322371763

Tabel.5.2. Tabel R2 dan RSE dari Data Flapping Fin

Dari hasil ini, terlihat bahwa nilai regresi linear

merepresentasikan ke-linear-an yang sangat
rendah dengan nilai R2 yang rendah tapi RSE yang
sangat kecil. Artinya bahwa permodelan ini
memiliki banyak data outlier seperti yang terlihat
pada grafik 5.3.

Grafik 5.5 Model KNN Logistic dari Data Flutter

Meninjau hasil regresi KNN Logistic di atas, dapa

dilihat garis flutter boundary yang lebih akurat
dalam merepresentasikan hasil output yang
ditandai dengan lebih sedikitnya data point yang
berada di wilayah yang salah.

Aproksimasi ini dapat dilakukan dengan nilai n

paling optimal sebanyak 7 tetangga. Hal ini
menghasilkan keakurasian KNN dengan test
dataset sebesar 96.67%.

5.2.4.5. Model Regresi Logistic

Pada model regresi logistic, kita dapat

menemukan nilai beta yang dapat diwakilkan
Grafik 5.4 Model Regresi Linear dari Data Flapping Fin seperti persamaan logaritmik yang
merepresentasikan data tersebut. Dari hasil
Keakurasian dari regresi linear dari pengujian test analisis pada iterasi ke-6, terlihat bahwa didapat
dataset adalah 56.829%. komponen-komponen regresi logistic sebagai
berikut:
5.2.4.4. KNN Model Logistic

Beda dengan KNN Model pada subbab β s2 t-stat p-val uji

sebelumnya, KNN ini menggantikan nilai 0 10.2847 1.6566 6.2085 0 1
damping coeffient menjadi binary sehingga -9.7918 1.8600 -5.2645 0 1
1
mampu melakukan analisis logistic. Setelah -2.4104 0.3774 -6.3874 0 1
2
dilakukan pemodelan KNN, diperoleh model
berupa border yang menunjukkan hubungan antar Tabel.5.3. Tabel Regresi Logistic dari Data Flutter
variabel independen dengan variabel
dependennya, yaitu: Dengan ini, persamaannya menjadi:

𝑃𝑃
log � � = 10.2847 − 9.7918𝑥𝑥1 − 9.7918𝑥𝑥2 (27)
1 − 𝑃𝑃

16
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]

Dengan 𝑦𝑦 adalah damping coefficient dengan 𝑥𝑥1
sebagai variabel mach number dan 𝑥𝑥2 sebagai
variabel flutter speed. Selain tabel ini, didapatkan
hasil pseudo R2 dan log loss sebagai berikut:
Pseudo R2 0.23200869207306632
Log loss 0.4713440123977804
Palar, Pramudita Satria, Lucia Parussini, Luigi
Bregant, Koji Shimoyama, and Lavi Rizki
Zuhal. "On kernel functions for bi-fidelity
Gaussian process regressions." Structural and
Multidisciplinary Optimization 66, no. 2
(2023): 37.
7. Individual Contribution

Tabel.5.4. Tabel R2 dan RSE dari Data Flapping Fin

Date Members Agenda
Dari hasil ini, terlihat bahwa nilai regresi logistik 14 Mei Jonwin, Planning Kerja
memberikan R2 yang kurang akurat dengan log 2023 Andhika, Intensif, Buat File
loss yang cukup banyak. Evelio Laporan
18 Mei Jonwin, Coding (No.1 dan
2023 Andhika, sebagain No.2) dan
Evelio Buat Laporan
19 Mei Jonwin, Coding (Sebagian
2023 Andhika, No.2 dan No.3) dan
Evelio Buat Laporan
23 Mei Andhika, Lengkapi Laporan
2023 Evelio dan Presentasi
24 Mei Jonwin, Revisi Coding,
2023 Lengkapi Laporan
25 Mei Jonwin, Finishing Laporan,
2023 Andhika, Finishing Canva
Evelio
26 Mei Jonwin, Rekam Video
Grafik 5.6 Model Regresi Logistik dari Data Flapping Fin 2023 Andhika,
Evelio
6. Referensi
Fathurrohim, Luqman, Lavi Rizki Zuhal, Tabel.7.1. Contributions
Pramudita Satria Palar, and Yohanes Bimo
Dwianto. "Maximizing the thrust performance Laporan: Jonwin, Andhika, Evelio
of flexible caudal fin panels via experimental
optimization." Ocean Engineering 266 (2022): Coding: Jonwin
112969.
Presentasi: Evelio, Andhika

Video: Evelio, Andhika

17
 Jonwin Fidelis Fam [1], Andhika Prayoga Tama [2], Evelio Christian Fresley [3]

APPENDIX
Coding Folder:
https://drive.google.com/drive/folders/1VQlDLEfl-XIppdCuI621GSZ7mf_U7h9F?usp=sharing

Link Youtube:
https://www.youtube.com/watch?v=2AE83F0Qxuw

Documentation: Kamis, 18 Mei 2023

Documentation: Jumat, 19 Mei 2023

18