Upload
julio-iman-nugroho
View
34
Download
0
Embed Size (px)
DESCRIPTION
statistika keilmuan
Citation preview
Model Optimisasi Tata Letak Pelabuhan Curah Kering dengan
Pendekatan Simulasi Diskrit: Studi Kasus Pelabuhan Khusus PT
Petrokimia GresikNama Mahasiswa : Hasan Iqbal Nur
NRP : 4108 100 042
Jurusan / Fakultas : Teknik Perkapalan / Teknologi Kelautan
Dosen Pembimbing : Firmanto Hadi, S.T., M.Sc.
ABSTRAK
Pelabuhan Petrokimia Gresik merupakan salah satu contoh pelabuhan khususyang
dioperasikan untuk menunjang kegiatan perusahaan (PT Petrokimia Gresik). Untuk dapat
menunjang peningkatan produksi perusahaan, diperlukan penambahan fasiltas pelabuhan
dengan memperhatikan tata letaknya, mengingat ketersediaan area pengembangan pelabuhan
yag terbatas. Tujuan penelitian dalam tugas akhir ini adalah untuk mengetahui hubungan
antara peningkatan produksi perusahaan dengan kegiatan operasional di pelabuhannya serta
membuat model optimisasi tata letak pelabuhan curah kering yang paling optimal. Dalam
menentukan model tata letak pelabuhan curah kering yang paling optimal ini akan dilakukan
dengan pendekatan simulasi diskrit dengan menggunakan bantuan software Arena (student
version) dan kriteria optimum yang telah ditentukan. Hasil penelitian menunjukkan bahwa
Peningkatan produksi perusahaan dengan rata-rata 7.7% per tahun, diikuti dengan
peningkatan utilitas fasilitas pelabuhan: dermaga (Berth Occupancy Ratio) 2%, gudang (Shed
Occupancy Ratio) 1.2% dan lapangan penumpukan (Yard Occupancy Ratio) 0.6%.
Berdasarkan hasil simulasi dan perhitungan didapatkan tata letak untuk penambahan fasilitas
pelabuhan petrokimia Gresik yang optimum, yaitu: dermaga dengan panjang 170 m di disisi
utara, gudang beukuran 60 x 48 x 8 m dan lapangan penumpukan berukuran 65 x 50 m
dengan jarak 1600 m dari dermaga.
Kata kunci: tata letak, pelabuhan curah kering, optimisasi, simulasi diskrit
1
I. PENDAHULUANPT Petrokimia Gresik merupakan salah satu produsen pupuk di Indonesia, pada tahun
2011 total kapasitas produksi PT Petrokimia Gresik mencapai 6.067.600 ton. Dengan jumlah
tersebut PT Petrokimia Gresik menjadi produsen pupuk terbesar dan terlengkap di Indonesia.
Pelabuhan PT Petrokimia Gresik merupakan pelabuhan khusus yang hanya melayani
kegiatan yang berhubungan dengan proses produksi perusahaan, pelabuhan ini beroperasi
selama 24 jam setiap hari dalam satu tahun. Pelabuhan PT Petrokimia Gresik berlokasi di
Jalan Gubernur Suryo dan dermaganya berada di perairan Selat Madura.
Gambar 1. Lokasi pelabuhan PT Petrokimia Gresik
II. PEMBAHASAN
2.1. Data Mentah (Raw Data)2.1.1. Kunjungan Kapal Pelabuhan PT Petrokimia Gresik
Table 1. Data Kunjungan Kapal Pelabuhan PT Petrokimia Gresik
2
Data ke- Jum kunj kapal1 362 393 424 435 436 447 458 469 4810 4911 4912 5013 5014 5115 5116 5217 5418 5419 5520 5521 5622 5623 5624 5725 5726 5927 5928 6029 6130 6131 6232 6433 6734 6735 6836 69
Data ke- Jum kunj kapal1 362 393 424 435 436 447 458 469 4810 4911 4912 5013 5014 5115 5116 5217 5418 5419 5520 5521 5622 5623 5624 5725 5726 5927 5928 6029 6130 6131 6232 6433 6734 6735 6836 69
2.1.2. Data Jumlah Bongkar Muat Pelabuhan PT Petrokimia Gresik
Jan Feb Maret April Mei Juni Juli Agust Sept Okt Nop Des2009 311.046 240.250 422.712 239.584 276.609 417.087 424.546 329.819 229.759 474.349 396.009 457.8712010 372.984 375.160 380.141 411.716 422.826 444.236 362.217 345.455 351.048 412.183 340.160 262.6452011 414.336 249.688 303.473 254.156 330.694 322.614 432.699 481.527 515.011 440.398 363.171 509.103
TahunBulan
Tabel 2. Data Jumlah Bongkar Muat Pelabuhan PT Petrokimia Gresik
2.2. Distribusi Frekuensi dan Presentasi Grafik2.2.1. Distribusi Frekuensi
Distribusi Frekuensi adalah suatu metode pengorganisasian data tunggal dengan
mengelompokkannya dalam kelas – kelas interval. Disebut juga sebagai data kelompok
(grouped data).
Mengurutkan data n = 36
Data ke- Jum kunj kapal1 362 393 424 435 436 447 458 469 4810 4911 4912 5013 5014 5115 5116 5217 5418 5419 5520 5521 5622 5623 5624 5725 5726 5927 5928 6029 6130 6131 6232 6433 6734 6735 6836 69
Penyusunan Distribusi Frekuensi
1. Menentukan Range (R)
R = nilai data terbesar – nilai data terkecil
= 69 -36
= 33 kapal 3
2. Menentukan Interval Kelas
K = 1 + 3,3 log n(rumus Sturge)
dengan : K = jumlah interval kelas
n = jumlah data
maka
K = 1 + 3,3 log(36)
= 6,1357 dibulatkan menjadi 6 kapal
3. Menentukan Lebar Interval Kelas
C = R/K
Dimana :
C = Lebarinterval kelas
R = Range
K = Jumlah interval kelas
Sehingga
C = 33/6
= 5,5 dibulatkan menjadi 6 kapal
Jumlah Kunjungan Frekuensi
Kapal
35-40 2
41-46 6
47-52 8
53-58 9
59-64 7
65-70 4
Σ 36
Tabel 2. Tabel Distribusi Frekuensi
2.2.2Presentasi Grafik : Grafik Histogram dan Poligon
Histogram merupakan grafik yang terdiri atas batang – batang yang saling
menempel satu sama lain. Ketinggian batang melambangkan frekuensi atau frekuensi
relative dari nilai variable yang diwakili oleh batang tersebut.
Poligon merupakan suatu grafik dari frekuensi – frekuensi interval kelas yang
diplot pada nilai – nilai tengahnya.
4
Grafik 1. Grafik Histogram dan Poligon
2.2.3 Distribusi Frekuensi Kumulatif (DFK)
DFK Kurang Dari disusun dengan menjumlahkan semua nilai frekuensi dari semua
nila yang lebih kecil dari batas atas nyata kelas interval.DFK dipresentasikan dalam grafik
yang disebut ogive.
Tabel DFK Kurang Dari
2.3. Ukuran PemusatanUkuran pemusatan adalah ukuran – ukuran yang menunjukkan pusat segugus data,
yang telah diurutkan dari yang terkecil sampai terbesar atau sebaliknya.Nilai pusat ini
digunakan sebagai ukuran ringkas yang menggambarkan karakteristik umum data tersebut.
5
< 34,5 < 40,5 <46,5 <52,5 <58,5 <64,5 <79,505
10152025303540
Tabel Frekuensi Kumulatif
Jumlah Kunjungan Kapal
Frek
uens
i
Jumlah Kunjungan frekuensi
kumulatifKapal
< 34,5 0
< 40,5 2
<46,5 8
<52,5 16
<58,5 25
<64,5 32
<79,5 36
2.3.1. Mean (Rata – rata)
Rata – rata (Average) adalah nilai khas yang mewakili sifat tengah dari suatu
kumpulan nilai data.
X=1n( X1+ X2+…+ Xn)
= 1/36 (36+39+42+ …68+69)
X = 53,75 = 54 𝑘𝑎𝑝𝑎𝑙2.3.2. Modus
Modus adalah ukuran/nilai yang paling sering muncul dalam sebuah kelompok data.
Jumlah Kunjungan Frekuensi
Kapal
35-40 2
41-46 6
47-52 8
53-58 9
59-64 7
65-70 4
Σ = 36
Modus=53,5+[ 11+2 ]x 6
Modus=55,5=56 Kapal
Dengan :
L = tepi bawah kelas modus
d1 = selisih antara frekuensi kelas modus dengan kelassebelumnya
d2 = selisih antara frekuensi kelas modus dengan kelas sesudahnya
c = lebar interval kelas = 6
2.3.3. Median
Median menyatakan posisi tengah dari data setelah diurutkan dari kecil ke besar.
6
Jumlah Kunjungan Frekuensi
Kapal
35-40 2
41-46 6
47-52 8
53-58 9
59-64 7
65-70 4
Σ 36
Md=53,5+[ 362
−16
25 ] x 6
Md=53,83=54 Kapal
Dengan : L = tepi bawah kelas median
F = frekuensi kumulatif dari seluruh kelas di bawah kelas median
n = Jumlah data
f = frekuensi kelas median
c = lebar interval kelas
2.3.4. Kuantil
Kuantil adalah nilai – nilai yang membagi suatu jajaran data menjadi bagian –
bagian yang sama.
Kuartil membagi data menjadi 4 bagian yang sama
Desil membagi data menjadi 10 bagian yang sama
Persentil membagi data menjadi 100 bagian yang sama
2.3.4.1 Kuartil (Q)
Dengan :7
Qi = Kuartil ke-i
Li = batas bawah kelas kuartil ke-i
n = banyaknya data
F = jumlah frekuensi seluruh kelas yg lebih rendah dari kelas kuartil ke-i
f = frekuensi kelas kuartil ke-i
c = lebar interval kelas kuartil
Q 1=46,5+( 14
x36−8) x 68=47,25 dibulatkanmenjadi 47 kapal
Q 2=52,5+( 24
x36−16)x 69=53,83 dibulatkanmenjadi54 kapal
Q 3=58,5+( 34
x36−25)x 67=60,21 dibulatkanmenjadi 60 kapal
2.3.4.2. Desil (D)
Dengan :
Di : desil ke-i
Li : batas bawah kelas kuartil ke-i
n : jumlah kumulatif data
F : jumlah frekuensi seluruh kelas yang lebih rendah dari kelas kuantil ke-i
f : frekuensi kelas kuantil ke-i
c : lebar interval kelas kuantil
D 1=40,5+( 110
x 36−2) x 66=42,1 dibulatkanmenjadi 42 kapal
D 2=40,5+( 210
x 36−2) x 66=45,70 dibulatkan menjadi 46 kapal
D 3=46,5+( 310
x 36−8)x 68=48,60 dibulatkanmenjadi 49 kapal
D 4=46,5+( 410
x 36−8) x 68=51,30 dibulatkan menjadi51 kapal
D 5=52,5+( 510
x36−16) x 69=53,83 dibulatkanmenjadi54 kapal
8
D 6=52,5+( 610
x 36−16) x 69=56,23 dibulatkanmenjadi 56 kapal
D 7=58,5+( 710
x36−25) x 67=58,67 dibulatkanmenjadi 59 kapal
D 8=60,5+( 810
x 36−25) x 67=63,76 dibulatkan menjadi64 kapal
D 9=64,5+( 910
x 36−32) x 64=65,10 dibulatkanmenjadi65 kapal
2.3.4.3. Persentil (P)
Dengan :
Pi = Persentil ke-i
Li = batas bawah kelas kuartil ke-i
n = banyaknya data
F = jumlah frekuensi seluruh kelas yanglebih rendah dari kelas kuartil ke-i
f = frekuensi kelas kuartil ke-i
c = lebar interval kelas kuartil
P 1=34,5+( 1100
x36−0)x 65=35,58 dibulatkanmenjadi36 kapal
P 10=40,5+( 10100
x 36−2) x 66=42,1 dibulatk an menjadi42 kapal
P 90=64,5+( 90100
x 36−32)x 64=65,10 dibulatkanmenjadi65kapal
2.4. Ukuran PenyebaranUkuran penyebaran (dispersion) menunjukkan seberapa jauh data menyebar dari nilai
rata – ratanya (variabilitas data)
2.4.1. Jangkauan (Range)
Jangkauan menyatakan perbedaan dari nilai terbesar dan terkecil dari suatu jajaran
data.
9
R = Xmax – Xmin
= 69 – 36
= 33 kapal
2.4.2. Jangkauan Persentil (Rp)
Jangkauan ini menyatakan selisih nilai persentil ke-90 dan ke-10 jajaran data.
Dimana :
RP10-90 = Jangkauan persentil
P90 = Persentil ke-90
P10 = Persentil ke-10
Rp10-90 = P90 –P10
= 65 – 42
= 23 kapal
2.4.3 Simpangan Kuartil (Qd)
Simpangan kuartil, atau jangkauan semi-antarkuartil (semi-interquartil range),
didefinisikan sebagai
Dimana :
Qd = Simpangan kuartil
Q3 = Nilai Kuartil ke-3
Q1 = Nilai Kuartil ke-1
Qd = (60 – 47)/2
= 6,5 = 6 kapal
2.4.4. Simpangan Mutlak Rata – rata (SR)
Simpangan mutlak rata – rata (Mean Deviation) merupakan ukuran penyebaran
yang meninjau besarnya penyimpangan setiap nilai data terhadap nilai rata – rata (mean)nya.
Simpangan mutlak rat – rata didefinisikan sebagai :
10
Jumlah Kunjungan Kapal
1 36 32 39 63 42 94 43 105 43 106 44 117 45 128 46 139 48 1510 49 1611 49 1612 50 1713 50 1714 51 1815 51 1816 52 1917 54 2118 54 2119 55 2220 55 2221 56 2322 56 2323 56 2324 57 2425 57 2426 59 2627 59 2628 60 2729 61 2830 61 2831 62 2932 64 3133 67 3434 67 3435 68 3536 69 36
Σ 1935 747
data ke- xi - ẌJumlah Kunjungan Kapal
1 36 32 39 63 42 94 43 105 43 106 44 117 45 128 46 139 48 1510 49 1611 49 1612 50 1713 50 1714 51 1815 51 1816 52 1917 54 2118 54 2119 55 2220 55 2221 56 2322 56 2323 56 2324 57 2425 57 2426 59 2627 59 2628 60 2729 61 2830 61 2831 62 2932 64 3133 67 3434 67 3435 68 3536 69 36
Σ 1935 747
data ke- xi - Ẍ
Jumlah Kunjungan Kapal
1 36 32 39 63 42 94 43 105 43 106 44 117 45 128 46 139 48 1510 49 1611 49 1612 50 1713 50 1714 51 1815 51 1816 52 1917 54 2118 54 2119 55 2220 55 2221 56 2322 56 2323 56 2324 57 2425 57 2426 59 2627 59 2628 60 2729 61 2830 61 2831 62 2932 64 3133 67 3434 67 3435 68 3536 69 36
Σ 1935 747
Dimana :
SR = 747/36
= 20,5 = 21 kapal
2.4.5. Deviasi Standard/Simpangan Baku (S)
Deviasi standard (standard deviation) atau simpangan baku merupakan ukuran
penyebaran yang paling sering digunakan. Mayoritas nilai data cenderung berada dalam satu
deviasi standard dari mean, dan hanya sebagian kecil saja yang terletak diluar dari tiga deviasi
standard dari meannya.
11
¿3kapal
2.4.6. Varian (S2)
Varians merupakan kuadrat dari deviasi standard, sehingga untuk sampel
dinyatakan sebagai sx2 dan untuk populasi sebagai σ x
2.
S2 = 32 = 9 kapal
2.5. Distribusi Variabel Acak Diskrit
2.5.1. Distribusi Poison
Alasan :Merupakan data pengamatan dalam satuan unit. Banyaknya peristiwa yang
terjadi dalam setiap satuan unit saling bebas terhadap banyaknya peristiwa yang terjadi pada
setiap satuan unit yang lainnya
Probabilitas Poisson12
No x Pp(x;λ) Fp(x;λ)1 36 0.0024 0.00672 39 0.0068 0.02193 42 0.0153 0.05834 43 0.0191 0.07745 43 0.0191 0.07746 44 0.0234 0.10087 45 0.0279 0.12878 46 0.0326 0.16139 48 0.0418 0.240410 49 0.0458 0.286211 49 0.0458 0.286212 50 0.0493 0.335513 50 0.0493 0.335514 51 0.0519 0.387415 51 0.0519 0.387416 52 0.0537 0.441117 54 0.0542 0.549718 54 0.0542 0.549719 55 0.0529 0.602620 55 0.0529 0.602621 56 0.0508 0.653422 56 0.0508 0.653423 56 0.0508 0.653424 57 0.0479 0.701325 57 0.0479 0.701326 59 0.0405 0.786227 59 0.0405 0.786228 60 0.0362 0.822429 61 0.0319 0.854430 61 0.0319 0.854431 62 0.0277 0.882132 64 0.0198 0.925533 67 0.0107 0.966034 67 0.0107 0.966035 68 0.0085 0.974536 69 0.0066 0.9811
Σ = 1.264
No x Pp(x;λ) Fp(x;λ)1 36 0.0024 0.00672 39 0.0068 0.02193 42 0.0153 0.05834 43 0.0191 0.07745 43 0.0191 0.07746 44 0.0234 0.10087 45 0.0279 0.12878 46 0.0326 0.16139 48 0.0418 0.240410 49 0.0458 0.286211 49 0.0458 0.286212 50 0.0493 0.335513 50 0.0493 0.335514 51 0.0519 0.387415 51 0.0519 0.387416 52 0.0537 0.441117 54 0.0542 0.549718 54 0.0542 0.549719 55 0.0529 0.602620 55 0.0529 0.602621 56 0.0508 0.653422 56 0.0508 0.653423 56 0.0508 0.653424 57 0.0479 0.701325 57 0.0479 0.701326 59 0.0405 0.786227 59 0.0405 0.786228 60 0.0362 0.822429 61 0.0319 0.854430 61 0.0319 0.854431 62 0.0277 0.882132 64 0.0198 0.925533 67 0.0107 0.966034 67 0.0107 0.966035 68 0.0085 0.974536 69 0.0066 0.9811
Σ = 1.264
No x Pp(x;λ) Fp(x;λ)1 36 0.0024 0.00672 39 0.0068 0.02193 42 0.0153 0.05834 43 0.0191 0.07745 43 0.0191 0.07746 44 0.0234 0.10087 45 0.0279 0.12878 46 0.0326 0.16139 48 0.0418 0.240410 49 0.0458 0.286211 49 0.0458 0.286212 50 0.0493 0.335513 50 0.0493 0.335514 51 0.0519 0.387415 51 0.0519 0.387416 52 0.0537 0.441117 54 0.0542 0.549718 54 0.0542 0.549719 55 0.0529 0.602620 55 0.0529 0.602621 56 0.0508 0.653422 56 0.0508 0.653423 56 0.0508 0.653424 57 0.0479 0.701325 57 0.0479 0.701326 59 0.0405 0.786227 59 0.0405 0.786228 60 0.0362 0.822429 61 0.0319 0.854430 61 0.0319 0.854431 62 0.0277 0.882132 64 0.0198 0.925533 67 0.0107 0.966034 67 0.0107 0.966035 68 0.0085 0.974536 69 0.0066 0.9811
Σ = 1.264
Pp ( x; λ )= λx e− λ
x !x=0 ,1 , 2, 3 ,…
Dimana :
λ = rata-rata banyaknya kejaidan dalam satu satuan tertentu
e = konstanata dasar (basis) logaritma natural = 2,71828
Dalam Ms. Excel dapat ditulis dengan fungsi
Hasil Distribusi Poison
13
=poisson(number;mean;false)
=poisson(number;mean;true)
Grafik Distribusi Poisson
30 35 40 45 50 55 60 65 70 750.0000
0.0100
0.0200
0.0300
0.0400
0.0500
0.0600
DISTRIBUSI POISSON
DISTRIBUSI POISSON
Jumalah Kunjungan Kapal (unit)
Pp(x)
2.5.2. Fungsi distribusi kumulatif
Dimana :
λ = rata-rata banyaknya kejaidan dalam satu satuan tertentu
e = konstanata dasar (basis) logaritma natural = 2,71828
Dalam Ms. Excel dapat ditulis dengan fungsi
Fungsi Distribusi Kumulatif
14
2.6. Uji
Hipotesis2.6.1. Uji
Hipotesis
Tunggal
Dalam upaya mengambil keputusan,sering kali kita menerapkan asumsi-asumsi atau
perkiraan mengenai populasi dan asumsi – asumsi tersebut dinamakan sebagai hipotesis
statistik.
Suatu hipotesis statistik merupakan pernyataan mengenai distribusi probability
populasi.Hipotesis ini perlu diuji untuk kemudian diterima atau ditolak.
Uji satu ujung
Dimana:
H₀ : asumsi yang akan diuji
H₁ : segala hipotesis yang berbeda dari H₀α : tingkat resiko melakukan kesalahan dengan menolak H₀rasio uji (RU) adalah:
RU = x̅−μ H ₀
σx̅
Uji Satu Ujung dengan Deviasi Standart Populasi Tidak Diketahui
Kriteria H0
Diambil dari data operasional waktu bongkar muat tiap dermaga pada tahun 2011
15
30 35 40 45 50 55 60 65 70 750.00000.20000.40000.60000.80001.00001.2000
Fungsi Distribusi Kumulatif
Fungsi Distribusi Kumulatif
Jumlah Kunjungan Kapal(unit)
Fp(x)
NoDermag
a
Jumlah
Kapal
Effective
time
(unit) B/M (jam)
1 A 73 4737
2 B 52 4553
3 C 93 9253
4 D 170 17687
5 E 220 9131
∑ 608 45361
Dari tabel dapat diketahui bahwa rata-rata waktu bongkar muat satu kapal adalah 74,6
jam atau sekitar 3 hari. Karena data yang hendak dikumpulkan adalah jumlah kapal dalam
satu bulan maka untuk satu dermaga maksimal dapat menampung 10 kapal dalam satu bulan.
Sehingga H0 didapat 50 kapal.
Diketahui :
• H0 = µ = 50
• H1 = µ > 50
• α = 1% = 0.01
• n = 36
• s = 3
• n = 36 > 30 digunakan distribusi z
• α = 1% z0.01 = 2.325 (uji ujung kanan)
• RUz = (x - µH0 ) / σẋ
= (54-50) / 0.5
= 4 / 0.5= 8
Karena RUz > 2.325,maka:
“Tolak H0 dan terima H1 jika Ruz > +zα, jika tidak demikian terima Ho"
Uji hipotesa sample ganda
16
Bulan 2010 2011 PerbedaanTahun (x1) (x2) (d=x1-x2)
Januari 56 48 8 3,67 13,44Februari 57 45 12 7,67 58,78Maret 55 43 12 7,67 58,78April 57 42 15 10,67 113,78Mei 60 49 11 6,67 44,44Juni 62 49 13 8,67 75,11Juli 69 59 10 5,67 32,11
Agustus 59 54 5 0,67 0,44September 51 54 -3 -7,33 53,78
Oktober 52 64 -12 -16,33 266,78November 39 51 -12 -16,33 266,78Desember 43 50 -7 -11,33 128,44
∑ 52 0 1112,67
(d-ḋ) (d-ḋ)2
Dalam uji dua varians ini, varians sample (s2) digunakan untuk mengambil kesimpulan
mengenai varians populasi (σ2). Jadi dalam hal ini diambil sample acak dari dua populasi,
dihitung varians data dari masing-masing sample, dan hasilnya digunakan sebagai dasar
untuk membandingkan varians populasi.
Data kunjungan kapal PT. Petrokimia
Uji
Hipotesis t-pasang untuk populasi saling tergantung
Produksi Pupuk di PT Petrokima sangat dipengaruhi oleh musim, sehingga pada uji hipotesis
ini perlu dibandingkan tiap bulannya. Apakah ada perbedaan yang signifikan data kunjungan
kapal antara tahun 2010 dan 2011.
n = 12
ḋ = ∑d/n
4,33
sd = √∑ ¿¿¿¿
10,06
Uji Hipotesis
17
a. Hipotesis :
H0 : μ1 = μ2
H1 : μ1 > μ2 (uji satu ujung)
b. α = 0,01
c. Batas-batas daerah penolakan/batas kritis uji satu-ujung untuk α = 0,01 dan df = n-1 =11
didapat t0,01,11 = 2,718
e. Aturan keputusan :
Tolak H0 dan terima H1 jika RUt > 2,718. Jika tidak demikian terima H0
f. Rasio Uji :
RUt = ttest = ḋ-μd/(Sd/akar n) = 4,333
f. Pengambilan keputusan :
Karena RUF > 2,718 maka H0 : μ1 = μ2 ditolak. Sehingga H1 : μ1 > μ2 Ini berarti ada
perbedaan yang signifikan antara rata rata kunjungan kapal pada tahun 2010 dan 2011
2.7. Regresi dan Korelasi Linier SederhanaAnalisis regresi digunakan untuk mempelajari dan mengukur hubungan statistika
yang terjadi antara dua atau lebih variable.
Dalam kasus kali ini akan disajikan korelasi antara jumlah kunjungan kapal di
pelabuhan khusus ini dengan aktifitas bongkar muat yang terjadi pada rentang waktu antara
tahun 2009 sampai 2011.
data ke-
x y
xy x2 y2data
kunjungan
Jumlah
bongkar
kapal muat(ton)
1 36 239584 8625024 1296 57400493056
2 39 240250 9369750 1521 57720062500
3 42 249688 10486896 1764 62344097344
4 43 254156 10928708 1849 64595272336
5 43 262645 11293735 1849 68982396025
6 44 276609 12170796 1936 76512538881
7 45 299759 13489155 2025 89855458081
8 46 303473 13959758 2116 92095861729
9 48 311046 14930208 2304 96749614116
18
10 49 322614 15808086 2401 104079792996
11 49 329819 16161131 2401 108780572761
12 50 330694 16534700 2500 109358521636
13 50 340160 17008000 2500 115708825600
14 51 345455 17618205 2601 119339157025
15 51 351048 17903448 2601 123234698304
16 52 362217 18835284 2704 131201155089
17 54 363171 19611234 2916 131893175241
18 54 372984 20141136 2916 139117064256
19 55 375160 20633800 3025 140745025600
20 55 380141 20907755 3025 144507179881
21 56 396009 22176504 3136 156823128081
22 56 411716 23056096 3136 169510064656
23 56 412183 23082248 3136 169894825489
24 57 414336 23617152 3249 171674320896
25 57 417087 23773959 3249 173961565569
26 59 422712 24940008 3481 178685434944
27 59 422826 24946734 3481 178781826276
28 60 424546 25472760 3600 180239306116
29 61 432699 26394639 3721 187228424601
30 61 440398 26864278 3721 193950398404
31 62 444236 27542632 3844 197345623696
32 64 457871 29303744 4096 209645852641
33 67 474349 31781383 4489 225006973801
34 67 481527 32262309 4489 231868251729
35 68 509103 34619004 4624 259185864609
36 69 515011 35535759 4761 265236330121
Jumlah 1935 13387282 741786018
10646
3
518325915408
6
Keterangan:
X frekuensi kapal
Y aktifitas bongkar muat (ton)
19
n = 36
x = ∑ xn
= 53,75
Ӯ = ∑ yn
= 371.8689444
b = n¿¿ = 9.0443108
a = Ӯ - b x
dimana :
n = jumlah titik
x = mean dari variable x
y = mean dari variable y
30 35 40 45 50 55 60 65 70 750
100000
200000
300000
400000
500000
600000
f(x) = 9044.31077643228 x − 114262.75978879R² = 0.980562246630898
REGRESI
REGRESILinear (REGRESI)Linear (REGRESI)
x
y
jumlah kapal
aktif
itas
bong
kar m
uat (
Ton)
Standart error estimasimerupakan ukuran yang mengindikasikan derajat variasi
sebaran data di sekitar garis regresi dapat menunjukkan seberapa besar derajat
keterikatan perkiraan yang diperoleh dengan menggunakan persamaan regresi.
Sy,x = √∑ ( y− y ) 2n−2
= √∑ ( y 2 )−a¿¿¿¿
= 10.8243531
Uji Relasi dan Interval Prediksi
1. Uji-t untuk kemiringan garis regresi
a. Hipotesis:
- H0 : B= 0 (Tidak Terdapat hubungan antara variabel X dan Y)
20
- H1 : B≠ 0 ( Terdapat hubungan antara variabel X dan Y)
b. α = 0,05
c. Menggunakan distribusi t0,025 dengan df= n -2 = 36 -2 = 34
d. Batas-batas daerah penolakan uji dua ujung
Dari fungsi Excel(=tinv(probability;degree of freedom) didapat tcr 2,345
e. Aturan Keputusan:
“ tolak H0 dan Terima H1 jika perbedaan yang terstandar antara
kemiringansampel “
“kemiringan populasi yang dihipotesiskan(BH0) < -2,345 atau > 2,345. Jika
sebaliknya terima H0”
f. Uji Rasio :
Sb =
sy , x
√∑ ( x2 )−¿¿¿¿¿
= 0.2183843
RUt = ttest = b−BH 0
S b = 41.414651
g. Pengambilan Keputusan :
Karena RUt = 41,415 bernilai jauh lebih besar dari pada nilai bata tcr =
2,345 maka H0 : B= 0 ditolak
h. Koefisien Determinasi :
r2 = a(Σy)+b (Σxy )−n( ӯ)2
Σ ( y)2−n( ӯ )2
= 0.9805622
i. Koefisien korelasi :
r = ± √r2
= 0.9902334
j. Rangkuman grafik
21