Tugas Akhir - MN091387

(1)

Oleh : Dosen Pembimbing :

Oleh :

Nomo Prihasta 4108.100.113

Dosen Pembimbing :

1. Sri Rejeki Wahyu Pribadi, ST, MT 2. Ir. Soejitno

(2)

Pemodelan Matematis Berat Baja Badan Kapal sebagai fungsi dari DWT

Ti jTi j M t d lM t d l ii P P l hl h Analisa DataAnalisa data K i l

Pendahuluan Tinjauan Pustaka Metode Metodologi penelitian Pengolahan data V i b l Analisa Data dan Pembahasan Kesimpulan dan saran Pendahuluan L Tinjauan pustaka Analisa data dan pembahasan Kesimpulan dan saran Pengolahan data V i b l Metodologi Penelitian Latar

Belakang estimasi pers. _{berat baja}

Variabel Mapping Analisa regresi Uji Latar belakang R Metode estimasi

pers. berat baja Analisa regresi

Uji Variabel

Mapping

Uji Perumusan

Masalah _{regresi linear}Analisa

Uji Normalitas Uji perbandingan model Rumusan Masalah Uji perbandingan model Uji Normalitas Analisa regresi linear Batasan Masalah Analisa Multikolineari tas

Uji korelasi uji validasi Batasan Masalah Uji validasi Uji korelasi Analisa Multikolinearitas Tujuan_Tujuan Manfaat_Manfaat HipotesisHipotesis

(3)

M d d k i i b b j k i

 Metode pendekatan rumus estimasi berat baja kurang sesuai jika diterapkan untuk jenis kapal sekarang. Hal ini dapat dilihat dari perhitungan untuk kapal Caraka jaya Wst real dilihat dari perhitungan untuk kapal Caraka jaya Wst real =1034,97 ton, sedangkan jika menggunakan pendekatan watson = 1376,437 ton.

 Metode pendekatan rumus yang ada menghasilkan

perhitungan yang overweight dikarenakan menggunakan data – data kapal tahun 1960 – 1970’n.

 Metode pendekatan yang ada kurang sesuai jika diterapkan

t k k l d k dib h 1000 DWT

untuk kapal dengan ukuran dibawah 1000 DWT.

(4)

a) Faktor-faktor apa saja yang mempengaruhi perhitungan berat baja

badan kapal ?

b) Bagaimana membuat sebuah model matematis mengenai

perhitungan berat baja badan kapal sebagai fungsi dari DWT kapal ??

c) Bagaimanakah perhitungan berat baja yang dihasilkan dengan

metode Watson dan metode Schneekluth jika dibandingkan dengan metode Watson dan metode Schneekluth jika dibandingkan dengan metode perhitungan yang baru ?

(5)

a)

Kapal yang digunakan dalam study penelitian ini jenis

a)

Kapal yang digunakan dalam study penelitian ini jenis

Ferry dengan ukuran sampai 5000 GT.

b)

Perhitungan

meliputi konstruksi badan kapal yang

b)

Perhitungan

meliputi konstruksi badan kapal yang

dilakukan secara aktual.

)

Data kapal yang dibangun di atas tahun 2000

c)

Data kapal yang dibangun di atas tahun 2000.

d)

Metode yang digunakan sebagai referensi adalah metode

Watson dan metode Schneekluth

Watson dan metode Schneekluth.

e)

Tidak membahas mengenai implikasi biaya.

(6)

M

d

tk

f kt

/

i b l

b

h

a)

Mendapatkan faktor / variabel yang berpengaruh

terhadap besarnya berat baja badan kapal.

M

k

t

d l

t

ti

d

t

b)

Merencanakan suatu pemodelan matematis yang dapat

digunakan sebagai acuan dalam perhitungan berat baja

badan kapal secara real

badan kapal secara real.

c)

Mendapatkan hasil perbandingan

perhitungan berat

b j

d

k i

t d

W t

d

t d

baja dengan memakai metode Watson dan metode

Schneekluth dengan metode perhitungan yang baru.

(7)

a)

Sebagai

bahan

pertimbangan

dalam

melakukan

a)

Sebagai

bahan

pertimbangan

dalam

melakukan

estimasi perhitungan berat baja badan kapal untuk

kapal baru

kapal baru.

)

Sebagai pengetahuan penulis mengenai perhitungan

a)

Sebagai pengetahuan penulis mengenai perhitungan

empiris berat baja badan kapal.

(8)

Hasil

pemodelan

rumus

matematis

ini

akan

Hasil

pemodelan

rumus

matematis

ini

akan

menghasilkan perhitungan estimasi berat baja badan

kapal yang lebih tepat digunakan untuk jenis kapal yang

sesuai dengan keadaan perairan di indonesia jika

dibandingkan dengan menggunakan metode sebelumnya

yang sudah ada.

(9)

1.

Metode DGM Watson

Wst = K E

1,36

Wst K.E

with, E = L (B+T) + 0,85L ( D - T ) + 0.85 ( l₁. h₂) + 0.75 ( l₂ . h₁) ( Practical Ship desaign, 1998 )

( p g , ) 2. Metode Schneekluth W_Str=u . C₁ _              12 D L 0.033 1               4 D 0.06 1 n _            _  D B 85 . 1 0.05 1 St      D    4    D              0.2 0.85 1 D T







2



BD C 1 0.92  



 2



M BD C 0.98 0.75C 1 

(Ship Design Efficiency and Economy, 1998 )

  

  D 





BD







BD  M 



(10)

Digunakan untuk mengetahui antara satu variabel

independent dengan satu variabel dependent yang

ditampilkan dalam bentuk persamaan regresi Variabel

ditampilkan dalam bentuk persamaan regresi. Variabel

independent

dilambangkan

dengan

X

sedangkan

variabel dependent dilambangkan dengan

Y Secara

variabel dependent dilambangkan dengan

Y. Secara

umum ditulis Y = a +bX

(11)

Digunakan untuk mengetahui pengaruh antara dua

atau lebih variabel independent dengan satu variabel

dependent yang ditampilkan dalam bentuk regresi

dependent yang ditampilkan dalam bentuk regresi.

Perbedaan dengan regresi linear sederhana yaitu

terletak pada jumlah variabel independentnya Variabel

terletak pada jumlah variabel independentnya. Variabel

independent dilambangkan dengan X1, X2,X3, . . .Xn

(12)

Adalah adanya hubungan linear antar variabel independent Adalah adanya hubungan linear antar variabel independent. Hal ini dapat dideteksi sebagai berikut :

 Nilai Variance Inflation Factor yang tinggi biasanya > 10

 Nilai Variance Inflation Factor yang tinggi, biasanya > 10.

 Korelasi antarvariabel independent yang tinggi.

 _R2 _{tinggi tetapi tidak ada variabel independent yang significant.}  _{R tinggi tetapi tidak ada variabel independent yang significant.}  Koefiesien korelasi dan koefisien regresi berbeda tanda.

Mengatasi masalah multikolinearitas : Mengatasi masalah multikolinearitas :

 Mengeluarkan salah satu variabel independent yang berkorelasi tinggi dengan variabel independent lainnya. Pengeluaran ini

dapat dilakukan dengan menggunakan metode stepwise.

 Dengan menggunakan analisa faktor dengan metode Principal component analysis

(13)

Beberapa kriteria untuk mendapatkan model terbaik yaitu

sebagai berikut :



Menghasilkan R

2

( R Square ) yang tinggi

M

i il i Adj t d R

2

k i



_{Mempunyai nilai Adjusted R}

2

_{yang maksimum}



Dalam uji validasi harus memenuhi

- Memiliki nilai simpangan rata – rata tidak melebihi 10 %

( Spurr 1952 )

- Memiliki standart deviasi yang minimum

- Memiliki nilai variansi yang minimum

y

g

(14)

Studi Literatur •Estimasi berat baja badan kapal •Software SPSS

START Diagram alir metodologi penelitian

•Data kapal dari galangan. •Buku,artikel dan internet.

•Software SPSS •Regresi Statistik •Data kapal dari Galangan Pengumpulan Data (L B H T Cb Lwt/Berat Baja) Pengolahan Data (L,B,H,T,Cb,Lwt/Berat Baja) Variabel Mapping (Pemetaan Variabel) Pemodelan Persamaan (Fungsi Variabel teruji)

Pengujian Kontribusi Variabel TIDAK Software SPSS Analisa Data Uji Kebenaran Persamaan Membandingkan Persamaan Wst (Berat Baja badan kapal) Metode DGM. Watson Pembahasan Metode Schneekluth END

Kesimpulan dan Saran

(15)

Loa Lpp D Vs

Tabel 4.1 Daftar Ukuran utama kapal ferry

No. Nama Kapal Loa (m) Lpp (m) B (m) D (m) T (m) Cb Vs (knots) L/H L/B T/H B/H Wst (ton) 1 _{Ferry 300 GT} _40,00 _34,50 _10,50 _2,80 _2,00 _0,79 ₁₀ _12,321 _3,286 _0,714 _3,750 ₂₉₁ 2 _{Ferry 500 GT}_{Ferry 500 GT} _40,30_40,30 _33,00_33,00 _11,60_11,60 _3,10_3,10 _1,85_1,85 _0,645_0,645 ₁₂₁₂ _10,645_10,645 _2,845_2,845 _0,597_0,597 _3,742_3,742 _230,834_230,834 3 _{Ferry 500 GT} _45,50 _40,15 _12,00 _3,20 _2,15 _0,715 ₁₁ _12,547 _3,346 _0,672 _3,750 _357,16 4 _{Ferry 500 GT} _50,00 _41,00 _13,50 _3,00 _2,00 _0,715 ₁₁ _13,667 _3,037 _0,667 _4,500 _332,412 5 _{Ferry 500 GT} _{46 00} _{40 60} _{12 00} _{3 10} _{2 15} _{0 715} ₁₁ _{13 097} _{3 383} _{0 694} _{3 871} _{378 531} 5 _{Ferry 500 GT} _46,00 _40,60 _12,00 _3,10 _2,15 _0,715 ₁₁ _13,097 _3,383 _0,694 _3,871 _378,531 6 _{Ferry 600 GT} _55,50 _47,25 _13,00 _3,45 _2,45 _0,695 ₁₂ _13,696 _3,635 _0,710 _3,768 ₅₅₇ 7 _{Ferry 600 GT} _53,50 _47,25 _14,00 _3,40 _2,45 _0,695 ₁₂ _13,897 _3,375 _0,721 _4,118 ₅₂₇ 8 _F _{750 GT} _{56 02} _{48 82} _{14 00} _{3 80} _{2 70} _{0 755} ₁₁ _{12 847} _{3 487} _{0 711} _{3 684} _{489 491} 8 _{Ferry 750 GT} _56,02 _48,82 _14,00 _3,80 _2,70 _0,755 ₁₁ _12,847 _3,487 _0,711 _3,684 _489,491 9 _{Ferry 1000 GT} _61,30 _55,00 _13,20 _3,90 _2,50 _0,73 ₁₃ _14,103 _4,167 _0,641 _3,385 ₅₉₂ 10 _{Ferry 1500 GT} _65,50 _61,67 _14,00 _4,10 _2,80 _0,75 ₁₅ _15,041 _4,405 _0,683 _3,415 _768,09 11 11 _{Ferry 2000 GT} _80,30 _70,80 _15,00 _5,10 _3,60 _0,725 ₁₇ _13,882 _4,720 _0,706 _2,941 _1047,58 12 _{Ferry 3000 GT} _94,68 _85,20 _16,40 _5,40 _3,80 _0,745 ₁₇ _15,778 _5,195 _0,704 _3,037 ₁₂₅₇ 13 _{Ferry 5000 GT} _109,4 _99,20 _19,60 _5,60 _4,00 _0,755 ₁₆ _17,714 _5,061 _0,714 _3,500 _1756,89 Next

(16)

 Variabel - variabel yang dipakai dalam perhitungan estimasi pada

 Variabel variabel yang dipakai dalam perhitungan estimasi pada kapal baja menurut beberapa orang yang pernah merumuskannya

- Roester,Raben, Sturtzel Wst = f ( L, B, D, L/D, L/B, Cb dan n ) - Puchstein Wst = f ( Lpp, L/D, L/B, T/D, Cb ) - Carsten Wst = f ( L, B, D, L/D, T/D ) - SchnekluthSchnekluth Wst = f ( L B D L/D L/B T/D Cb Cm n)Wst f ( L, B, D, L/D, L/B, T/D, Cb, Cm, n) - Watson Wst = f ( Lpp, B, D, T, Ls, Hs, Cb ) - Sato’s Wst = f ( L, B, D, Cb dan B/D ) - Chapman/Muller Wst = f ( Lpp, B, D, Cb dan L/D ) - Watson dan Gilfillan Wst = f ( L, B, D, Cb dan L/D )

Wehkamp/kerlen Wst = f ( Lpp B dan Cb ) - Wehkamp/kerlen Wst = f ( Lpp, B dan Cb )

- Murray, J.M Wst = f ( L, B, Cb dan B/D )

 Maka Wst = f ( L, B, D,T, Cb, L/D, L/B, T/D, B/D, Ls dan Hs )

(17)

(18)

(19)

(20)

Loa Lpp B D T Cb L/D L/B T/D B/D Wst P e Loa 1 0,997 0,953 0,974 0,973 0,507 0,895 0,935 0,370 -0,616 0,990 a r s Lpp 0,997 1 0,945 0,973 0,972 0,530 0,906 0,949 0,376 -0,634 0,991 B 0,953 0,945 1 0,895 0,903 0,410 0,893 0,804 0,374 -0,393 0,945 o n C D 0,974 0,973 0,895 1 0,987 0,455 0,798 0,953 0,318 -0,753 0,956 T 0,973 0,972 0,903 0,987 1 0,518 0,824 0,946 0,462 -0,714 0,963 C o r r Cb 0,507 0,530 0,410 0,455 0,518 1 0,589 0,570 0.595 -0,355 0,519 L/D 0,894 0,906 0,893 0,798 0,824 0,589 1 0,841 0,488 -0,355 0,896 r e l a L/B 0,935 0,949 0,804 0,953 0,946 0,570 0,841 1 0,365 -0,797 0,921 T/D 0,370 0,376 0,374 0,318 0,462 0,595 0,488 0,365 1 -0,103 0,404 t i o , , , , , , , , , , B/D -0,616 -0,634 -0,393 -0,753 -0,714 -0,355 -0,355 -0,797 -0,103 1 -0.605 W t 0 990 0 991 0 945 0 956 0 963 0 519 0 896 0 921 0 404 0 605 1 n Wst 0,990 0,991 0,945 0,956 0,963 0,519 0,896 0,921 0,404 -0.605 1 Home

(21)

Unstandardized C ffi i t

Standardize d

C ffi i t Collinearity St ti ti Tabel 5.13 Koefisien persamaan regresi linear dengan metode stepwise

Model Coefficients Coefficients

t Sig.

Statistics B Std. Error Beta Tolerance 1 (Constant) -531,268 51,411 -10,334 ,000 Panjang Garis Tegak 21,991 ,894 ,991 24,604 ,000 1,000 Tegak

a. Dependent Variable: Berat Konstruksi Kapal

Model R R S Adjusted R S Std. Error of the E ti t Wst = – 531.268 + 21.991 Lpp

R R Square R Square Estimate

1 ,991a _,982 _{,981 62,16732}

a. Predictors: (Constant), Panjang Garis Tegak

pp

b. Dependent Variable: Berat Konstruksi Kapal

(22)

Tabel 5.15 Pengujian Varians ( Anova ) persamaan regresi linear dengan stepwise Model _{Sum of}

Squares df Mean Square F Sig. 1 Regression 2339560,116 1 2339560,116 605,355 ,000a

Residual 42512,537 11 3864,776 Total 2382072,652 12

a. Predictors: (Constant), Panjang Garis Tegak b D d t V i bl B t K t k i K l

 Hasil uji Anova didapatkan nilai F = 605,355, maka uji hipotesisnya

adalah

H₀ : β₁ = 0

H₁ : Minimal satu dari 6 variabel tidak sama dengan nol ( ≠ 0 ) Dengan menentukan α = 5 % dan df1 = 1 dan df2=11 maka dari

t b l F did t h 4 844

tabel F didapat harga 4,844

Oleh karena F hitung ( 605,355 ) > F tabel ( α 0,05 ) = 4,844 maka H0 ditolak dan H1 diterima

H0 ditolak dan H1 diterima.

(23)

Grafik 5.2 Hubungan variabel Lpp dengan berat konstruksi kapal ( Wst ).

(24)

Kaiser-Meyer-Olkin Measure of Sampling

Adequacy ,564

Tabel 5.1 Tabel uji test KMO dan Bartlett Adequacy.

Bartlett's Test of

Sphericity Approx. Chi-Square 216,806

df 21

Sig. ,000

 Pada tabel diatas terlihat angka KMO sebesar 0,564. maka

li f k d dil k k

analisa faktor dapat dilakukan

 untuk Bartlett test nilai chi-square adalah 216,806 dengan

p-value 0 000 Karena p value < 0 05 maka Ho ditolak

value 0,000. Karena p-value < 0,05 maka Ho ditolak, kesimpulan benar terdapat korelasi antarvariabel bebas.

(25)

Tabel 5.2 Anti image matrics

Panjang Garis

Tegak Lebar Tinggi Sarat L / D L / B B / T

Anti-image Panjang Garis ,004 ,000 ,000 ,002 -,001 ,000 ,003

Covariance Tegak Lebar ,000 ,000 ,000 ,001 ,000 ,000 ,001 Tinggi ,000 ,000 ,000 -,001 ,000 ,000 -,001 Sarat ,002 ,001 -,001 ,010 -,001 ,001 ,006 L / D -,001 ,000 ,000 -,001 ,000 ,000 -,002 L / B ,000 ,000 ,000 ,001 ,000 ,000 ,001 B / T 003 001 001 006 002 001 012 B / T ,003 ,001 -,001 ,006 -,002 ,001 ,012 Anti-image Correlation Panjang Garis Tegak ,837a _,320 _-,448 _,364 _-,454 _,376 _,414 Lebar ,320_, ,509_, a _-,987_, _,709_, _-,979_, _,986_, _,679_, Tinggi -,448 -,987 ,535a _-,769 _,989 _-,985 _-,705 Sarat ,364 ,709 -,769 ,656a _-,727 _,713 _,519 L / D -,454 -,979 ,989 -,727 ,468a _-,995 _-,791 L / B ,376 ,986 -,985 ,713 -,995 ,528a _,787 B / T ,414 ,679 -,705 ,519 -,791 ,787 ,475a

a. Measures of Sampling Adequacy(MSA)

(26)

I iti l E t ti Hasil analisa faktor dengan membuang

Tabel 5.3 Nilai Communalities

Initial Extraction Panjang Garis Tegak 1,000 ,986 Lebar 1,000 ,836 K i M Olki M f S li 624

Hasil analisa faktor dengan membuang variabel rasio B/T

Tabel 5.4 Uji test KMO dan Bartlett

Tinggi 1,000 ,973

Sarat 1,000 ,972

L / D 1,000 ,774

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,624 Bartlett's Test of Sphericity Approx. Chi-Square 184,283 df 15 L / B 1,000 ,947 B / T 1,000 ,499

Extraction Method: Principal Component

df 15

Sig. ,000

Analysis.

(27)

Tabel 5.5 Anti-Image Matrices

Panjang Garis j g

Tegak Lebar Tinggi Sarat L / D L / B

Anti-image Covariance

Panjang Garis Tegak ,005 ,000 ,000 ,002 -,001 ,000

Lebar ,000 ,001 ,000 ,002 -,001 ,001 Tinggi ,000 ,000 ,000 -,001 ,000 ,000 Sarat ,002 ,002 -,001 ,014 -,002 ,001 L / D -,001 -,001 ,000 -,002 ,001 -,001 L / D ,001 ,001 ,000 ,002 ,001 ,001 L / B ,000 ,001 ,000 ,001 -,001 ,000 Anti-image Correlation

Panjang Garis Tegak ,966a _,059 _-,242 _,192 _-,228 _,090

Correlation Lebar ,059 ,550a _-,976 _,569 _-,983 _,997 Tinggi -,242 -,976 ,556a _-,666 _,994 _-,983 Sarat ,192 ,569 -,666 ,741a _-,606 _,577 L / D -,228 -,983 ,994 -,606 ,521a _-,987 L / B ,090 ,997 -,983 ,577 -,987 ,553a M f S li Ad (MSA)

a. Measures of Sampling Adequacy(MSA)

(28)

Tabel 5.6 Nilai Communalities dengan principal Component Analysis

Initial Extraction

Panjang Garis Tegak 1 000 995

Panjang Garis Tegak 1,000 ,995

Lebar 1,000 ,891 Tinggi 1,000 ,950 Sarat 1 000 958 Sarat 1,000 ,958 L / D 1,000 ,831 L / B 1,000 ,911

Extraction Method: Principal Component Analysis.p p y

Tabel 5.7 Total Varians Explained

Component Extraction Sums of Squared

Component

Initial Eigenvalues

Extraction Sums of Squared Loadings Total % of Variance Cumulativ e % Total % of Variance Cumulativ e % 1 5,536 92,262 92,262 5,536 92,262 92,262 Nilai Eigenvalue di atas 1 dimens ion0 1 5,536 92,262 92,262 5,536 92,262 92,262 2 ,285 4,749 97,012 3 ,158 2,632 99,644 4 ,017, ,289, 99,933, 5 ,004 ,065 99,998 6 ,000 ,002 100,000

Extraction Method: Principal Component Analysis.p p y

(29)

Tabel 5.9 Component Store Coefficient Matrics Component

1

Panjang Garis Tegak ,180

Lebar ,171 Tinggi 176 Tinggi ,176 Sarat ,177 L / D ,165 L / B ,172

Maka didapatkan persamaan untuk faktor baru sebagai

Extraction Method: Principal Component Analysis.

berikut :

X = 0.18 L+ 0.171B + 0.176D + 0.177T + 0.165

( L/D ) + 0.172 ( L/B )

(30)

 Y = β₀ + β₁X

 Y β₀ + β₁X dimana ,

Y = Berat konstruksi kapal ( Wst ) Y Berat konstruksi kapal ( Wst )

X = variabel bebas baru

= 0.18 L + 0.171B + 0.176D + 0.177T +0.165 ( L/D ) 0.18 L 0.171B 0.176D 0.177T 0.165 ( L/D ) + 0.172 ( L/B )

Tabel 5 10 Koefisien persmaan regresi linear Model

Unstandardized

Coefficients Standardized Coefficients Collinearity _Statistics Tabel 5.10 Koefisien persmaan regresi linear

t Sig.

B Std. Error Beta Tolerance 1 (Constant)( ) -870,338 67,261 -12,940 ,000

X 94,567 4,005 ,990 23,615 ,000 1,000

(31)

 _{Wst = - 870.338 + 94.567 X}

dengan,

X = 0.18 L + 0.171 B + 0.176 D + 0.177 T +0.165 ( L/D ) X 0.18 L 0.171 B 0.176 D 0.177 T 0.165 ( L/D )

+ 0.172 ( L/B )

Tabel 5.11 Nilai determinasi R2 _{( R Square ) persamaan regresi linear}

Model

R SquareR R SquareAdjusted Std. Error of the Estimate R Square R Square Std. Error of the Estimate

1 ,990a _,981 _,979 _64,72265

a. Predictors: (Constant), X

(32)

Model Sum of

Tabel 5.11 Pengujian Varians ( Anova ) persamaan regresi linear

Model Sum of

Squares df Mean Square F Sig. 1 Regression 2335993,416 1 2335993,416 557,647 ,000a

Residual 46079,237 11 4189,022 Residual 46079,237 11 4189,022 Total 2382072,652 12

a. Predictors: (Constant), X

b Dependent Variable: Berat Konstruksi Kapal

 Hasil uji Anova didapatkan nilai F = 557,647, maka uji hipotesisnya

adalah

H₀ : β₁ = 0

H₁ : Minimal satu dari 6 variabel tidak sama dengan nol ( ≠ 0 ) Dengan menentukan α = 5 % dan df1 = 1 dan df2=11 maka dari

t b l F did t h 4 844

tabel F didapat harga 4,844

Oleh karena F hitung ( 557,647 ) > F tabel ( α 0,05 ) = 4,844 maka H0 ditolak dan H1 diterima

H0 ditolak dan H1 diterima.

(33)

Grafik 5.1 Hubungan variabel X dengan berat konstruksi kapal ( Wst ).

(34)

Perluasan variabel pada model 1.

Dengan menggunakan analisa yang sama didapatkan model Dengan menggunakan analisa yang sama didapatkan model persamaan kedua untuk faktor baru sebagai berikut :

X₁ = 0.099 L2 + 0.095 B2 + 0.097 D2 + 0.097 T2 +0.09 ( L/D)2 + 0 092 ( L/B ) +0 099( l h ) + 0 093 ( l h ) + 0 097

0.092 ( L/B ) +0.099( l₁.h₁ ) + 0.093 ( l₂.h₂ ) + 0.097 ( B+T)2 + 0.087 ( D-T )2 + 0.098 ( B+D )2

dengan,

l₁ = panjang bangunan diatas main deck (geladak passanger) l₁ panjang bangunan diatas main deck (geladak passanger) h₁ = tinggi bangunan pada geladak kendaraan

l₂ = panjang bangunan atas kedua ( geladak navigasi ) h = panjang bangunan pada geladak passanger

h₂ panjang bangunan pada geladak passanger

(35)

 _{Wst = β + β X}  _{Wst = β}₀ _{+ β}₁_X₁

Unstandardized

Coefficients Standardized Coefficients Collinearity Statistics Tabel 5.23 Koefisien persmaan regresi linear

Model Coe c e ts Coe c e ts

t Sig.

Stat st cs

B ErrorStd. Beta Tolerance

1 (C ) 6 600 25 750 256 802

1 (Constan) 6,600 25,750 ,256 ,802

X₁ 1,437 ,047 ,994 30,294 ,000 1,000

Maka, , Wst = 6.6 + 1.4 X₁ X₁= 0.099 L2_{+ 0.095 B}2_{+ 0.097 D}2_{+ 0.097 T}2_{+0.09 ( L/D)}2₊ X₁ 0.099 L 0.095 B 0.097 D 0.097 T 0.09 ( L/D) 0.092 ( L/B ) +0.099( l₁.h₁) + 0.093 ( l₂.h₂ ) + 0.097 dengan ( B+T)2_{+ 0.087 ( D-T )}2_{+ 0.098 ( B+D )}2 Next

(36)

Model _{Adjusted R} Std. Error _{of the} R R Square Adjusted R Square Estimateof the

1 ,994a _,988 _,987 _50,64429

a. Predictors: (Constant), X( ) ₁₁

Tabel 5.25 Pengujian Varians persamaan regresi linear

Model

Sum of

Squares df Mean Square F Sig.

1 Regression 2353859,366 1 2353859,366 917,740 ,000a g j p g Residual 28213,286 11 2564,844 Total 2382072,652 12 a. Predictors: (Constant), X₁ b D d V i bl B K k i K l

 _{Hasil uji Anova didapatkan nilai F = 917,740}

Dengan menentukan g α = 5 % dan df1 = 1 dan df2=11 maka dari tabel F didapat harga 4,844

Oleh karena F hitung ( 917,740 ) > F tabel ( α 0,05 ) = 4,844 maka H0 ditolak dan H1 diterima.



(37)

Grafik 5.3 Hubungan variabel X₁ dengan berat konstruksi kapal ( Wst ).

(38)

Variabel yang dibuang nantinya adalah sebagai berikut (tabel 5 18): Variabel yang dibuang nantinya adalah sebagai berikut (tabel 5.18):

 Bentuk model variabel B2 yang mempunyai nilai MSA = 0,597

 Bentuk model variabel ( L/D )2 _{yang mempunyai nilai MSA =}

0,578

 _{Bentuk model variabel L/B yang mempunyai nilai MSA = 0,578}  _{Bentuk model variabel L/B yang mempunyai nilai MSA 0,578}

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,806

Tabel 5.26 Tabel uji test KMO dan Bartlett

Bartlett's Test of Sphericity Approx. Chi-Square 320,110 df 28 Sig. ,000 Next

(39)

Dengan menggunakan analisa yang sama didapatkan

d l

k ti

t k f kt

b

i

model persamaan ketiga untuk faktor baru sebagai

berikut :

X₂ = 0.132 L2 + 0.132D2 + 0.132 T2 + 0.132 ( l₁.h₁) + 0.125

2 2 2

( l₂.h₂ ) + 0.130 ( B+T )2 + 0.119 ( D-T )2 + 0.131 ( B+D)2

dengan,

l₁ = panjang bangunan diatas main deck (geladak passanger) l₁ panjang bangunan diatas main deck (geladak passanger) h₁ = tinggi bangunan pada geladak kendaraan

l₂ = panjang bangunan atas kedua ( geladak navigasi ) h = panjang bangunan pada geladak passanger

h₂ panjang bangunan pada geladak passanger

(40)

 _{Wst = β + β X}  _{Wst = β}₀ _{+ β}₁_X₁

Unstandardized Standardized

Collinearit y

Tabel 5.32 Koefisien persamaan regresi

Model Unstandardized Coefficients Standardized Coefficients t Sig. y Statistics

B Std. Error Beta g Tolerance

1 (Constant) 36,907 24,844 1,486 ,165

X₂ 1,116 ,037 ,994 30,383 ,000 1,000

Maka,

, Wst = 36.907 + 1.116 X₂ X 0 132 L2 _{+ 0 132D}2 _{+ 0 132 T}2 _{+ 0 132 ( l h ) +} X₂ = 0.132 L2 _{+ 0.132D}2 _{+ 0.132 T}2 _{+ 0.132 ( l} 1.h1 ) + 0.125 ( l₂.h₂ ) + 0.130 ( B+T )2 _{+ 0.119 ( D-T )}2 dengan + 0.131 ( B+D)2 Next

(41)

Model

Adjusted R

Std. Error of the

R R Square Square Estimate

dimension0 1 ,994a ,988 ,987 50,49759

a. Predictors: (Constant), X₂

b D d V i bl B K k i K l

Model

S f

Tabel 5.34 Pengujian varians

Sum of

Squares df Mean Square F Sig.

1 Regression 2354022,578 1 2354022,578 923,144 ,000a

Residual 28050,074, 11 2550,007,

Total 2382072,652 12

a. Predictors: (Constant), X₂

b D d t V i bl B t K t k i K l

 _{Hasil uji Anova didapatkan nilai F = 923,144}

Dengan menentukan α = 5 % dan df1 = 1 dan df2=11 maka dari tabel F

g

didapat harga 4,844

Oleh karena F hitung ( 923,144 ) > F tabel ( α 0,05 ) = 4,844 maka H0 ditolak dan H1 diterima.



(42)

Grafik 5.4 Hubungan variabel X₂ dengan berat konstruksi kapal ( Wst ).

(43)

Tabel 5.35 Uji perbandingan model

No. Nama Kapal

Berat Konstruksi Kapal ( ton )

real Model 1 Model 2 Model 3 Model 4 Watson Schneekluth

j p g 1 Ferry 300 GT 291,00 211,36 227,42 276,20 270,95 215,68 194,50 2 Ferry 500 GT 230,83 172,86 194,44 267,65 264,93 224,66 187,57 3 Ferry 500 GT 357,16 345,37 351,67 360,95 350,62 224,66 272,30 3 Ferry 500 GT 357,16 345,37 351,67 360,95 350,62 224,66 272,30 4 Ferry 500 GT 352,00 390,80 370,36 391,00 372,60 357,52 301,95 5 Ferry 500 GT 378,53 360,56 361,57 367,70 355,58 317,20 272,30 6 Ferry 600 GT 557,00 514,04 507,81 471,17 456,16 431,42 365,11 7 Ferry 600 GT 527,00 528,30 507,81 484,69 465,38 320,51 272,91 8 Ferry 750 GT 489,49 551,17 542,33 504,24 491,02 485,32 430,11 9 Ferry 1000 GT 592,00 672,49 678,24 587,85 576,08 523,27 459,89 10 F 1500 GT 768 09 825 67 824 92 720 00 701 90 641 99 618 24 10 Ferry 1500 GT 768,09 825,67 824,92 720,00 701,90 641,99 618,24 11 Ferry 2000 GT 1047,58 1013,87 1025,69 925,79 908,45 937,80 988,73 12 Ferry 3000 GT 1257,00 1327,16 1342,37 1283,83 1265,05 1354,40 1518,26 13 F 5000 GT 1756 89 1651 82 1650 24 1722 36 1688 75 2039 34 2197 17 13 Ferry 5000 GT 1756,89 1651,82 1650,24 1722,36 1688,75 2039,34 2197,17 Next

(44)

Tabel 5.37 Uji Validasi model dengan berat konstruksi real ( Wst )

Real vs model 1 Real vs model 2 Real vs model 3 Real vs model 4

N Valid 13 13 13 13 Mi i 0 0 0 0 Missing 0 0 0 0 Mean 9,8454 8,3885 6,5523 7,2777 Std. Error of Mean 2,28028 1,64719 1,49490 1,57932 Median 7 5000 6 7900 5 0900 6 0600 Median 7,5000 6,7900 5,0900 6,0600 Mode ,25a _1,54a _,70a _,31a Std. Deviation 8,22168 5,93903 5,38993 5,69431 Variance 67,596 35,272 29,051 32,425 Variance 67,596 35,272 29,051 32,425 Skewness 1,288 1,084 ,695 ,565 Std. Error of Skewness ,616 ,616 ,616 ,616 Kurtosis ,973, ,722, -,938, -,739, Std. Error of Kurtosis 1,191 1,191 1,191 1,191 Range 27,12 20,31 15,25 17,79 Minimum ,25 1,54 ,70 ,31 Maximum 27,37 21,85 15,95 18,10 Sum 127,99 109,05 85,18 94,61

a. Multiple modes exist. The smallest value is shown

(45)

Tabel 5.38 Uji Validasi model dengan Watson Watson vs

model 1 Watson vs model 2 Watson vs model 3 Watson vs model 4

N Valid 13 13 13 13 Missing 0 0 0 0 Missing 0 0 0 0 Mean 21,9669 20,6415 18,7685 16,4900 Std. Error of Mean 5,21318 5,11595 4,99267 4,64438 Median 19,0000, 13,9900, 12,3400, 10,0900, Mode 2,00a _,89a _1,28a _1,17a Std. Deviation 18,79641 18,44582 18,00134 16,74554 Variance 353,305 340,248 324,048 280,413 Skewness 1 328 1 293 1 605 1 586 Skewness 1,328 1,293 1,605 1,586 Std. Error of Skewness ,616 ,616 ,616 ,616 Kurtosis 1,360 ,867 1,840 1,816 Std. Error of Kurtosis 1,191, 1,191, 1,191, 1,191, Range 62,83 57,54 59,38 54,89 Minimum 2,00 ,89 1,28 1,17 Maximum 64,83 58,43 60,66 56,06 Sum 285 57 268 34 243 99 214 37 Sum 285,57 268,34 243,99 214,37

a. Multiple modes exist. The smallest value is shown

(46)

Tabel 5.39 Uji Validasi model dengan Schneekluth Schneekluth vs

model 1 Schneekluth vs model 2 Schneekluth vs model 3 Schneekluth vs model 4

N Valid 13 13 13 13 Mi i 0 0 0 0 Missing 0 0 0 0 Mean 29,8008 29,0423 30,2577 27,6654 Std. Error of Mean 6,44703 5,95310 4,93227 4,46046 M di 28 1400 26 0900 29 0500 24 9400 Median 28,1400 26,0900 29,0500 24,9400 Mode 2,54a _3,66a _6,37a _8,12a Std. Deviation 23,24511 21,46421 17,78356 16,08241 V i 540 335 460 712 316 255 258 644 Variance 540,335 460,712 316,255 258,644 Skewness 1,723 1,523 1,530 1,624 Std. Error of Skewness ,616 ,616 ,616 ,616 K i 4 435 3 637 3 670 3 622 Kurtosis 4,435 3,637 3,670 3,622 Std. Error of Kurtosis 1,191 1,191 1,191 1,191 Range 91,04 82,41 71,23 62,41 Mi i 2 54 3 66 6 37 8 12 Minimum 2,54 3,66 6,37 8,12 Maximum 93,58 86,07 77,60 70,53 Sum 387,41 377,55 393,35 359,65 l i l d i h ll l i h a. Multiple modes exist. The smallest value is shown

(47)

1. Dari keempat model yang ada maka didapatkan model 4 yang

paling layak dijadikan model utama dalam perhitungan berat baja badan kapal.

2. Persamaan watson dan schneekluth kurang cocok jika

dig nakan nt k kapal ferr dengan k ran GT ang kecil

digunakan untuk kapal ferry dengan ukuran GT yang kecil

dibawah 2000. Hal ini dapat ditunjukan pada hasil

perbandingan antar model yang menghasilkan berat

konstruksi yang kurang.

3. Persamaan schneekluth valid jika digunakan untuk kapalj g p

penumpang dengan L > 80 m, sedangkan data – data yang ada dalam pemodelan persamaan ini sebagian besar dengan L <

80 hi b bk h il hit k

80 m sehingga menyebabkan hasil perhitungan yang kurang sesuai.

(48)

F kt f kt b h d l hit b t

1. Faktor – faktor yang berpengaruh dalam perhitungan berat

baja badan kapal sebagai berikut : - Lpp dengan nilai korelasi 0,991Lpp dengan nilai korelasi 0,991 - B dengan nilai korelasi 0,945 - D dengan nilai korelasi 0,956 - T dengan nilai korelasi 0,963

2. Hasil pemodelan yang layak dijadikan model utama yaitu

W 36 907 1 116 X Wst = 36.907 + 1.116 X₂ dengan, X 0 132 [ L2 _{+ D}2 _{+ T}2 _{+ ( l h ) ] + 0 125 ( l h ) + 0 130 ( B+T )}2₊ X₂ = 0.132 [ L2 _{+ D}2 _{+ T}2 _{+ ( l} 1.h1) ] + 0.125 ( l2.h2 ) + 0.130 ( B+T )2+ 0 .119 (D-T )2 _{+ 0.131 ( B+D )}2

Dengan tingkat kepercayaan sebesar R2 _{= 0.988}

(49)

3. Hasil perhitungan dengan menggunakan metode Watson dan

Schneekluth kurang sugnificant jika digunakan untuk kapal Schneekluth kurang sugnificant jika digunakan untuk kapal ferry yang mempunyai ukuran yang relatif kecil, sehingga hasil perhitungan tidak cukup mewakili berat konstruksi bajap g p j secara real.

SARAN

1. Persamaan yang dihasilkan hanya cocok jika digunakan untuk

jenis kapal ferry di bawah 5000 GT, sedangkan untuk jenis

k l l i l dil k k b t h d d t

kapal lain perlu dilakukan pengembangan terhadap data – data kapal yang ada.

2 hendaknya hasil perhitungan berat baja pada pembangunan

2. hendaknya hasil perhitungan berat baja pada pembangunan

kapal baru di galangan, dilakukan rekap terhadap hasil

perhitungannya agar nantinya mempermudah dalam

p g y g y p

pemodelan untuk tiap jenis kapal yang ada di Indonesia.

(50)