Tugas Akhir - MN091387

Oleh : Dosen Pembimbing :Oleh :Nomo Prihasta4108.100.113

Dosen Pembimbing :1. Sri Rejeki Wahyu Pribadi, ST, MT2. Ir. Soejitno

Pemodelan Matematis Berat Baja Badan Kapal sebagai fungsi dari DWT

Ti j M t d l i P l h Analisa Data K i lTi j Analisa dataP l hM t d l iPendahuluan Tinjauan Pustaka

Metode

Metodologi penelitian

Pengolahan data

V i b l

Analisa Data dan

PembahasanKesimpulan

dan saranPendahuluan

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

UjiPerumusan Masalah

Analisa regresi linear

Uji Normalitas

Uji perbandingan

model

Rumusan Masalah

Uji perbandingan

model

Uji NormalitasAnalisa regresi

linear

Batasan Masalah

Analisa Multikolineari

tas

Uji korelasi uji validasiBatasan Masalah

Uji validasiUji korelasiAnalisa Multikolinearitas

TujuanTujuan

ManfaatManfaat

HipotesisHipotesis

M d d k i i b b j k i Metode pendekatan rumus estimasi berat baja kurang sesuaijika diterapkan untuk jenis kapal sekarang. Hal ini dapatdilihat dari perhitungan untuk kapal Caraka jaya Wst realdilihat dari perhitungan untuk kapal Caraka jaya Wst real=1034,97 ton, sedangkan jika menggunakan pendekatanwatson = 1376,437 ton.

Metode pendekatan rumus yang ada menghasilkanperhitungan yang overweight dikarenakan menggunakan data– data kapal tahun 1960 – 1970’n.

Metode pendekatan yang ada kurang sesuai jika diterapkant k k l d k dib h 1000 DWTuntuk kapal dengan ukuran dibawah 1000 DWT.

Next

a) Faktor-faktor apa saja yang mempengaruhi perhitungan berat bajabadan kapal ?

b) Bagaimana membuat sebuah model matematis mengenaiperhitungan berat baja badan kapal sebagai fungsi dari DWT kapal??

c) Bagaimanakah perhitungan berat baja yang dihasilkan denganmetode Watson dan metode Schneekluth jika dibandingkan denganmetode Watson dan metode Schneekluth jika dibandingkan denganmetode perhitungan yang baru ?

Next

a) Kapal yang digunakan dalam study penelitian ini jenisa) Kapal yang digunakan dalam study penelitian ini jenisFerry dengan ukuran sampai 5000 GT.

b) Perhitungan meliputi konstruksi badan kapal yangb) Perhitungan meliputi konstruksi badan kapal yangdilakukan secara aktual.

) Data kapal yang dibangun di atas tahun 2000c) Data kapal yang dibangun di atas tahun 2000.d) Metode yang digunakan sebagai referensi adalah metode

Watson dan metode SchneekluthWatson dan metode Schneekluth.e) Tidak membahas mengenai implikasi biaya.

Next

M d tk f kt / i b l b ha) Mendapatkan faktor / variabel yang berpengaruhterhadap besarnya berat baja badan kapal.M k t d l t ti d tb) Merencanakan suatu pemodelan matematis yang dapatdigunakan sebagai acuan dalam perhitungan berat bajabadan kapal secara realbadan kapal secara real.

c) Mendapatkan hasil perbandingan perhitungan beratb j d k i t d W t d t dbaja dengan memakai metode Watson dan metodeSchneekluth dengan metode perhitungan yang baru.

Home

a) Sebagai bahan pertimbangan dalam melakukana) Sebagai bahan pertimbangan dalam melakukanestimasi perhitungan berat baja badan kapal untukkapal barukapal baru.

) Sebagai pengetahuan penulis mengenai perhitungana) Sebagai pengetahuan penulis mengenai perhitunganempiris berat baja badan kapal.

Next

Hasil pemodelan rumus matematis ini akanHasil pemodelan rumus matematis ini akanmenghasilkan perhitungan estimasi berat baja badankapal yang lebih tepat digunakan untuk jenis kapal yangkapal yang lebih tepat digunakan untuk jenis kapal yangsesuai dengan keadaan perairan di indonesia jikadibandingkan dengan menggunakan metode sebelumnyadibandingkan dengan menggunakan metode sebelumnyayang sudah ada.

Home

1. Metode DGM WatsonWst = 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 SchneekluthWStr=u . C1

12

DL 0.0331

4D 0.061 n

DB85.1 0.051St

D 4 D

0.85 0.21

DT 2

BDC10.92 2MBD 0.98C0.75C1

(Ship Design Efficiency and Economy, 1998 )

D BD MBD

Next

Digunakan untuk mengetahui antara satu variabelDigunakan untuk mengetahui antara satu variabelindependent dengan satu variabel dependent yangditampilkan dalam bentuk persamaan regresi Variabelditampilkan dalam bentuk persamaan regresi. Variabelindependent dilambangkan dengan X sedangkanvariabel dependent dilambangkan dengan Y Secaravariabel dependent dilambangkan dengan Y. Secaraumum ditulis Y = a +bX

Next

Digunakan untuk mengetahui pengaruh antara duaDigunakan untuk mengetahui pengaruh antara duaatau lebih variabel independent dengan satu variabeldependent yang ditampilkan dalam bentuk regresidependent yang ditampilkan dalam bentuk regresi.Perbedaan dengan regresi linear sederhana yaituterletak pada jumlah variabel independentnya Variabelterletak pada jumlah variabel independentnya. Variabelindependent dilambangkan dengan X1, X2,X3, . . .Xn

Home

Adalah adanya hubungan linear antar variabel independentAdalah 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

Home

Beberapa kriteria untuk mendapatkan model terbaik yaitusebagai berikut :sebagai berikut :

Menghasilkan R2 ( R Square ) yang tinggiM i il i Adj t d R2 k i Mempunyai nilai Adjusted R2 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 minimumy g

Next

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  GalanganPengumpulan 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

TIDAKSoftware SPSS Analisa Data

Uji Kebenaran Persamaan

Membandingkan Persamaan Wst  (Berat Baja badan

kapal)

Metode DGM. Watson

Pembahasan

Metode Schneekluth

ENDKesimpulan dan Saran

Home

Loa Lpp D Vs

Tabel 4.1 Daftar Ukuran utama kapal ferry

No. Nama KapalLoa (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 40,30 33,00 11,60 3,10 1,85 0,645 12 10,645 2,845 0,597 3,742 230,834Ferry 500 GT 40,30 33,00 11,60 3,10 1,85 0,645 12 10,645 2,845 0,597 3,742 230,834

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 5315 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 4918 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

1111 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

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 )- Schnekluth Wst = f ( L B D L/D L/B T/D Cb Cm n)Schnekluth 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 )

Home

Next

Next

Home

Loa Lpp B D T Cb L/D L/B T/D B/D Wst

Pe

Loa 1 0,997 0,953 0,974 0,973 0,507 0,895 0,935 0,370 -0,616 0,990

ars

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

on

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 0,963Corr

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 0,896rela

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 0,404tio

, , , , , , , , , ,

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 1n Wst 0,990 0,991 0,945 0,956 0,963 0,519 0,896 0,921 0,404 -0.605 1

Home

Unstandardized C ffi i t

Standardized

C ffi i tCollinearity

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 ,000Panjang Garis Tegak

21,991 ,894 ,991 24,604 ,000 1,000

Tegak

a. Dependent Variable: Berat Konstruksi Kapal

Model

R R SAdjusted R S

Std. Error of the

E ti tWst = – 531.268 + 21.991 Lpp R R Square R Square Estimate1 ,991a ,982 ,981 62,16732

a. Predictors: (Constant), Panjang Garis Tegak

pp

b. Dependent Variable: Berat Konstruksi KapalNext

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 3864,776Total 2382072,652 12

a. Predictors: (Constant), Panjang Garis Tegakb 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

b. Dependent Variable: Berat Konstruksi Kapal

adalahH0 : β1 = 0H1 : 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 844tabel F didapat harga 4,844Oleh karena F hitung ( 605,355 ) > F tabel ( α 0,05 ) = 4,844 maka H0 ditolak dan H1 diterimaH0 ditolak dan H1 diterima.

Next

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

Next

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 21df 21

Sig. ,000

Pada tabel diatas terlihat angka KMO sebesar 0,564. makali f k d dil k kanalisa faktor dapat dilakukan

untuk Bartlett test nilai chi-square adalah 216,806 dengan p-value 0 000 Karena p value < 0 05 maka Ho ditolakvalue 0,000. Karena p-value < 0,05 maka Ho ditolak,kesimpulan benar terdapat korelasi antarvariabel bebas.

Next

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 ,003Covariance Tegak

Lebar ,000 ,000 ,000 ,001 ,000 ,000 ,001Tinggi ,000 ,000 ,000 -,001 ,000 ,000 -,001Sarat ,002 ,001 -,001 ,010 -,001 ,001 ,006L / D -,001 ,000 ,000 -,001 ,000 ,000 -,002L / B ,000 ,000 ,000 ,001 ,000 ,000 ,001B / T 003 001 001 006 002 001 012B / T ,003 ,001 -,001 ,006 -,002 ,001 ,012

Anti-image Correlation

Panjang Garis Tegak

,837a ,320 -,448 ,364 -,454 ,376 ,414

Lebar ,320 ,509a -,987 ,709 -,979 ,986 ,679, , , , , , ,Tinggi -,448 -,987 ,535a -,769 ,989 -,985 -,705Sarat ,364 ,709 -,769 ,656a -,727 ,713 ,519L / D -,454 -,979 ,989 -,727 ,468a -,995 -,791L / B ,376 ,986 -,985 ,713 -,995 ,528a ,787B / T ,414 ,679 -,705 ,519 -,791 ,787 ,475a

a. Measures of Sampling Adequacy(MSA)

Next

I iti l E t ti Hasil analisa faktor dengan membuangTabel 5.3 Nilai CommunalitiesInitial Extraction

Panjang Garis Tegak

1,000 ,986

Lebar 1,000 ,836K 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 ,973Sarat 1,000 ,972L / D 1,000 ,774

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.

,624

Bartlett's Test of Sphericity

Approx. Chi-Square 184,283

df 15L / B 1,000 ,947B / T 1,000 ,499Extraction Method: Principal Component

df 15

Sig. ,000

Analysis.

Next

Tabel 5.5 Anti-Image Matrices

Panjang Garis j gTegak 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 -,001L / 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 ,090Correlation

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)

Next

Tabel 5.6 Nilai Communalities dengan principal Component Analysis

Initial ExtractionPanjang Garis Tegak 1 000 995Panjang Garis Tegak 1,000 ,995Lebar 1,000 ,891Tinggi 1,000 ,950Sarat 1 000 958Sarat 1,000 ,958L / D 1,000 ,831L / B 1,000 ,911Extraction Method: Principal Component Analysis.p p y

Tabel 5.7 Total Varians ExplainedComponent Extraction Sums of SquaredComponent

Initial EigenvaluesExtraction Sums of Squared

Loadings

Total% of

VarianceCumulativ

e % Total% of

VarianceCumulativ

e %1 5,536 92,262 92,262 5,536 92,262 92,262

Nilai Eigenvalue

di atas 1

dimension0

1 5,536 92,262 92,262 5,536 92,262 92,2622 ,285 4,749 97,0123 ,158 2,632 99,6444 ,017 ,289 99,933, , ,5 ,004 ,065 99,9986 ,000 ,002 100,000

Extraction Method: Principal Component Analysis.p p y

Next

Tabel 5.9 Component Store Coefficient Matrics

Component1

Panjang Garis Tegak ,180Lebar ,171Tinggi 176Tinggi ,176Sarat ,177L / D ,165L / 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 )

Next

Y = β0 + β1X Y β0 + β1Xdimana ,

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

a. Dependent Variable: Berat Konstruksi Kapal Next

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

ModelR

R Square

Adjusted R Square Std. Error of the EstimateR Square R Square Std. Error of the Estimate

1 ,990a ,981 ,979 64,72265a. Predictors: (Constant), X

Next

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

a. Predictors: (Constant), Xb Dependent Variable: Berat Konstruksi Kapal

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

b. Dependent Variable: Berat Konstruksi Kapal

adalahH0 : β1 = 0H1 : 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 844tabel F didapat harga 4,844Oleh karena F hitung ( 557,647 ) > F tabel ( α 0,05 ) = 4,844 maka H0 ditolak dan H1 diterimaH0 ditolak dan H1 diterima.

Next

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

Next

Perluasan variabel pada model 1.Dengan menggunakan analisa yang sama didapatkan modelDengan 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 0970.092 ( 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 kendaraanl2 = panjang bangunan atas kedua ( geladak navigasi )h = panjang bangunan pada geladak passangerh2 panjang bangunan pada geladak passanger

Next

Wst = β + β X Wst = β0 + β1X1

Unstandardized Coefficients

Standardized Coefficients

Collinearity Statistics

Tabel 5.23 Koefisien persmaan regresi linear

ModelCoe c e ts Coe c e ts

t Sig.

Stat st cs

BStd.

Error Beta Tolerance1 (C ) 6 600 25 750 256 8021 (Constan) 6,600 25,750 ,256 ,802

X1 1,437 ,047 ,994 30,294 ,000 1,000

a. Dependent Variable: Berat Konstruksi KapalMaka, ,Wst = 6.6 + 1.4 X1

X1 = 0.099 L2 + 0.095 B2 + 0.097 D2 + 0.097 T2 +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 ) + 0.097dengan

( B+T)2 + 0.087 ( D-T )2 + 0.098 ( B+D )2

Next

Tabel 5.24 Nilai determinasi R2 ( R Square ) persamaan regresi linear

Model Adjusted RStd. Error

of theR R Square

Adjusted R Square

of the Estimate

1 ,994a ,988 ,987 50,64429a. Predictors: (Constant), X1( ) 1

b. Dependent Variable: Berat Konstruksi Kapal

Tabel 5.25 Pengujian Varians persamaan regresi linearModel 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 2564,844Total 2382072,652 12

a. Predictors: (Constant), X1b D d V i bl B K k i K lb. Dependent Variable: Berat Konstruksi Kapal

Hasil uji Anova didapatkan nilai F = 917,740Dengan menentukan α = 5 % dan df1 = 1 dan df2=11 maka dari tabel F gdidapat harga 4,844Oleh karena F hitung ( 917,740 ) > F tabel ( α 0,05 ) = 4,844 maka H0 ditolak dan H1 diterima.

Next

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

Next

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 = 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. ,806Tabel 5.26 Tabel uji test KMO dan Bartlett

Bartlett's Test of Sphericity

Approx. Chi-Square 320,110

df 28

Sig. ,000

Next

Dengan menggunakan analisa yang sama didapatkan d l k ti t k f kt b b imodel 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 kendaraanl2 = panjang bangunan atas kedua ( geladak navigasi )h = panjang bangunan pada geladak passangerh2 panjang bangunan pada geladak passanger

Next

Wst = β + β X Wst = β0 + β1X1

Unstandardized StandardizedCollinearit

y

Tabel 5.32 Koefisien persamaan regresi

ModelUnstandardized

CoefficientsStandardized Coefficients

t Sig.

y Statistics

B Std. Error Beta Toleranceg1 (Constant) 36,907 24,844 1,486 ,165

X2 1,116 ,037 ,994 30,383 ,000 1,000

Maka, a. Dependent Variable: Berat Konstruksi Kapal

,Wst = 36.907 + 1.116 X2

X 0 132 L2 + 0 132D2 + 0 132 T2 + 0 132 ( l h ) +X2 = 0.132 L2 + 0.132D2 + 0.132 T2 + 0.132 ( l1.h1 ) +

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

+ 0.131 ( B+D)2Next

Tabel 5.33 Nilai determinasi R2 ( R Square ) persamaan regresi linearModel

Adjusted R Std. Error

of the R R Square Square Estimate

dimension0 1 ,994a ,988 ,987 50,49759a. Predictors: (Constant), X2

b D d V i bl B K k i K lb. Dependent Variable: Berat Konstruksi Kapal

ModelS 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 = 923,144Dengan menentukan α = 5 % dan df1 = 1 dan df2=11 maka dari tabel F

b. Dependent Variable: Berat Konstruksi Kapal

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

Next

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

Home

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 291,00 211,36 227,42 276,20 270,95 215,68 194,502 Ferry 500 GT 230,83 172,86 194,44 267,65 264,93 224,66 187,573 Ferry 500 GT 357,16 345,37 351,67 360,95 350,62 224,66 272,303 Ferry 500 GT 357,16 345,37 351,67 360,95 350,62 224,66 272,304 Ferry 500 GT 352,00 390,80 370,36 391,00 372,60 357,52 301,955 Ferry 500 GT 378,53 360,56 361,57 367,70 355,58 317,20 272,306 Ferry 600 GT 557,00 514,04 507,81 471,17 456,16 431,42 365,117 Ferry 600 GT 527,00 528,30 507,81 484,69 465,38 320,51 272,918 Ferry 750 GT 489,49 551,17 542,33 504,24 491,02 485,32 430,119 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 2410 Ferry 1500 GT 768,09 825,67 824,92 720,00 701,90 641,99 618,2411 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 1713 Ferry 5000 GT 1756,89 1651,82 1650,24 1722,36 1688,75 2039,34 2197,17

Next

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 4N Valid 13 13 13 13

Mi i 0 0 0 0Missing 0 0 0 0Mean 9,8454 8,3885 6,5523 7,2777Std. Error of Mean 2,28028 1,64719 1,49490 1,57932Median 7 5000 6 7900 5 0900 6 0600Median 7,5000 6,7900 5,0900 6,0600Mode ,25a 1,54a ,70a ,31a

Std. Deviation 8,22168 5,93903 5,38993 5,69431Variance 67,596 35,272 29,051 32,425Variance 67,596 35,272 29,051 32,425Skewness 1,288 1,084 ,695 ,565Std. Error of Skewness ,616 ,616 ,616 ,616Kurtosis ,973 ,722 -,938 -,739, , , ,Std. Error of Kurtosis 1,191 1,191 1,191 1,191Range 27,12 20,31 15,25 17,79Minimum ,25 1,54 ,70 ,31Maximum 27,37 21,85 15,95 18,10Sum 127,99 109,05 85,18 94,61a. Multiple modes exist. The smallest value is shown

Next

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 13Missing 0 0 0 0Missing 0 0 0 0

Mean 21,9669 20,6415 18,7685 16,4900Std. Error of Mean 5,21318 5,11595 4,99267 4,64438Median 19,0000 13,9900 12,3400 10,0900, , , ,Mode 2,00a ,89a 1,28a 1,17a

Std. Deviation 18,79641 18,44582 18,00134 16,74554Variance 353,305 340,248 324,048 280,413Skewness 1 328 1 293 1 605 1 586Skewness 1,328 1,293 1,605 1,586Std. Error of Skewness ,616 ,616 ,616 ,616Kurtosis 1,360 ,867 1,840 1,816Std. Error of Kurtosis 1,191 1,191 1,191 1,191, , , ,Range 62,83 57,54 59,38 54,89Minimum 2,00 ,89 1,28 1,17Maximum 64,83 58,43 60,66 56,06Sum 285 57 268 34 243 99 214 37Sum 285,57 268,34 243,99 214,37a. Multiple modes exist. The smallest value is shown

Next

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 13Mi i 0 0 0 0Missing 0 0 0 0

Mean 29,8008 29,0423 30,2577 27,6654Std. Error of Mean 6,44703 5,95310 4,93227 4,46046M di 28 1400 26 0900 29 0500 24 9400Median 28,1400 26,0900 29,0500 24,9400Mode 2,54a 3,66a 6,37a 8,12a

Std. Deviation 23,24511 21,46421 17,78356 16,08241V i 540 335 460 712 316 255 258 644Variance 540,335 460,712 316,255 258,644Skewness 1,723 1,523 1,530 1,624Std. Error of Skewness ,616 ,616 ,616 ,616K i 4 435 3 637 3 670 3 622Kurtosis 4,435 3,637 3,670 3,622Std. Error of Kurtosis 1,191 1,191 1,191 1,191Range 91,04 82,41 71,23 62,41Mi i 2 54 3 66 6 37 8 12Minimum 2,54 3,66 6,37 8,12Maximum 93,58 86,07 77,60 70,53Sum 387,41 377,55 393,35 359,65

l i l d i h ll l i ha. Multiple modes exist. The smallest value is shown

Next

1. Dari keempat model yang ada maka didapatkan model 4 yangpaling layak dijadikan model utama dalam perhitungan beratbaja badan kapal.

2. Persamaan watson dan schneekluth kurang cocok jikadig nakan nt k kapal ferr dengan k ran GT ang kecildigunakan untuk kapal ferry dengan ukuran GT yang kecildibawah 2000. Hal ini dapat ditunjukan pada hasilperbandingan antar model yang menghasilkan beratperbandingan antar model yang menghasilkan beratkonstruksi yang kurang.

3. Persamaan schneekluth valid jika digunakan untuk kapalj g ppenumpang dengan L > 80 m, sedangkan data – data yang adadalam pemodelan persamaan ini sebagian besar dengan L <80 hi b bk h il hit k80 m sehingga menyebabkan hasil perhitungan yang kurangsesuai.

Home

F kt f kt b h d l hit b t1. 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 XWst = 36.907 + 1.116 X2dengan,

X 0 132 [ L2 + D2 + T2 + ( l h ) ] + 0 125 ( l h ) + 0 130 ( B+T )2 +X2 = 0.132 [ L2 + D2 + T2 + ( l1.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

Next

3. Hasil perhitungan dengan menggunakan metode Watson danSchneekluth kurang sugnificant jika digunakan untuk kapalSchneekluth kurang sugnificant jika digunakan untuk kapalferry yang mempunyai ukuran yang relatif kecil, sehinggahasil perhitungan tidak cukup mewakili berat konstruksi bajap g p jsecara real.

SARAN1. Persamaan yang dihasilkan hanya cocok jika digunakan untuk

jenis kapal ferry di bawah 5000 GT, sedangkan untuk jenisk l l i l dil k k b t h d d tkapal lain perlu dilakukan pengembangan terhadap data –data kapal yang ada.

2 hendaknya hasil perhitungan berat baja pada pembangunan2. hendaknya hasil perhitungan berat baja pada pembangunankapal baru di galangan, dilakukan rekap terhadap hasilperhitungannya agar nantinya mempermudah dalamp g y g y ppemodelan untuk tiap jenis kapal yang ada di Indonesia.

Next