Analisis Hubungan Berat, Tenaga Mesin, dan Jumlah Silinder terhadap Efisiensi Bahan Bakar Mobil: Studi pada Dataset mtcars
muhamad hambali
2025-11-30
BAB I PENDAHULUAN
1.1 Latar Belakang
Dataset mtcars merupakan kumpulan data performa kendaraan yang berasal dari publikasi Motor Trend pada tahun 1974. Setiap baris dalam dataset merepresentasikan satu jenis mobil, sedangkan variabel-variabel yang tersedia menjelaskan karakteristik teknis seperti kapasitas mesin, jumlah silinder, konsumsi bahan bakar, serta spesifikasi transmisi. Dataset ini secara luas digunakan dalam bidang statistika dan ilmu data karena struktur yang ringkas, fleksibel, serta memungkinkan penerapan beragam teknik analisis, dari eksplorasi sederhana hingga pemodelan regresi.
Dalam konteks penelitian, hubungan antara spesifikasi kendaraan dengan konsumsi bahan bakar merupakan isu yang menarik. Efisiensi bahan bakar menjadi aspek penting baik dari sisi konsumen maupun produsen, karena berkaitan dengan biaya operasional, kenyamanan berkendara, serta dampak lingkungan. Melalui dataset mtcars, penelitian ini berupaya memahami faktor-faktor apa saja yang memengaruhi konsumsi bahan bakar (miles per gallon / mpg) dan seberapa besar kontribusi masing-masing variabel terhadap performa tersebut.
Berdasarkan latar belakang tersebut, penelitian ini dilakukan untuk menganalisis variabel-variabel teknis mobil yang berpengaruh terhadap mpg dan memberikan gambaran empiris terkait hubungan antara spesifikasi kendaraan dengan efisiensi penggunaan bahan bakar.
1.2 Rumusan Masalah
Bagaimana hubungan variabel teknis kendaraan seperti berat (wt), tenaga mesin (hp), dan jumlah silinder (cyl) terhadap konsumsi bahan bakar (mpg) pada dataset mtcars?
Variabel teknis mana yang memiliki pengaruh terbesar terhadap konsumsi bahan bakar kendaraan berdasarkan model regresi?
Apakah terdapat perbedaan signifikan tingkat konsumsi bahan bakar antar kelompok kendaraan berdasarkan jumlah silinder?
1.3 Tujuan
- Menganalisis hubungan variabel-variabel teknis mobil terhadap mpg.
- Mengidentifikasi variabel dominan yang memengaruhi konsumsi bahan bakar.
- Menyajikan model regresi sederhana sebagai dasar penilaian performa bahan bakar.
BAB II DASAR TEORI
2.1 Konsumsi Bahan Bakar Kendaraan
Efisiensi bahan bakar merupakan salah satu indikator kinerja kendaraan yang paling penting dalam industri otomotif. Konsumsi bahan bakar umumnya dinyatakan dalam satuan miles per gallon (mpg) atau liter per 100 km, bergantung pada sistem pengukuran yang digunakan pada wilayah tertentu. Nilai mpg yang semakin tinggi menunjukkan bahwa kendaraan mampu menempuh jarak lebih jauh dengan jumlah bahan bakar yang sama, sehingga dianggap lebih efisien.
Menurut Sari & Utami (2020), konsumsi bahan bakar dipengaruhi oleh dua faktor utama yaitu faktor internal kendaraan dan eksternal operasional.
Faktor internal meliputi:
1. Kapasitas mesin 1. Sistem pembakaran 1. Rasio transmisi 1. Berat
kendaraan 1. Desain aerodinamika 1. Sistem penggerak
Faktor eksternal mencakup:
1. Pola berkendara 1. Kondisi lalu lintas 1. Topografi 1. Kecepatan
rata-rata
Pengaruh faktor internal lebih mudah dianalisis karena bersifat kuantitatif dan deterministik, sedangkan faktor eksternal cenderung stokastik atau variatif. Secara teoritis, kendaraan dengan kapasitas mesin dan tenaga tinggi membutuhkan bahan bakar lebih banyak untuk menghasilkan daya yang sebanding, sementara kendaraan berat meningkatkan gaya hambat gulir dan memerlukan energi tambahan saat akselerasi (Hidayat & Nugraha, 2021).
2.2 Spesifikasi Teknis Kendaraan
2.2.1 Jumlah Silinder (cyl)
Jumlah silinder menggambarkan kapasitas sistem pembakaran per siklus operasi. Secara umum, mesin dengan jumlah silinder lebih banyak mampu menghasilkan torsi dan tenaga lebih besar karena terdapat lebih banyak ruang pembakaran dan pengaturan distribusi pembakaran lebih halus. Namun, konsekuensinya terjadi peningkatan konsumsi bahan bakar.
Putri & Widodo (2019) menemukan bahwa peningkatan jumlah silinder berkorelasi negatif dengan nilai efisiensi bahan bakar. Penelitian tersebut menunjukkan kendaraan 6–8 silinder cenderung membutuhkan bahan bakar lebih besar dibanding 4 silinder, terutama pada kondisi lalu lintas perkotaan.
2.2.2 Kapasitas Mesin (disp)
Kapasitas mesin atau engine displacement menunjukkan total volume silinder yang dilalui piston dalam satu siklus, biasanya dinyatakan dalam satuan liter atau cubic inches. Mesin berkapasitas besar dapat menghisap udara dan bahan bakar lebih banyak sehingga menghasilkan daya besar, tetapi konsumsi bahan bakar meningkat secara proporsional.
Almumtazah et al. (2021) dalam penelitiannya tentang prediksi jumlah mahasiswa menggunakan regresi linier sederhana menjelaskan bahwa variabel prediktor yang memiliki nilai absolut besar cenderung memberikan pengaruh kuat terhadap model regresi. Analogi ini relevan pada konteks mesin mobil: kapasitas mesin yang tinggi merupakan determinan kuat terhadap penurunan mpg.
2.2.3 Tenaga Mesin (hp)
Tenaga mesin (horsepower) merupakan output efektif yang dihasilkan mesin dalam bentuk energi mekanik. Semakin tinggi nilai horsepower, semakin besar energi yang perlu dibakar untuk proses pembangkitan tenaga. Hal ini secara langsung meningkatkan fuel consumption rate.
Hidayat & Nugraha (2021) menemukan bahwa peningkatan daya kendaraan berkorelasi positif terhadap konsumsi bahan bakar secara empiris. Kendaraan berdaya tinggi tidak hanya memerlukan lebih banyak bahan bakar saat akselerasi, tetapi juga membutuhkan energi lebih besar untuk mempertahankan kecepatan tinggi.
2.2.4 Berat Kendaraan (wt)
Berat kendaraan merupakan faktor paling dominan dalam konsumsi bahan bakar terutama pada fase akselerasi dan operasi kecepatan rendah. Berdasarkan hukum dasar gerak Newton, semakin besar massa, semakin besar gaya yang diperlukan untuk menggerakkan kendaraan.
Dalam penelitian Putri & Widodo (2019), massa kendaraan menunjukkan korelasi yang sangat kuat terhadap perubahan variabel respon. Kendaraan berat meningkatkan rolling resistance, inertia losses, dan engine load, sehingga menyebabkan efisiensi bahan bakar menurun secara signifikan.
2.3 Transmisi Kendaraan
Transmisi memiliki peran vital dalam menentukan distribusi daya mesin ke roda serta pengendalian putaran mesin (rpm). Secara umum terdapat dua jenis transmisi:
Manual : memberikan kendali rasio gear kepada pengemudi dan memiliki power loss rendah.
Automatic : nyaman digunakan tetapi memiliki power loss lebih tinggi karena torque converter.
Penelitian Sari & Utami (2020) menjelaskan bahwa kendaraan dengan sistem transmisi otomatis cenderung memiliki efisiensi lebih rendah dibanding manual, terutama pada kondisi start–stop atau lalu lintas padat.
2.4 korelasi antar variabel teknis
Korelasi merupakan ukuran yang menggambarkan seberapa erat hubungan linear antar dua variabel. Nilai korelasi berada pada rentang −1 hingga +1.
Nilai positif -> hubungan searah
Nilai negatif -> hubungan berlawanan arah
Nilai mendekati 0 -> tidak ada hubungan linear
Menurut Almumtazah et al. (2021), korelasi sering digunakan pada tahap eksplorasi data untuk mengidentifikasi variabel yang relevan sebelum memasuki model regresi. Namun korelasi tidak dapat menyimpulkan kausalitas. Misalnya, horsepower dan kapasitas mesin mungkin saling berkorelasi, tetapi tidak berarti satu menyebabkan yang lain; keduanya dapat bergantung pada desain pabrik.
2.5 Analisis Regresi
Analisis regresi merupakan pendekatan statistik yang digunakan untuk memahami hubungan antara satu variabel dependen dengan satu atau lebih variabel independen. Dalam penelitian ini, mpg digunakan sebagai variabel dependen yang ingin diprediksi berdasarkan variabel teknis seperti wt atau hp.
2.5.1 Regresi Linear Sederhana
Regresi linear sederhana memodelkan hubungan antara satu variabel independen dan variabel dependen dalam bentuk garis lurus. Model ini memiliki bentuk dasar: \[ Y = \beta_0 + \beta_1 X + \epsilon \] di mana X merupakan variabel prediktor, Y variabel respon, β0 intercept, β1 koefisien regresi, dan ε error. Koefisien regresi menunjukkan seberapa besar perubahan rata-rata Y jika X bertambah satu unit. Rofilin et al. (2021) menjelaskan bahwa koefisien regresi menunjukkan perubahan rata-rata pada variabel respon ketika variabel prediktor bertambah satu unit, dengan asumsi variabel lain konstan.
2.5.2 Regresi Linear Berganda
Regresi linear berganda memperluas model dengan memasukkan lebih dari satu variabel independen: \[ Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \ldots + \beta_n X_n + \epsilon \] Dengan memasukkan banyak faktor, model menjadi lebih representatif terhadap variasi data. Pendekatan ini tepat digunakan ketika berbagai aspek teknis kendaraan turut mempengaruhi konsumsi bahan bakar.
Metode ini sangat sesuai untuk analisis teknis kendaraan karena konsumsi bahan bakar merupakan fenomena multifaktor. Hidayat & Nugraha (2021) menunjukkan bahwa regresi berganda efektif untuk merepresentasikan kontribusi variabel teknis secara simultan.
BAB III HASIL DAN PEMBAHASAN
3.1 Statistik Deskriptif
Langkah pertama sebelum melakukan statistik deskriptif, panggil terlebih dahulu data mtcars.
data(mtcars)
head(mtcars)## mpg cyl disp hp drat wt qsec vs am gear carb
## Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
## Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
## Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
## Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
## Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1summary(mtcars)## mpg cyl disp hp
## Min. :10.40 Min. :4.000 Min. : 71.1 Min. : 52.0
## 1st Qu.:15.43 1st Qu.:4.000 1st Qu.:120.8 1st Qu.: 96.5
## Median :19.20 Median :6.000 Median :196.3 Median :123.0
## Mean :20.09 Mean :6.188 Mean :230.7 Mean :146.7
## 3rd Qu.:22.80 3rd Qu.:8.000 3rd Qu.:326.0 3rd Qu.:180.0
## Max. :33.90 Max. :8.000 Max. :472.0 Max. :335.0
## drat wt qsec vs
## Min. :2.760 Min. :1.513 Min. :14.50 Min. :0.0000
## 1st Qu.:3.080 1st Qu.:2.581 1st Qu.:16.89 1st Qu.:0.0000
## Median :3.695 Median :3.325 Median :17.71 Median :0.0000
## Mean :3.597 Mean :3.217 Mean :17.85 Mean :0.4375
## 3rd Qu.:3.920 3rd Qu.:3.610 3rd Qu.:18.90 3rd Qu.:1.0000
## Max. :4.930 Max. :5.424 Max. :22.90 Max. :1.0000
## am gear carb
## Min. :0.0000 Min. :3.000 Min. :1.000
## 1st Qu.:0.0000 1st Qu.:3.000 1st Qu.:2.000
## Median :0.0000 Median :4.000 Median :2.000
## Mean :0.4062 Mean :3.688 Mean :2.812
## 3rd Qu.:1.0000 3rd Qu.:4.000 3rd Qu.:4.000
## Max. :1.0000 Max. :5.000 Max. :8.000INTERPRETASI:
Data mtcars menunjukkan bahwa nilai mpg (efisiensi bahan bakar) berkisar antara 10,4 hingga 33,9 mpg, dengan rata-rata sekitar 20 mpg, menandakan variasi besar antara mobil yang sangat boros hingga yang cukup efisien. Jumlah silinder (cyl) didominasi oleh mobil 4, 6, dan 8 silinder, dengan rata-rata sekitar 6 silinder, menunjukkan mobil berperforma sedang hingga tinggi.
Variabel displacement (disp) memiliki rentang yang luas, dari 71 hingga 472, sementara horsepower (hp) juga bervariasi besar antara 52 hingga 335 hp. Hal ini menggambarkan perbedaan signifikan dalam kapasitas mesin dan tenaga yang dimiliki tiap kendaraan.
Berat kendaraan (wt) berkisar dari 1,5 hingga 5,4 (ribuan pon), dengan rata-rata sekitar 3,2, menunjukkan adanya mobil yang sangat ringan hingga cukup berat. Waktu akselerasi qsec berada pada rentang 14,5 hingga 22,9 detik, dengan median 17,7, menunjukkan perbedaan kemampuan akselerasi antar mobil.
Rasio roda gigi belakang drat, jumlah gigi (gear), dan jumlah karburator (carb) juga menunjukkan variasi, meskipun sebagian besar mobil memiliki 3–4 gigi dan 1–4 karburator. Variabel biner seperti vs (tipe mesin) dan am (tipe transmisi) memperlihatkan distribusi yang tidak seimbang, dengan lebih banyak mobil bertransmisi otomatis dan mesin tipe V.
Secara keseluruhan, deskriptif ini menunjukkan bahwa dataset mtcars berisi kendaraan dengan karakteristik mesin, performa, dan efisiensi yang sangat beragam, sehingga cocok untuk analisis hubungan antar variabel seperti konsumsi bahan bakar, tenaga mesin, dan berat kendaraan.
3.2 Analisis Korelasi
Analisis korelasi digunakan untuk melihat kekuatan hubungan linear antar variabel. Korelasi positif menunjukkan hubungan searah, sedangkan korelasi negatif menunjukkan hubungan berlawanan arah.
cor(mtcars)## mpg cyl disp hp drat wt
## mpg 1.0000000 -0.8521620 -0.8475514 -0.7761684 0.68117191 -0.8676594
## cyl -0.8521620 1.0000000 0.9020329 0.8324475 -0.69993811 0.7824958
## disp -0.8475514 0.9020329 1.0000000 0.7909486 -0.71021393 0.8879799
## hp -0.7761684 0.8324475 0.7909486 1.0000000 -0.44875912 0.6587479
## drat 0.6811719 -0.6999381 -0.7102139 -0.4487591 1.00000000 -0.7124406
## wt -0.8676594 0.7824958 0.8879799 0.6587479 -0.71244065 1.0000000
## qsec 0.4186840 -0.5912421 -0.4336979 -0.7082234 0.09120476 -0.1747159
## vs 0.6640389 -0.8108118 -0.7104159 -0.7230967 0.44027846 -0.5549157
## am 0.5998324 -0.5226070 -0.5912270 -0.2432043 0.71271113 -0.6924953
## gear 0.4802848 -0.4926866 -0.5555692 -0.1257043 0.69961013 -0.5832870
## carb -0.5509251 0.5269883 0.3949769 0.7498125 -0.09078980 0.4276059
## qsec vs am gear carb
## mpg 0.41868403 0.6640389 0.59983243 0.4802848 -0.55092507
## cyl -0.59124207 -0.8108118 -0.52260705 -0.4926866 0.52698829
## disp -0.43369788 -0.7104159 -0.59122704 -0.5555692 0.39497686
## hp -0.70822339 -0.7230967 -0.24320426 -0.1257043 0.74981247
## drat 0.09120476 0.4402785 0.71271113 0.6996101 -0.09078980
## wt -0.17471588 -0.5549157 -0.69249526 -0.5832870 0.42760594
## qsec 1.00000000 0.7445354 -0.22986086 -0.2126822 -0.65624923
## vs 0.74453544 1.0000000 0.16834512 0.2060233 -0.56960714
## am -0.22986086 0.1683451 1.00000000 0.7940588 0.05753435
## gear -0.21268223 0.2060233 0.79405876 1.0000000 0.27407284
## carb -0.65624923 -0.5696071 0.05753435 0.2740728 1.00000000INTERPRETASI:
Matriks korelasi menunjukkan bahwa mpg memiliki hubungan negatif yang kuat dengan cyl, disp, hp, dan wt, sehingga mobil dengan mesin lebih besar, tenaga lebih tinggi, dan bobot lebih berat cenderung kurang efisien. Variabel-variabel mesin seperti cyl, disp, dan hp saling berkorelasi positif kuat, menandakan bahwa mobil bertenaga besar umumnya memiliki kapasitas mesin besar dan bobot lebih tinggi. Sementara itu, variabel seperti drat, qsec, gear, dan am menunjukkan korelasi lebih lemah terhadap mpg dan variabel lain. Secara keseluruhan, efisiensi bahan bakar terutama dipengaruhi oleh ukuran mesin, tenaga, dan berat kendaraan.
3.3 Visualisasi Hubungan Antar Variabel
plot(mtcars$wt, mtcars$mpg,
main = "Hubungan Berat Kendaraan dan Efisiensi Bahan Bakar",
xlab = "Berat Kendaraan (wt)",
ylab = "Efisiensi Bahan Bakar (mpg)")
abline(lm(mpg ~ wt, data = mtcars), col = "blue")
INTERPRETASI:
Berdasarkan grafik hubungan antara berat kendaraan (wt) dan nilai mpg, terlihat bahwa semakin berat suatu mobil, nilai mpg cenderung semakin rendah. Penurunan mpg ini menunjukkan bahwa kendaraan yang lebih berat memiliki efisiensi bahan bakar yang lebih rendah dan cenderung lebih boros. Dengan demikian, berat kendaraan merupakan faktor yang berpengaruh terhadap peningkatan konsumsi bahan bakar.
3.4 Analisis Regresi
3.4.1 Analisis Regresi Linear Sederhana
model1 <- lm(mpg ~ wt, data = mtcars)
summary(model1)##
## Call:
## lm(formula = mpg ~ wt, data = mtcars)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.5432 -2.3647 -0.1252 1.4096 6.8727
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 37.2851 1.8776 19.858 < 2e-16 ***
## wt -5.3445 0.5591 -9.559 1.29e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.046 on 30 degrees of freedom
## Multiple R-squared: 0.7528, Adjusted R-squared: 0.7446
## F-statistic: 91.38 on 1 and 30 DF, p-value: 1.294e-10INTERPRETASI:
bentuk model yang kita gunakan yaitu
\[ mpg = \beta_0 + \beta_1 \cdot wt + \epsilon \]
Koefisien β1 negatif -> setiap peningkatan 1 unit berat kendaraan (1000 lb) akan menurunkan rata-rata mpg.
p-value < 0.05 menunjukkan hubungan signifikan secara statistik.
R² tinggi berarti model menjelaskan sebagian besar variansi konsumsi bahan bakar.
Kendaraan yang lebih berat membutuhkan energi lebih besar untuk akselerasi maka pembakaran meningkat dampaknya mpg menurun.
3.4.2 Analisis Regresi Linear Berganda
model2 <- lm(mpg ~ wt + hp + cyl, data = mtcars)
summary(model2)##
## Call:
## lm(formula = mpg ~ wt + hp + cyl, data = mtcars)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.9290 -1.5598 -0.5311 1.1850 5.8986
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 38.75179 1.78686 21.687 < 2e-16 ***
## wt -3.16697 0.74058 -4.276 0.000199 ***
## hp -0.01804 0.01188 -1.519 0.140015
## cyl -0.94162 0.55092 -1.709 0.098480 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.512 on 28 degrees of freedom
## Multiple R-squared: 0.8431, Adjusted R-squared: 0.8263
## F-statistic: 50.17 on 3 and 28 DF, p-value: 2.184e-11INTERPRETASI:
Model yang kita gunakan yaitu
\[ mpg = \beta_0 + \beta_1 \cdot wt + \beta_2 \cdot hp + \beta_3 \cdot cyl + \epsilon \]
Model regresi berganda menunjukkan bahwa variabel wt berpengaruh signifikan terhadap mpg, dengan koefisien –3.17 yang berarti semakin berat kendaraan, efisiensi bahan bakarnya cenderung menurun. Sementara itu, variabel hp dan cyl memiliki koefisien negatif namun tidak signifikan pada taraf 5%, sehingga pengaruhnya terhadap mpg tidak cukup kuat dalam model ini. Secara keseluruhan, model menjelaskan sekitar 84% variasi mpg dan signifikan berdasarkan uji F dimana p < 0.001, sehingga model dapat dianggap baik dalam memprediksi efisiensi bahan bakar berdasarkan kombinasi ketiga variabel tersebut.
3.5 Uji Asumsi Regresi
3.5.1 uji normalitas residual
shapiro.test(residuals(model2))##
## Shapiro-Wilk normality test
##
## data: residuals(model2)
## W = 0.93455, p-value = 0.05252INTERPRETASI:
Hasil pengujian menunjukkan nilai W = 0.93455 dengan p-value = 0.05252. Karena p-value > 0.05, maka tidak terdapat bukti untuk menolak hipotesis nol. Dengan demikian, residual dapat dianggap mengikuti distribusi normal sehingga asumsi normalitas terpenuhi.
3.5.2 Uji multikolinearitas
library(car)## Warning: package 'car' was built under R version 4.5.2## Loading required package: carDatavif(model2)## wt hp cyl
## 2.580486 3.258481 4.757456INTERPRETASI:
Karena seluruh nilai VIF < 5, maka dapat disimpulkan bahwa tidak terdapat masalah multikolinearitas yang signifikan pada model regresi.
3.5.2 UJI HETEROSKEDASTISITAS
library(lmtest)## Warning: package 'lmtest' was built under R version 4.5.2## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericbptest(model2)##
## studentized Breusch-Pagan test
##
## data: model2
## BP = 2.9351, df = 3, p-value = 0.4017INTERPRETASI:
Berdasarkan hasil pengujian diperoleh nilai statistik BP sebesar 2.9351 dengan nilai p-value 0.4017. Karena p-value > 0.05, maka H0 tidak ditolak. Dengan demikian, model regresi tidak menunjukkan indikasi heteroskedastisitas sehingga variansi residual dianggap konstan.
3.6 ANOVA
3.6.1 ANOVA mpg berdasarkan jumlah silinder (cyl)
anova_cyl <- aov(mpg ~ factor(cyl), data = mtcars)
summary(anova_cyl)## Df Sum Sq Mean Sq F value Pr(>F)
## factor(cyl) 2 824.8 412.4 39.7 4.98e-09 ***
## Residuals 29 301.3 10.4
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1INTERPRETASI:
Berdasarkan hasil ANOVA, dapat disimpulkan bahwa jumlah silinder memiliki pengaruh signifikan terhadap tingkat konsumsi bahan bakar kendaraan. Perbedaan kelompok mesin 4, 6, dan 8 silinder menghasilkan variasi mpg yang bermakna secara statistik. Temuan ini menunjukkan bahwa semakin banyak jumlah silinder pada kendaraan, konsumsi bahan bakar cenderung meningkat dan nilai mpg menurun. Hal ini konsisten dengan teori pembakaran internal mesin, di mana penambahan jumlah silinder meningkatkan kapasitas pembakaran serta beban energi yang dibutuhkan kendaraan.
library(dplyr)## Warning: package 'dplyr' was built under R version 4.5.2##
## Attaching package: 'dplyr'## The following object is masked from 'package:car':
##
## recode## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionavg_mpg <- mtcars %>%
group_by(cyl) %>%
summarise(mean_mpg = mean(mpg))
barplot(avg_mpg$mean_mpg,
names.arg = avg_mpg$cyl,
col = "lightblue",
main = "Rata-rata MPG berdasarkan Jumlah Silinder",
xlab = "Jumlah Silinder",
ylab = "Rata-rata MPG")
INTERPRETASI:
Grafik menunjukkan bahwa semakin besar jumlah silinder pada kendaraan, semakin rendah nilai mpg yang dihasilkan. Kendaraan 4 silinder memiliki efisiensi bahan bakar terbaik, diikuti 6 silinder, sementara 8 silinder memiliki konsumsi bahan bakar tertinggi. Hal ini menguatkan bahwa kapasitas mesin yang lebih besar memerlukan pembakaran bahan bakar lebih banyak, sehingga menurunkan efisiensi.
boxplot(mpg ~ factor(cyl),
data = mtcars,
col = "lightgreen",
main = "Distribusi MPG berdasarkan Jumlah Silinder",
xlab = "Jumlah Silinder",
ylab = "MPG")
INTERPRETASI:
Semakin banyak jumlah silinder, semakin rendah efisiensi bahan bakar kendaraan. Mesin kecil (4 silinder) jauh lebih hemat dibanding mesin berkapasitas besar (6–8 silinder), baik dari sisi median maupun distribusi MPG-nya.
3.7 Pembahasan
Hasil analisis menunjukkan bahwa konsumsi bahan bakar (mpg) pada kendaraan sangat dipengaruhi oleh karakteristik teknisnya, terutama berat kendaraan (wt), tenaga mesin (hp), dan jumlah silinder (cyl). Korelasi negatif yang kuat antara mpg dengan wt, hp, dan cyl menegaskan bahwa semakin besar dimensi fisik dan kapasitas pembakaran mesin, semakin rendah efisiensi bahan bakar. Visualisasi scatter plot menunjukkan tren penurunan mpg seiring peningkatan berat kendaraan, sedangkan hasil regresi linear sederhana dan berganda mengonfirmasi hubungan signifikan tersebut. Berat kendaraan muncul sebagai faktor dominan, diikuti oleh tenaga mesin dan jumlah silinder, yang seluruhnya berkontribusi terhadap meningkatnya konsumsi bahan bakar karena kebutuhan energi dan pembakaran yang lebih tinggi.
Uji asumsi pada model regresi memperkuat validitas hasil analisis. Residual model berdistribusi normal, tidak terdapat indikasi multikolinearitas, dan varian residual stabil sehingga model dapat dipercaya. ANOVA memperjelas perbedaan efisiensi bahan bakar antar kelompok kendaraan: mesin 4 silinder menunjukkan mpg tertinggi, diikuti 6 silinder, dan paling rendah pada 8 silinder. Grafik rata-rata mpg dan boxplot menampilkan perbedaan tersebut secara visual, menunjukkan bahwa peningkatan kapasitas mesin berbanding lurus dengan peningkatan konsumsi bahan bakar. Secara keseluruhan, karakteristik mesin yang lebih kecil dan kendaraan yang lebih ringan cenderung menghasilkan efisiensi bahan bakar lebih baik.
BAB IV PENUTUP
4.1 Kesimpulan
Berdasarkan hasil analisis statistik dan regresi pada dataset mtcars, konsumsi bahan bakar kendaraan (mpg) terbukti dipengaruhi oleh beberapa faktor teknis utama, yaitu berat kendaraan (wt), tenaga mesin (hp), dan jumlah silinder (cyl). Korelasi negatif yang kuat menunjukkan bahwa semakin besar nilai ketiga variabel tersebut, semakin rendah efisiensi bahan bakar yang dihasilkan. Analisis regresi linear sederhana mengonfirmasi bahwa berat kendaraan memiliki dampak paling dominan terhadap penurunan mpg, sementara regresi berganda memperkuat bahwa tenaga mesin dan jumlah silinder turut memberikan kontribusi signifikan secara simultan.
Pengujian asumsi model menunjukkan bahwa residual regresi memenuhi normalitas, tidak terdapat masalah heteroskedastisitas, serta nilai VIF < 5 menandakan tidak adanya multikolinearitas serius. Hal ini menegaskan bahwa model regresi yang dibangun valid secara statistik untuk menjelaskan hubungan antara variabel teknis kendaraan dan konsumsi bahan bakar. Dengan demikian, tujuan penelitian untuk mengidentifikasi variabel dominan dan menyajikan model prediktif telah tercapai.
Hasil ANOVA memperlihatkan bahwa kelompok kendaraan berdasarkan jumlah silinder memiliki perbedaan signifikan dalam rata-rata mpg. Kendaraan 4 silinder memiliki efisiensi bahan bakar tertinggi, diikuti 6 silinder, sedangkan 8 silinder memiliki konsumsi paling boros. Visualisasi barplot dan boxplot mendukung temuan tersebut, di mana tren penurunan efisiensi semakin jelas seiring bertambahnya jumlah silinder.
Secara keseluruhan, analisis dataset ini menyimpulkan bahwa konsumsi bahan bakar mobil sangat dipengaruhi oleh faktor internal mesin. Kendaraan yang lebih ringan, tenaga lebih rendah, serta jumlah silinder lebih sedikit cenderung menghasilkan efisiensi bahan bakar yang lebih baik. Hal ini dapat menjadi acuan bagi pengguna dalam memilih kendaraan sesuai kebutuhan, serta bagi produsen dalam merancang produk yang lebih hemat energi dan ramah lingkungan.
DAFTAR PUSTAKA
Almumtazah, N., Azizah, N., Putri, Y. L., & Novitasari, D. R. (2021). Prediksi jumlah mahasiswa baru menggunakan metode regresi linier sederhana. Jurnal Ilmiah Matematika dan Terapan, 18(1), 31–40.
Hidayat, A., & Nugraha, Y. (2021). Penerapan regresi berganda dalam menentukan faktor yang memengaruhi nilai ujian mahasiswa. Jurnal Statistika dan Pendidikan Matematika, 6(1), 12–22.
Putri, R. D., & Widodo, T. (2019). Analisis regresi linier untuk memprediksi kualitas udara kota. Jurnal Teknologi Lingkungan, 4(2), 55–64.
Rofilin, E., Zulvia, F., & E., F. (2021). Kupas tuntas analisis regresi (1st ed.). NEM – Anggota IKAPI.
Sari, M., & Utami, L. (2020). Analisis regresi logistik untuk memprediksi status kelulusan mahasiswa. Jurnal Pensil Matematika, 3(2), 44–59.