BAB 1 PENDAHULUAN

1.1 Latar Belakang

Smartphone merupakan perangkat yang banyak digunakan dalam berbagai aktivitas sehari-hari. Tingginya penggunaan smartphone menyebabkan konsumsi baterai menjadi faktor penting bagi pengguna. Beberapa faktor yang memengaruhi konsumsi baterai antara lain penggunaan CPU (CPU usage) dan lamanya layar aktif (screen on time). CPU usage yang tinggi menunjukkan bahwa perangkat menjalankan proses komputasi yang lebih berat, sedangkan screen on time yang lama meningkatkan penggunaan daya karena layar merupakan salah satu komponen yang paling banyak mengonsumsi energi. Oleh karena itu, perlu dilakukan analisis untuk mengetahui pengaruh CPU usage dan screen on time terhadap penurunan baterai per jam (battery drop per hour) pada smartphone.

1.2 Rumusan Masalah

  1. Apakah CPU usage berpengaruh terhadap battery drop per jam?

  2. Apakah screen on time berpengaruh terhadap battery drop per jam?

  3. Apakah CPU usage dan screen on time secara simultan berpengaruh terhadap battery drop per jam?

1.3 Tujuan

  1. Mengetahui pengaruh CPU usage terhadap battery drop per hour.

  2. Mengetahui pengaruh screen on time terhadap battery drop per hour.

  3. Mengetahui pengaruh CPU usage dan screen on time secara simultan terhadap battery drop per hour.

BAB II DETAIL DATA

2.1 Sumber Data

library(readxl)
data <- read_excel("C:/Users/asus/Downloads/Dataset Battery Drop.xlsx")
head(data)
## # A tibble: 6 × 3
##   `Screen Time` `CPU Usage` `Battery Drop`
##           <dbl>       <dbl>          <dbl>
## 1           7            56            6  
## 2           9            11           13.4
## 3           7.5          39           35.1
## 4          11.5           3            6.7
## 5           5.2           4           19.1
## 6           7.9           5            9.3

Data yang digunakan merupakan sampel dari dataset “Smartphone Battery Drain and Usage Behavior” yang tersedia pada platform Kaggle. Data ini digunakan untuk menganalisis pengaruh CPU usage dan screen on time terhadap battery drop per jam pada smartphone.

2.2 Deskripsi Data

summary(data)
##   Screen Time       CPU Usage      Battery Drop   
##  Min.   : 5.200   Min.   : 0.00   Min.   : 0.800  
##  1st Qu.: 6.450   1st Qu.: 3.00   1st Qu.: 8.025  
##  Median : 7.800   Median : 5.00   Median :12.450  
##  Mean   : 7.749   Mean   :14.05   Mean   :12.290  
##  3rd Qu.: 8.900   3rd Qu.:24.50   3rd Qu.:15.825  
##  Max.   :11.900   Max.   :56.00   Max.   :36.800

Rata-rata Screen On Time adalah 7,74 jam per hari

Rata-rata CPU Usage adalah 14%

Rata-rata Battery Drop adalah 12%.

BAB III HASIL DAN PEMBAHASAN

3.1 Model Regresi

Bentuk umum persamaan Regresi Berganda: \[ y = \beta_0 + \beta_1 X_1 +\beta_2 X_2 +\epsilon \]

3.2 Estimasi Parameter

model <- lm(`Battery Drop` ~ `Screen Time` + `CPU Usage`, data = data)
summary(model)
## 
## Call:
## lm(formula = `Battery Drop` ~ `Screen Time` + `CPU Usage`, data = data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -13.8072  -5.0362  -0.6779   3.9493  24.3041 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)   
## (Intercept)   20.716619   5.942799   3.486  0.00128 **
## `Screen Time` -1.077243   0.725558  -1.485  0.14609   
## `CPU Usage`   -0.005609   0.083356  -0.067  0.94671   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 7.8 on 37 degrees of freedom
## Multiple R-squared:  0.05624,    Adjusted R-squared:  0.005228 
## F-statistic: 1.102 on 2 and 37 DF,  p-value: 0.3427

3.3 Model Akhir

\[ \hat{Y} = 20.7166 -1.0772 Screen\ Time -0.0056 CPU\ Usage \]

3.4 Uji Asumsi Klasik

A. Uji Linieritas

library(lmtest)
## Loading required package: zoo
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
resettest(model)
## 
##  RESET test
## 
## data:  model
## RESET = 0.36827, df1 = 2, df2 = 35, p-value = 0.6946

Karena p-value = 0.6946 > 0.05, maka disimpulkan hubungan antara CPU Usage dan Screen On Time terhadap Battery Drop per Jam pada smartphone dapat dijelaskan dengan model regresi linier berganda.

B. Uji Normalitas Residual

residual_model <- residuals(model)
residual_std <- (residual_model - mean(residual_model)) / sd(residual_model)
ks.test(residual_std, "pnorm")
## 
##  Exact one-sample Kolmogorov-Smirnov test
## 
## data:  residual_std
## D = 0.17239, p-value = 0.1648
## alternative hypothesis: two-sided

Hasil uji normalitas Kolmogorov–Smirnov menunjukkan nilai p-value = 0,1648 > 0,05. Artinya, residual pada model regresi berdistribusi normal. Dengan demikian, asumsi normalitas residual dalam analisis pengaruh CPU Usage dan Screen On Time terhadap Battery Drop per jam pada smartphone telah terpenuhi.

C. Uji Heteroskedastisitas

library(lmtest)
bptest(model)
## 
##  studentized Breusch-Pagan test
## 
## data:  model
## BP = 0.15649, df = 2, p-value = 0.9247

Hasil uji heteroskedastisitas Breusch–Pagan menunjukkan nilai p-value = 0,9247 > 0,05. Artinya, tidak terdapat gejala heteroskedastisitas pada model. Dengan demikian, varians residual bersifat konstan (homoskedastisitas) sehingga asumsi regresi terpenuhi pada analisis pengaruh CPU Usage dan Screen On Time terhadap Battery Drop per jam pada smartphone.

D. Uji Autokorelasi

library(lmtest)
dwtest(model)
## 
##  Durbin-Watson test
## 
## data:  model
## DW = 1.8118, p-value = 0.2803
## alternative hypothesis: true autocorrelation is greater than 0

Hasil uji autokorelasi Durbin–Watson menunjukkan nilai p-value = 0,2803 > 0,05. Artinya, tidak terdapat autokorelasi pada residual model.

E. Uji Multikolinearitas

library(car)
## Loading required package: carData
vif(model)
## `Screen Time`   `CPU Usage` 
##       1.00383       1.00383

Hasil uji multikolinearitas menggunakan Variance Inflation Factor (VIF) menunjukkan bahwa nilai VIF untuk variabel Screen Time sebesar 1,00383 dan CPU Usage sebesar 1,00383. Nilai tersebut lebih kecil dari 10, sehingga dapat disimpulkan bahwa tidak terjadi multikolinearitas antar variabel independen dalam model. Hal ini menunjukkan bahwa variabel Screen Time dan CPU Usage tidak memiliki hubungan korelasi yang kuat satu sama lain, sehingga keduanya layak digunakan secara bersamaan dalam model regresi untuk menganalisis pengaruh CPU Usage dan Screen On Time terhadap Battery Drop per jam pada smartphone.

3.5 Uji F

summary(model)$fstatistic
##     value     numdf     dendf 
##  1.102481  2.000000 37.000000

Berdasarkan output estimasi parameter Hasil uji F menunjukkan nilai Fhitung = 1,102 dengan p-value = 0,3427. Karena p-value > 0,05, maka pada tingkat signifikansi 5% secara simultan variabel CPU Usage dan Screen On Time tidak berpengaruh signifikan terhadap Battery Drop per jam pada smartphone.

3.6 Uji T

coef(summary(model))
##                  Estimate Std. Error     t value    Pr(>|t|)
## (Intercept)   20.71661938 5.94279913  3.48600364 0.001280463
## `Screen Time` -1.07724302 0.72555785 -1.48471004 0.146091101
## `CPU Usage`   -0.00560948 0.08335554 -0.06729583 0.946708545

Uji t digunakan untuk mengetahui pengaruh masing-masing variabel independen terhadap variabel dependen. a. Screen Time memiliki nilai p-value = 0,1461 > 0,05, sehingga tidak berpengaruh signifikan terhadap Battery Drop per Hour. b. CPU Usage memiliki nilai p-value = 0,9467 > 0,05, sehingga juga tidak berpengaruh signifikan terhadap Battery Drop per Hour.

3.7 Koefisien Determinasi

summary(model)$r.squared
## [1] 0.05624192
summary(model)$adj.r.squared
## [1] 0.005227969

R-Squared (\(R^2\)) = 0.0562

Variabel Screen Time dan CPU Usage dalam model mampu menjelaskan 5,62% variasi dari variabel battery drop.

Adjusted R-Squared = 0.0052

3.8 Plot Model Regresi

Scatter Plot

par(mfrow=c(1,2))

plot(data$`Screen Time`, data$`Battery Drop`,
     xlab="Screen Time",
     ylab="Battery Drop",
     main="Battery Drop vs Screen Time",
     pch=16)

plot(data$`CPU Usage`, data$`Battery Drop`,
     xlab="CPU Usage",
     ylab="Battery Drop",
     main="Battery Drop vs CPU Usage",
     pch=16)

interpretasi dari kedua grafik:

  1. Scatter Plot Battery Drop vs Screen Time, tidak terlihat hubungan linear yang jelas. Durasi layar (Screen Time) yang lama tidak selalu menyebabkan penurunan baterai (Battery Drop) yang lebih besar. Terlihat dari scatter plot Data sangat tersebar, menunjukkan faktor lain (seperti tingkat kecerahan atau jenis aplikasi) mungkin lebih berpengaruh daripada sekadar durasi layar.

  2. Scatter Plot Battery Drop vs CPU Usage, terlihat pola acak scatter plot Penggunaan CPU yang tinggi tidak secara konsisten menyebabkan penurunan baterai yang lebih drastis dalam data ini. Mayoritas data menumpuk pada penggunaan CPU rendah (0-10%), namun dengan tingkat penurunan baterai yang bervariasi antara 0% hingga 20%.

Maka kedua variabel (Screen Time & CPU Usage) bukan merupakan penentu utama penurunan baterai dalam kumpulan data ini.

BAB IV PENUTUPAN

4.1 Kesimpulan

Berdasarkan hasil analisis regresi linier berganda yang telah dilakukan untuk mengetahui pengaruh CPU Usage dan Screen On Time terhadap Battery Drop per Jam pada smartphone, dapat diperoleh beberapa kesimpulan sebagai berikut.

A. Hasil uji parsial (uji t) menunjukkan bahwa variabel Screen Time memiliki nilai p-value sebesar 0,1461 (> 0,05), sehingga dapat disimpulkan bahwa Screen Time tidak berpengaruh signifikan terhadap Battery Drop per Hour.

B. Variabel CPU Usage juga memiliki nilai p-value sebesar 0,9467 (> 0,05), sehingga dapat disimpulkan bahwa CPU Usage tidak berpengaruh signifikan terhadap Battery Drop per Hour.

C. Berdasarkan uji simultan (uji F), diperoleh nilai p-value sebesar 0,3427 (> 0,05). Hal ini menunjukkan bahwa secara bersama-sama variabel Screen Time dan CPU Usage tidak berpengaruh signifikan terhadap Battery Drop per Hour pada smartphone.

D. Nilai koefisien determinasi (R²) sebesar 0,0562 menunjukkan bahwa model hanya mampu menjelaskan 5,62% variasi Battery Drop, sedangkan 94,38% sisanya dipengaruhi oleh variabel lain yang tidak dimasukkan dalam model.

E. Hasil pengujian asumsi klasik menunjukkan bahwa model regresi telah memenuhi asumsi regresi, yaitu hubungan linier, residual berdistribusi normal, tidak terdapat heteroskedastisitas, tidak terjadi autokorelasi, serta tidak terdapat multikolinearitas antar variabel independen.

Secara keseluruhan dapat disimpulkan bahwa dalam dataset yang digunakan, Screen Time dan CPU Usage bukan merupakan faktor utama yang memengaruhi penurunan baterai per jam pada smartphone.

4.2 Saran

Berdasarkan hasil analisis, disarankan pada analisis selanjutnya untuk menambahkan variabel lain yang dapat memengaruhi penurunan baterai smartphone, seperti tingkat kecerahan layar, penggunaan aplikasi, dan konektivitas jaringan. Selain itu, penggunaan jumlah data yang lebih besar juga dapat membantu memperoleh hasil analisis yang lebih akurat.