1 Pendahuluan

Efisiensi konsumsi bahan bakar merupakan salah satu aspek penting dalam industri otomotif. Konsumsi bahan bakar yang efisien tidak hanya berdampak pada penghematan biaya operasional kendaraan, tetapi juga berkontribusi terhadap pengurangan emisi gas buang yang dapat mempengaruhi lingkungan. Oleh karena itu, analisis terhadap faktor-faktor yang mempengaruhi konsumsi bahan bakar kendaraan menjadi topik yang penting dalam kajian statistika terapan.

Salah satu faktor yang diduga mempengaruhi konsumsi bahan bakar kendaraan adalah berat kendaraan. Secara teoritis, kendaraan dengan berat yang lebih besar membutuhkan energi yang lebih besar untuk bergerak sehingga cenderung memiliki tingkat konsumsi bahan bakar yang lebih tinggi. Hubungan antara berat kendaraan dan konsumsi bahan bakar ini dapat dianalisis menggunakan metode statistika, salah satunya adalah analisis regresi linear.

Analisis regresi linear merupakan metode statistika yang digunakan untuk memodelkan hubungan antara variabel dependen dengan satu atau lebih variabel independen. Dalam konteks penelitian ini, konsumsi bahan bakar kendaraan yang diukur dalam miles per gallon (mpg) digunakan sebagai variabel dependen, sedangkan berat kendaraan (wt) digunakan sebagai variabel independen.

Dataset yang digunakan dalam analisis ini adalah dataset mtcars yang tersedia dalam perangkat lunak R. Dataset ini berisi berbagai informasi mengenai karakteristik kendaraan, termasuk konsumsi bahan bakar, tenaga mesin, berat kendaraan, serta beberapa variabel lainnya. Melalui analisis regresi linear terhadap dataset ini, diharapkan dapat diperoleh gambaran mengenai hubungan antara berat kendaraan dengan tingkat konsumsi bahan bakar.

2 Deskripsi Data

summary(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.   :8.000

Rata-rata konsumsi bahan bakar kendaraan adalah 20.090625 mpg.

Rata-rata berat kendaraan adalah 3.21725 ton.

3 Visualisasi Data

Scatter plot antara berat kendaraan dan konsumsi bahan bakar.
Scatterplot Berat Kendaraan vs Kecepatan

Scatterplot Berat Kendaraan vs Kecepatan

4 Model Regresi

Bentuk umum model regresi linear adalah: \[ y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \epsilon \] di mana: \[ Y = Variabel Respon, \] \[ X = Variabel Prediktor, \] \[ \beta_0 = intercept, \] \[ \beta_1 = koefisien regresi, \] \[ \epsilon = error \]

4.1 Estimasi Parameter

model = lm(mpg ~ wt, data = mtcars)
summary(model)
## 
## 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-10

Model Akhir: \[ mpg = 37.285+-5.344wt \] # Pengujian Asumsi Model ## Uji Normalitas Residual Uji normalitas residual dilakukan menggunakan Kolomogorov-Smirnov Test.

error = model$residuals
ks.test(error,"pnorm",mean(error),sqrt(var(error)))
## 
##  Exact one-sample Kolmogorov-Smirnov test
## 
## data:  error
## D = 0.082516, p-value = 0.9687
## alternative hypothesis: two-sided

4.2 Uji Autokorelasi

Uji autokorelasi dilakukan menggunakan Durbin-Watson Test.

library(lmtest)
dwtest(model)
## 
##  Durbin-Watson test
## 
## data:  model
## DW = 1.2517, p-value = 0.0102
## alternative hypothesis: true autocorrelation is greater than 0

5 Visualisasi Garis Regresi

Scatter plot dengan garis regresi.

plot(mtcars$wt, mtcars$mpg,
     main="Hubungan Berat Kendaraan dan Konsumsi Bahan Bakar",
     xlab="Berat Kendaraan (wt)",
     ylab="Konsumsi Bahan Bakar (mpg)",
     pch=19,
     col="steelblue")
abline(model,col="red", lwd=2)

6 Kesimpulan

Berdasarkan hasil analisis data mtcars, dapat disimpulkan bahwa terdapat hubungan negatif antara berat kendaraan (wt) dan konsumsi bahan bakar (mpg). Hal ini terlihat dari scatterplot dan garis regresi yang menunjukkan bahwa semakin besar berat kendaraan, maka efisiensi bahan bakar cenderung menurun.

Hasil uji normalitas menggunakan Kolmogorov-Smirnov test menunjukkan bahwa residual model berdistribusi normal sehingga asumsi normalitas dapat terpenuhi. Namun, hasil uji autokorelasi menggunakan Durbin-Watson test menghasilkan nilai DW = 1.2517 dengan p-value = 0.0102, yang menunjukkan bahwa terdapat indikasi autokorelasi pada residual model.

Secara umum, model regresi linear sederhana masih dapat digunakan untuk menggambarkan hubungan antara berat kendaraan dan konsumsi bahan bakar. Meskipun demikian, adanya indikasi autokorelasi menunjukkan bahwa model masih memiliki keterbatasan sehingga perlu diperhatikan dalam interpretasi hasil analisis.

7 Saran

Untuk analisis selanjutnya, disarankan menambahkan variabel lain yang dapat mempengaruhi konsumsi bahan bakar, seperti tenaga mesin, jumlah silinder, atau karakteristik kendaraan lainnya agar model yang dihasilkan menjadi lebih baik dan lebih akurat. Selain itu, penggunaan metode analisis yang lebih kompleks seperti regresi linear berganda juga dapat dipertimbangkan untuk memperoleh hasil analisis yang lebih komprehensif.