Materi Kuliah:
Pengantar; Regresi Linier; Regresi Polinomial; Regresi Linier Berganda Interpolasi
Linier; Interpolasi Kuadrat; Interpolasi Polinomial Newton & Lagrange
PENGANTAR
Data-data yang bersifat diskrit dapat dibuat continuum melalui proses curve-fitting. Curve-fitting
merupakan proses data-smoothing, yakni proses pendekatan terhadap kecenderungan data-data dalam
bentuk persamaan model matematika. Proses ini juga dapat digunakan untuk keperluan interpolasi
data.
Misalkan tersedia data-data y pada berbagai x (sejumlah n pasang), maka dapat dicari suatu
persamaan y = f(x) yang memberikan hubungan y dengan x yang mendekati data. Proses ini disebut
curve fitting.
Diplotkan
pada grafik
x-y
y y
y = f (x)
Curve-fitting
x x
Untuk bentuk-bentuk persamaan tertentu, metode kudrat terkecil dapat dilakukan secara analitik,
tetapi untuk bentuk-bentuk yang lain harus dilakukan secara numerik. Prinsipnya adalah minimasi
SSE terhadap variabel nilai-nilai tetapan dalam persamaan empirik.
Secara statistik, kesesuaian antara bentuk kurva dengan data dapat dinyatakan dalam term koefisien
korelasi (r) atau koefisien determinasi (r2). Besarnya koefisien korelasi (r) adalah:
n x y x y
r=
i i i i
2
2 2 2
n
xi xi n
yi yi
dengan n menyatakan banyaknya data. Hubungan antara r dengan SSE dapat dinyatakan sbb.:
2
2 St SSE y
i
S =
r = St dengan: t yi n
2
Kesesuaian yang sempurna ditunjukkan oleh besarnya: SSE = 0 dan r = r = 1.
a ( xi )2 (xi yi ) = 0
(x y
) i i
a = (xi )
2
atau: ... (5)
CONTOH 1#:
Nitrous anhydride (N2O5) dapat terurai secara homogen menjadi dinitrogen tetraoksida (N2O4)
r
dan oksigen melalui reaksi: N2O5 (g) N2O4 (g) + 12 O2 (g)
Berikut adalah data-data konsentrasi N2O5 (CA) vs waktu untuk reaksi ini pada suhu 313,1 K:
Persamaan (*) merupakan bentuk persamaan linier (berorde satu, garis lurus) yang mempunyai
bentuk umum: y = a x, dan dapat diplotkan sbb:
CA
t ln
0 C
A0
0
-0.1 500 1000 1500 2000 2500 3000 2
x y x xy
-0.2
0 0 0 0
ln (CA/CA0) -0.3 500 -0,1143250000 -57,1446
1000 -0,25361000000 -253,603
-0.4
1500 -0,34962250000 -524,336
-0.5 2000 -0,50584000000 -1011,68
Slope = -k = -0,0002 2500 -0,61256250000 -1531,22
-0.6
3000 -0,75299000000 -2258,69
-0.7 22750000 -5636,67
-0.8
t (detik)
x2 xy
a = x y = 5636,67 = 0,0002 = k
x2 22750000
Berdasarkan metode regresi linier terhadap data-data di atas, diperoleh nilai tetapan (yakni
tetapan kecepatan reaksi) k sebesar 0,0002 detik-1.
Harga SSE akan minimum jika: (SSE) = 0 dan (SSE) = 0 ... (9, 10)
a0 a1
n
(SSE)
sehingga: = 2 (a0 + a1 xi yi ) .1 = 0
a0 i =1
n a0 + a1 xi = yi ... (11)
n
(SSE)
dan = 2 (a0 + a1 xi yi ) . xi = 0
a1 i =1
a x +a x
0 = xi yi
i 1 i
2
... (12)
Berdasarkan persamaan (11) dan (12), maka harga a0 dan a1 dapat ditentukan. Misal, dengan
menggunakan Cramers rule, diperoleh:
x y
n a0 i i
xi 2 a
=
xi 1 xi yi
A x = b
dy/analisis numerik/curve-fitting dan interpolasi/maret/2007/halaman 3 dari 16
maka:
y x
i i
x y x
a0 =
i i i 2
y
i
x
i
2
x
i 2
x y
i i
=
=
1
x
2
n i x x
n
x
i
x
i
2
i i
y
n i
x x n x y y x
a1 =
i yi i
=
i i i i
2
= x 2
n i n
xi
2
xi
x x
i i2
Nilai-nilai tetapan pada persamaan non-linier dapat ditentukan melalui proses linierisasi. Berikut
ini adalah contoh beberapa bentuk persamaan dan hasil linierisasinya:
Bentuk Persamaan Bentuk Persamaan Slope yang Intercept yang
Ordinat Absis
Awal Hasil Linierisasi dihasilkan dihasilkan
y=ax+b - y x a b
y = a eb x ln y = ln a + b x ln y x b ln a
y= x x =ax+b x x a b
ax+b y y
a 1
y= +b - y a b
x x
y = a xb ln y = ln a + b ln x ln y ln x b ln a
log y = log a + b log x log y log x log a
CONTOH 2#:
Berdasarkan data-data x-y berikut ini:
x 1 2 3 4 5
y 0,5 1,7 3,4 5,7 8,4
tentukan harga-harga a dan b, jika trend data mengikuti model bentuk pangkat: y = a xb
PENYELESAIAN:
Bentuk: y = a xb dapat dilinierisasi menjadi bentuk: log y = log a + b log x
x y log x log y (log x) 2 log x . log y
1 0,5 0 -0,3010 0 0
2 1,7 0,3010 0,2304 0,0906 0,0694
3 3,4 0,4771 0,5315 0,2276 0,2536
4 5,7 0,6021 0,7559 0,3625 0,4551
5 8,4 0,6990 0,9243 0,4886 0,6460
2,0792 2,1411 1,1693 1,4241
Persamaan (11) dan (12) diterapkan untuk kasus ini, menjadi:
5 2,1411
6 0.6
5
y 0.4
4
y
3
log
0.2
2
0.0
1
0 -0.2 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
0 1 2 3 4 5 6 -0.4
x log x
REGRESI POLINOMIAL
2
Untuk persamaan kuadrat dengan bentuk: y = a0 + a1 x + a2 x ... (13)
Dengan cara yang sama, untuk pasangan data x i, yi, maka nilai sum of squares of errors-nya:
n
Harga SSE akan minimum jika: (SSE) = 0 , (SSE) = 0 , dan (SSE) = 0 ... (15, 16, 17)
a0 a1 a2
n
(SSE) = 2 (a + a x + a x 2
sehingga: 0 1 i 2 i yi ) .1 = 0
a0 i =1
... (18)
n a0 + a1 xi + a2 xi 2 = yi
(SSE)
= n 2 (a0 + a1 xi + a2 xi 2 yi ) . xi = 0
a
1i =1
... (19)
a0 xi + a1 xi 2 + a2 xi 3 = xi yi
(SSE)
= n 2 (a0 + a1 xi + a2 xi 2 yi ) . xi 2 = 0
a
2i =1
... (20)
a0 xi + a1 xi + a2 xi = xi
2 3 4 2
yi
Persamaan (18), (19), dan (20) selanjutnya dapat disusun dalam bentuk perkalian matriks, sbb.:
x y
n i
xi
2
a i
x
0
x y
xi 2
xi3 a1 = i i
3 4 2
xi xi a2 xi yi
A x = b
dy/analisis numerik/curve-fitting dan interpolasi/maret/2007/halaman 5 dari 16
Dengan demikian, harga a0, a1, dan a2 dapat ditentukan secara simultan.
Dengan cara yang sama, secara umum, untuk persamaan polinomial berorde-m dengan bentuk:
2 m-1 m
y = a0 + a1 x + a2 x + ... + am-1 x + am x ... (21)
dapat dihasilkan persamaan-persamaan berikut ini:
+a x a2 xi 2 + am xi m = yi
+
n a0 1 i +
x a 2 xi3 + am xi m+1 = xi yi
a0 + a1 xi
+
2 +
i
a 0 x i + a1 x i
2 3 +
a2 xi 4 + + am xi m+ 2 = xi 2 yi
.......................................................................................................
.......................................................................................................
a0 xi m + a1 xi m+1 + a2 xi m+ 2 + + am xi m+ m = xi m yi
atau, dapat disusun dalam bentuk perkalian matriks, sbb.:
x x
n
i i 2
xi
m
a
yi
x
x
i 2
x
i 3 xi m+1
0
a1 x
i yi
2
i
m+ 2 2
xi x x xi a =
xi y
2 i
i i
3 4
xm m+ m m
i xi m +1 x i
m + 2
xi a
m xi y
i
A x = b
Dengan demikian, harga-harga a0, a1, a2, .... am dapat ditentukan secara simultan.
CONTOH 3#:
Berikut adalah data-data kapasitas panas gas, Cp (kal/gmol.K), pada berbagai suhu, T (K):
T 400 475 520 580 660 750 850
Cp 41,29 45,50 48,00 51,31 55,61 60,30 65,26
Jika Cp = f (T) didekati dengan persamaan polinomial berorde 3:
Cp = a0 + a1 T + a2 T 2 + a3 T 3
tentukanlah harga-harga a0, a1, a2, dan a3!
PENYELESAIAN:
Dengan menggunakan metode kuadrat terkecil, dapat dihasilkan persamaan-persamaan berikut, yang disajikan
dalam bentuk perkalian matriks dan vektor:
T
n T 2 T 3 a0 Cp
T T 2 T 3 T 4
a1 T Cp
=
T T T a
2 3 4 5 2
T 2 T Cp
T 3 T 4 T 5 T 6 a3 T 3 Cp
A x = b
Elemen-elemen matriks A dan vektor b dapat dihitung dengan mudah, dan diperoleh hasil sbb.:
7 4235 2713025 1830387875 367,27
4235 2713025 1830387875 1,29E+12 230246,9
2713025 1830387875 1,29E+12 9,44E+14 152405037,5
1830387875 1,29E+12 9,44E+14 7,11E+17 1.06E+11
Matriks A Vektor b
Dicoba diselesaikan dengan metode eliminasi Gauss.
Pertukarkan baris ke-1 dan ke-4 (maximum column pivoting):
1830387875 1,29E+12 9,44E+14 7,11E+17 1,06E+11
4235 2713025 1830387875 1,29E+12 230246.9
2713025 1830387875 1,29E+12 9,44E+14 152405037,5
7 4235 2713025 1830387875 367,27
Regresi linier berganda diterapkan terhadap persamaan linier multivariabel (dengan banyaknya variabel
sejumlah m) yang mempunyai bentuk umum:
x +a x x +a x x +
a0 m 1 m 1 2 m 2 + am xm xm = xm y
x1 1 2 1 2 x
1 xm a1 1 y
x
x x x2 x a
= 2 y
m 2
x1
x
2 2
2
x x x x
m m 1 m 2 xm x
m
a
m xm y
A x = b
Dengan demikian, harga-harga a0, a1, a2, .... am dapat ditentukan secara simultan.
dan R = 1,987 kal/gmol.K, perkirakan harga-harga k0, E, dan n berdasarkan data yang
tersedia. (k0 faktor preeksponensial reaksi, E energi aktivasi reaksi, dan n orde reaksi)
PENYELESAIAN:
E 1
Bentuk persamaan non-linier (**) dapat dilinierisasi menjadi: ln r = ln k0 R T + n ln CA
Dengan menggunakan metode kuadrat terkecil, hasil-hasil perhitungannya disajikan sbb.:
Data x1 x2 y x1 x2 x12 x22 x1 y x2 y
1 0,002681 0 0,410784 0 7,1876E-06 0 0,001101 0
2 0,002532 -0,080126 1,077048 -0,000203 6,4092E-06 0,006420 0,002727 -0,086300
3 0,002740 0,139762 0,256965 0,000383 7,5061E-06 0,019533 0,000704 0,035914
4 0,002500 -0,139262 1,176190 -0,000348 6,2500E-06 0,019394 0,002940 -0,163799
5 0,002469 0,048790 1,518638 0,000120 6,0966E-06 0,002380 0,003750 0,074095
6 0,002577 -0,287682 0,641327 -0,000741 6,6426E-06 0,082761 0,001653 -0,184498
7 0,002439 -0,597837 1,022451 -0,001458 5,9488E-06 0,357409 0,002494 -0,611259
8 0,002632 -0,430783 0,227136 -0,001134 6,9252E-06 0,185574 0,000598 -0,097846
0,020569 -1,347138 6,330539 -0,003381 5,2966E-05 0,673472 0,015967 -1,033693
Dalam hal ini: y = ln r ; x1 = 1/T ; dan x2 = ln CA
Dalam bentuk perkalian matriks:
n x a y
1 0
x1
x 12 x1 x2
a1 = x1 y
x x x22a2 x2 yx2
2 1
A x = b
k exp E
0
C
n
r
A
RT
(error r)^2
INTERPOLASI LINIER
Interpolasi linier, yang merupakan bentuk interpolasi paling sederhana, menggunakan dua titik data
(data points) untuk mengembangkan pendekatan linier terhadap fungsi yang ditinjau. Tinjaulah 2 titik
data (x1, f(x1)) dan (x2, f(x2)). Ekspansi deret Taylor untuk f(x) di sekitar x1:
2
f (x) = f (x1) + (x x1 ) f '(x1) + (x x ) f ''(x1 ) + ...
1
... (25)
2
x2 x1
Persamaan (27) merupakan formula interpolasi linier untuk mencari harga f(x), dengan x yang berada
di antara x1 dan x2.
CONTOH 5#:
Berikut adalah data-data yang diambil dari tabel saturated steam:
Suhu (oF) Entalpi saturated steam (BTU/lb)
240 1160,6
260 1167,4
o
Dengan interpolasi linier, perkirakan besarnya entalpi saturated steam pada 252 F!
PENYELESAIAN:
Dengan menerapkan persamaan (27) ke dalam kasus ini, maka:
1167,4 1160,6
H (T ) = 1160,6 + (T 240)
1167,4 1160,6
Pada T = 252oF: H (T ) = 1160,6 + (252 240) = 1164,7
BTU/lb 260 240
CONTOH 6#:
Perkirakanlah harga ln 2 dengan interpolasi linier! Gunakan 2 titik data: ln 1 = 0 dan ln 6 =
1,791759. Ulangi perhitungan, tetapi lakukan dalam rentang ln 1 = 0 dan ln 4 = 1,386294.
PENYELESAIAN:
Sebagai catatan, nilai yang sebenarnya: ln 2 = 0,6931472
Interpolasi pertama (pada rentang x = 1 dan x = 6):
0,3583519 0,6931472
(Error terhadap nilai sebenarnya, t = .100% = 48,3% )
0,6931472
Interpolasi kedua (pada rentang x = 1 dan x = 4):
0 x
0 1 2 3 4 5 6 7
dengan: a0 = b0 b1 x0 + b2 x0 x1
a1 = b1 b2 x0 b2 x1
a2 = b2
Prosedur sederhana untuk menentukan koefisien-koefisien b0, b1, dan b2 dalam persamaan (28)
dikembangkan berdasarkan 3 titik data tersebut. Jika x = x0 disubstitusikan ke (28), maka:
b0 = f (x0 ) ... (29)
Substitusikan (29) ke (28) dan dievaluasi pada x = x 1 menghasilkan:
Selanjutnya (29) dan (30) disubstitusikan ke (28), serta dievaluasi pada x = x2, sehingga:
f (x1 ) f (x0 )
f (x ) = f (x ) + (x x ) + b (x x ) (x x )
2 0 x1 x0 2 0 2 2 0 2 1
CONTOH 7#:
Perkirakanlah harga ln 2 dengan interpolasi kuadrat! Gunakan 3 titik data berikut:
x0 = 1 f (x0) = 0
x1 = 4 f (x1) = 1,386294
x2 = 6 f (x2) = 1,791759
PENYELESAIAN:
Dengan menerapkan persamaan (29): b0 = 0
b = 1,386294 0 = 0,4620981
Dengan persamaan (30): 1 4 1
1,791759 1,386294 0,462091
6 4
Dengan persamaan (31): b2 = = 0,0518731
6 1
Substitusikan nilai-nilai b0, b1, dan b2 ke (28) menghasilkan:
f (x) = 0 + 0,4620981 (x 1) 0,0518731 (x 1) (x 4)
Pada x = 2:
f (2) = 0 + 0,4620981 (2 1) 0,0518731 (2 1) (2 4) =
0,5658444 Jadi, dengan interpolasi kuadrat, diperoleh: ln 2 = 0,5658444
0,5658444 0,6931472
(Error terhadap nilai sebenarnya, t = .100% = 18,4% )
0,6931472
1.8
1.6
f (x) = ln x
1.4
Nilai
1.2 sebenarnya
1
0.8
Hasil interpolasi kuadrat
0.6
0.4
Hasil interpolasi linier
0.2
0 x
0 1 2 3 4 5 6 7
(Bandingkan hasil ini dengan hasil yang diperoleh dengan interpolasi linier, pada contoh
sebelumnya, contoh #6...)
Berdasarkan penurunan untuk interpolasi kuadrat di atas, pendekatan yang sama dapat dikembangkan
untuk interpolasi polinomial berorde m. Polinomial berorde m dapat dituliskan sbb.:
f (x) = b0 + b1 (x x0 ) + + bm (x x0 ) (x x1) (x xm1) ... (32)
Untuk polinomial berorde m, diperlukan sejumlah (m+1) titik data, yakni: x0, x1 , x2, ..., xm. Dengan
menggunakan titik-titik data ini, persamaan-persamaan berikut dapat digunakan untuk menghitung
koefisien-koefisien b0, b1, ..., bm:
b0 = f (x0 ) ... (33)
b1 = f x1, x0 ... (34)
b2 = f x2 , x1, x0 ... (35)
[
f xm , xm1,, x1, x0 = ] f xm , xm1,, x1 f xm1, xm2 ,, x0
... (39)
xm x0
Persamaan (37) (39) memperlihatkan perhitungan yang bersifat rekursif, yang berarti bahwa finite-
divided difference yang lebih tinggi disusun dari finite-divided difference yang lebih rendah, seperti
tersaji dalam contoh skema berikut ini:
CONTOH 8#:
Ulangi contoh sebelumnya, perkirakanlah harga ln 2 dengan interpolasi polinomial Newton
berorde-tiga (interpolasi kubik)! Gunakan 1 titik data tambahan berikut:
x3 = 5; f (x3) = 1,6094379
PENYELESAIAN:
Polinomial berorde-tiga (persamaan kubik) dapat dituliskan sebagai:
f (x) = b0 + b1 (x x0 ) + b2 (x x0 ) (x x1 ) + b3 (x x0 ) (x x1 ) (x x2 )
First finite-divided difference untuk kasus ini:
[ ]
f x1, x0 =
1,386294 0 = 0,46209813 = b
1
4 1
[ ]
f x2 , x1 = 1,791759 1,386294 = 0,20273255
64
[ ]
f x3 , x2 = 1,6094379 1,791759 = 0,18232160
56
Second finite-divided difference:
[ ]
f x2 , x1, x0 =
0,20273255 0,46209813
6 1
= 0,051873116 = b2
[ ]
f x3 , x2 , x1 =
0,18232160 0,20273255
54
= 0,020410950
[ ]
f x3 , x2 , x1 , x0 =
0,020410950 (0,051873116) = 0,0078655415 = b
3
5 1
Harga-harga b0 (= f (x0)), b1, b2, dan b3 selanjutnya disubstitusikan ke persamaan polinomial
berorde-tiga di atas, menghasilkan:
f (x) = 0 + 0,46209813 (x 1) 0,051873116 (x 1) (x 4)
+ 0,0078655415 (x 1) (x 4) (x 6)
Jika dievaluasi pada x = 2:
f (2) = 0 + 0,46209813 (2 1) 0,051873116 (2 1) (2 4)
+ 0,0078655415 (2 1) (2 4) (2 6) = 0,62876869
Jadi, dengan interpolasi polinomial Newton berorde-tiga, diperoleh: ln 2 = 0,62876869
0,62876869 0,6931472
(Error terhadap nilai sebenarnya, t = .100% = 9,3% )
0,6931472
1.8
1.6 f (x) = ln x
1.4
Nilai
1.2
sebenarnya
1
0.8
0.6 Hasil interpolasi
0.4 kubik
0.2
0 x
0 1 2 3 4 5 6 7
(Bandingkan hasil ini dengan hasil yang diperoleh dengan interpolasi linier maupun
interpolasi kuadrat pada 2 contoh sebelumnya, contoh 6# dan 7#)
Interpolasi polinomial Lagrange merupakan perumusan ulang dari polinomial Newton yang tidak
menggunakan metode finite-divided difference. Secara umum, untuk sebuah polinomial berorde m:
m
f (x) = x x1 f (x ) + x x0 0
f (x )
1
... (42)
x0 x1 x1 x0
Untuk polinomial berorde dua (kuadrat):
(x x1 ) (x x2 ) (x x0 ) (x x2 ) (x x0 ) (x x1 )
f (x) = f (x0 ) + f (x1) + f (x2 ) ... (43)
(x0 x1 ) (x0 x2 ) (x1 x0 ) (x1 x2 ) (x2 x0 ) (x2 x1 )
Demikian seterusnya. Pada metode ini, untuk polinomial berorde m, juga diperlukan sejumlah
(m+1) titik data.
CONTOH 9#:
Gunakan interpolasi polinomial Lagrange orde pertama dan orde kedua untuk menghitung
harga ln 2, berdasarkan 3 titik data berikut ini (sama dengan contoh sebelumnya):
x0 = 1 f (x0) = 0
x1 = 4 f (x1) = 1,386294
x2 = 6 f (x2) = 1,791759
PENYELESAIAN:
Formula interpolasi polinomial Lagrange orde pertama:
f (x) = x x1 f (x ) + x x0 f (x )
0 1
x0 x1 x1 x0
Pada x = 2: f (2) = 2 4 (0) + 2 1 (1,386294) = 0,4620981
1 4 4 1
dy/analisis numerik/curve-fitting dan interpolasi/maret/2007/halaman 14 dari 16
Formula interpolasi polinomial Lagrange orde kedua:
(x x1 ) (x x2 ) (x x0 ) (x x2 ) (x x0 ) (x x1 )
f (x) = f (x0 ) + f (x1) + f (x2 )
(x0 x1 ) (x0 x2 ) (x1 x0 ) (x1 x2 ) (x2 x0 ) (x2 x1 )
LATIHAN SOAL:
1. Jika Anda mempunyai pasangan data-data x dan y, bagaimana cara Anda melinierisasikan bentuk-
bentuk persamaan empirik berikut ini untuk memperoleh harga-harga parameter a dan b?
(a) 1 = exp x
y a+bx
(b) ln y = a x ex + b x
(c) yxb=4 ax ( ) 12
3. Lakukan curve-fitting untuk menentukan bentuk korelasi yang terbaik dari data-data berikut ini:
x 0 0,43 1,25 1,40 2,60 2,90 4,30
y 9,4 7,1 5,35 4,20 2,60 1,95 1,15
5. Viskositas () air, dalam centi-Poise, yang diukur pada berbagai suhu T, dalam oC, disajikan
dalam tabel berikut ini:
o
T ( C) 10 20 30 40 50 60 70
(cP) 1,308 1,005 0,801 0,656 0,549 0,469 0,406
Dengan menggunakan multiple linear regression, tentukan tetapan-tetapan yang bersesuaian
1
dengan persamaan model: = k1 + k2 T + k3 T 2
b
6. Persamaan Antoine dapat dituliskan sebagai: log Po = a + T +
c
o
dengan P [=] atm, T [=] Kelvin, serta a, b, dan c menyatakan tetapan-tetapan Antoine. Tentukan
tetapan-tetapan Antoine untuk oksigen dari data-data berikut ini:
P (atm) 1 2 5 10 20 30 40
o
T ( C) -183,1 -176,0 -169,5 -153,2 -140,0 -130,7 -124,1
8. Berikut adalah data tekanan uap murni benzena pada berbagai suhu:
o
Suhu ( C) -1,6 7,6 15,4 26,1 42,2 60,6
Tekanan uap (mm Hg) 20 40 60 100 200 400
o
Perkirakan besarnya tekanan uap murni benzena pada 25 C menggunakan:
(a) Interpolasi linier
(b) Interpolasi kuadrat
(c) Interpolasi kubik
9. Data berikut ini menunjukkan profil indeks bias larutan sukrosa pada berbagai konsentrasi yang
diukur pada suhu 20oC.
Persen sukrosa 10 15 20 25 30 35
Indeks bias 1,3479 1,3557 1,3639 1,3723 1,3811 1,3902
Perkirakan konsentrasi larutan sukrosa yang mempunyai indeks bias sebesar 1,3606 dengan
menggunakan:
(a) Interpolasi linier
(b) Interpolasi kuadrat
(c) Interpolasi kubik
10. Sebuah reaksi heterogen mempunyai persamaan kecepatan reaksi yang mengikuti model kinetika
Langmuir-Hinshelwood: kP
1 A
(1 +
r=K P+K P )2
A A R R
Gunakan data-data berikut ini, yang diukur pada suhu 400 K, untuk memperkirakan besarnya k1,
KA, dan KR.
PA 1 0,9 0,8 0,7 0,6 0,5 0,4
PR 0 0,1 0,2 0,3 0,4 0,5 0,6
5
r x 10 3,4 3,6 3,7 3,9 4,0 4,1 4,2
Selamat Belajar...