LAPORAN PRAKTIKUM KOMPUTASI PROSES

BAB IV REGRESI LINEAR

Disusun oleh:

Nama : Yafi Shofwan Shabri

NIM : 16521168
Kelas / hari : A / Selasa 09:30 – 11.30
Asisten : 1. Aditya Kurniawan
2. Anantri Nugraheni Maghfirohwati
3. Gigih Lintang Prasetyo
4. Panji Kumala Setiawan

LABORATORIUM KOMPUTASI PROSES

JURUSAN TEKNIK KIMIA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2018
 REGRESI LINEAR

BAB I PENDAHULUAN

A. TUJUAN
Agar mahasiswa dapat mencari akar persamaan non linear menggunakan
penyelesaian numerik.

B. DASAR TEORI

Algoritma :

Algoritma untuk evaluasi tetapan dalam persamaan-persamaan empiric

regresi linear:
a. Untuk persamaan y = a0x
1) Mendefinisikan bentuk persamaan y = a0x
2) Menentukan data nilai x dan y.
3) Menentukan nilai (x.y) dan x2.
4) Menentukan jumlah x, y, x2, dan (x,y).
∑(𝑥𝑖 𝑦𝑖 )
5) Mencari tetapan nilai a0. 𝑎0 = ∑ 𝑥𝑖 2

b. Untuk persamaan y = a0 + a1x

1) Mendefinisikan bentuk persamaan y = a0 + a1x
2) Menentukan nilai x dan y
3) Menentukan nilai x2 dan xy
4) Menentukan jumlah (sum) x, y, x2, dan (xy)
5) Memasukkan nilai yang sudah didapat ke persamaan
𝑛 𝑎0 + 𝑎1 ∑ 𝑥𝑖 = ∑ 𝑦𝑖 …………………. (1)
𝑎0 ∑ 𝑥𝑖 + 𝑎1 ∑(𝑥𝑖 2 ) = ∑(𝑥𝑖 𝑦𝑖 ) ………... (2)
6) Mengeleminasi kedua persamaan untuk mendapatkan a1 atau a0
7) Mensubstitusi nilai a1 atau a0 ke dalam persamaan y = a0 + a1x
8) Memasukkan nilai a1 dan a0 ke persamaan y = a0 + a1x
Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui
pengaruh antara satu atau beberapa variabel terhadap satu buah variabel.
Variabel yang mempengaruhi sering disebut variabel bebas, variabel
independen atau variabel penjelas. Variabel yang dipengaruhi sering disebut
dengan variabel terikat atau variabel dependen.

Secara umum regresi linear terdiri dari dua, yaitu regresi linear sederhana
yaitu dengan satu buah variabel bebas dan satu buah variabel terikat; dan
regresi linear berganda dengan beberapa variabel bebas dan satu buah
variabel terikat. Analisis regresi linear merupakan metode statistik yang
paling jamak dipergunakan dalam penelitian-penelitian sosial, terutama
penelitian ekonomi. Program komputer yang paling banyak digunakan adalah
SPSS (Statistical Package For Service Solutions).

Regresi Linier Sederhana

Analisis regresi linear sederhana dipergunakan untuk mengetahui

pengaruh antara satu buah variabel bebas terhadap satu buah variabel
terikat. Persamaan umumnya adalah:

Y = a + b X.

Dengan Y adalah variabel terikat dan X adalah variabel bebas. Koefisien a

adalah konstanta (intercept) yang merupakan titik potong antara garis regresi
dengan sumbu Y pada koordinat kartesius.

Regresi Linier Berganda

Analisis regresi linear berganda sebenarnya sama dengan analisis regresi

linear sederhana, hanya variabel bebasnya lebih dari satu buah. Persamaan
umumnya adalah:
Y = a + b1 X1 + b2 X2 + .... + bn Xn.
Dengan Y adalah variabel bebas, dan X adalah variabel-variabel bebas, a
adalah konstanta (intersept) dan b adalah koefisien regresi pada masing-
masing variabel bebas.

Interpretasi terhadap persamaan juga relatif sama, sebagai ilustrasi,

pengaruh antara motivasi (X1), kompensasi (X2) dan kepemimpinan (X3)
terhadap kepuasan kerja (Y) menghasilkan persamaan sebagai berikut:
Y = 0,235 + 0,21 X1 + 0,32 X2 + 0,12 X3
Jika variabel motivasi meningkat dengan asumsi variabel kompensasi dan
kepemimpinan tetap, maka kepuasan kerja juga akan meningkat
Jika variabel kompensasi meningkat, dengan asumsi variabel motivasi dan
kepemimpinan tetap, maka kepuasan kerja juga akan meningkat.
Jika variabel kepemimpinan meningkat, dengan asumsi variabel motivasi
dan kompensasi tetap, maka kepuasan kerja juga akan meningkat.
Interpretasi terhadap konstanta (0,235) juga harus dilakukan secara hati-
hati. Jika pengukuran variabel dengan menggunakan skala Likert antara 1
sampai dengan 5 maka tidak boleh diinterpretasikan bahwa jika variabel
motivasi, kompensasi dan kepemimpinan bernilai nol, karena ketiga
variabel tersebut tidak mungkin bernilai nol karena Skala Likert terendah
yang digunakan adalah 1.

Analisis regresi linear berganda memerlukan pengujian secara serempak

dengan menggunakan F hitung. Signifikansi ditentukan dengan
membandingkan F hitung dengan F tabel atau melihat signifikansi pada
output SPSS. Dalam beberapa kasus dapat terjadi bahwa secara simultan
(serempak) beberapa variabel mempunyai pengaruh yang signifikan, tetapi
secara parsial tidak. Sebagai ilustrasi: seorang penjahat takut terhadap
polisi yang membawa pistol (diasumsikan polisis dan pistol secara
serempak membuat takut penjahat). Akan tetapi secara parsial, pistol tidak
membuat takut seorang penjahat. Contoh lain: air panas, kopi dan gula
menimbulkan kenikmatan, tetapi secara parsial, kopi saja belum tentu
menimbulkan kenikmatan.

Penggunaan metode analisis regresi linear berganda memerlukan uji

asumsi klasik yang secara statistik harus dipenuhi. Asumsi klasik yang
sering digunakan adalah asumsi normalitas, multikolinearitas,
autokorelasi, heteroskedastisitas dan asumsi linearitas..

Langkah-langkah yang lazim dipergunakan dalam analisis regresi linear

berganda adalah 1) koefisien determinasi; 2) Uji F dan 3 ) uji t. Persamaan
regresi sebaiknya dilakukan di akhir analisis karena interpretasi terhadap
persamaan regresi akan lebih akurat jika telah diketahui signifikansinya.
Koefisien determinasi sebaiknya menggunakan Adjusted R Square dan
jika bernilai negatif maka uji F dan uji t tidak dapat dilakukan.
 BAB II PERSOALAN DAN PENYELESAIAN

A. LATIHAN
1. Diketahui data hasil pirolisis biomassa tembakau dengan katalis zeolit adalah
sebagai berikut :
Suhu Luas area peak (m-2)
300 120148
350 182173
400 216745
450 248129
500 301589
550 278624
600 251347
Lakukan regresi linear pada data tersebut dengan metode kuadrat kecil ! (Catatan:
grafik jangan lupa diberi label dan judul)

function[a,r2] = linregr(x,y)
%linregr(x,y):
%fitting kuadrat terkecil dari garis lurus terhadap data observasi.
%input:
%x = variabel bebas
%y = variabel terikat
%output:
%a = vektor slope, a(1), dan intercept, a(2)
%r2= coefficient of determination
n=length(x);
if length (y)~=n, error('banyaknya data x dan y harus sama'); end
x= x(:); y = y(:); %membuat vektor kolom
sx = sum(x); sy=sum(y);
sx2 = sum (x.*x); sxy = sum(x.*y); sy2 = sum(y.*y);
a(1) = (n*sxy-sx*sy)/(n*sx2-sx^2);
a(2) = sy/n-a(1)*sx/n;
r2 = ((n*sxy-sx*sy)/sqrt(n*sx2-sx^2)/sqrt(n*sy2-sy^2))^2
%membuat plot data dan garis fitting
xp = linspace(min(x),max(x),2);
yp = a(1)*xp+a(2);
plot(x,y,'o',xp,yp)
grid on
x=[300:50:600];
y=[120148 182173 216745 248129 301589 278624 251347];
linregr(x,y)

r2 =

0.7064

ans =

1.0e+04 *

0.0480 1.2605

title('grafik pirolisis biomassa')

xlabel('suhu')
ylabel('luas area peak')
2. Diketahui data ekspor beras ke negara-negara Asia Tenggara adalah
sebagai berikut:
Tahun Ekspor (ton/tahun)
2011 5347
2012 5210
2013 4976
2014 5538
2015 6125
2016 5851
2017 7192
Lakukan regresi linear pada data tersebut dengan menggunakan function
polyfit dan prediksikan ekspor beras pada tahun 2018 !

Jawab :
x=[2011 2012 2013 2014 2015 2016 2017];
y=[5347 5210 4976 5538 6125 5851 7192];
p=polyfit(x,y,1)

p=

1.0e+05 *

0.0028 -5.6723

z=@(x)p(1,1)*x+p(1,2);
p=z(2018)

p=

6.8864e+03

3. Diketahui data konsentrasi dalam suatu Reaktor Alir Tangki Berpengaduk

(RATB) adalah sebagai berikut :
t(detik) C (gmol/L)
0 0.0000
10 0.2000
 20 0.4000
30 0.6000
40 0.8000
50 1.0000
60 1.2000
70 1.4000

Dari data diatas, maka carilah nilai slope-nya dengan menggunakan

metode kuadrat kecil !
(Catatan: grafik jangan lupa diberi label dan judul)
Jawab :
x=[0 10 20 30 40 50 60 70];
y=[0.0000 0.2000 0.4000 0.6000 0.8000 1.0000 1.2000 1.4000];
linregr(x,y)
r2 =
1
ans =
0.0200 -0.0000

title('Grafik RATB')
xlabel('t')
ylabel('C')
4. Nilai konduktivitas alumunium pada berbagai suhu adalah sebagai berikut:

T (K) K
(Btu/(h.ft2)(F/ft)
300 273
400 240
500 237
600 232
800 220
Dari data tersebut dapat dibuat model matematis menggunakan persamaan
linear berikut:

k = 𝑎0 𝑇 + 𝑎1
Tentukan harga 𝑎0 dan 𝑎1 dengan menggunakan metode kuadrat terkecil .

Jawab :
x=[300 400 500 600 800];
y=[273 240 237 232 220];
linregr(x,y)

r2 =

0.7818

ans =

-0.0908 287.6216

title('Grafik Konduktivitas Alumunium')

xlabel('T (K)')
ylabel('K (Btu/lb.ft^2.F')
 B. TUGAS

1. Diketahui data impor metal klorida di Indonesia adalah sebagai berikut:

Tahu Impor
n (kg/tahun)
2010 54237
2011 55219
2012 53995
2013 62803
2014 73245
2015 77730
2016 82297
Berapa perkiraan impor metil klorida pada tahun 2019? Gunakan metode
kuadrat terkecil !
(Catatan: grafik jangan lupa diberi label dan judul)

Jawab :
x=[2010 2011 2012 2013 2014 2015 2016];
y=[54237 55219 53995 62803 73245 77730 82297];
linregr(x,y)

r2 =

0.9112
ans =

1.0e+07 *

0.0005 -1.0607
z=@(x)ans(1,1)*x+ans(1,2);
p=z(2019)

p=

9.7458e+04

title('Grafik Impor Metal Klorida')

xlabel('Tahun')
ylabel('Impor (kg/tahun)')
2. Data konstanta laju reaksi k terhadap suhu t adalah sebagai berikut :

T (K) 781 700 666 629 556

K 0,1059 3,10x10-3 5,88x10-4 8,09x10-5 9,42x10-7
(cm3/mol
.s)
𝐸
Dengan menggunakan persamaan Arrhenius = 𝐴𝑒 −𝑅𝑇 , tentukan factor
tumbukan (A) dan energy aktivasi (E) dengan menggunakan metode kuadrat
kecil ! Diketahui R = 8,314 J/mol.K
(Catatan: grafik jangan lupa diberi label dan judul)
𝐸
𝑘 = 𝐴𝑒 −𝑅𝑇
𝐸
ln 𝑘 = ln 𝐴 −
𝑅𝑇
1
ln 𝑘 = 𝐸 (− ) + 𝑙𝑛 𝐴
𝑅𝑇
(𝑦 = 𝑎𝑥 + 𝑏)

Jawab :

x=[781 700 666 629 556];

y=[0.1059 3.10e-3 5.88e-4 8.09e-5 9.42e-7];
linregr(x,y)

r2 =

0.6097

ans =

0.0004 -0.2709
title('Grafik Konstanta Laju Reaksi')
xlabel('T(K)')
ylabel('K((cm^3)/mol*s)')
 BAB III PENUTUP

A. KESIMPULAN

KUALITATIF
 Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui
pengaruh antara satu atau beberapa variabel terhadap satu buah variabel
 Secara umum regresi linear terdiri dari dua, yaitu regresi linear sederhana
yaitu dengan satu buah variabel bebas dan satu buah variabel terikat; dan
regresi linear berganda
 Penyelesaian persamaan non linier adalah penentuan akar-akar persamaan
non linier.

KUANTITATIF
 Pada latihan nomor 1 didapatkan r2 = 0.7064 ; a = 0.0480 ; b = 1.2605
 Pada latihan nomor 2 didapatkan p = 6.8864e+03
 Pada latihan nomor 3 didapatkan r2 = 1 ; a = 0.0200 ; b = -0.0000
 Pada latihan nomor 4 didapatkan r2 = 0.7818 ; a_(0 )= -0.0908 ;
a_1 = 287.6216
 Pada tugas nomor 1 didapatkan p = 9.7458e+04
 Pada tugas nomor 2 didapatkan r2 = 0.6097 ; A = 0.0004 ; E = -0.2709

B. SARAN
 Jika ada mahasiswa yang belum dapat menyelesaikan latihan lebih baik di
bantu hingga mendapatkan jawaban yang benar.
 Lebih jelas dalam menyampaikan pengantar.
 Berdoalah sebelum memulai praktikum