Tugas Metode dan Komputasi Numerik 2017

Program Studi Teknik Sipil

Universitas Sebelas Maret Surakarta

BAB 1
PENDAHULUAN
1.1 Latar Belakang
Air merupakan komponen yang sangat penting bagi kehidupan di muka bumi.
Dengan meningkatnya kebutuhan akan air, para ilmiawan memberikan perhatian
yang sangat besar terhadap kelangsungan perubahan air di atmosfer, laut dan
daratan. Sirkulasi suplai air di bumi yang tidak putusnya disebut siklus hidrologi.
Siklus ini merupakan pancaran sistem energi matahari atmosfer merupakan rantai
yang menghubungkan lautan dan daratan. Air dari laut, secara tetap mengalami
evaporasi menjadi uap air yang berada di atmosfer. Angin akan mengangkut uap
air ini. Kadang pada jarak yang sangat jauh. Uap air ini akan berkumpul
membentuk awan. Apabila awan sudah jenuh, maka akan berubah menjadi hujan.
Hujan yang jatuh di laut mengakhiri siklus ini dan akan mulai dengan siklus yang
baru. Hujan yang jatuh di daratan akan melalui jalan yang lebih panjang untuk
mencapai laut. Apa yang terjadi apabila hujan jatuh di daratan ? Sebagian air
hujan akan meresap ke dalam tanah dan sebagian lagi akan mengalir di
permukaan ke darah yang lebih rendah, dan kemudian akan berkumpul di danau
atau sungai dan akhirnya mengalir ke laut. Bila curah hujan lebih besar daripada
kemampuan tanah untuk menyerap air, maka kelebihan air tersebut akan mengalir
dipermukaan menuju ke danau atau sungai. Air yang meresap ke dalam tanah
(infiltrasi) atau yang mengalir di permukaan (run off) akan menemukan jalannya
untuk kembali ke atmosfer, karena adanya evaporasi dari tanah, danau dan sungai.
Air yang meresap ke dalam tanah juga akan diserap oleh tumbuhan dan akan
kembali menguap melalui daunnya kembali ke atmosfer. Proses ini disebut
transpirasi.
Apabila hujan jatuh di daerah beriklim dingin, airnya tidak langsung meresap ke
dalam tanah atau mengalir sebagai run off, atau menguap. Air tersebut akan
menjadi salju atau es, yang merupakan cadangan air yang cukup besar di daratan.
Apabila salju atau es ini mencair, dapat menyebabkan naiknya muka air laut dan
menggenangi daerah pantai. Meskipun jumlah uap air di bumi waktu tertentu
sangat sedikit dibandingkan dengan jumlah total suplai air di bumi, tetapi jumlah

Cahyo Dwi Pambudi

I0115022

11
 2
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta
absolut dalam siklus yang melalui atmosfer setiap tahunnya sangat besar, kira-kira
380.000 km3, jumlah yang cukup untuk menutupi permukaan bumi sampai
kedalaman sekitar satu meter. Karena jumlah total dari uap air di atmosfer kira-
kira tetap sama, maka curah hujan tahunan rata-rata di permukaan bumi harus
sama dengan jumlah air yang menguap. Tetapi untuk semua daratan, jumlah curah
hujan lebih banyak daripada penguapan, sebaliknya di laut, jumlah penguapan
lebih banyak daripada curah hujannya. Karena muka air laut tidak mengalami
penurunan, maka curah hujan di daratan sebanding dengan penguapan di laut.
Maka dengan ini akan dibuat program menggunakan software visual basic untuk
menghitung hubungan intensitas air hujan terhadap debit aliran untuk
memudahkan dalam perhitungan hujan tahunan.
1.2 Rumusan Masalah
Berdasarkan uraian di atas, permasalahan yang dibahas yaitu :
a. Mencari persamaan hubungan antara intensitas hujan terhadap debit aliran.
b. Menghitung besaran debit hujan tahunan.
1.3 Batasan Masalah
Berdasarkan uraian di atas, permasalahan yang dibahas yaitu :
a. Mencari persamaan hubungan antara intensitas hujan terhadap debit aliran
dengan menggunakan metode regresi linier.
b. Menghitung besaran debit hujan tahunan dengan menggunakan metode
reggresi linier.
1.4 Tujuan
Tujuan dari pemakaian program software ini untuk memudahkan mengetahui
persamaan hubungan antara intensitas hujan terhadap debit aliran serta
memudahkan dalam menghitung besar debit hujan tahunan berdasarkan
perhitungan metode regresi linier secara manual dan menggunakan software
Visual Basic.
 3
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta

BAB 2
PENYUSUNAN PROGRAM
2.1 Penjabaran Masalah
Curah hujan merupakan salah satu faktor utama yang memiliki komponen
musiman yang dapat secara cepat mempengaruhi debit air, dan siklus tahunan
dengan karakteristik musim hujan panjang (kemarau pendek), atau kemarau
panjang (musim hujan pendek). Curah hujan yang menyebabkan bertambahnya
debit air. Sedangkan debit air sungai yang terdapat di kali kusu ternyata
dominansnya adalah air hujan dimana jika terjadi hujan maka debit air sungai
akan semakin tinggi.
2.2 Dasar Teori
2.2.1 Analisis Regresi
Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa
yang paling mungkin terjadi dimasa yang akan datang berdasarkan informasi yang
sekarang dimiliki agar memperkecil kesalahan. Analisis regresi dapat juga
diartikan sebagai usaha memprediksi perubahan. Perubahan nilai suatu variabel
dapat disebabkan karena adanya perubahan pada variabel-variabel lain yang
mempengaruhinya. Misalnya, volume kendaraan bermotor terhadap tingkat
kebisingan, karena adanya perubahan volume kendaraan bermotor maka tingkat
kebisingan dengan sendirinya akan berubah. Dalam fenomena alam banyak sekali
kejadian yang saling berkaitan sehingga perubahan pada variabel lain berakibat
pada perubahan variabel lainnya. Teknik yang digunakan untuk menganalisis ini
adalah analisis regresi.
Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun
persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan
(prediction). Dengan demikian, analisis regresi sering disebut sebagai analisis
prediksi. Karena merupakan prediksi, maka nilai prediksi tidak selalu tetap
dengan nilai riilnya, semakin kecil tingkat penyimpangan antara nilai prediksi
dengan nilai riilnya, maka semakin tepat persamaan regresinya.Sehingga dapat
didefinisikan bahwa: analisis regresi adalah metode statistik yang digunakan
untuk menentukan kemungkinan hubungan antara variabel-variabel.

3
 4
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta

2.2.2 Analisis Korelasi

Analisis korelasi bertujuan untuk mengukur kekuatan asosiasi (hubungan) linear
antara dua variabel. Korelasi tidak menunjukkan hubungan fungsional atau dengan
kata lain, analisis korelasi tidak membedakan antara variabel dependen dengan
variabel independen.
Dalam analisis regresi, selain mengukur kekuatan hubungan antara dua variabel atau
lebih, juga menunjukkan arah hubungan antara variabel dependen dengan variabel 2
independen. Variabel dependen diasumsikan random/stokastik, yang berarti
mempunyai distribusi probabilistik. Variabel independen/bebas diasumsikan memiliki
nilai tetap (dalam pengambilan sampel yang berulang)
Teknik estimasi variabel dependen yang melandasi analisis regresi disebut Ordinary
Least Squares (pangkat kuadrat terkecil biasa). Metode OLS diperkenalkan pertama
kali oleh Carl Friedrich Gauss, seorang ahli matematika dari Jerman. Inti metode OLS
adalah mengestimasi suatu garis regresi dengan jalan meminimalkan jumlah dari
kuadrat kesalahan setiap observasi terhadap garis tersebut.
Ada dua jenis ukuran korelasi yang banyak yaitu:
1. Korelasi produk momen Pearson untuk mengukur derajat asosiasi beberapa
peubah dengan skala interval atau rasio.
2. Korelasi Spearman untuk mengukur derajat asosiasi antara beberapa dengan
skala ordinal (rank).
2.2.2.1 Koefisien korelasi linier
Koefisien korelasi linier ( r ) adalah ukuran hubungan linier antara dua
variabel/peubah acak X dan Y untuk mengukur sejauh mana titik-titik
menggerombol sekitar sebuah garis lurus regresi.
Berikut ini adalah rumus dari Korelasi :

Koefisien korelasi atau derajat asosiasi dua peubah (dinotasikan dengan r).
Besarnya r berkisar antara -1<.r<1. Ilustrasi grafik sebaran data dengan berbagai
nilai korelasi dapat disajikan dalam bentuk diagram pencar.
 5
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta
Kegunaan diagram pencar :
1. Membantu menunjukkan apakah terdapat hubungan yang bermanfaat antara
dua variabel.
2. Membantu menetapkan tipe persamaan yang menunjukkan hubungan antara
kedua variabel tersebut.
3. Menentukan persamaan garis regresi atau mencari nilai-nilai konstan.
2.2.2.2 Koefisien Determinasi
Koefisien determinasi adalah salah satu nilai statistik yang dapat digunakan untuk
mengetahui apakah ada hubungan pengaruh antara dua variabel. Nilai koefisien
determinasi menunjukkan persentase variasi nilai variabel dependen yang dapat
dijelaskan oleh persamaan regresi yang dihasilkan. Koefisien determinasi yang
dinyatakan dengan ) untuk pengujian regresi linier berganda yang mencakup lebih
dari dua variabel adalah untuk mengetahui proporsi keragaman total dalam
variabel tak bebas (Y) yang dapat dijelaskan atau diterangkan oleh variabel-
variabel bebas (X) yang ada dalam model persamaan regresi linier berganda
secara bersama-sama. Maka akan ditetukan dengan rumus, yaitu:

Dengan

Harga R2 yang diperoleh sesuai dengan variansi yang dijelaskan masing-masing

variabel yang tinggal dalam regresi. Hal ini mengakibatkan variasi yang
dijelaskan penduga yang disebabkan oleh variabel yang berpengaruh saja (bersifat
nyata).
Nilai koefisien determinasi antara 0 dan 1 untuk menyatakan proporsi keragaman
total nilai-nilai peubah Y yang dapat dijelaskan oleh nilai-nilai peubah X melalui
hubungan linier tersebut.
Contoh : r = 0,6 artinya 0,36 atau 36 % diantara keragaman total nilai-nilai Y
dapat dijelaskan oleh hubungan liniernya dengan nilai-nilai X. atau Besarnya
 6
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta
sumbangan X terhadap naik turunnya Y adalah 36 % sedangkan 64 % disebabkan
oleh faktor lain.
Korelasi menyatakan derajat hubungan antara dua variabel tanpa memperhatikan
variabel mana yang menjadi peubah. Karena itu hubugan korelasi belum dapat
dikatakan sebagai hubungan sebab akibat.

Gambar 2.1 Grafik Hubungan Variabel X dan Y

Keterangan :
1. Hubungan positif menyatakan hubungan semakin besar nilai pada variabel X,
diikuti pula perubahan dengan semakin besar nilai pada variabel Y
2. Hubungan negatif menyatakan hubungan semakin besar nilai pada variabel X,
diikuti pula perubahan dengan semakin kecil nilai pada variabel Y.
3. r = 1,00 menyatakan hubungan yang sempurna kuat; r = 0,50 menyatakan
hubungan sedang; dan 0,00 menyatakan tidak ada hubungan sama sekali (dua
variabel tidak berhubungan).
 7
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta
Tabel 2.1 Penggunaan Teknik Korelasi

2.2.3 Persamaan Regresi

Persamaan regresi yang digunakan untuk membuat taksiran mengenai variabel
dependen disebut persamaan regresi estimasi, yaitu suatu formula matematis yang
menunjukkan hubungan keterkaitan antara satu atau beberapa variabel yang
nilainya sudah diketahui dengan satu variabel lain yang nilainya belum diketahui.
Sifat hubungan antar variabel dalam persamaan regresi merupakan hubungan
sebab akibat (causal relationship). Oleh karena itu, sebelum menggunakan
persamaan maka perlu diyakini terlebih dahulu secara teoritis atau perkiraan
sebelumnya, dua atau lebih variabel memiliki hubungan sebab akibat.
Variabel yang nilainya akan mempengaruhi nilai variabel lain disebut variabel
bebas (independent variabel), sedangkan variabel yang nilainya dipengaruhi oleh
nilai variabel lain disebut variabel tidak bebas (dependent variabel). Bentuk umum
dari persamaan regresi linier adalah :

Y = a + bx

a
 X  X    X  XY 
2
n XY   X  Y 
dan b 
n X   X  n X 2   X 
2 2 2

Dimana:
Y = Variabel tak bebas
x = Variabel bebas
a = Parameter intercep
b = Parameter koefisisen regresi variabel beban
 8
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta
Atau dengan cara menghitung terlebih dahulu b, maka a dapat dihitung dari :
a  Y  b X , X dan Y masing-masing rata-rata dari veriabel X dan Y. Rumus
diatas digunakan untuk menghitung koefisien-koefisien regresi Y atas X.
Untuk menghitung koefisien-koefisien regresi X atas Y, rumus yang sama dapat
digunakan tetapi harus dipertukarkan tempat untuk simbul-simbul X dan Y.
Koefisien korelasi (R), yang menunjukan derajat hubungan antara Xi dan Yi
n XY   X  Y
ditentukan dari: R 
 
n X 2   X  n Y 2   Y 
2 2

Koefisien determinasi (R2), yaitu menunjukan perbedaan varian dari data
pengukuran Yi dan varian dari nilai pada garis regresi untuk nilai Xi, ditentukan
dari R.

2.2.4 Menilai Goodness of Fit Suatu Model

Ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat diukur dari
Goodness of fitnya. Secara statistik, setidaknya ini dapat diukur dari nilai
koefisien determinasi, nilai statistik F dan nilai statistik t. Perhitungan statistik
disebut signifikan secara statistik apabila nilai uji statistiknya berada dalam daerah
kritis (daerah dimana Ho ditolak). Sebaliknya disebut tidak signifikan bila nilai uji
statistiknya berada dalam daerah dimana Ho diterima.
2.2.4.1 Uji Koefisien Determinasi
Koefisien determinasi (R2) pada intinya mengukur seberapa jauh kemampuan
model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi
adalah antara nol dan satu. Nilai R2 = yang kecil berarti kemampuan variabel-
variabel independen dalam menjelaskan variasi variabel dependen amat terbatas.
Nilai yang mendekati satu berarti variabel-variabel independen memberikan
hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel
dependen. Secara umum koefisien determinasi untuk data silang (crossection)
relatif rendah karena adanya variasi yang besar antara masing-rnasing
pengamatan, sedangkan untuk data runtun waktu (time series) biasanya
mempunyai nilai koefisien determinasi yang tinggi.
Satu hal yang perlu dicatat adalah masalah regresi lancung (spurious regression).
Insukindro (1998) menekankan bahwa koefisien determinasi hanyalah salah satu
dan bukan satu-satunva kriteria memilih model yang baik. Alasannya bila suatu
estimasi regresi linear menghasilkan koefisien determinasi yang tinggi, tetapi
 9
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta
tidak konsisten dengan teori ekonomika yang dipilih oleh peneliti, atau tidak lolos
dari uji asumsi klasik, maka model tersebut bukanlah model penaksir yang baik
dan seharusnya tidak dipilih menjadi model empirik.
Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap
jumlah variabel independen yang dimasukkan kedalam model. Setiap tambahan
satu variabel independen, maka R2 pasti meningkat tidak perduli apakah variabel
tersebut berpengaruh secara signifikan terhadap variabel dependen. Oleh karena
itu banyak peneliti menganjurkan untuk menggunakan nilai Adjusted R2 pada saat
mengevaluasi mana model regresi terbaik. Tidak seperti R2, nilai Adjusted R2
dapat naik atau turun apabila satu variabel independen ditambahkan kedalam
model.
Dalam kenyataan nilai adjusted R2 dapat bernilai negatif, walaupun yang
dikehendaki harus bernilai positif. Menurut Gujarati (2003) jika dalam uji empiris
didapat nilai adjusted R2 negatif, maka nilai adjusted R2 dianggap bernilai nol.
Secara matematis jika nilai R2 = 1, maka Adjusted R2 = R2 = I sedangkan jika
nilai R2 = 0, maka adjusted R2 = (1 - k)/(n - k). Jika k > 1 , maka adjusted R= akan
bernilai negatif.
2.2.4.2 Uji Signifikan Parameter Individual (Uji Statistik t)
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel
penjelas/independen secara individual dalam menerangkan variasi variabel
dependen. Hipotesis nol (Ho) yang hendak diuji adalah apakah suatu parameter
(bi) sama dengan nol, atau
Ho:bi = 0
Artinya apakah suatu variabel independen bukan merupakan penjelas yang
signifikan terhadap variabel dependen. Hipotesis alternatifnya (HA) parameter
suatu variabel tidak sama dengan nol, atau
HA: bi # 0
Artinya, variabel tersebut merupakan penjelas yang signifikan terhadap variabel
dependen. Untuk menguji signifikasi pengaruh variabel x terhdap y digunakan uji
t dengan rumus sebagai berikut :
Rumus t hitung :
 10
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta
Rumus t tabel :
dimana :
t = t hitung uji signifikasi
r = koefisien korelasi
n = jumlah periode
Dengan kriteria pengujian sebagai berikut :
Ho diterima apabila t test ≥ t tabel
Ho ditolak apabila t test ≤ t tabel

2.3 Model Matematika dan Penyelesaian Manual

Tabel dibawah ini, menunjukan data curah hujan (Xi) dalam satuan mm dari DPS
Cimanuk-Leuwigoong dan debit alirannya (Yi) dalam m3/det, pada rata-rata
bulanan dari tahun 1978-1982. Tentukan:
a. Bagaimana persamaan hubungan intensitas curah hujan dengan debit air?
b. Berapa besar debit hujan tahunan?
Tabel 2.2 Soal Regresi Linier
No. Bulan Curah Hujan (mm)-Xi Debit air (m3/det)-Yi
1. Januari 229 32
2. Februari 205 31
3. Maret 271 38
4. April 304 40
5. Mei 145 28
6. Juni 154 24
7. Juli 98 21
8. Agustus 69 13
9. September 71 14
10. Oktober 96 12
11. November 184 28
12. Desember 280 37
 11
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta
Jawab:
Dengan menggunakan calculator Casio fx-3600 misalnya, didapat:

X  175,5 ,  X  2106 ,  X 2
 445942 , S X2  6939,91

Y  318 , Y  9492 , S = 96,82 dan  XY  64510 sehingga:

Y  26,5 , 2 2
y

n XY   X  Y  12(64510)  (2106)(318) 104412

b    0,-0,02
113
n X   X  12(445942)  (2106)
2 2
2 916068

a  Y  b X = 26,5-(0,113)(175,5) = 30,63
didapat persamaan regresinya:
Y = 30,63 + (-0,02)X dapat digunakan untuk:
1. Meramal data debit berdasarkan data curah hujan.
2. Koefsien arah (b) menyatakan perubahan rata-rata variabel Y untuk setiap
perubahan variabel X sebesar satu satuan. Dengan demikian dapat dikatakan,
bahwa terjadi perubahan curah hujan satu satuan, maka diharapkan terjadi
perubahan debit rata-rata bulanan sebesar 0,02 m3/det.
3. Bila data curah hujan pada Range data di atas ( 69  X  304 ), maka dapat
diramalkan debit di antara kedua batas tersebut, disebut dengan interpolasi
debit. Sebaliknya, jika mensubstitusikan variabel X di luar Range data
tersebut, misalnya X = 500 mm maka didapat Y = 20,63 m3/det, disebut
ekstrapolasi debit.
a. Koefien korelasi adalah:
n XY   X Y
R
n X 2

  X  nY 2  Y 
2 2

(12)(64510)  (2106)(318)
R  0,0,155
9649
12(445942)  (2106) (12)(9492)  (318) 
2 2

Korelasi positif (R=0,155) antara debit (Y) dengan curah hujan (X), berarti
semakin besar curah hujan semakin besar pula debit DPS Cimanuk-Leuwigoong.
Koefisien determinasi (R2) = 0,024 = 2,4 %, artinya bertambah atau menurunnya
debit air (Y) sebesar 15,5% dapat dijelaskan oleh hubungan linier antara curah
hujan dan debit dengan persamaan Y = 30,63 + 0,02X, sedangkan sisanya 84,5%
disebabkan faktor lain yang tidak termasuk dalam analisis ini.
 12
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta
2.4 Kode Pemrograman
2.4.1 Algoritma Pemrograman
Metode Regresi Linier
1. Persiapan Data
a. Curah hujan
b. Debit air
2. Input Data
a. Curah hujan
b. Debit air
3. Proses Data
4. Output Data
Dari perhitungan data diperoleh output data sebagai berikut :
a. Persamaan hubungan curah hujan dengn debit air
b. Besar debit air hujan tahunan
 13
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta
2.4.1 Flowchart

START

INPUT :

X dan Y

No Data input
valid

Yes
Menghitung :

N, ∑Y, ∑X, ∑X2, dan ∑X.Y

Yes

Menghitung :

a = (∑Y.∑X2) – (∑X.∑XY)
(N.∑X2) – (∑X)2

a=0 Yes
Eror

No

Menghitung :

b = (N.∑X.Y) – (∑X.∑Y)
(N.∑X2) – (∑X)2

A C
 14
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta

A C

b=0 Yes

No

Menghitung
1. Y = a + bx
2. Koefisien Korelasi
3. Debit Air Hujan

OUTPUT :
Y dan

END

Gambar 2.2 Flowchart Penyelesaian dengan Metode Regresi Linier

2.4.2 Source Code Program Visual Basic
Private Sub CommandButton1_Click()
x1 = Cells(5, 3)
x2 = Cells(6, 3)
x3 = Cells(7, 3)
x4 = Cells(8, 3)
x5 = Cells(9, 3)
x6 = Cells(10, 3)
x7 = Cells(11, 3)
x8 = Cells(12, 3)
x9 = Cells(13, 3)
x10 = Cells(14, 3)
x11 = Cells(15, 3)
x12 = Cells(16, 3)

y1 = Cells(5, 4)
y2 = Cells(6, 4)
y3 = Cells(7, 4)
y4 = Cells(8, 4)
y5 = Cells(9, 4)
 15
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta
y6 = Cells(10, 4)
y7 = Cells(11, 4)
y8 = Cells(12, 4)
y9 = Cells(13, 4)
y10 = Cells(14, 4)
y11 = Cells(15, 4)
y12 = Cells(16, 4)

End Sub

Private Sub CommandButton2_Click()

n = 12 'jumlah variabel input x

'variabel y
y1 = y1.Text
y2 = y2.Text
y3 = y3.Text
y4 = y4.Text
y5 = y5.Text
y6 = y6.Text
y7 = y7.Text
y8 = y8.Text
y9 = y9.Text
y10 = y10.Text
y11 = y11.Text
y12 = y12.Text

'variabel x
x1 = x1.Text
x2 = x2.Text
x3 = x3.Text
x4 = x4.Text
x5 = x5.Text
x6 = x6.Text
x7 = x7.Text
x8 = x8.Text
x9 = x9.Text
x10 = x10.Text
x11 = x11.Text
x12 = x12.Text

'nilai xk
x1k = x1 ^ 2
x2k = x2 ^ 2
x3k = x3 ^ 2
x4k = x4 ^ 2
 16
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta
x5k = x5 ^ 2
x6k = x6 ^ 2
x7k = x7 ^ 2
x8k = x8 ^ 2
x9k = x9 ^ 2
x10k = x10 ^ 2
x11k = x11 ^ 2
x12k = x12 ^ 2

'nilai yx
yx1 = y1 * x1
yx2 = y2 * x2
yx3 = y3 * x3
yx4 = y4 * x4
yx5 = y5 * x5
yx6 = y6 * x6
yx7 = y7 * x7
yx8 = y8 * x8
yx9 = y9 * x9
yx10 = y10 * x10
yx11 = y11 * x11
yx12 = y12 * x12

'nilai sum
sumy = Val(y1) + Val(y2) + Val(y3) + Val(y4) + Val(y5) + Val(y6) + Val(y7) +
Val(y8) + Val(y9) + Val(y10) + Val(y11) + Val(y12)
sumx = Val(x1) + Val(x2) + Val(x3) + Val(x4) + Val(x5) + Val(x6) + Val(x7) +
Val(x8) + Val(x9) + Val(x10) + Val(x11) + Val(x12)
sumxk = Val(x1 ^ 2) + Val(x2 ^ 2) + Val(x3 ^ 2) + Val(x4 ^ 2) + Val(x5 ^ 2) +
Val(x6 ^ 2) + Val(x7 ^ 2) + Val(x8 ^ 2) + Val(x9 ^ 2) + Val(x10 ^ 2) + Val(x11 ^
2) + Val(x12 ^ 2)
sumxy = Val(y1 * x1) + Val(y2 * x2) + Val(y3 * x3) + Val(y4 * x4) + Val(y5 *
x5) + Val(y6 * x6) + Val(y7 * x7) + Val(y8 * x8) + Val(y9 * x9) + Val(y10 *
x10) + Val(y11 * x11) + Val(y12 * x12)

'linear equation
a1 = ((sumy * sumx2) - (sumx * sumxy)) / ((n * sumx2) - (sumx ^ 2))
b1 = ((n * sumxy) - (sumx * sumy)) / ((n * sumx2) - (sumx ^ 2))
c1 = ((n * sumxy) - (sumx * sumy)) / ((((n * sumx2) - (sumx ^ 2)) * ((n * sumy2)
- (sumy ^ 2))) ^ 0.5)
d1 = Val(b1 / a1) * 100

End Sub

Private Sub CommandButton3_Click()

y1.Text = ""
y2.Text = ""
 17
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta
y3.Text = ""
y4.Text = ""
y5.Text = ""
y6.Text = ""
y7.Text = ""
y8.Text = ""
y9.Text = ""
y10.Text = ""
y11.Text = ""
y12.Text = ""
x1.Text = ""
x2.Text = ""
x3.Text = ""
x4.Text = ""
x5.Text = ""
x6.Text = ""
x7.Text = ""
x8.Text = ""
x9.Text = ""
x10.Text = ""
x11.Text = ""
x12.Text = ""
a1.Text = ""
b1.Text = ""
c1.Text = ""
d1.Text = ""

End Sub

Private Sub Label3_Click()

End Sub

Private Sub Label4_Click()

End Sub

Private Sub UserForm_Click()

End Sub
 18
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta

2.5 Hasil Penyelesaian dengan Program

Gambar 2.3 Tampilan Awal Program

Gambar 2.4 Tampilan Setelah Input Data

 19
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta

Gambar 2.5 Hasil Perhitungan dengan Metode Regresi Linier

Gambar 2.6 Hasil Reset

 20
Tugas Metode dan Komputasi Numerik 2017
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta

BAB 3
PENUTUP
3.1 Kesimpulan
Kesimpulan :
Aliran permukaan (run off) adalah bagian dari curah hujan yang mengalir di atas
permukaan tanah menuju ke sungai, danau dan lautan. Air hujan yang jatuh ke
permukaan tanah ada yang langsung masuk ke dalam tanah atau disebut air
infiltrasi. Sebagian lagi tidak sempat masuk ke dalam tanah dan oleh karenanya
mengalir di atas permukaan tanah ke tempat yang lebih rendah. Ada juga bagian
dari air hujan yang telah masuk ke dalam tanah, terutama pada tanah yang hampir
atau telah jenuh, air tersebut ke luar ke permukaan tanah lagi dan lalu mengalir ke
bagian yang lebih rendah. Dengan dibuatnya program regresi linier ini, maka
dihasilkan persamaan hubungan intensitas curah hujan dengan debit air hujan
adalah Y = 30,63 + (-0,02)X dan besarnya koefisien korelasi adalah 15,5% serta
besarnya debit aliran air hujan adalah 0,02 : 30,63 x 100 = 700 mm/det

20