TUGAS STATISTIKA TEKNIK KIMIA

“SUMMATIVE REGRESSION EXAMPLE”

Disusun oleh:

KELOMPOK VI

AYLA ANNISA LISWANNI 1707114182

DONDA LAMSINAR HUTAHURUK 1707122311
LENNY SUCIANY 1707114007
M. BIMA AFIQ NAUFAL 1707122641
OLO CHRIS SIMADA PANDIA 1707114094
RICKY MARTIN 1707114073

PROGRAM STUDI SARJANA TEKNIK KIMIA

FAKULTAS TEKNIK

UNIVERSITAS RIAU

PEKANBARU

2019
1.1 Model dan Penggunaannya
Setelah analisis regresi telah dilakukan, model ini sering dilakukan untuk
memprediksi sifat dari sistem pada kondisi lain. Namun, validitas hasilnya perlu
diperiksa dengan cermat. Pertama, model harus digunakan untuk interpolasi, yaitu
untuk memprediksi nilai-nilai yang ada di dalam wilayah aslinya. Dan untuk
istilah sebaliknya, ekstrapolasi, menunjukkan penggunaan model di luar wilayah
aslinya. Namun, menentukan apakah ekstrapolasi merupakan suatu masalah
belum tentu mudah, terutama dalam kasus multivarian. Pertimbangkan, misalnya,
dua variabel yang ditunjukkan pada Gambar 3.5.

Gambar 3.5 extrapolation in multivariate analysis

Model ini sesuai berdasarkan data dan dilambangkan sebagai lingkaran

hitam yang memberikan kisaran [10 C, 40 C] untuk suhu (T) dan [10 m, 20 m]
untuk ketinggian (h). Dapat dilihat bahwa, untuk alasan apa pun, suhu dan
ketinggian tidak dipilih secara acak di seluruh rentang; mereka sepertinya jatuh
wilayah tertentu. Jika model yang dihasilkan kemudian digunakan untuk
memprediksi nilai untuk segitiga hijau, hasilnya bisa keliru, karena titik terletak
jauh di luar wilayah asli data. Namun, dapat dicatat bahwa titik yang dipilih
terletak di dalam kedua rentang wilayah dan akan diasumsikan tidak ada masalah.
Ini artinya sangat diperlukan untuk memeriksa apakah titik data yang dipilih
terletak di dalam ruang regresi yang sebenarnya.

1.2 Contoh Regresi Summatif

Untuk menerapkan semua yang telah dipertimbangkan dalam bab ini, satu
contoh sumatif tunggal akan diperiksa.

1.2.1 Data Dan Problem Statement

Untuk efisiensi dan keuntungan operasi, terutama saat musim panas, pada
pabrik penghasil listrik, harus ada perkiraan penggunaan paling tinggi tenaga (*P)
seakurat mungkin untuk mengantisipasi penggunaan suhu yang tinggu. Data pada
Table 3.9 adalah 30 sampel random suhu sehari-hari (T, oF) dan tenaga yang
digunakan (P*, MW). Diikuti dengan analisa:
1. Masukkan persamaan linear (P* = aT + b) ke data. Apakah data cocok
dengan model ini?
2. Masukkan model quadratic (P* = aT2 + bT + c). Apakah data cocok dengan
model ini?
3. Menggunaka model yang cocok, prediksi peak power pada T = 50oF dan T
= 105oF. Hitung 95% yang dipercaya sebagai intervals, angka berapa yang
lebih meyakinkan? Kenapa?

1.2.2 Solution
1.2.2.1 Model Sederhana Linear
Pertama, tentukan model linear sederhana P* = aT + b. Estimasi
parameter ditemukan dengan menggunakan ordinary, least-squares regression.
Estimasi parameter dengan 95% confidence intervals:
a = 1.945 +/- 0.303
b = -44.54 +/- 26.3
Tabel 3.9 Peak Power And Temperature

Temperature, Peak
T (0F) power, P*
(MW)
95 140.7
88 116.4
84 113.4
106 178.2
94 136.0
108 189.3
90 132.0
100 151.9
71 92.5
96 131.7
67 96.5
98 150.1
97 153.2
67 101.6
89 118.5
79 106.2
76 100.2
87 114.7
92 135.1
68 96.3
85 111.4
100 143.6
74 103.9
89 116.5
86 105.1
75 99.6
70 97.7
69 97.6
82 107.3
101 157.6
Nilai R2 = 0.8612 dan nilai F-statistic = 173 (Fcritical= 4.195). Residu sebagai
fungsi suhu ditunjukkan pada GAMBAR.3.6, sedangkan untuk plot probabilitas
normal residunya ditunjukkan pada GAMBAR.3.7.
Dari GAMBAR.3.6, pola kuadrat ke residu cukup jelas. Sehingga
disarankan bahwa kuadratik hilang dari model dan ditambahkan. Perhatikan
bagaimana interval kebenarancukup besar, terutama untuk intersep.
 Gambar 3.6 residual sebagai fungsi suhu

Gambar 3.7 Normal Probability plot of residuals

1.2.2.2 Model Kuadrat

Karena model kuadrat P*= aT2 + bT + c, perkiraan parameter dengan
95% confidence interval, yakni;

a =0,0598 ± 0,0133
b = -8,295 ± 2,27
c = 385,1 ± 96,2
R2 adalah 0,9667 dan F-statistik adalah 392,2 (Fkritis = 4,21). Residual sebagai
fungsi suhu yang ditunjukkan pada Gambar 3.8, sedangkan plot peluang normal
residual ditunjukkan pada Gambar 3.9.

Gambar 3.8 Residual sebagai fungsi dari regressor untuk kasus kuadratik

Gambar 3.9 Plot probabilitas normal dari residu untuk kasus kuadratik

Dapat dicatat bahwa menambahkan istilah kuadratik telah meningkatkan

ukuran interval kepercayaan estimasi parameter, serta meningkatkan R2. Selain
itu, plot probabilitas normal dari hasil tampaknya menunjukkan bahwa mungkin
ada beberapa masalah karena pengelompokan nilai. Residu sebagai fungsi plot
suhu tidak menunjukkan masalah nyata. Tampaknya ada peningkatan kecil dalam
variabilitas nilai-nilai seiring kenaikan suhu. Tidak ada parameter yang terlihat
yang akan meningkatkan kecocokan.