Seri Komputasi Numerik untuk Pemodelan Teknik Kimia (S1 dan S2)

TEKNIK PEMROGRAMAN UNTUK PEMODELAN TEKNIK KIMIA DALAM

FORTRAN 77/ 95 / 2000

dilengkapi juga Pemrograman dalam

Ezy Pascal
dan

VBA (Visual Basic Application)/MS-Excel

Setijo Bismo

Bagian II – Pemrograman untuk Solusi Regresi Persamaan:

• Pemrograman FORTRAN-77 untuk Regresi Persamaan Kuadrat (PKT)

• Pemrograman FORTRAN-95/2000 untuk Regresi Persamaan Kuadrat
• Pemrograman PASCAL untuk Regresi Persamaan Kuadrat
• Pemrograman VBA MS-Excel untuk Regresi Persamaan Kuadrat
• Penjelasan Ringkas tentang Regresi Multilinier
• Regresi Multilinier untuk Persamaan-Persamaan Model Antoine
• Contoh Penyelesaian Regresi Multilinier menggunakan Spreadsheet MS-Excel

Departemen Teknik Kimia – Fakultas Teknik Universitas Indonesia

Maret 2021
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

(Materi Kuliah #2 dan #3):

Regresi Linier untuk Persamaan Polinomial dan Persamaan Antoine

A. Regresi Linier dan Metode Kuadrat Terkecil

Istilah atau pengertian regresi (yang berarti: prediksi atau taksiran) pertama kali
diperkenalkan oleh Sir Francis Galton (1877) dalam suatu karya ilmiah atau
penelitiannya tentang korelasi antara tinggi anak dan tinggi orang tuanya. Pada
penelitiannya tersebut, Galton mendapatkan bahwa tinggi anak dari orang tua
yang tinggi cenderung meningkat atau menurun sebagai fungsi atau model
hubungan dari berat rata-rata populasi. Garis yang menunjukkan hubungan
seperti di atas, disebut juga garis regresi.
Regresi linear adalah metode, perangkat atau kelengkapan ilmu statistik yang
digunakan untuk mengetahui korelasi atau pengaruh parametrik antara satu
atau beberapa variabel terhadap satu buah variabel yang membentuk suatu
korelasi dalam sebuah persamaan aljabar. Di sisi lain, analisis regresi mempelajari
korelasi atau hubungan yang diperoleh yang dinyatakan dalam suatu
persamaan matematika (umumnya, sebagai suatu persamaan aljabar) yang
menyatakan hubungan fungsional antara variabel-variabel.
Variabel-variabel (peubah-peubah) yang memiliki pengaruh terhadap lainnya
disebut juga variabel bebas (variabel independen atau variabel penjelas). Di sisi
lain, suatu variabel yang dipengaruhi sering disebut sebagai variabel terikat
(variabel dependen). Regresi linear hanya dapat digunakan pada skala interval
dan atau yang berbentuk nisbah (perbandingan atau rasio).
Dengan melakukan pendekatan-pendekatan secara kaidah statistik, analisis
regresi linier yang dipelajari dalam Mata Kuliah Komputasi Numerik ini dilakukan
dengan bantuan analisis Metode Kuadrat Terkecil (Least-Squares Method).
Metode Kuadrat Terkecil tersebut dapat dianggap sebagai suatu metode
‘pendekatan’ yang paling praktis dalam dunia keteknikan untuk:
(a). Regresi ataupun pembentukan persamaan dari titik-titik data diskretnya
(dalam suatu aktivitas pemodelan), dan atau untuk
(b). Analisis galat (sesatan) dari suatu pengukuran atau penelitian teoretis
(untuk validasi model).
Metode kuadrat terkecil ini juga memainkan peranan penting dalam metode
aplikasi secara statistik, karena metode ini seringkali digunakan dalam
penyelesaian problem-problem yang melibatkan kumpulan data yang tersusun
secara acak, seperti dalam sesatan-sesatan percobaan. Namun demikian, hal-
hal yang berhubungan dengan teori statistik tidak akan dibahas secara khusus
dalam modul ini.
Analisis regersi dapat digunakan untuk memeperoleh korelasi matematis

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [2/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

(hubungan fungsional) antara dua buah variabel atau lebih. Selain itu juga,
analisis regersi ini dapat digunakan pula untuk mendapatkan pengaruh antar
variabel-variabel prediktor terhadap variabel kriteriumnya atau memprediksi
pengaruh variabel prediktor terhadap variabel kriteriumnya (Usman dan Akbar,
2006). Secara empirik, korelasi antara satu atau beberapa variabel bebas
(sebagai prediktor) dengan satu variabel terikatnya (sebagai variabel respon
atau kriterium) dapat dibedakan atas:
1. Analisis regresi linier sederhana atau Simple Analysis Regression: yaitu bila
hanya terbentuk korelasi atau hubungan fungsional antara sebuah variabel
bebas (tunggal) dengan sebuah variabel terikat, misalnya Persamaan Garis
Lurus (PGL), Persamaan Kuadrat (PKT), Persamaan Polinomial (PPM); dan
2. Analisis regresi linear berganda atau Multiple Analysis Regression: yaitu bila
beberapa variabel bebas dan satu buah variabel terikat membentuk suatu
hubungan fungsional berbentuk persamaan aljabar atau korelasi matematis.
Analisis regresi linier merupakan metode statistik yang paling umum dan banyak
digunakan dalam studi parametrik dari penelitian-penelitian sosial, terutama
penelitian ekonomi. Dalam studi ekonomi tersebut, piranti lunak atau program
komputer yang paling banyak digunakan adalah SPSS (Statistical Package For
Service Solutions).

B. Analisis Regresi Linier untuk Persamaan Polinomial

Secara teoretis, regresi linier sederhana merupakan suatu aktivitas analisis
statistika yang dapat digunakan untuk memprediksi korelasi atau hubungan
matematis dalam bentuk suatu persamaan (model) antara variabel terikat (tak
bebas) tunggal sebagai fungsi dari variabel bebas (independen) tunggal. Analisis
regresi linier sederhana hanya memiliki satu variabel (peubah) yang dihubungkan
dengan satu variabel tidak bebas. Sebagai contoh, salah satu bentuk umum dari
metode regresi linier yang diberikan di sini adalah Persamaan Kuadrat (PKT)
berikut ini:

y = f ( x) = Ax + B x + C (1)

dengan
x : berperan sebagai variabel bebas
y = f ( x ) : berperan sebagai variabel terikat
A : parameter yang menentukan cekung/cembungnya kurva
B : parameter yang menyatakan posisi sumbu simetri dari kurva
C : parameter yang menentukan titik potong fungsi dengan sumbu y

Seperti telah dijelaskan di atas, penentuan dari koefisien-koefisien persamaan A ,

B dan C dapat dilakukan dengan menggunakan metode kuadrat terkecil
(least-square), yaitu metode pendekatan yang dipakai untuk menentukan

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [3/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

koefisien persamaan dan dari jumlah pangkat dua (kuadrat) antara titik-titik
dengan garis regresi yang dicari pada nilai (harga) yang terkecil, dalam suatu
rangkaian pasangan data (set x − y ) yang berjumlah N , atau jumlah dari data.
Sebagai contoh, di bawah ini diberikan 1 set data ( x − y ) sebanyak 7 buah
( N = 7 ) yang ditabelkan sebagai berikut:

Tabel 1. Set data Persamaan Kuadrat.

n x y

1 -3,0 34,68
2 -2,0 17,51
3 -1,0 6,32
4 0,0 1,11
5 1,0 1,88
6 2,0 8,63
7 3,0 21,36

Hasil pengaluran kurva (plotting) titik-titik tersebut di atas dapat dilihat seperti
pada Gambar 1 di bawah ini.

Gambar 1. Kurva regresi linier dari Persamaan Kuadrat, dengan N = 7 .

Persamaan sebaran ( S = deviasi standar atau kadang disebut sebagai

simpangan baku) yang menyatakan galat (sesatan) terdistribusi dari persamaan
linier tersebut, yang dapat juga dinyatakan sebagai:

S= ∑ ( y − A x2 − B x − C )
2
(2)

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [4/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

Persyaratan yang harus dipenuhi untuk dapat menghitung A , B dan C adalah

minimisasi turunan persamaan di atas terhadap tetapan p q dan r (dalam hal ini,
A , B dan C dianggap sebagai variabel-variabel semu), sehingga membentuk
persamaan-persamaan minimisasi berikut:
dS
• = 0
dA
dS
• = 0 ; dan
dB
dS
• = 0
dC
Tahapan penurunan ketiga persamaan-persamaan di atas terhadap A , B dan
C adalah sebagai berikut:
d 
∑ ( y − A x2 − B x − C )  =
2
• 0
dA 

d 
∑ ( y − A x2 − B x − C )  =
2
• 0 ; dan
dB  

d 
∑ ( y − A x2 − B x − C )  =
2
• 0
dC  

yang ketiganya dapat membentuk SPAL (Sistem Persamaan Aljabar Linier) atau
Persamaan Simultan seperti di bawah ini:

A ∑ x 4 + B ∑ x3 + C ∑ x 2 =
∑ x2 y 

A ∑ x3 + B ∑ x 2 + C ∑ x =
∑xy  (3)

A ∑ x 2 + B ∑ x + N ⋅C =∑y 
Seperti halnya pada regresi persamaan linier sebelumnya, sistem persamaan
simultan (3), di atas juga membentuk suatu Sistem Persamaan Aljabar Linier
(SPAL) dengan order 3, yang bila disusun ulang akan terbentuk sebagai berikut:

∑ x4 ∑ x3 ∑ x 2   A  ∑ x 2 y 
 3     
∑ x ∑ x2 ∑ x   B  =  ∑ x y  (4)
 ∑ x 2 ∑x N  C   ∑ y 

Solusi SPAL di atas dapat dilakukan melalui 2 cara, yaitu: (a). analitis (aljabar) dan
(b). numeris. Berbagai solusi SPAL (dengan menggunakan metode numeris)
dapat dipelajari pada Bab 4 di buku ajar (Metode Numerik), misalnya dengan
Metode Eliminasi Gauss.

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [5/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

Jika Tabel 1. di atas akan kita gunakan untuk mencari solusi dari parameter-
parameter A , B dan C , maka harus dikembangkan atau diperluas lagi
sehingga berbentuk sebagai berikut:

Sehingga, akan diperoleh SPAL atau Persamaan Linier dengan bentuk seperti
persamaan(6) di atas, sebagai

Sehingga, bentuk SPAL pada persamaan (6) dapat kita rinci isian komponen-
komponennya sbb:
•=
a1,1 =
∑ x4 196,00 ; = =
a1,2 ∑ x 3 0,00 ; = =
a1,3 ∑ x 2 28,00
•=a2,1 ∑= x3 0,00 ; = =
a2,2 ∑ x 2 28,00 ; = =
a2,3 ∑ x 0,00
•=a3,1 ∑= x2 28,00 ; = =
a3,2 ∑ x 0,00 ; = N
a3,3 = 7
=
• b1 =
∑ x2 y 617,12 ; =
b2 ∑ =x y - 62,14 ; =
b3 ∑ =
y 91,49
Untuk penyelesaian SPAL secara komputasi numerik, dapat digunakan beberapa
metode yang pernah dipelajari dalam MK Komputasi Numerik, seperti:
• Solusi penyelesaian SPAL menggunakan Metode Eliminasi Gauss
(Subroutine atau Procedure ElimGauss), yang dapat dibuat
pemrogramannya menggunakan FORTRAN-77, FORTRAN-95/2000, PASCAL
dan VBA Macro (MS-Excel) atau
• Menggunakan cara praktis, yang kita sebut sebagai “Ctrl+Shift+Enter”
dalam Spreadsheet MS-Excel. Apakah kalian masih ingat..?

Dengan komputasi numerik tersebut di atas, hasilnya adalah:

• A = 2,99
• B = − 2,22
• C = 1,11

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [6/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

B.1. Pemrogram FORTRAN-77 untuk Regresi Persamaan Kuadrat

Seperti telah diberikan contoh paraktis terbaik tentang langkah-langkah untuk
mendapatkan solusi regresi persamaan polinomial;, yaitu dari dalam hal metode
regresi linier untuk Persamaan Kuadrat (PKT), sampai dihasilkan harga-harga
parameter A , B , dan C . Untuk kelengkapan pemrogramannya, yaitu dalam
FORTRAN-77 (mengunakan Force 3.0), diberikan seperti berikut ini:

Program Regresi_Persamaan_Kuadrat

PARAMETER (NMAX=5)
REAL*8 A(NMAX,NMAX),Bv(NMAX),Xv(NMAX),X,Y
REAL*8 SX,SX2,SX3,SX4,SY,SXY,SX2Y
INTEGER I,N,ND

OPEN (11,FILE='REGRPKT.dat',STATUS='OLD')
READ(11,*) ND
SX = 0.0D0
SX2 = 0.0D0
SX3 = 0.0D0
SX4 = 0.0D0
SY = 0.0D0
SXY = 0.0D0
SX2Y = 0.0D0
DO I=1,ND
READ(11,*) X,Y
SX = SX + X
SX2 = SX2 + X**2
SX3 = SX3 + X**3
SX4 = SX4 + X**4
SY = SY + Y
SXY = SXY + X*Y
SX2Y = SX2Y + X*X*Y
END DO
CLOSE(11)

N = 3
A(1,1) = SX4; A(1,2) = SX3; A(1,3) = SX2; Bv(1) = SX2Y
A(2,1) = SX3; A(2,2) = SX2; A(2,3) = SX; Bv(2) = SXY
A(3,1) = SX2; A(3,2) = SX; A(3,3) = ND; Bv(3) = SY

Call ELIMGAUSS(A,Xv,Bv,N,NMAX);

WRITE(*,*) 'Harga koefisien A, B, dan C: '

WRITE(*,*) ' A = ',Xv(1)
WRITE(*,*) ' B = ',Xv(2)
WRITE(*,*) ' C = ',Xv(3)
READ(*,*)

STOP
END

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [7/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

SUBROUTINE ELIMGAUSS(A,X,B,NoE,NMAX)
Real*8 A(NMAX,NMAX),B(NMAX),X(NMAX)
Real*8 Diag,FMul,SUm
Integer I,J,K,NoE

C ---> Pembentukan MATRIKS DIAGONAL ATAS <---

Do I=1, NoE-1
Diag = A(I,I)
Do J=I+1, NoE
FMul = A(J,I)/Diag
Do K=I,NoE
A(J,K) = A(J,K) - A(I,K)*FMul
Enddo
B(J) = B(J) - B(I)*FMul
Enddo
Enddo
C ---> AKHIR dari Pembentukan MATRIKS DIAGONAL ATAS <---

C ---> Backsubstitution <---

X(NoE) = B(NoE)/A(NoE,NoE)
Do I=NoE-1,1,-1
Sum = 0.0D0
Do J=NoE,I+1,-1
Sum = Sum + A(I,J)*X(J)
Enddo
X(I) = (B(I) - Sum)/A(I,I)
Enddo
C ---> AKHIR dari Backsubstitution <---
C ---> AKHIR dari Seksi Eliminasi GAUSS <---

RETURN
END

B.2. Pemrogram FORTRAN-95.2000 untuk Regresi Persamaan Kuadrat

Di bawah ini adalah varian lain dari bahasa pemrograman FORTRAN, yaitu
dalam FORTRAN-95 atau FORTRAN-2000 (mengunakan Plato IDE dari Silverfrost),
seperti di bawah ini:

Program Regresi_Persamaan_Kuadrat

PARAMETER (NMAX=5)
REAL*8 A(NMAX,NMAX),Bv(NMAX),Xv(NMAX),X,Y
REAL*8 SX,SX2,SX3,SX4,SY,SXY,SX2Y
INTEGER I,N,ND

OPEN (11,FILE='REGRPKT.dat',STATUS='OLD')
READ(11,*) ND
SX = 0.0D0
SX2 = 0.0D0
SX3 = 0.0D0

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [8/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

SX4 = 0.0D0
SY = 0.0D0
SXY = 0.0D0
SX2Y = 0.0D0
DO I=1,ND
READ(11,*) X,Y
SX = SX + X; SX2 = SX2 + X**2; SX3 = SX3 + X**3; SX4 = SX4 + X**4
SY = SY + Y; SXY = SXY + X*Y; SX2Y = SX2Y + X*X*Y
END DO
CLOSE(11)

N = 3
A(1,1) = SX4; A(1,2) = SX3; A(1,3) = SX2; Bv(1) = SX2Y
A(2,1) = SX3; A(2,2) = SX2; A(2,3) = SX; Bv(2) = SXY
A(3,1) = SX2; A(3,2) = SX; A(3,3) = ND; Bv(3) = SY

Call ELIMGAUSS(A,Xv,Bv,N,NMAX);

WRITE(*,*) 'Harga koefisien A, B, dan C: '

WRITE(*,*) ' A = ',Xv(1)
WRITE(*,*) ' B = ',Xv(2)
WRITE(*,*) ' C = ',Xv(3)
READ(*,*)

STOP
END

SUBROUTINE ELIMGAUSS(A,X,B,NoE,NMAX)
REAL*8 A(NMAX,NMAX),B(NMAX),X(NMAX)
REAL*8 Diag,FMul,SUm
INTEGER I,J,K,NoE

! ---> Pembentukan MATRIKS DIAGONAL ATAS <---

DO I=1, NoE-1
Diag = A(I,I)
DO J=I+1, NoE
FMul = A(J,I)/Diag
DO K=I,NoE
A(J,K) = A(J,K) - A(I,K)*FMul
END DO
B(J) = B(J) - B(I)*FMul
END DO
END DO
! ---> AKHIR dari Pembentukan MATRIKS DIAGONAL ATAS <---

! ---> Backsubstitution <---

X(NoE) = B(NoE)/A(NoE,NoE)
DO I=NoE-1,1,-1
Sum = 0.0D0
DO J=NoE,I+1,-1
Sum = Sum + A(I,J)*X(J)
END DO
X(I) = (B(I) - Sum)/A(I,I)
END DO
! ---> AKHIR dari Backsubstitution <---
! ---> AKHIR dari Seksi Eliminasi GAUSS <---

RETURN
END

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [9/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

B.3. Pemrogram PASCAL untuk Regresi Persamaan Kuadrat

Sedangkan di bawah ini adalah penggunaan bahasa pemrograman PASCAL
(dari Ezy Pascal ver. 6.0xx), untuk penyelesaian komputasi numerik untuk regresi
Persamaan Kuadrat (PKT), seperti di atas.

Program Regresi_Persamaan_Kuadrat;

Const
NMAX = 5;
Type
SubsEl = 1..NMAX;
RVektor = Array[SubsEl] of Extended;
Rmatriks = Array[SubsEl] of RVektor;

Procedure Elim_Gauss (A : RMatriks;

b : RVektor;
var x : RVektor;
n : SubsEl);
Var
i,j,k : SubsEl;
pivot,mult,top : Extended;
Begin
For j := 1 to n-1 do
Begin {Triangularisasi}
pivot := a[j,j];
For i := j+1 to n do
Begin
mult := a[i,j]/pivot;
For k := j+1 to n do a[i,k] := a[i,k] - mult*a[j,k];
b[i] := b[i] - mult*b[j];
End;
End; {Triangularisasi}
(*--- Substitusi Balik ---*)
x[n] := b[n]/a[n,n];
For i := n-1 downto 1 do
Begin
top := b[i];
For k := i+1 to n do top := top - a[i,k]*x[k];
x[i] := top/a[i,i]
End;
End;

Var
A: RMatriks;
Bv,Xv: RVektor;
X,Y: Extended;
SX,SX2,SX3,SX4,SY,SXY,SX2Y: Extended;
I,N,ND: Integer;
DataFile: Text;

Begin
Assign(DataFile,'REGRPKT.dat');

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [10/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

Reset(DataFile);
Readln(DataFile,ND);
SX := 0.0; SX2 := 0.0; SX3 := 0.0; SX4 := 0.0;
SY := 0.0; SXY := 0.0; SX2Y := 0.0;
For I:= 1 to ND do
Begin
Readln(Datafile,X,Y);
SX := SX + X;
SX2 := SX2 + X*X;
SX3 := SX3 + X*X*X;
SX4 := SX4 + X*X*X*X;
SY := SY + Y;
SXY := SXY + X*Y;
SX2Y := SX2Y + X*X*Y;
End;
Close(DataFile);

N := 3;
A[1,1] := SX4; A[1,2] := SX3; A[1,3] := SX2; Bv[1] := SX2Y;
A[2,1] := SX3; A[2,2] := SX2; A[2,3] := SX; Bv[2] := SXY;
A[3,1] := SX2; A[3,2] := SX; A[3,3] := ND; Bv[3] := SY;

Elim_Gauss(A,Bv,Xv,N);

Writeln('Harga koefisien A, B, dan C: ');

Writeln(' A = ',Xv[1]:0:2);
Writeln(' B = ',Xv[2]:0:2);
Writeln(' C = ',Xv[3]:0:2);
Readln
End.

B.4. Pemrograman VBA MS-Excel untuk Regresi Persamaan Kuadrat

Berbeda dengan pemrograman-pemrograman FORTRAN dan PASCAL
sebelumnya. Pemrograman VBA MS-Excel di bawah memiliki kekhususan
tersendiri terutama karena bahasa pemrogramannya yang “menyatu”
(embedded) dengan spreadsheet MS-Excel.

Di bawah ini, diberikan source code pemrograman VBA-nya yang sekaligus diikuti
dengan lembaran spreadsheet-nya, yaitu khusus untuk penyelesaian komputasi
numerik dari regresi Persamaan Kuadrat (PKT).

Dim X, Y As Double
Dim SX, SX2, SX3, SX4, SY, SXY, SX2Y As Double
Dim I, ND As Integer

Sub Regresi_PKT()
SX = 0#
SX2 = 0#

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [11/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

SX3 = 0#
SX4 = 0#
SY = 0#
SXY = 0#
SX2Y = 0#

ND = Cells(1, 1)
For I = 1 To ND
X = Cells(I + 1, 2)
Y = Cells(I + 1, 3)
SX = SX + X
SY = SY + Y
Cells(I + 1, 4) = X ^ 2

SX2 = SX2 + X ^ 2
Cells(I + 1, 5) = X ^ 3
SX3 = SX3 + X ^ 3
Cells(I + 1, 6) = X ^ 4
SX4 = SX4 + X ^ 4
Cells(I + 1, 7) = X * Y
SXY = SXY + X * Y
Cells(I + 1, 8) = X * X * Y
SX2Y = SX2Y + X * X * Y
Next
Cells(9, 2) = SX
Cells(9, 3) = SY
Cells(9, 4) = SX2
Cells(9, 5) = SX3
Cells(9, 6) = SX4
Cells(9, 7) = SXY
Cells(9, 8) = SX2Y

N = 3
Cells(11, 2) = SX4
Cells(11, 3) = SX3
Cells(11, 4) = SX2
Cells(11, 6) = SX2Y
Cells(12, 2) = SX3
Cells(12, 3) = SX2
Cells(12, 4) = SX
Cells(12, 6) = SXY
Cells(13, 2) = SX2
Cells(13, 3) = SX
Cells(13, 4) = ND
Cells(13, 6) = SY

Cells(15, 2) = "Harga koefisien A, B, dan C: "

Cells(16, 3) = " A = "
Cells(16, 4) = Cells(11, 5)
Cells(17, 3) = " B = "
Cells(17, 4) = Cells(12, 5)
Cells(18, 3) = " C = "
Cells(18, 4) = Cells(13, 5)

End Sub

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [12/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

dengan lembaran spreadsheet dan MS-Excel-nya adalah sebagai berikut

C. Analisis Regresi Linier Persamaan Polinomial derajat tinggi

Setelah Persamaan Parabola atau Persamaan Kuadrat, maka Persamaan Kubik

dan selanjutnya Persamaan Polinomial derajat tinggi (n > 3) merupakan
pengembangan model korelasi fungsi polinomial antara variabel bebas ( x )
dengan variabel terikatnya ( y ), yang mempunyai bentuk umum sebagai berikut:

y ≡ f ( x ) ≡ cn x n + cn−1 x n−1 +  + c2 x 2 + c1 x + c0

Regresi yang dimaksudkan disini adalah: pencarian harga-harga tetapan cn ,

cn−1 ,  , c2 , c1 , sampai c0 berdasarkan set data yang diberikan (ingat: jumlah
atau pasangan data x − y sebanyak N buah !).
Persamaan “simpangan baku” atau deviasi standar ( S ) yang menyatakan galat
atau sesatan terdistribusi dari persamaan linier tersebut di atas, dapat dinyatakan
sebagai:

S= ∑ ( y − cn x n − cn−1 x n−1 −  − c2 x 2 − c1 x − c0 )
2

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [13/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

Persyaratan yang harus dipenuhi untuk dapat menghitung cn , cn −1 ,  , c2 , c1

sampai c0 adalah minimisasi turunan persamaan simpang baku di atas terhadap
tetapan-tetapan cn , cn −1 ,  , c2 , c1 sampai c0 (dalam hal ini, cn , cn −1 ,  , c2 , c1
sampai c0 dianggap sebagai variabel-variabel semu), sehingga membentuk
persamaan-persamaan minimisasi berikut:
dS
• = 0
d cn
dS
• = 0 ; dan
d cn −1
• 
• 
dS
• = 0
d c2
dS
• = 0
d c1
dS
• = 0
d c0
Tahapan penurunan ketiga persamaan-persamaan di atas terhadap p , q dan
r adalah sebagai berikut:
d 
∑ ( y − cn x n − cn −1 x n −1 −  − c2 x 2 − c1 x − c0 )  =
2
• 0
d cn 
d 
∑ ( y − cn x n − cn −1 x n −1 −  − c2 x 2 − c1 x − c0 )  =
2
• 0
d cn −1  
• 
d 
∑ ( y − cn x n − cn −1 x n −1 −  − c2 x 2 − c1 x − c0 )  =
2
• 0
d c2  
d 
∑ ( y − cn x n − cn −1 x n −1 −  − c2 x 2 − c1 x − c0 )  =0 ; dan
2
•
d c1 
d 
∑ ( y − cn x n − cn −1 x n −1 −  − c2 x 2 − c1 x − c0 )  =
2
• 0
d c0 

yang keseluruhannya dapat membentuk SPAL (Sistem Persamaan Aljabar Linier)

seperti berikut ini:

cn ∑ x 2 n + cn −1 ∑ x 2 n −1 +  + c2 ∑ x n + 2 + c1 ∑ x n +1 + c0 ∑ x n =∑ xn y 
n +1 
cn ∑ x 2 n −1 + cn −1 ∑ x 2 n − 2 +  + c2 ∑ x + c1 ∑ x n + c0 ∑ x n −1 =∑ x n −1 y 
 

  (5)
cn ∑ x + cn −1 ∑ x +  + c2 ∑ x c1 ∑ x + c0 ∑ x = 
n+ 2 n +1 4 3 2
∑x y 2

cn ∑ x n +1 + cn −1 ∑ x n +  + c2 ∑ x 3 c1 ∑ x 2 + c0 ∑ x =∑ xy 

cn ∑ x n + cn −1 ∑ x n −1 +  + c2 ∑ x 2 c1 ∑ x + c0 N =
∑y 

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [14/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

Seperti halnya pada regresi persamaan linier sebelumnya, persamaan simultan di

atas juga dapat dipastikan juga membentuk suatu Sistem Persamaan Aljabar
Linier (SPAL) dengan order n+1, yang bila disusun ulang akan berbentuk sebagai
berikut:

 ∑ x 2 n ∑ x 2 n −1   ∑ x n + 2 ∑ x n +1 ∑ x n   cn   ∑ xn y 
     n −1 
∑ x ∑ x2 n−2   ∑ x n +1 ∑ x n ∑ x n −1  cn −1  ∑ x y 
2 n −1

         
     
       =   
(6)
 xn+2
∑ ∑ x n +1   ∑ x4 ∑ x3 ∑ x 2   c2   ∑ x 2 y 
 ∑ x n +1 ∑ x n   ∑ x3 ∑ x2 ∑ x   c1   ∑ xy 
     
 ∑x ∑x   ∑ x2 ∑x  ∑y 
n −1
n
N   c0 

Pilihan dari solusi SPAL di atas, yang terbaik dan paling praktis hanyalah dengan
melalui solusi metode numeris. Untuk itu, berbagai solusi SPAL (dengan
menggunakan metode numeris) dapat dipelajari pada Bab 4 di buku ajar
(Metode Numerik), khususnya dengan menggunakan keluarga Metode Eliminasi
Gauss.

D. Analisis Regresi Linier Berganda (Regresi Multi Linier)

Beberapa persamaan aljabar dapat membentuk suatu ‘relasi linier’ atau yang
sejenisnya, antara beberapa variabel bebas (independent variables) dengan
sebuah variabel terikat (dependent variable). Relasi tersebut seringkali dijumpai
dalam dunia keteknikan, termasuk hasil logaritmik dari persamaan-persamaan
analisis adimensional ataupun relasi analogi bilangan-bilangan tak berdimensi.
Bentuk umum dari persamaan multilinier seperti di atas dapat disederhanakan
dalam relasi fungsi matematis berikut:

Bila persamaan multilinier tersebut memiliki jumlah variabel bebas yang lebih
besar lagi, maka secara sistematis dapat dituliskan sebagai berikut:

Persamaan sebaran ( S ) yang menyatakan ‘galat terdistribusi’ dari persamaan

multilinier tersebut di atas dapat dinyatakan sebagai:

Menarik untuk dicatat, bahwa jumlah konstanta atau parameter (c1 sampai
dengan cn) yang dimiliki suatu persamaan multilinier sekurang-kurangnya sama
dengan jumlah variabel bebasnya.

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [15/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

Seperti biasanya, persyaratan yang harus dipenuhi untuk dapat menghitung

konstanta-konstanta c1 sampai dengan cn, adalah minimisasi turunan persamaan
di atas terhadap masing-masing konstanta (dalam hal ini, semua konstanta
dianggap sebagai variabel-variabel semu), sehingga membentuk persamaan-
persamaan berikut:

Tahapan diferensiasi persamaan-persamaan di atas terhadap masing-masing

parameternya (dari c1 sampai dengan cn) dapat disajikan sebagai berikut:

membentuk bersamaan berikut:

(7)

membentuk bersamaan berikut:

(8)

sampai, akhirnya

akan membentuk bersamaan ke-n dalam bentuk berikut:

(9)

Sistem Persamaan Aljabar Linier (SPAL) yang terbentuk dari persamaan-

persamaan (7), (P), (8), dan (9) adalah sebagai berikut:

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [16/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

Sebagai catatan, metode penyelesaian dari SPAL yang terakhir seperti di atas
akan lebih baik jika dipilih secara numerik (komputasi numerik), misalnya adalah
Metode Eliminasi Gauss atau dengan menggunakan spreadsheet (worksheet)
MS-EXCEL. Penyelesaian secara analitis tampaknya akan sangat kompleks
sekaligus tidak praktis.

E. Bentuk Multilinier dari Persamaan Antoine Klasik

Secara umum, bentuk persamaan Antoine untuk suatu komponen i yang paling
banyak digunakan adalah dalam bentuk persamaan logaritmik berbasis 10
(desimal), seperti yang diperkenalkan oleh Antoine (1888):

log10 ( Psat ,i [ kPa=

])
Bi
Ai − (10)
T [ K ] + Ci

yang bentuk umumnya dapat disusun ulang menjadi:

A ⋅ (T + C )
log10 ( P )
B
= − (11)
T +C T +C
atau
(T + C ) ⋅ log10 ( P ) = A ⋅ (T + C ) − B = A ⋅ T + A ⋅ C − B (12)

yang dapat disederhanakan menjadi

T ⋅ log10 ( P ) + C ⋅ log10 ( P ) = A ⋅ T + A ⋅ C − B (13)

sehingga

A⋅C − B log ( P )
log10 ( P ) = A + − C ⋅ 10 (14)
T T
Yang berarti, bahwa persamaan di atas membentuk Persamaan Multilinier
sebagai berikut:

1 log ( P )
y = p + q⋅ + r ⋅ 10 (15)
T T
atau jika disederhanakan lagi,

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [17/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

y = p + q ⋅ x1 + r ⋅ x2 (16)

dengan

1 log10 ( P )
x1 = dan x2 =
T T
dan dari regeresi multilinier dari persamaan di atas akan diperoleh nilai-nilai
parameter asalnya:
A = p
B =− p ⋅ r − q
C = −r

F. Regresi Multilinier Persamaan Antoine Klasik

Regresi multilinier dari Persamaan Antoine klasik seperti di atas, adalah

berdasarakan persamaan simpangan baku berikut:

∑( y − )
2
S=
2
p − q ⋅ x1 − q ⋅ x2 = 0 (17)

maka, untuk menentukan atau mencari parameter-parameter p , q , dan r

dapat diperoleh dari relasi-relasi berikut:
dS dS dS
= 0; = 0 ; dan = 0
dp dq dr
Hasil-hasil yang dapat diperoleh dari turunan-turunan persamaan seperti di
atas adalah sebagai berikut:

∑( y − p − q ⋅ x1 − r ⋅ x2 ) ⋅ (=
−1)
dS
= 0
dp

∑( y − p − q ⋅ x1 − r ⋅ x2 ) ⋅ ( −=
x1 )
dS
= 0
dq

∑( y − p − q ⋅ x1 − r ⋅ x2 ) ⋅ ( −=
x2 )
dS
= 0
dr

Tampak dari hasil difersensiasi dari persamaan-persamaan di atas, akan

diperoleh suatu SPAL (Sistem Persamaan Aljabar Linier) berikut:
p ⋅ N + q ⋅ ∑ x1 + r ⋅ ∑ x2 =∑ y 

p ⋅ ∑ x1 + q ⋅ ∑ ( x1 ) + r ⋅ ∑ ( x1 ⋅ x2=
) ∑ ( x1 ⋅ y ) 
2
(18)

p ⋅ ∑ x2 + q ⋅ ∑ ( x1 ⋅ x2 ) + r ⋅ ∑ ( x2 =
) (
∑ 2 )
2
x ⋅ y 


atau, jika disusun dalam bentuk matriksnya:

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [18/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

 N ∑ x1 ∑ x2   p   ∑y 
    
 ∑ x1 ∑ ( x1 ) ∑ ( x1 ⋅ x2 )   q=  ∑ ( x1 ⋅ y ) 
2
 (19)
 2     ∑( x ⋅ y)
∑x ∑ ( x1 ⋅ x2 ) ∑ ( x2 )   r   
 2 2

C. Bentuk Multilinier dari Persamaan Antoine Modifikasi

Secara umum, yang dimaksudkan dengan bentuk persamaan Antoine

termodifikasi dari suatu komponen i adalah Persamaan Aontoine dalam bentuk
persamaan logaritmik natural (berbasis bilangan e ) atau ln , seperti di bawah ini:

ln ( Psat ,i [ kPa=
])
Bi
Ai −
T [ K ] + Ci
yang bentuk umumnya dapat disusun ulang menjadi:

A ⋅ (T + C )
ln ( P )
B
= −
T +C T +C
atau
(T + C ) ⋅ ln ( P ) = A ⋅ (T + C ) − B = A ⋅ T + A ⋅ C − B

disederhanakan menjadi

T ⋅ ln ( P ) + C ⋅ ln ( P ) = A ⋅ T + A ⋅ C − B
sehingga
A⋅C − B ln ( P )
ln ( P ) = A + − C⋅
T T
Yang berarti, bahwa persamaan di atas membentuk Persamaan Multilinier
sebagai berikut:

1 ln ( P )
y = u + v⋅ + w⋅
T T
disederhanakan menjadi,

y = u + v ⋅ x1 + w ⋅ x2

dengan

1 log10 ( P )
x1 = dan x2 =
T T
dan dari regeresi multilinier dari persamaan di atas akan diperoleh nilai-nilai
parameter asalnya:

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [19/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

A = u
B =−u⋅w − v
C = −w

D. Regresi Multilinier Persamaan Antoine Modifikasi

Analogi sperti di atas, regresi multilinier dari Persamaan Antoine modifikasi

yang dimaksudkan di sini, adalah berdasarakan persamaan simpangan baku
berikut:

∑ ( y − u − v ⋅ x1 − w ⋅ x2=
)
2
S=
2
0

maka, untuk menentukan atau mencari parameter-parameter u , v , dan w

dapat diperoleh dari relasi-relasi berikut:
dS dS dS
= 0; = 0 ; dan = 0
du dv dw
Hasil-hasil yang dapat diperoleh dari turunan-turunan persamaan seperti di
atas adalah sebagai berikut:

∑ ( y − u − v ⋅ x1 − w ⋅ x2 ) ⋅ (=
−1)
dS
= 0
du

∑ ( y − u − v ⋅ x1 − w ⋅ x2 ) ⋅ ( −=
x1 )
dS
= 0
dv

∑ ( y − u − v ⋅ x1 − w ⋅ x2 ) ⋅ ( −=
x2 )
dS
= 0
dw
Sama seperti sebelumnya, difersensiasi dari persamaan-persamaan di atas
akan menghasilkan suatu SPAL (Sistem Persamaan Aljabar Linier) berikut:

u ⋅ N + v ⋅ ∑ x1 + w ⋅ ∑ x2 =∑ y
u ⋅ ∑ x1 + v ⋅ ∑ ( x1 ) + w ⋅ ∑ ( x1 ⋅ x2=
) ∑ ( x1 ⋅ y )
2

u ⋅ ∑ x2 + v ⋅ ∑ ( x1 ⋅ x2 ) + w ⋅ ∑ ( x2=
) ∑ ( x2 ⋅ y )
2

atau, jika disusun dalam bentuk matriksnya:

 N ∑ x1 ∑ x2   u   ∑y 
    
 ∑ x1 ∑ ( x1 ) ∑( 1 2 )  v  = ∑ ( x1 ⋅ y ) 
2
x ⋅ x 
  
2 
 
∑x
 2 ∑ ( x1 ⋅ x2 ) ∑ ( 2 )   w 
x  ∑( x ⋅ y)
 2 
Sedangkan, jika ingin melakukan regresi dengan menggunakan MS-Excel, maka
struktur tabulasi yang diperlukan adalah sebagai berikut:

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [20/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

1 log10 ( P ) y = log10 ( P )
n T P x1 = x2 =
T T

( N −1)

E. Contoh Regresi Multilinier Persamaan Antoine (Termodifikasi)

Sebagai contoh yang komprehensif, di bawah ini akan dilakukan pemodelan

ulang dari suatu bentuk Persamaan KDB,

ln ( Psat [ kPa ]) = A ⋅ ln (T ) +
B
+ C + D ⋅T 2
T
dengan harga-harga tetapan-tetapannya (diberikan juga untuk beberapa
komponen hidrokarbon) seperti ditabelkan di bawah:

Komponen A B C D

C3H8 -5,395526E+00 -3,383994E+03 4,814260E+01 9,132115E-06

n-C4H10 -6,922293E+00 -4,346626E+03 5,870291E+01 9,152712E-06
i-C4H10 -9,416723E+00 -4,577132E+03 7,351351E+01 1,514279E-05

yang ingin diubah menjadi model berbentuk Persamaan Antoine yang

termodifikasi, yaitu yang memiliki bentuk berikut:

ln ( Psat [ Atm ]=
) B
A−
T [K ] + C
Maka, harus diketahui bahwa variabel-variabel bebas ( x1 dan x2 ) dan variabel
bebas ( y ) yang akan dimodelisasi adalah sebagai berikut:
1
x1 =
T [K ]
ln ( Psat [ Atm ])
x2 =
T [K ]
y = ln ( Psat [ Atm ])

Bila diberikan tabel data untuk komponen Propana ( C3H8 ) adalah seperti di
bawah ini:

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [21/22]
 Seri Kuliah Pemodelan Teknik Kimia untuk S1

n T [K] Psat [Atm]

1 240 1,461366
2 245 1,782505
3 250 2,155153
4 255 2,584381
5 260 3,075396
6 265 3,633525
7 270 4,264203
8 275 4,972961
9 280 5,765418
10 285 6,647276
11 290 7,624316

maka akan didapatkan tabel worksheet dalam MS-Excel adalah sebagai berikut:
x1 x2 y (x 1)2 (x 2)2 x 1 ·x 2 x 1·y x 2·y
0,004167 0,001581 0,379372 1,73611E-05 2,49866E-06 6,58631E-06 0,001581 0,000600
0,004082 0,002359 0,578020 1,66597E-05 5,56613E-06 9,62965E-06 0,002359 0,001364
0,004000 0,003071 0,767862 1,60000E-05 9,43379E-06 1,22858E-05 0,003071 0,002358
0,003922 0,003723 0,949486 1,53787E-05 1,38643E-05 1,46019E-05 0,003723 0,003535
0,003846 0,004321 1,123434 1,47929E-05 1,86702E-05 1,66188E-05 0,004321 0,004854
0,003774 0,004869 1,290203 1,42399E-05 2,37042E-05 1,83724E-05 0,004869 0,006282
0,003704 0,005371 1,450255 1,37174E-05 2,88510E-05 1,98938E-05 0,005371 0,007790
0,003636 0,005833 1,604016 1,32231E-05 3,40214E-05 2,12101E-05 0,005833 0,009356
0,003571 0,006257 1,751878 1,27551E-05 3,91464E-05 2,23454E-05 0,006257 0,010961
0,003509 0,006646 1,894207 1,23115E-05 4,41738E-05 2,33205E-05 0,006646 0,012590
0,003448 0,007005 2,031343 1,18906E-05 4,90648E-05 2,41539E-05 0,007005 0,014229
0,041658 0,051036 13,820075 1,58330E-04 2,68995E-04 1,89019E-04 0,051036 0,073918

Jika data-data penjumlahan (sum) dari tabel MS-Excel di atas disubstitusikan ke

persamaan (10) di atas, maka akan didapat SPAL berikut,

 11 0,041658 0,051036   u   13,820075 

    
 0,041658 1,58330E - 04 1,89019E - 04   v  =  5,10363E - 02 
     
 0,051036 1,89019E - 04 2,68995E - 04   w   7,39181E - 02 

sehingga, konstanta-konstanta Antoine yang dimaksudkan adalah

A = 9, 240078
B = 1933, 6865
C= − 21, 765

Perhatian: Tugas kedua kalian akan dilanjutkan berdasarkan Regresi Multilinier

dari Persamaan Antoine dan KDB ini..!

Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [22/22]