Ezy Pascal
dan
Setijo Bismo
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).
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
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:
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.
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
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..?
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
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);
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
RETURN
END
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);
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
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
Program Regresi_Persamaan_Kuadrat;
Const
NMAX = 5;
Type
SubsEl = 1..NMAX;
RVektor = Array[SubsEl] of Extended;
Rmatriks = Array[SubsEl] of RVektor;
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);
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
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
y ≡ f ( x ) ≡ cn x n + cn−1 x n−1 + + c2 x 2 + c1 x + c0
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
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
∑ 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.
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:
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
(7)
(8)
sampai, akhirnya
(9)
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.
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):
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)
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
∑( y − )
2
S=
2
p − q ⋅ x1 − q ⋅ x2 = 0 (17)
∑( 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
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
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
∑ ( y − u − v ⋅ x1 − w ⋅ x2=
)
2
S=
2
0
∑ ( 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
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)
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
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
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
A = 9, 240078
B = 1933, 6865
C= − 21, 765
Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2021, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Polinomial dan Antoine [22/22]