LAPORAN PRAKTIKUM KOMPUTASI PROSES

BAB IV REGRESI LINEAR

Disusun Oleh :

Nama : Intan Noor Rahmawati

NIM : 18521014
Kelas/Hari : C / Jumat, 30 Oktober 2020
Asisten : 1. Anjanetta Nadya Pasha
2. Apri Wahyudi
3. Bayu Setiawan
4. Diyas Aledya Yahya
5. Evita Maulidaturrahma
6. Malik Nur Hakim
7. Muh. Reskiawan

LABORATORIUM KOMPUTASI PROSES

JURUSAN TEKNIK KIMIA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS ISLAM INDONESIA
2020
 BAB I

PENDAHULUAN

A. TUJUAN
Agar mahasiswa dapat menyusun persamaan empiric dari data yang ada
dengan menggunakan regresi linear.

B. DASAR TEORI
Regresi secara umum adalah sebuah alat statistik yang memberikan penjelasan
tentang pola hubungan (model) antara dua variabel atau lebih. Dalam analisis
regresi dikenal dua jenis variabel yaitu :
a. Variabel Respon (variabel dependen) yaitu variabel yang keberadaannya
dipengaruhi oleh variabel lainnya dan dinotasikan dengan variabel Y.
b. Variabel Prediktor (variabel independen) yaitu variabel yang bebas (tidak
dipengaruhioleh variabel lainnya) dan dinotasikan dengan X.

Untuk mempelajari hubugan-hubungan antara variabel bebas maka regresi linier

terdiri dari dua bentuk, yaitu:

a. Analisis regresi sederhana (simple analysis regresi)

Analisis regresi sederhana merupakan hubungan antara dua variabel
yaitu variabel bebas (variable independen).
b. Analisis regresi berganda (Multiple analysis regresi).) dan variabel tak bebas
(variabel dependen).
Analisis regresi berganda merupakan hubungan antara 3 variabel atau
lebih, yaitu sekurang-kurangnya dua variabel bebas dengan satu variabel tak
bebas.
Regresi linear adalah sebuah pendekatan untuk memodelkan hubungan
antara variable terikat Y dan satu atau lebih variable bebas yang disebut X.
Salah satu kegunaan dari regresi linear adalah untuk melakukan prediksi
 berdasarkan data-data yang telah dimiliki sebelumnya. Dan digunakan untuk
menentukan fungsi linier (garis lurus) yang paling sesuai dengan kumpulan titik
data. Regresi Linier atau Linear Regression ini juga merupakan suatu model
statistik yang umum dan paling sederhana yang digunakan untuk Machine
Learning untuk melakukan prediksi dengan cara supervised learning.
1. Regresi linear dengan metode kuadrat terkecil
Metode Kuadrat Terkecil (MKT) atau Ordinary least square (OLS)
merupakan salah satu metode yang sering digunakan untuk mendapatkan nilai-
nilai penduga parameter model regresi. Metode kuadrat linier adalah suatu
metode yang digunakan untuk menentukan hubungan linier dari suatu data agar
dapat diprediksi nilai-nilainya yang mana nilai tersebut tidak terdapat pada
data-data yang kita miliki, terkadang proses yang melibatkan metode kuadrat
terkecil untuk menentukan hubungan dua variabel data berupa fungsi linier
disebut sebagai regresi linier. Metode kuadrat terkecil termasuk dalam keluarga
metodemetode pendekatan sesatan terdistribusi (“distributed error”
approximation methods), berdasarkan karakterisik kerjanya yang melakukan
pengurangan sesatan menyeluruh (global error) yang terukur berdasarkan
interval pendekatan keseluruhan (whole approximation interval) sesuai dengan
order pendekatan yang meningkat. Metode ini berbeda dengan metode-metode
asimptotis, khususnya yang dikembangkan melalui pendekatan melalui deret
‘Taylor’, karena metode asimptotis memiliki karakteristik kerja yang
memperkecil sesatan pada beberapa titik tertentu, sesuai dengan order
pendekatan yang meningkat.
Contoh pendekatan kuadrat terkecil yang paling sederhana adalah
pencocokan garis lurus terhadap sebuah himpunan pasangan pengamatan
(𝑥1 , 𝑦1 ), (𝑥2 , 𝑦2 ), … (𝑥𝑛 , 𝑦𝑛 ). Persamaan matematik untuk garis lurus :
𝑦 = 𝑎 + 𝑏𝑥 + 𝑒
 Dimana 𝑎 adalah koefisien yang melambangkan intercept sedangkan 𝑏
adalah koefisien yang mewakili perpotongan slope atau kemiringan kurva. Dan
𝑒 adalah error atau sisa (residu). Error data yang terjadi antara setiap titik data
dengan nilai fungsi pemisalan adalah
𝑒𝑖 = 𝑦𝑖 − 𝑌𝑖 𝑑𝑒𝑛𝑔𝑎𝑛 𝑖 = 1, 2, 3, … , 𝑁

𝑁 adalah banyaknya data. Apabila ditetapkan fungsi :

𝑁 𝑁

𝑆𝑟 = ∑ 𝑒𝑖2 = ∑(𝑦𝑖 − 𝑌𝑖 )2
𝑖 𝑖

Menentukan koefisien 𝑎 dan 𝑏 yaitu

𝑛 ∑ 𝑥𝑖 𝑦𝑖 − ∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑏=
𝑛 ∑ 𝑥𝑖2 − (∑ 𝑥𝑖 )2

𝑎 = 𝑦̅ − 𝑏𝑥̅

Dimana 𝑦̅ dan 𝑥̅ masing-masing nilai rata-rata dari y dan x. Error dari

regresi linear dapat dihitung dengan cara menghitung 𝑟 2 atau coefficient of
determination. Untuk fitting kurva yang sempurna, nilai 𝑟 2 = 1. Selain
menghitung nilai 𝑟 2 , kita dapat juga menggunakan 𝑟 atau disebut koefisien (=
√𝑟 2 ) :

𝑛 ∑(𝑥𝑖 𝑦𝑖 ) − (∑ 𝑥𝑖 ) (∑ 𝑦𝑖 )
𝑟=
√𝑛 ∑ 𝑥𝑖2 − (∑ 𝑥𝑖 )2 √𝑛 ∑ 𝑦𝑖2 − (∑ 𝑦𝑖 )2

Selain menggunakan coefficient of determination, error dari regresi linear

juga dapat dihitung dengan menggunakan SSE atau sum square of error, yang
diperoleh dari penjumlahan dari setiap data. Namun pada SSE memiliki
kelemahan yaitu range error dari 0 sampai tak hingga, tidak seperti 𝑟 yang 0
sampai 1.
2. Linearisasi persamaan non linear
Linearisasi merupakan proses membawa suatu sistem nonlinear
menjadi sistem linear. Linearisasi dilakukan pada sistem nonlinear untuk
mengetahui perilaku sistem di sekitar titik ekuilibrium sistem tersebut.
Linearisasi pada sistem nonlinear dimaksudkan untuk memperoleh aproksimasi
yang baik. Proses linearisasi dapat dilakukan dengan menggunakan deret
Taylor untuk mencari suatu hampiran solusi di sekitar titik ekuilibrium.
Regresi linear paling baik digunakan untuk fitting garis terhadap data
observasi sehingga hubungan antara variabel terkait dan variabel bebasharuslah
linear. Oleh karena itu, langkah pertama yang harus dilakukan dala analisis
regresi adalah membuat plot dan secara visual melihat kecenderungan data
apakah linear atau tidak.
Apabila data yang tersedia mempunyai kecenderungan bersifat
nonlinear, salah satu cara yang paling sederhana untuk melakukan regresi selain
dengan regresi nonlinear dan regresi polynomial adalah dengan menggunakan
manipulasi matematis untuk merubah persamaannya daam bentuk persamaan
linear. Berikut beberapa contoh linearisasi persamaan nonlinear :
Persamaan nonlinear Linearisasi
𝑦 = 𝛼1 𝑒 𝛽1 𝑥 ln 𝑦 = ln 𝛼1 + 𝛽1 𝑥
𝑦 = 𝛼2 𝑥 𝛽2 log 𝑦 = log 𝛼2 + 𝛽2 log 𝑥
𝑥 1 1 𝛽3 1
𝑦 = 𝛼3 = +
𝛽3 + 𝑥 𝑦 𝛼3 𝛼3 𝑥

3. Regresi linear dalam matlab

Regresi linier suatu metode untuk menentukan taksiran antara titik-titik
data dengan garis linier estimasi sedemikian rupa sehingga meminimalkan
jumlah kuadrat kesalahan. M-file ini menampilkan intercept dan slop,
coefficient of determination, dan plot garis hasil regresi beserta data-data
observasi.

-------------------------------------------------------------------------------------------

x = [variabel bebas]
y = [variabel terikat]
n = length(x)
sigmaxy = sum(x.*y)
sigmax = sum(x)
sigmay = sum (y)
sigmay_2 = sum(y.^2)
sigmax_2 = sum(x.^2)
b = (n*sigmaxy - sigmax*sigmay)/(n*sigmax_2 - (sigmax)^2)
a = mean(y) - b*mean(x)
y_prediksi = a + b*x
plot(x,y,'o',x,y_prediksi);
r2 = ((n*sigmaxy - sigmax*sigmay)/sqrt(n*sigmax_2 -
(sigmax)^2)/sqrt(n*sigmay_2-(sigmay)^2))
SSE = sum((y - y_prediksi).^2)

-------------------------------------------------------------------------------------------

Berikut contoh soal mengaplikasikan m-file diatas, tabel dibawah ini

merupakan hasil pengukuran pada percobaan di dalam terowongan angin.
Data observasi yang dikumpulkan adalah besarnya gaya terhadap kecepatan
angin yang bervariasi. Lakukan regresi linear terhadap data tersebut.

𝑣, 𝑚/𝑑𝑒𝑡 10 20 30 40 50 60 70 80
𝐹, 𝑁 25 70 380 550 610 1220 830 1450
Penyelesaian :
Dalam hal ini, gaya merupakan variable terikat (y) sedangkan kecepatan
merupakan variable bebas (x). Untuk menyelesaikan masalah ini dapat
dikerjakan dengan matlab menggunakan m-file yang telah dibuat sebelumnya.
x = [10:10:80]
y = [25 70 380 550 610 1220 830 1450]
n = length(x)
sigmaxy = sum(x.*y)
sigmax = sum(x)
sigmay = sum (y)
sigmay_2 = sum(y.^2)
sigmax_2 = sum(x.^2)
b = (n*sigmaxy - sigmax*sigmay)/(n*sigmax_2 - (sigmax)^2)
a = mean(y) - b*mean(x)
y_prediksi = a + b*x
plot(x,y,'o',x,y_prediksi);
r2 = ((n*sigmaxy - sigmax*sigmay)/sqrt(n*sigmax_2 -
(sigmax)^2)/sqrt(n*sigmay_2-(sigmay)^2))
SSE = sum((y - y_prediksi).^2)
Menjalankan m-file dengan menekan RUN kemudian hasil akan otomatis
muncul di command window.
>> conso1
x=
10 20 30 40 50 60 70 80

y=
Columns 1 through 5
25 70 380 550 610
 Columns 6 through 8
1220 830 1450
n=
8
sigmaxy =
312850
sigmax =
360
sigmay =
5135
sigmay_2 =
5104325
sigmax_2 =
20400
b=
19.4702
a=
-234.2857
y_prediksi =
1.0e+03 *
Columns 1 through 6
-0.0396 0.1551 0.3498 0.5445 0.7392 0.9339
Columns 7 through 8
1.1286 1.3233
r2 =
0.9383
SSE =
2.1612e+05
Sehingga diperoleh grafik seperti dibawah ini

Hasil fitting kuadrat terkecilnya adalah persamaan :

𝐹 = −234,2857 + 19,4702𝑣
Selain menggunakan cara regresi diatas, cara lain dalam matlab dapat
menggunakan matlab function polyfit. Polyfit adalah fungsi Matlab yang
menghitung polinomial kuadrat terkecil untuk kumpulan data tertentu. Polyfit
menghasilkan koefisien polinomial, yang dapat digunakan untuk memodelkan
kurva agar sesuai dengan data. Bentuk syntax sebagai berikut :

-------------------------------------------------------------------------------------------

x = [variabel bebas]
y = [variabel terikat]
n = orde
 polyfit(x,y,n)

-------------------------------------------------------------------------------------------

File dapat dijalankan bila penamaannya selain polyfit. Karena garis lurus
merupakan polynomial orde pertama, maka n = 1. Dengan soal yang sama dapat
diselesaikan sebagai berikut :
x = [10:10:80]
y = [25 70 380 550 610 1220 830 1450]
n=1
polyfit(x,y,n)
Selanjutnya untuk menjalankan tekan RUN dan menyimpan file terlebih
dahulu. Setelah file telah tersimpan dengan nama selain polyfit, akan secara
otomatis hasil akan muncul di command window.
>> pol
x=
10 20 30 40 50 60 70 80
y=
Columns 1 through 5
25 70 380 550 610
Columns 6 through 8
1220 830 1450
n=
1
ans =
19.4702 -234.2857
 BAB II
PERSOALAN DAN PENYELESAIAN
A. LATIHAN
1. Diketahui data hasil pirolisis biomassa tembakau dengan katalis zeolite adalah
sebagai berikut:
Suhu Luas area peak (m-2)
300 13087
400 14214
500 15432
600 16532
700 14357
800 16932
900 18915
Lakukan regrasi linear pada data tersebut dengan metode kuadrat terkecil!
(Catatan: grafik jangan lupa diberi label dan judul)

Penyelesaian :

x = [300:100:900]

y = [13087 14214 15432 16532 14357 16932 18915]

n = length(x)

sigmaxy = sum(x.*y);

sigmax = sum(x);

sigmay = sum (y);

sigmay_2 = sum(y.^2);

sigmax_2 = sum(x.^2);
b = (n*sigmaxy - sigmax*sigmay)/(n*sigmax_2 - (sigmax)^2)

a = mean(y) - b*mean(x)

y_prediksi = a + b*x

plot(x,y,'o',x,y_prediksi);

title('Grafik Pirolisis Biomassa')

xlabel('suhu')

ylabel('luas area peak')

r2 = ((n*sigmaxy - sigmax*sigmay)/sqrt(n*sigmax_2 -
(sigmax)^2)/sqrt(n*sigmay_2-(sigmay)^2))

SSE = sum((y - y_prediksi).^2)

>> Untitled1

x=

300 400 500 600 700 800 900

y=

Columns 1 through 5

13087 14214 15432 16532 14357

Columns 6 through 7

16932 18915

n=

7
b=

7.8018

a=

1.0957e+04

y_prediksi =

1.0e+04 *

Columns 1 through 6

1.3298 1.4078 1.4858 1.5638 1.6419 1.7199

Column 7

1.7979

r2 =

0.8529

SSE =

6.3882e+06
2. Diketahui impor asam sulfat dari tahun 2015-2019 adalah sebagai berikut:

Tahun Jumlah
(Ton/Tahun)
2015 809
2016 732
2017 820
2018 865
2019 893
Jika dilakukan regresi linear dengan metode kuadrat terkecil,maka tentukan
jumlah impor pada tahun 2025 ! (Beri label dan judul pada grafik)

Penyelesaian
x = [2015:2019]
y = [809 732 820 865 893]
n = length(x)
sigmaxy = sum(x.*y);
sigmax = sum(x);
sigmay = sum (y);
sigmay_2 = sum(y.^2);
sigmax_2 = sum(x.^2);
b = (n*sigmaxy - sigmax*sigmay)/(n*sigmax_2 - (sigmax)^2)
a = mean(y) - b*mean(x)
y_prediksi = a + b*x
plot(x,y,'o',x,y_prediksi);
title('Grafik Impor asam sulfat')
xlabel('tahun')
ylabel('Jumlah(ton/Tahun')
r2 = ((n*sigmaxy - sigmax*sigmay)/sqrt(n*sigmax_2 -
(sigmax)^2)/sqrt(n*sigmay_2-(sigmay)^2))
SSE = sum((y - y_prediksi).^2)

persamaanimpor=@(x)a+b*x;
impor=persamaanimpor(2025)

>> Untitled2

x=

2015 2016 2017 2018 2019

y=

809 732 820 865 893

n=

b=

30.1000

a=

-5.9888e+04

y_prediksi =

763.6000 793.7000 823.8000 853.9000 884.0000

r2 =

0.7734

SSE =

6.0867e+03

impor =

1.0646e+03
3. Diketahui ekspor asam sulfat dari tahun 2015-2019 adalah sebagai berikut:

Tahun Jumlah
(Ton/Tahun)
2015 2557
2016 3478
2017 4004
2018 3637
2019 4104
Jika dilakukan regresi linear dengan metode kuadrat terkecil,maka tentukan
jumlah ekspor pada tahun 2025! (Beri label dan judul pada grafik)

Penyelesaian :
x = [2015:2019]
y = [2557 3478 4004 3637 4104]
n = length(x)
sigmaxy = sum(x.*y);
sigmax = sum(x);
sigmay = sum (y);
sigmay_2 = sum(y.^2);
sigmax_2 = sum(x.^2);
b = (n*sigmaxy - sigmax*sigmay)/(n*sigmax_2 - (sigmax)^2)
a = mean(y) - b*mean(x)
y_prediksi = a + b*x
plot(x,y,'o',x,y_prediksi);
title('Grafik Ekspor Asam Sulfat')
xlabel('Tahun')
ylabel('Jumlah(Ton/Tahun)')
r2 = ((n*sigmaxy - sigmax*sigmay)/sqrt(n*sigmax_2 -
(sigmax)^2)/sqrt(n*sigmay_2-(sigmay)^2))
SSE = sum((y - y_prediksi).^2)

Persamaanekspor=@(x)a+b*x;
ekspor=Persamaanekspor(2025)

>> Untitled3
x=
2015 2016 2017 2018 2019
y=
2557 3478 4004 3637 4104
n=
5
b=
325.3000
a=
-6.5257e+05
y_prediksi =
1.0e+03 *
2.9054 3.2307 3.5560 3.8813 4.2066
r2 =
0.8367
SSE =
4.5345e+05
ekspor =
6.1584e+03
4. Diketahui produksi dalam negeri asam sulfat dari tahun 2015-2019 adalah
sebagai berikut:
Tahun Jumlah (Ton/Tahun)
2015 561
2016 575
2017 634
2018 665
2019 708
Jika dilakukan regresi linear dengan metode kuadrat terkecil,maka tentukan
jumlah produksi pada tahun 2025! (Beri label dan judul pada grafik)

Penyelesaian :

x = [2015:2019]
y = [561 575 634 665 708]
n = length(x)
sigmaxy = sum(x.*y);
sigmax = sum(x);
sigmay = sum (y);
sigmay_2 = sum(y.^2);
sigmax_2 = sum(x.^2);
b = (n*sigmaxy - sigmax*sigmay)/(n*sigmax_2 - (sigmax)^2)
a = mean(y) - b*mean(x)
y_prediksi = a + b*x
plot(x,y,'o',x,y_prediksi);
title('Grafik Produksi Asam Sulfat')
xlabel('Tahun')
ylabel('Jumlah(Ton/Tahun)')
r2 = ((n*sigmaxy - sigmax*sigmay)/sqrt(n*sigmax_2 -
(sigmax)^2)/sqrt(n*sigmay_2-(sigmay)^2))
SSE = sum((y - y_prediksi).^2)

Persamaanproduksi=@(x)a+b*x;
produksi=Persamaanproduksi(2025)

>> Untitled4
x=
2015 2016 2017 2018 2019
y=
561 575 634 665 708
n=
5
b=
38.4000
a=
-7.6824e+04
y_prediksi =
551.8000 590.2000 628.6000 667.0000 705.4000
r2 =
0.9882
SSE =
355.6000
produksi =
935.8000
5. Diketahui konsumsi dalam negeri asam sulfat dari tahun 2015-2019 adalah
sebagai berikut:
Tahun Jumlah (Ton/Tahun)
2015 20004
2016 19692
2017 19132
2018 19366
2019 19802
Jika dilakukan regresi linear dengan metode kuadrat terkecil,maka tentukan
jumlah konsumsi pada tahun 2025! (Beri label dan judul pada grafik)

Penyelesaian :

x = [2015:2019]
y = [20004 19692 19132 19366 19802]
n = length(x)
sigmaxy = sum(x.*y);
sigmax = sum(x);
sigmay = sum (y);
sigmay_2 = sum(y.^2);
sigmax_2 = sum(x.^2);
b = (n*sigmaxy - sigmax*sigmay)/(n*sigmax_2 - (sigmax)^2)
a = mean(y) - b*mean(x)
y_prediksi = a + b*x
plot(x,y,'o',x,y_prediksi);
title('Grafik Konsumsi asam sulfat')
xlabel('tahun')
ylabel('Jumlah(ton/Tahun')
r2 = ((n*sigmaxy - sigmax*sigmay)/sqrt(n*sigmax_2 -
(sigmax)^2)/sqrt(n*sigmay_2-(sigmay)^2))
SSE = sum((y - y_prediksi).^2)

persamaankonsumsi=@(x)a+b*x;
konsumsi=persamaankonsumsi(2025)

>> Untitled5

x=

2015 2016 2017 2018 2019

y=

20004 19692 19132 19366 19802

n=

b=

-73

a=

1.6684e+05

y_prediksi =

1.0e+04 *

1.9745 1.9672 1.9599 1.9526 1.9453

r2 =

-0.3310

SSE =

4.3297e+05

konsumsi =

1.9015e+04
B. TUGAS
1. Dari data impor, ekspor, produksi, dan konsumsi yang sudah diketahui dalam
soal latihan, tentukan kapasitas Pabrik Asam Sulfat jika diambil peluang
sebesar 30%!
Penyelesaian :

konsumsi = 1.9015e+04
ekspor = 6.1584e+03
produksi = 935.8000
impor = 1.0646e+03
Demand = konsumsi+ekspor
Supply = produksi+impor
Kapasitas = 0.3*(Demand-Supply)

>> tugas1
konsumsi =
19015
ekspor =
6.1584e+03
produksi =
935.8000
impor =
1.0646e+03
Demand =
2.5173e+04
Supply =
2.0004e+03
Kapasitas =
6.9519e+03
2. Diketahui data laju alir umpan dalam suatu Reaktor Alir Tanki Berpengaduk
(RATB) adalah sebagai berikut:
t (detik) Fv (mol/detik)
7 0,3
14 0,5
21 0,7
28 0,9
35 1,1
42 1,3
49 1,5
56 1,7
Dari data di atas , maka carilah nilai slope dan intercept-nya dengan
menggunakan metode kuadrat terkecil! (Catatan: grafik jangan lupa diberi
label dan judul)

Penyelesaian :

x = [7:7:56]
y = [0.3:0.2:1.7]
n = length(x)
sigmaxy = sum(x.*y);
sigmax = sum(x);
sigmay = sum (y);
sigmay_2 = sum(y.^2);
sigmax_2 = sum(x.^2);
b = (n*sigmaxy - sigmax*sigmay)/(n*sigmax_2 - (sigmax)^2)
a = mean(y) - b*mean(x)
y_prediksi = a + b*x
plot(x,y,'o',x,y_prediksi);
title('Grafik Laju Alir dalam RATB ')
xlabel('t (detik)')
ylabel('Fv (mol/detik)')
r2 = ((n*sigmaxy - sigmax*sigmay)/sqrt(n*sigmax_2 -
(sigmax)^2)/sqrt(n*sigmay_2-(sigmay)^2))
SSE = sum((y - y_prediksi).^2)

>> tugas2

x=

7 14 21 28 35 42 49 56

y=

Columns 1 through 6

0.3000 0.5000 0.7000 0.9000 1.1000 1.3000

Columns 7 through 8

1.5000 1.7000

n=

b=

0.0286

a=

0.1000
y_prediksi =

Columns 1 through 6

0.3000 0.5000 0.7000 0.9000 1.1000 1.3000

Columns 7 through 8

1.5000 1.7000

r2 =

1.0000

SSE =

2.1570e-31
3. Data konstanta laju reaksi (k) terhadap suhu T adalah sebagai berikut :
T,K 781 700 666 629 556
K, cm3/(mol.s) 0,1059 3,10x10^-3 5,88x10^-4 8,09x10^-5 9,42x10^-7
Dengan menggunakan persamaan Arrhenius

k=Aе-E/RT

Tentukan factor tumbukan (A) dan energy aktivasi (E) dengan menggunakan
metode kuadrat terkecil!

Penyelesaian :

x = [1/781 1/700 1/666 1/629 1/556]

y = [log(0.1059) log(3.10*10^-3) log(5.88*10^-4) log(8.09*10^-5)
log(9.42*10^-7)]
n = length(x)
sigmaxy = sum(x.*y);
sigmax = sum(x);
sigmay = sum (y);
sigmay_2 = sum(y.^2);
sigmax_2 = sum(x.^2);
b = (n*sigmaxy - sigmax*sigmay)/(n*sigmax_2 - (sigmax)^2)
a = mean(y) - b*mean(x)
y_prediksi = a + b*x
plot(x,y,'o',x,y_prediksi);
title('Grafik Laju reaksi (k) terhadap suhu T')
xlabel('T (K)')
ylabel('K (cm^3/(mol.s))')
r2 = ((n*sigmaxy - sigmax*sigmay)/sqrt(n*sigmax_2 -
(sigmax)^2)/sqrt(n*sigmay_2-(sigmay)^2))
SSE = sum((y - y_prediksi).^2)
Ea=(b*8.314)-1
A=exp(a)

>> tugas3

x=

0.0013 0.0014 0.0015 0.0016 0.0018

y=

-2.2453 -5.7764 -7.4388 -9.4223 -13.8753

n=

b=

-2.2400e+04

a=

26.2914

y_prediksi =

-2.3898 -5.7087 -7.3423 -9.3207 -13.9964

r2 =

-0.9996

SSE =

0.0598

Ea =

-1.8623e+05
 A=

2.6194e+11

4. Nilai konduktivitas aluminium pada berbagai suhu adalah sebagai berikut

T (F) 373 383 393 403 413

K
278 252 237 231 222
(Btu/h.ft2.°F)
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!

(Catatan: jangan lupa diberi label, judul, dan kesimpulan hasil a 0 serta a1)
Penyelesaian :

x = [373:10:413]
y = [278 252 237 231 222]
n = length(x)
sigmaxy = sum(x.*y);
sigmax = sum(x);
sigmay = sum (y);
sigmay_2 = sum(y.^2);
sigmax_2 = sum(x.^2);
b = (n*sigmaxy - sigmax*sigmay)/(n*sigmax_2 - (sigmax)^2)
a = mean(y) - b*mean(x)
y_prediksi = a + b*x
plot(x,y,'o',x,y_prediksi);
title('Grafik konduktivitas alumunium berbagai suhu')
xlabel('T (F)')
ylabel('K (Btu/h.ft^2.F)')
r2 = ((n*sigmaxy - sigmax*sigmay)/sqrt(n*sigmax_2 -
(sigmax)^2)/sqrt(n*sigmay_2-(sigmay)^2))
SSE = sum((y - y_prediksi).^2)
a0=b
al=a

>> tugas4
x=
373 383 393 403 413
y=
278 252 237 231 222
n=
5
b=
-1.3300
a=
766.6900
y_prediksi =
270.6000 257.3000 244.0000 230.7000 217.4000
r2 =
-0.9593
SSE =
153.1000
a0 =
-1.3300
al =
766.6900
 BAB III
PENUTUP
A. KESIMPULAN
a) Kuantitatif
 Regresi secara umum adalah sebuah alat statistik yang memberikan
penjelasan tentang pola hubungan (model) antara dua variabel atau lebih.
Dalam analisis regresi dikenal dua jenis variabel yaitu variabel respon
(variabel dependen) dan variabel prediktor (variabel independen).
 Regresi linear adalah sebuah pendekatan untuk memodelkan hubungan
antara variable terikat Y dan satu atau lebih variable bebas yang disebut X.
 Fungsi regresi linear yaitu untuk menentukan fungsi linier (garis lurus)
yang paling sesuai dengan kumpulan titik data.
 Metode kuadrat terkecil/least square merupakan salah satu metode yang
digunakan untuk mendapatkan nilai-nilai penduga parameter model
regresi.
 Linearisasi merupakan proses membawa suatu sistem nonlinear menjadi
sistem linear. Linearisasi dilakukan pada sistem nonlinear untuk
mengetahui perilaku sistem di sekitar titik ekuilibrium sistem tersebut.
 Polyfit adalah fungsi matlab yang menghitung polinomial kuadrat terkecil
untuk kumpulan data tertentu. Polyfit menghasilkan koefisien polinomial,
yang dapat digunakan untuk memodelkan kurva agar sesuai dengan data.

b) Kuantitatif
 Hasil yang diperoleh dari latihan 1, regrasi linear dengan metode kuadrat
terkecil pada data hasil pirolisis biomassa tembakau dengan katalis zeolite

b=

7.8018
 a=

1.0957e+04

y_prediksi =

1.0e+04 *

Columns 1 through 6

1.3298 1.4078 1.4858 1.5638 1.6419 1.7199

Column 7

1.7979

r2 =

0.8529

SSE =

6.3882e+06

 Hasil yang diperoleh dari latihan 2, regresi linear dengan metode kuadrat
terkecil menentukan jumlah impor asam sulfat pada tahun 2025
impor =
1.0646e+03
 Hasil yang diperoleh dari latihan 3, regresi linear dengan metode kuadrat
terkecil menentukan jumlah ekspor asam sulfat pada tahun 2025

ekspor =
6.1584e+03

 Hasil yang diperoleh dari latihan 4, regresi linear dengan metode kuadrat
terkecil menentukan jumlah produksi asam sulfat pada tahun 2025
 produksi =
935.8000
 Hasil yang diperoleh dari latihan 5, regresi linear dengan metode kuadrat
terkecil menentukan jumlah konsumsi asam sulfat pada tahun 2025
konsumsi =
1.9015e+04
 Hasil yang didapatkan dari tugas 1, kapasitas Pabrik Asam Sulfat jika
diambil peluang sebesar 30% dapat dihitung dari data impor, ekspor,
produksi, dan konsumsi yang telah dikerjakan pada latihan 2-5.
Demand =
2.5173e+04
Supply =
2.0004e+03
Kapasitas =
6.9519e+03
 Hasil yang didapatkan dari tugas 2, nilai slope dan intercept-nya dengan
menggunakan metode kuadrat terkecil dari data laju umpan dalam suatu
RATB
b=
0.0286
a=
0.1000

y_prediksi =
Columns 1 through 6
0.3000 0.5000 0.7000 0.9000 1.1000 1.3000
Columns 7 through 8
1.5000 1.7000
 r2 =
1.0000
SSE =
2.1570e-31
 Hasil yang didapatkan dari tugas 3, factor tumbukan (A) dan energy
aktivasi (E) konstanta laju reaksi (k) terhadap suhu T dengan menggunakan
metode kuadrat terkecil
Ea =
-1.8623e+05
A=
2.6194e+11
 Hasil yang didapatkan dari tugas 4, harga a0 dan a1 konduktivitas
alumunium dengan menggunakan metode kuadrat terkecil
a0 =
-1.3300
al =
766.6900

B. SARAN
 Sebaiknya sebelum melakukan praktikum kita mempelajari modul dan video
yang telah diberikan terlebih dahulu. Untuk memahami langkah-langkah
pengerjaan matlab bab selanjutnya.
 Saat praktikum berlangsung selalu fokus dengan apa yang diterangkan aslab.
 Terus melatih diri sendiri, agar makin mahir dalam menggunakan matlab.
 Lebih teliti dalam mengerjakan soal dan memperhatikan
tanda/capslock/rumus.
 DAFTAR PUSTAKA

1. Modul Komputasi Proses 2020

2. “REGRESI LINIER DENGAN METODE KUADRAT TERKECIL”, diakses

pada tanggal 18 November 2020 pukul 15.55
https://www.academia.edu/9704971/BAB_I_REGRESI_LINIER_DENGAN_M
ETODE_KUADRAT_TERKECIL

3. Abdul Hafid. “REGRESI KUADRAT TERKECIL MENGGUNAKAN

PROGRAM MATLAB”, diakses pada tanggal 18 November 2020 pukul 20.40
https://www.researchgate.net/publication/326293392_REGRESI_KUADRAT_T
ERKECIL_MENGGUNAKAN_PROGRAM_MATLAB

4. “BAB II skripsi Nadhiya”, diakses pada tanggal 19 November 2020 pukul

11.44.
http://eprints.uny.ac.id/27441/2/BAB%20II_skripsi_Nadhiya.pdf

5. “PENGGUNAAN MODEL PREDIKTIF ANALYTICAL SEMI EMPIRICAL

MODEL (ASEM) UNTUK MEREPRESENTASIKAN PRODUK BAHAN
BAKAR BIO DARI PERENGKAHAN MINYAK NABATI”, diakses pada
tanggal 19 November 2020 pukul 14.19
http://lib.ui.ac.id/file?file=digital/20292439-S1360-Hilman%20Hutama.pdf

6. Supardi,M.Si. “Praktikum Pemrograman Komputer P. Fisika”, diakses pada

tanggal 19 November 2020 pukul 20.51
https://supardi.files.wordpress.com/2010/03/praktikum-p-fisika.pdf