Disusun Oleh :
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.
𝑁 𝑁
𝑆𝑟 = ∑ 𝑒𝑖2 = ∑(𝑦𝑖 − 𝑌𝑖 )2
𝑖 𝑖
𝑛 ∑ 𝑥𝑖 𝑦𝑖 − ∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑏=
𝑛 ∑ 𝑥𝑖2 − (∑ 𝑥𝑖 )2
𝑎 = 𝑦̅ − 𝑏𝑥̅
𝑛 ∑(𝑥𝑖 𝑦𝑖 ) − (∑ 𝑥𝑖 ) (∑ 𝑦𝑖 )
𝑟=
√𝑛 ∑ 𝑥𝑖2 − (∑ 𝑥𝑖 )2 √𝑛 ∑ 𝑦𝑖2 − (∑ 𝑦𝑖 )2
-------------------------------------------------------------------------------------------
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)
-------------------------------------------------------------------------------------------
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
-------------------------------------------------------------------------------------------
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]
n = length(x)
sigmaxy = sum(x.*y);
sigmax = sum(x);
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);
xlabel('suhu')
r2 = ((n*sigmaxy - sigmax*sigmay)/sqrt(n*sigmax_2 -
(sigmax)^2)/sqrt(n*sigmay_2-(sigmay)^2))
>> Untitled1
x=
y=
Columns 1 through 5
Columns 6 through 7
16932 18915
n=
7
b=
7.8018
a=
1.0957e+04
y_prediksi =
1.0e+04 *
Columns 1 through 6
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=
y=
b=
30.1000
a=
-5.9888e+04
y_prediksi =
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=
y=
n=
b=
-73
a=
1.6684e+05
y_prediksi =
1.0e+04 *
-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
Columns 7 through 8
1.5000 1.7000
n=
b=
0.0286
a=
0.1000
y_prediksi =
Columns 1 through 6
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 :
>> tugas3
x=
y=
n=
b=
-2.2400e+04
a=
26.2914
y_prediksi =
r2 =
-0.9996
SSE =
0.0598
Ea =
-1.8623e+05
A=
2.6194e+11
𝑘 = 𝑎0 𝑇 + 𝑎1
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
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