BAB IV
REGRESI LINEAR
Disusun Oleh :
Nama : Kemal Imam Azhari
Nim : 18521151
Kelas/Hari/Jam : D / Selasa /12.30-15.00
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
YOGYAKARTA
2020
KATA PENGANTAR
Puji syukur kehadirat Allah SWT yang hingga saat ini masih memberikan kita
nikmat iman dan kesehatan, sehingga saya diberi kesempatan yang luar biasa ini yaitu
kesempatan untuk menyelesaikan laporan dengan judul “REGRESI LINEAR” ini
dengan tepat waktu.
Shalawat serta salam tidak lupa selalu kita haturkan untuk junjungan nabi
gung kita, yaitu Nabi Muhammad SAW yang telah menyampaikan petunjukan Allah
SWT untuk kita semua, yang merupakan sebuah pentunjuk yang paling benar yakni
Syariah agama Islam yang sempurna dan merupakan satu-satunya karunia paling
besar bagi seluruh alam semesta.
Dalam melakukan praktikum ini, tentunya banyak sekali hambatan yang telah
penulis rasakan, oleh sebab itu, saya berterimakasih kepada beberapa pihak terutama
assisten laboraturium yang telah membantu membina dan mendukung dalam
mengatasi beberapa hambatan.
Selain itu, saya juga sadar bahwa pada laporan ini dapat ditemukan banyak
sekali kekurangan serta jauh dari kesempurnaan. Oleh sebab itu, saya benar-benar
menanti kritik dan saran untuk kemudian dapat saya revisi dan saya tulis di masa
yang selanjutnya, sebab sekali kali lagi saya menyadari bahwa tidak ada sesuatu yang
sempurna tanpa disertai saran yang konstruktif. Dan semoga laporan ini dapat
memberikan manfaat.
PENDAHULUAN
A. Tujuan
Agar mahasiswa dapat menyusun persamaan empirik dari data yang ada
dengan menggunakan regresi linear.
B. Dasar Teori
1. Pengertian Regresi linear
Dalam statistika, 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.
Hubungan di antara variable-variabel tersebut disebut sebagai model regresi
linear. Berdasarkan penggunaan variable bebas, maka regresi linear dapat
dibagi menjadi dua yaitu regresi linear sederhana dan analisis regresi linear.
Regresi Linear Sederhana adalah Metode Statistik yang berfungsi
untuk menguji sejauh mana hubungan sebab akibat antara Variabel Faktor
Penyebab (X) terhadap Variabel Akibatnya. Faktor Penyebab pada umumnya
dilambangkan dengan X atau disebut juga dengan Predictor sedangkan
Variabel Akibat dilambangkan dengan Y atau disebut juga dengan Response.
Regresi Linear Sederhana atau sering disingkat dengan SLR (Simple Linear
Regression) juga merupakan salah satu Metode Statistik yang dipergunakan
dalam produksi untuk melakukan peramalan ataupun prediksi tentang
karakteristik kualitas maupun Kuantitas.
Contoh Penggunaan Analisis Regresi Linear Sederhana dalam
Produksi antara lain :
Y = a + bX
Dimana :
Y = Variabel Response atau Variabel Akibat (Dependent)
X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)
a = konstanta
b = koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh
Predictor.
ai
mengeliminasi kedua persamaan untuk mendapatkan
a0
mensubtitusi ai dan a0 ke dalam y = a0 + aix
5. Regresi linear pada matlab
Algoritma dalam matlab untuk regresi linear dapat dilihat berikut ini.
Untuk fungsi penjumlahan (summation) dapat dihitung dengan mudah
menggunakan matlab function sum. Fungsi penjumlahan ini kemudian
digunakan untuk menghitung slopedan intercept dengan persamaan (4.4) dan
(4.5). M-file ini menampilkan intercept dan slope, coefficient of
determination, dan plot garis hasil regresi beserta data-data observasi.
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)
xlabel('title')
ylabel('title')
r2 = ((n*sigmaxy - sigmax*sigmay)/sqrt(n*sigmax_2 -
(sigmax)^2)/sqrt(n*sigmay_2 - (sigmay)^2))
SSE = sum((y - y_prediksi).^2)
Setelah itu tinggal menekan tombol RUN yang terletak di atas editor,
maka matlab akan memproses perintah tersebut.
Selain menggunakan cara regresi di atas, cara lain dalam matlab dapat
menggunakan matlab function polyfit yaitu matlab function yang digunakan
untuk fitting polinomial orde-n terhadap data observasi. Perintahnya adalah:
x = [variabel bebas]
y = [variabel terikat]
n = orde
polyfit(x,y,n)
--------------------------------------------------------------
Karena garis lurus merupakan polinomial orde pertama, maka matlab function
polyfit dapat digunakan untuk mencari slope dan intercept dari fitting garis
dengan cara mengganti n = 1.
BAB II
Diketahui data hasil pirolisis biomassa tembakau dengan katalis zeolite adalah
sebagai berikut:
PENYELESAIAN
M_LATIHAN_1
x =
y =
n =
sigmaxy =
67774900
sigmax =
4200
sigmay =
109319
sigmay_2 =
1.7307e+09
sigmax_2 =
2800000
b =
7.7982
a =
1.0938e+04
y_prediksi =
1.0e+04 *
r2 =
0.8520
SSE =
6.4295e+06
104
1.9
1.8
LUAS AREA PEAK (M )
2
1.7
1.6
1.5
1.4
1.3
300 400 500 600 700 800 900
SUHU
Latihan 2
Diketahui impor asam sulfat dari tahun 2015-2019 adalah sebagai berikut:
Tahun Jumlah
(Ton/Tahun)
2015 789
2016 712
2017 800
2018 845
2019 873
Jika dilakukan regresi linear dengan metode kuadrat terkecil,maka tentukan
jumlah impor pada tahun 2025 ! (Beri label dan judul pada grafik)
PENYELESAIAN
M_LATIHAN_2
x =
2015 2016 2017 2018 2019
y =
n =
sigmaxy =
8106624
sigmax =
10085
sigmay =
4019
sigmay_2 =
3245619
sigmax_2 =
20341455
b =
30.1000
a =
-5.9908e+04
y_prediksi =
r2 =
0.7734
SSE =
6.0867e+03
persimpor =
@(x)a+b*x
jumlahimpor =
1.0446e+03
880
860
840
JUMLAH (TON/TAHUN)
820
800
780
760
740
720
700
2015 2015.5 2016 2016.5 2017 2017.5 2018 2018.5 2019
TAHUN
Latihan 3
Diketahui impor asam sulfat dari tahun 2015-2019 adalah sebagai berikut:
Tahun Jumlah
(Ton/Tahun)
2015 2537
2016 3458
2017 3984
2018 3617
2019 4084
Jika dilakukan regresi linear dengan metode kuadrat terkecil,maka tentukan
jumlah impor pada tahun 2025 ! (Beri label dan judul pada grafik)
PENYELESAIAN
M_LATIHAN_3
x =
y =
2537 3458 3984 3617 4084
n =
sigmaxy =
35663813
sigmax =
10085
sigmay =
17680
sigmay_2 =
64028134
sigmax_2 =
20341455
b =
325.3000
a =
-6.5259e+05
y_prediksi =
1.0e+03 *
2.8854 3.2107 3.5360 3.8613 4.1866
r2 =
0.8367
SSE =
4.5345e+05
persekspor =
@(x)a+b*x
jumlahekspor =
6.1384e+03
4200
4000
3800
JUMLAH (TON/TAHUN)
3600
3400
3200
3000
2800
2600
2400
2015 2015.5 2016 2016.5 2017 2017.5 2018 2018.5 2019
TAHUN
Latihan 4
Diketahui impor asam sulfat dari tahun 2015-2019 adalah sebagai berikut:
Tahun Jumlah
(Ton/Tahun)
2015 541
2016 555
2017 614
2018 645
2019 688
Jika dilakukan regresi linear dengan metode kuadrat terkecil,maka tentukan
jumlah impor pada tahun 2025 ! (Beri label dan judul pada grafik)
PENYELESAIAN
M_LATIHAN_4
x =
y =
n =
sigmaxy =
6138115
sigmax =
10085
sigmay =
3043
sigmay_2 =
1867071
sigmax_2 =
20341455
b =
38.4000
a =
-7.6844e+04
y_prediksi =
r2 =
0.9882
SSE =
355.6000
persproduksi =
@(x)a+b*x
jumlahproduksi =
915.8000
700
680
660
JUMLAH (TON/TAHUN)
640
620
600
580
560
540
520
2015 2015.5 2016 2016.5 2017 2017.5 2018 2018.5 2019
TAHUN
Latihan 5
Diketahui impor asam sulfat dari tahun 2015-2019 adalah sebagai berikut:
Tahun Jumlah
(Ton/Tahun)
2015 19984
2016 19672
2017 19112
2018 19346
2019 19782
Jika dilakukan regresi linear dengan metode kuadrat terkecil,maka tentukan
jumlah impor pada tahun 2025 ! (Beri label dan judul pada grafik)
PENYELESAIAN
M_LATIHAN_5
x =
n =
sigmaxy =
197455502
sigmax =
10085
sigmay =
97896
sigmay_2 =
1.9172e+09
sigmax_2 =
20341455
b =
-73
a =
1.6682e+05
y_prediksi =
1.0e+04 *
r2 =
-0.3310
SSE =
4.3297e+05
perskonsumsi =
@(x)a+b*x
jumlahkonsumsi =
1.8995e+04
104
2
1.99
1.98
JUMLAH (TON/TAHUN)
1.97
1.96
1.95
1.94
1.93
1.92
1.91
2015 2015.5 2016 2016.5 2017 2017.5 2018 2018.5 2019
TAHUN
B. TUGAS
Tugas 1
Dari data impor, ekspor, produksi, dan konsumsi yang sudah diketahui
dalam soal latihan, tentukan kapasitas Pabrik Asam Sulfat jika diambil
peluang sebesal 30%!
PENYELESAIAN
IMPOR =
1.0446e+03
EKSPOR =
6.1384e+03
PRODUKSI =
915.8000
KONSUMSI =
18995
DEMAND =
2.5133e+04
SUPPLY =
1.9604e+03
KAPASITAS =
8.5740e+03
Tugas 2
Diketahui data laju alir umpan dalam suatu Reaktor Alir Tanki
Berpengaduk (RATB) adalah sebagai berikut:
t (detik) Fv (mol/detik)
5 0,1
10 0,3
15 0,5
20 0,7
25 0,9
30 1,1
35 1,3
40 1,5
Dari data di atas , maka carilah nilai slope-nya dengan menggunakan metode
kuadrat terkecil! (Catatan: grafik jangan lupa diberi label dan judul)
PENYELESAIAN
>> M_TUGAS_1
x =
5 10 15 20 25 30 35 40
y =
n =
sigmaxy =
186
sigmax =
180
sigmay =
6.4000
sigmay_2 =
6.8000
sigmax_2 =
5100
b =
0.0400
a =
-0.1000
y_prediksi =
1.0000
SSE =
6.2400e-32
1
Fv (mol/Detik)
0.5
0
5 10 15 20 25 30 35 40
t (Detik)
Tugas 3
Data konstanta laju reaksi k terhadap T adalah sebagai berikut:
tumbukan (A) dan energi aktivasi (E) dengan menggunakan metode kuadrat
terkecil! Diketahui R = 8,314 J/mol.K (Catatan: grafik jangan lupa diberi label
dan judul)
PENYELESAIAN
E
k = Ae¿
RT
ln k = ln A (-E/RT)
ln k = ln A + E(-1/RT)
M_TUGAS_2
x =
y =
n =
sigmaxy =
164.3991
sigmax =
3281
sigmay =
0.2286
sigmay_2 =
0.0501
sigmax_2 =
2162961
b =
0.0014
a =
-0.9002
y_prediksi =
r2 =
0.7232
SSE =
0.0189
0.2
0.15
k(cm3/mol.s
0.1
0.05
-0.05
-0.1
580 600 620 640 660 680 700 720
T(K)
Tugas 4
Nilai konduktivitas aluminium pada berbagai suhu adalah sebagai berikut
k =a0 T + a1
M_TUGAS_4
x =
373 383 393 403 413
y =
n =
sigmaxy =
318593
sigmax =
1965
sigmay =
821
sigmay_2 =
151949
sigmax_2 =
773245
b =
-4.0600
a =
1.7598e+03
y_prediksi =
r2 =
-0.9806
SSE =
657.2000
240
220
200
k(Btu/h.ft2.F
180
160
140
120
100
80
370 375 380 385 390 395 400 405 410 415
T(K)
BAB III
B. SARAN
Memperbanyak Latihan agar memperlancar menggunakan matlab
DAFTAR PUSTAKA
Rumus Statistik.”METODE LEAST SQUARE (KUADRAT TERKECIL)
PADA REGRESI LINEAR” diakses pada 16 November 2020 pukul 16.30
https://www.rumusstatistik.com/2015/03/metode-least-square-pada-regresi-
linier.html
Teknik Elektronika.” Analisis Regresi Linear Sederhana (Simple Linear
Regression)” diakses pada 16 November 2020 pukul 17.00
https://teknikelektronika.com/analisis-regresi-linear-sederhana-simple-linear-
regression/
Yupi Online.”Pengertian Regresi Linear” diakses pada 16 November 2020
pukul 17.30
https://yupyonline.blogspot.com/2012/02/pengertian-regresi-linear.html