LAPORAN PRAKTIKUM KOMPUTASI PROSES

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.

Yogyakarta, 17 NOVEMBER 2020

KEMAL IMAM AZHARI

 BAB I

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 :

Hubungan antara Lamanya Kerusakan Mesin dengan Kualitas Produk yang

dihasilkan
Hubungan Jumlah Pekerja dengan Output yang diproduksi
Hubungan antara suhu ruangan dengan Cacat Produksi yang dihasilkan.
Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini :

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.

2. Regresi linear dengan metode kuadrat terkecil

Metode kuadrat terkecil, yang lebih dikenal dengan nama Least-

Squares Method, adalah salah satu metode ‘pendekatan’ yang paling penting
dalam dunia keteknikan untuk: (a). regresi ataupun pembentukan persamaan
dari titik-titik data diskretnya (dalam pemodelan), dan (b). analisis sesatan
pengukuran (dalam validasi model).
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.
Metode kuadrat terkecil ini juga memainkan peranan penting dalam teori
olynomia, karena metode ini seringkali digunakan dalam penyelesaian
problem-problem yang melibatkan kumpulan data yang tersusun secara acak,
seperti dalam sesatan-sesatan percobaan.
Seperti telah dijelaskan di atas, dalam dunia keteknikan metode
kuadrat terkecil ini digunakan untuk melakukan regresi dan atau pencocokan
kurva yang diharapkan dapat membentuk persamaan matematis tertentu.
Secara empiris, persamaanpersamaan matematis tertentu yang sering
digunakan di antaranya adalah:

 Persamaan ‘garis lurus’ (linier)

 Persamaan parabolis (kuadratis)
 Persamaan olynomial (secara umum)
 Persamaan eksponensial
 Persamaan asimptotis
3. linearisasi persamaan non linear
Regresi linear paling baik digunakan untuk fitting garis terhadap data
observasi sehingga hubungan antara variabel terikat dan variabel bebas
haruslah linear. Oleh karena itu, langkah pertama yang harus dilakukan dalam
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 polinomial adalah dengan
menggunakan manipulasi matematis untuk merubah persamaannya dalam
bentuk persamaan linear. Tabel berikut memberikan beberapa contoh
linearisasi persamaan nonlinear.
Tabel linearisasi persamaan nonlinear
Persamaan non linear linearisasi
𝑦 = 𝛼1𝑒𝛽1𝑥 ln 𝑦 = ln 𝛼1 + 𝛽1𝑥
𝑦 = 𝛼2𝑥𝛽2 log 𝑦 = log 𝛼2 + 𝛽2 log 𝑥
x 1 1 β 3. 1
𝑦 = 𝛼3 = +
β 3+ X y α 2 α 3x

4. Algoritma regresi linear

Algoritma untuk tetapan dalam persamaan empiric regresi linear
dengan metode kuadrat terkecil
1. untuk persamaan y = a0x
 mendefinisikan bentuk persamaan y = a0x
 menentukan data nilai x dan y
 menentukan nilai x2,y2,dan x*y
 menentukan jumlah x,y, x2, y2, dan x*y

 mencari tetapan nilai a0, a0 =

∑ ( xiyi)
∑ xi2
2. untuk persaman y = a0 + aix
 mendefinisikan bentuk persamaan y = a0 + aix
 menentukan data nilai x dan y
 menentukan nilai x2,y2,dan x*y
 menentukan jumlah x,y, x2, y2, dan x*y
 masukan nilai yang sudah didapat ke persamaan
 n. a0 + ai∑ xi = ∑ yi

a0∑ xi + ai∑ xi 2 = ∑ xiyi

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

PERSOALAN DAN PENYELESAIAN

A. LATIHAN
Latihan 1

Diketahui data hasil pirolisis biomassa tembakau dengan katalis zeolite adalah
sebagai berikut:

Suhu Luas area peak (m-2)

300 13067
400 14194
500 15412
600 16512
700 14327
800 16912
900 18895
Lakukan regrasi linear pada data tersebut dengan metode kuadrat terkecil!
(Catatan: grafik jangan lupa diberi label dan judul)

PENYELESAIAN

M_LATIHAN_1

x =

300 400 500 600 700 800 900

y =

13067 14194 15412 16512 14327

16912 18895

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 *

1.3278 1.4057 1.4837 1.5617 1.6397 1.7177

1.7956

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 =

789 712 800 845 873

n =

sigmaxy =

8106624

sigmax =

10085

sigmay =

4019

sigmay_2 =

3245619

sigmax_2 =

20341455

b =

30.1000

a =

-5.9908e+04
y_prediksi =

743.6000 773.7000 803.8000 833.9000 864.0000

r2 =

0.7734

SSE =

6.0867e+03

persimpor =

function_handle with value:

@(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 =

2015 2016 2017 2018 2019

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 =

function_handle with value:

@(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 =

2015 2016 2017 2018 2019

y =

541 555 614 645 688

n =

sigmaxy =

6138115

sigmax =

10085

sigmay =
 3043

sigmay_2 =

1867071

sigmax_2 =

20341455

b =

38.4000

a =

-7.6844e+04

y_prediksi =

531.8000 570.2000 608.6000 647.0000 685.4000

r2 =

0.9882

SSE =

355.6000

persproduksi =

function_handle with value:

@(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 =

2015 2016 2017 2018 2019

y =

19984 19672 19112 19346 19782

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 *

1.9725 1.9652 1.9579 1.9506 1.9433

r2 =

-0.3310

SSE =

4.3297e+05

perskonsumsi =

function_handle with value:

@(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 =

0.1000 0.3000 0.5000 0.7000 0.9000 1.1000

1.3000 1.5000

n =

sigmaxy =

186
 sigmax =

180

sigmay =

6.4000

sigmay_2 =

6.8000

sigmax_2 =

5100

b =

0.0400

a =

-0.1000

y_prediksi =

0.1000 0.3000 0.5000 0.7000 0.9000 1.1000

1.3000 1.5000
 r2 =

1.0000

SSE =

6.2400e-32

%Nilai Sloppenya 0.0400

Reaktor Alir Tangki Berpengaduk
1.5

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:

T (K) 720 680 656 640 585

k
3
0,2237 4,20 x 10-3 6,45 x 10-4 8,58 x 10-5 1,83 x 10-6
(cm /mol.s)
 −E
Dengan menggunakan persamaan Arrhenius k = A e RT , tentukan faktor

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 =

720 680 656 640 585

y =

0.2237 0.0042 0.0006 0.0001 0.0000

n =

sigmaxy =

164.3991

sigmax =

3281

sigmay =

0.2286
sigmay_2 =

0.0501

sigmax_2 =

2162961

b =

0.0014

a =

-0.9002

y_prediksi =

0.1377 0.0800 0.0454 0.0224 -0.0569

r2 =

0.7232

SSE =

0.0189

%Jadi nilai A = -0.9002 Dan E = 0.0014

 Konstanta Laju Reaksi k terhadap T
0.25

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

T (K) 373 383 393 403 413

K
250 212 151 110 98
(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 a0 serta a1)
PENYELESAIAN

M_TUGAS_4

x =
 373 383 393 403 413

y =

250 212 151 110 98

n =

sigmaxy =

318593

sigmax =

1965

sigmay =

821

sigmay_2 =

151949

sigmax_2 =

773245

b =

-4.0600

a =

1.7598e+03
y_prediksi =

245.4000 204.8000 164.2000 123.6000 83.0000

r2 =

-0.9806

SSE =

657.2000

% Didapatkan nilai a0 -4.0600 dan a1 1.7598e+03

Nilai Konduktivitas Aluminium

260

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

KESIMPULAN DAN SARAN

A. KESIMPULAN
KUALITATIF
 regresi linear adalah sebuah pendekatan untuk memodelkan hubungan
antara variable terikat Y dan satu atau lebih variable bebas yang disebut X
 Metode kuadrat terkecil digunakan untuk
1. Regresi ataupun pembentukan persamaan dari titik-titik data
diskretnya (dalam pemodelan)
2. Analisis sesatan pengukuran (dalam validasi model).
KUANTITATIF
 Pada Latihan 1 didapatkan nilai a = 1.0938e+04 b = 7.7982 r2 =
0.8367 SSE = 4.5345e+05
 Pada Latihan 2 didapatkan jumlah impor =1.0446e+03
 Pada Latihan 3 didapatkan jumlah ekspor =6.1384e+03
 Pada Latihan 4 didapatkan jumlah produksi = 915.8000
 Pada Latihan 5 didapatkan jumlah konsumsi = 1.8995e+04
 Pada Tugas 1 didapatkan DEMAND = 2.5133e+04 SUPPLY =
1.9604e+03 KAPASITAS = 8.5740e+03
 Pada Tugas 2 didapatkan Nilai Sloppe = 0.0400
 Pada Tugas 3 didapatkan nilai A = -0.9002 Dan E = 0.0014
 Pada Tugas 4 didapatkan nilai a0 = -4.0600 dan a1 = 1.7598e+03

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