Modul Regresi Linier S2

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/282133160
Pemodelan Teknik Kimia Lanjut - S2 (Materi Kuliah#04): Tambahan: Modul

Regresi Linier - Dengan Pemrograman dalam MS-EXCEL (Ctrl-Shift + ENTER)
Chapter · September 2015

DOI: 10.13140/RG.2.1.4937.2886
CITATIONS READS
0 11,886
1 author:
Setijo Bismo
University of Indonesia
202 PUBLICATIONS 233 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Chemical Engineering Course on Unit Operations and Mass Transfer Operations View project
Basic Course on Linear Algebraic for Engineers View project
All content following this page was uploaded by Setijo Bismo on 24 September 2015.
The user has requested enhancement of the downloaded file.

Seri Matematika Terapan untuk S2
Modul 3:
Regresi Linier dengan Metode Kuadrat Terkecil
A. Pendahuluan 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 metode-
metode 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 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.
Intellectual Property of DR. Ir. Setijo Bismo, DEA., TGP-FTUI Modul 3 - Regresi Linier dengan Metode Kuadrat Terkecil (1/1)
B. Persamaan dan Model sebagai obyek regresi
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, persamaan-
persamaan matematis tertentu yang sering digunakan di
antaranya adalah:
(a). Persamaan ‘garis lurus’ (linier): y = ax + b
(b). Persamaan parabolis (kuadratis): y = p x2 + q x + r
(c). Persamaan polinomial (secara umum):
y = c1 + c2 x + c3 x 2 + L + ck x k −1 + L + c n x n −1
∞
= ∑ ck x k −1
k =1
2
+cx+ d
(d). Persamaan eksponensial: y = a eb x
a x2 + b x
(e). Persamaan asimptotis: y =
cx + d
C. Regresi Sederhana untuk Persamaan Linier
Bentuk umum dari persamaan linier, dapat dituliskan sebagai

berikut:
y = ax + b
dengan:
a = kelandaian (slope) kurva garis lurus
b = perpotongan (intercept) kurva dengan ‘ordinat’
atau sumbu tegak
Regresi yang dimaksudkan disini adalah: pencarian harga-

harga tetapan a dan b berdasarkan deretan data yang ada
(jumlah atau pasangan data x-y sebanyak N buah).
Sebagai contoh, di bawah ini diberikan 1 set data (x-y)
sebanyak 7 buah:
Tabel 1. Set data regresi linier.
x y
-3 -0.22
-2 0.67
-1 1.55
0 1.99
1 2.55
2 3.25
3 4.11
Hasil pengaluran kurva (plotting) titik-titik tersebut di atas dapat

dilihat pada Gb. 1 di bawah ini.
5
y = 0.6841x + 1.9850
4.11 4
3.25
3
2.55
intercept 1.99 2
1.55
slope 1
0.67
-0.22
0
-1
-5 -4 -3 -2 -1 0 1 2 3 4 5
Gambar 1. Kurva regresi linier, dengan N = 7.
Persamaan sebaran (S atau distribusi) yang menyatakan

sesatan terdistribusi dari persamaan linier tersebut dinyatakan
sebagai:
S = ∑ ( y − a x − b )2
Persyaratan yang harus dipenuhi untuk dapat menghitung a

dan b adalah minimisasi turunan persamaan di atas terhadap
tetapan a dan b (dalam hal ini, a dan b dianggap sebagai
variabel-variabel semu), sehingga membentuk persamaan-
persamaan berikut:
dS
(a ). = 0; dan
da
dS
(b). = 0.
db
Untuk lebih jelasnya, kronologis penurunan kedua persamaan

di atas adalah sebagai berikut:
(a).
d
da
[
∑ ( y − a x − b)
2
] = 0 , sehingga akan terbentuk
persamaan berikut:
∑ ( y − a x − b ) (− x) = 0 , atau
a ∑ x2 + b ∑ x = ∑ x y (A)
(b).
d
db
[
∑ ( y − a x − b)
2
= 0, ] sehingga kemudian
terbentuk persamaan berikut:

∑ ( y − a x − b ) (−1) = 0 , atau
a∑x + N b = ∑ y (B)
Kedua persamaan (A) dan (B) seperti di atas adalah suatu

sistem persamaan aljabar linier (SPAL), bila disusun-ulang
sebagai berikut:
∑ x 2 ∑ x  a  ∑ x y 
 ⋅  =  y  (C)
 ∑ x N  b  ∑ 
yang identik dengan persamaan matriks [ A] ⋅ [x] = [b]. Solusi

SPAL tersebut relatif sangat mudah dilakukan dengan metode
analitis.
Dengan menggunakan aturan Cramer, solusi konstanta-
konstanta a dan b adalah:
∑ x y ∑ x
det 
∑ y N 
a = ; dan
∑ x 2 ∑x 
det  
∑ x N 
∑ x 2 ∑ x y
det  
b = ∑ x ∑ 
y
∑ x 2 ∑ x
det  
∑ x N 
Karena hanya membentuk persamaan matriks berorder 2, maka

determinan-determinan matriks di atas dapat langsung dihitung,
dengan rincian sebagai berikut:
∑ x 2 ∑ x 
det   = [∑ x 2
⋅ N − (∑ x )2 ]
∑ x N 
∑ x y ∑ x 
det   = [∑ xy⋅ N − ∑ x⋅∑ y ]
 ∑ y N 
dan
∑ x 2 ∑ x y 
det   = [∑ x 2
⋅∑ y − ∑ x⋅∑ xy ]
∑ x ∑ y 
sehingga, diperoleh solusi harga-harga a dan b:
[∑ xy⋅ N − ∑ x⋅∑ y ]
a =
[ ∑ x ⋅ N − (∑ x )
2 2
= 0,684143; dan
]
[∑ x ⋅ ∑ y − ∑ x ⋅ ∑ x y ]
2
b =
[ ∑ x ⋅ N − (∑ x ) ]
2 2
= 1,985000
Tugas di rumah:
Coba buat program dalam FORTRAN untuk mencari harga-
harga a dan b dari satu set data berikut:
No. x y
1 -1.0 5.00
2 1.0 9.00
3 3.0 13.00
4 5.0 17.00
5 7.0 21.00
6 9.0 25.00
7 11.0 29.00
D. Regresi Persamaan Parabola
Persamaan Parabola atau Persamaan Kuadrat mempunyai

bentuk umum yang dapat dituliskan sebagai berikut:
y = p x2 + q x + r

harga tetapan p, q dan r berdasarkan set data yang diberikan
(ingat: jumlah atau pasangan data x-y sebanyak N buah !).
Persamaan sebaran (S) yang menyatakan sesatan terdistribusi

dari persamaan linier tersebut dinyatakan sebagai:
S (
= ∑ y − p x2 − q x − r )2
Persyaratan yang harus dipenuhi untuk dapat menghitung p, q
dan r adalah minimisasi turunan persamaan di atas terhadap
tetapan p q dan r (dalam hal ini, p, q dan r dianggap sebagai
persamaan minimisasi berikut:
dS
(a ). = 0;
dp
dS
(b). = 0; dan
dq
dS
(c). = 0.
dr
Tahapan penurunan ketiga persamaan-persamaan di atas

terhadap p, q, dan r adalah sebagai berikut:
(a).
d 
d p 
∑ (
y − p x2 − q x − r 
2

) = 0 , yang membentuk
persamaan berikut:
(
∑ y − p x − q x − r (− x ) = 0 , atau
2 2
)
p ∑ x 4 + q ∑ x3 + r ∑ x 2 = ∑ x2 y (E)
(b).
d 
d q 
∑ (
y − p x2 − q x − r 
2

) = 0 , yang membentuk:
(
∑ y − p x − q x − r (− x) = 0 , atau
2
)
p ∑ x3 + q ∑ x 2 + r ∑ x = ∑ x y (F)
(c).
d 
d r 
∑ y − p (
x 2
− q x − r
2

) = 0 , dan dihasilkan
(
∑ y − p x − q x − r (− 1) = 0 , atau
2
)
p ∑ x2 + q ∑ x + r N = ∑y (G)
Seperti halnya pada regresi persamaan linier, ketiga

persamaan (E), (F), dan (G) di atas juga membentuk suatu
sistem persamaan aljabar linier (SPAL) dengan oreder 3, bila
disusun-ulang sebagai berikut:
∑ x 4 ∑ x 3 ∑ x 2   p  ∑ x 2 y 
 3     
∑ x ∑ x ∑ x  ⋅  q 
2
= ∑ x y  (H)
 2     
 ∑ x ∑ x N   r   ∑ y 
Solusi SPAL di atas dapat dilakukan melalui 2 cara, yaitu: (a).

analitis (aljabar) dan (b). numeris. Berbagai solusi SPAL
(dengan menggunakan metode numeris) telah dijelaskan pada
modul-modul pelajaran terdahulu. Sebagai catatan, determinan
dari matriks bujur-sangkar dengan rank 3 dapat dihitung
sebagai berikut:
 a11 a12 a13 
a11 ⋅ a22 ⋅ a33 + a12 ⋅ a23 ⋅ a31 + a13 ⋅ a21 ⋅ a32 −
det a21 a22 a23  =
a31 ⋅ a22 ⋅ a13 − a32 ⋅ a23 ⋅ a11 − a33 ⋅ a21 ⋅ a12
 a31 a32 a33 
Dengan menggunakan metode analitis, sebenarnya SPAL di

atas masih relatif mudah diselesaikan, yaitu dengan
menggunakan aturan Cramer untuk mencari solusi konstanta
atau parameter-parameter p, q dan r.
∑ x 2 y ∑x ∑x 
3 2
 2 
det ∑ x y ∑ x ∑ 
x
∑ y ∑ x N 
p =  ;
∑ x 4 3
∑x ∑x
2
 
det ∑ x 3 2
∑x ∑x 
∑ x 2 ∑ x N 

∑ x 4 ∑x y ∑x 
2 2
 
det ∑ x 3 ∑ x y ∑ 
x
∑ x 2 ∑y N 
q =   ; dan
∑ x 4 ∑x ∑x
3 2
 
det ∑ x 3 2
∑x ∑x 
∑ x 2 ∑ x N 

∑ x 4 ∑ x ∑ x y
3 2
 
det ∑ x 3 ∑ x 2
∑ x y 
∑ x 2 ∑ x ∑ y 
r = 
∑ x 4 ∑x ∑x 
3 2
 
det ∑ x 3 2
∑x ∑x 
∑ x 2 ∑ x N 

Berdasarkan catatan tentang determinan matriks berorder 3

seperti di atas, maka determinan-determinan matriks di atas
berturut-turut adalah sebagai berikut:
4 2 3 2
∑ x 4 ∑ x3 ∑ x 2  ∑ x ⋅∑ x ⋅ N + ∑ x ⋅∑ x⋅∑ x +

det ∑ x 3 ∑ x 2 ∑ x 

( )3 −
= ∑ x 2 ⋅ ∑ x3 ⋅ ∑ x − ∑ x 2
 x2
∑ ∑x N 

 (∑ x2 )⋅ ∑ x4 − N ⋅ (∑ x3 )2
2 2 3
∑ x 2 y ∑ x 3 ∑ x 2  ∑x y⋅∑x ⋅ N + ∑x ⋅∑x⋅∑ y +
  2
det ∑ x y ∑ x 2 ∑ x  = ∑ x 2 ⋅ ∑ x y ⋅ ∑ x − ∑ x 2 ⋅ ∑ y − ( )
 y  (∑ x) ⋅ ∑ x y − N ⋅ ∑ x y ⋅ ∑ x
2 2 3
∑ ∑x N 

4 2 2
∑ x 4 ∑ x 2 y ∑ x 2  ∑ x ⋅∑ xy⋅ N + ∑ x y⋅∑ x⋅∑ x +

det ∑ x 3 ∑ x y ∑ x 

( )2
= ∑ x 2 ⋅ ∑ x3 ⋅ ∑ y − ∑ x 2 ⋅ ∑ x y −
 x2 N  4 3 2
∑ ∑y ∑ x⋅∑ x ⋅∑ y − N ⋅∑ x ⋅∑ x y

dan
4 2 2 3
∑ x 4 ∑ x3 ∑ x 2 y  ∑ x ⋅∑ x ⋅∑ y + ∑ x ⋅∑ x ⋅∑ xy +

det ∑ x 3 ∑ x 2 ∑ x y 

( )2 ⋅ ∑ x2 y −
= ∑ x ⋅ ∑ x3 ⋅ ∑ x 2 y − ∑ x 2
∑ x ⋅ ∑ x ⋅ ∑ x y − (∑ x ) ⋅ ∑ y
 x2  32
∑ ∑x ∑y  4

Tugas di rumah:
Coba buat program dalam FORTRAN untuk mencari harga-
harga p, q dan r berdasarkan kurva di bawah ini:
6.00
4.00
2.00
0.00
-2.00
-4.00
-6.00
-4.0 -2.0 0.0 2.0 4.0
Pasangan data (x-y) dari kurva di atas dapat diberikan

seperti pada tabel berikut:
No. x y
1 -3.0 4.00
2 -2.2 -0.16
3 -0.9 -4.19
4 -0.1 -4.99
5 1.2 -3.56
6 2.5 1.25
E. Regresi Persamaan Kubus (polinomial order 3)
Persamaan Kubus atau Persamaan polinomial order 3

mempunyai bentuk umum yang dapat dituliskan sebagai
berikut:
y = c3 x 3 + c2 x 2 + c1 x + c0

harga parameter c0 sampai dengan c3 berdasarkan set data
yang diberikan (ingat: pasangan data x-y selalu berjumlah N
buah !).
Persamaan sebaran (S) yang menyatakan sesatan terdistribusi
dari persamaan linier tersebut dinyatakan sebagai:
S (
= ∑ y − c3 x 3 − c2 x 2 − c1 x − c0 )2
Persyaratan yang harus dipenuhi untuk dapat menghitung

parameter-parameter c0 sampai dengan c3 adalah minimisasi
turunan persamaan di atas, masing-masing terhadap setiap
parameter (dalam hal ini, c0 sampai dengan c3 dianggap
sebagai variabel-variabel semu), sehingga membentuk
persamaan-persamaan minimisasi berikut:
dS
(a ). = 0;
d c0
dS
(b). = 0;
d c1
dS
(c). = 0; dan
d c2
dS
(d). = 0
d c3
Tahapan penurunan ketiga persamaan-persamaan di atas

terhadap c0 sampai dengan c3 adalah sebagai berikut:
(a).
d 
d c3 
∑ y − c3 x(3
− c 2 x 2
− c1 x − c
2
0 

) = 0,
membentuk persamaan berikut:
(
∑ y − c3 x − c2 x − c1 x − c0 (− x ) = 0 , atau
3 2 3
)
c3 ∑ x 6 + c2 ∑ x 5 + c1 ∑ x 4 + c0 ∑ x 3 = ∑ x3 y (I)
(b).
d
d c2 ∑ 3(
 y − c x3 − c x 2 − c x − c 2 
2 1 0 

) = 0,
membentuk:
(
∑ y − c3 x − c2 x − c1 x − c0 (− x ) = 0 , atau
3 2 2
)
c3 ∑ x 5 + c2 ∑ x 4 + c1 ∑ x 3 + c0 ∑ x 2 = ∑ x2 y (J)
(c).
d 
d c1 
∑ (
y − c3 x 3 − c2 x 2 − c1 x − c0 
2

) = 0,
dihasilkan:
(
∑ y − c3 x − c2 x − c1 x − c0 (− x) = 0 , atau
3 2
)
c3 ∑ x 4 + c2 ∑ x 3 + c1 ∑ x 2 + c0 ∑ x = ∑ x y (K)
(d).
d
d c0 ∑ 3(
 y − c x3 − c x 2 − c x − c 2 
2 1 0 

) = 0,
dihasilkan:
(
∑ y − c3 x − c2 x − c1 x − c0 (−1) = 0 , atau
3 2
)
c3 ∑ x 3 + c2 ∑ x 2 + c1 ∑ x + c0 N = ∑y (L)
Sistem Persamaan Aljabar Linier (SPAL) yang terbentuk dari

persamaan-persamaan (I), (J), (K), dan (L) adalah sebagai
berikut:
∑ x 6 ∑ x ∑ x ∑ x   c3 
5 4 3 ∑ x 3 y 
 5 4 3 2    2 
∑ x ∑ x ∑ x ∑ x  c2 
⋅ = 
∑ x y
(M)
∑ x 4 ∑ x ∑ x ∑ x   c1 
3 2 ∑ x y 
 3     
 ∑ x  c0  ∑ 
2
∑ x ∑ x N y
Tugas Kelompok:
Buat program dalam FORTRAN untuk mencari harga-harga
konstanta dari c0 sampai cn dari suatu persamaan
polinomial, dari order 3 (n = 3) sampai dengan order 7 (n =
7). Artinya, program tersebut dapat menangani sembarang
polinomial dari order 3 sampai 7 bahkan lebih tinggi lagi.
Gunakan subroutine EGAUSS untuk solusi SPAL yang
terbentuk, dan buat program yang membaca data dari file
ASCII (text file, dengan ekstensi *.dta).
F. Regresi Multilinier
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:
y (u , v , w ) = c1 u + k 2 v + k3 w
Bila persamaan multilinier tersebut memiliki jumlah variabel

bebas yang lebih besar lagi, maka secara sistematis dapat
dituliskan sebagai berikut:
y ( x1 , x2 ,L , xn ) = c1 x1 + c2 x2 + c3 x3 + L + cn xn
Persamaan sebaran (S) yang menyatakan ‘sesatan terdistribusi’

dari persamaan multilinier tersebut dapat dinyatakan sebagai:
S = ∑ ( y − c1 x1 − c2 x2 − c3 x3 − L − cn xn )2
Menarik untuk dicatat, bahwa jumlah konstanta atau parameter

(c1 sampai dengan cn) yang dimiliki suatu persamaan multilinier
sekurang-kurangnya sama dengan jumlah variabel bebasnya.
Seperti biasanya, persyaratan yang harus dipenuhi untuk dapat
menghitung konstanta-konstanta c1 sampai dengan cn, adalah
minimisasi turunan persamaan di atas terhadap masing-masing
konstanta (dalam hal ini, semua konstanta dianggap sebagai
persamaan berikut:
dS
(a ). = 0;
d c1
dS
(b). = 0;
d c2
dS
(c). = 0;
d c3
M
dS
(d). = 0
d cn
Tahapan diferensiasi persamaan-persamaan di atas terhadap

masing-masing parameternya (dari c1 sampai dengan cn) dapat
disajikan sebagai berikut:
(a).
d
d c1
[
∑ ( y − c1 x1 − c2 x2 − c3 x3 − L − cn xn )
2
] = 0,
∑ ( y − c1 x1 − c2 x2 − c3 x3 − L − cn xn ) ⋅ ( x1 ) = 0
dan, setelah disusun-ulang menjadi:
c1 ∑ x12 + c2 ∑ x1 x2 + c3 ∑ x1 x3 + L + cn ∑ x1 xn = ∑ x1 y (O)
(b).
d
d c2
[
∑ ( y − c1 x1 − c2 x2 − c3 x3 − L − cn xn )
2
] = 0,
∑ ( y − c1 x1 − c2 x2 − c3 x3 − L − cn xn ) ⋅ ( x2 ) = 0
c1 ∑ x1 x2 + c2 ∑ x22 + c3 ∑ x2 x3 + L + cn ∑ x2 xn = ∑ x2 y (P)
(c).
d
d c3
[
∑ ( y − c1 x1 − c2 x2 − c3 x3 − L − cn xn )
2
] = 0,

∑ ( y − c1 x1 − c2 x2 − c3 x3 − L − cn xn ) ⋅ ( x3 ) = 0
c1 ∑ x1 x3 + c2 ∑ x2 x3 + c3 ∑ x32 + L + cn ∑ x3 xn = ∑ x3 y (Q)
M
(d).
d
d cn
[
∑ ( y − c1 x1 − c2 x2 − c3 x3 − L − cn xn )
2
] = 0,

∑ ( y − c1 x1 − c2 x2 − c3 x3 − L − cn xn ) ⋅ ( xn ) = 0
c1 ∑ x1 xn + c2 ∑ x2 xn + c3 ∑ x3 xn + L + cn ∑ xn2 = ∑ xn y (R)
Sistem Persamaan Aljabar Linier (SPAL) yang terbentuk dari

persamaan-persamaan (O), (P), (Q), dan (R) adalah sebagai
berikut:
∑ x 2 ∑ x1 x2 ∑ x1 x3 L ∑ x1 xn   c1   ∑ x1 y 
 1     x y
∑ 2 
2
∑ x1 x2 ∑ x2 ∑ x2 x3 L ∑ x2 xn  c2 
∑ x x 2
∑ x2 x3 ∑ x3 L ∑ x3 xn  ⋅  c3  =  ∑ x3 y  (S)
 1 3     
M M M O M  M  M 
 2  c   
∑ x1 xn ∑ x2 xn ∑ x3 xn L ∑ xn   n  ∑ xn y 
G. Soal-soal Latihan
1. Vargaftik (1975) memperkenalkan suatu data kapasitas
panas untuk metilsikloheksana, sebagai berikut (T adalah

suhu absolut dalam K; dan Cp adalah kapasitas panas zat
yang dinyatakan dalam kJ/kg·K):
T Cp
150 1,426
160 1,447
170 1,469
180 1,492
190 1,516
200 1,541
210 1,567
220 1,596
230 1,627
240 1,661
250 1,696
260 1,732
270 1,770
280 1,808
290 1,848
300 1,888
Lakukanlah pencocokan kurva (curve fitting), bila diinginkan

persamaan Cp(T) sebagai fungsi dari temperatur dalam
persamaan kuadrat: C p (T ) = a + bT + cT 2 !
2. Suatu model yang paling umum untuk pengungkapan laju

reaksi kimia order satu tak-berdimensi adalah dC dt = − k C
dengan C (t = 0) = 1 . Bentuk terintegrasi dari model tersebut
adalah C = exp(−k t ) , yang sebenarnya ‘nonlinier’ pada
parameter k. Dengan data yang diberikan di bawah ini,
tentukan nilai terbaik untuk k. Kembangkan juga prosedur
hitungan saudara untuk ‘nilai nonlinier’ dari k.!
t (detik) 0,2 0,5 1,0 1,5 2,0
C (mol/L.detik) 0,75 0,55 0,21 0,13 0,04
Data tentang laju reaksi pada berbagai konsentrasi (C) dan
suhu reaksi (T) diberikan pada tabel di bawah ini:
Laju reaksi C T
0,0360 0,8 300
1,01 0,8 400
7,45 0,8 500
0,0231 0,4 300
0,649 0,4 400
4,79 0,4 500
0,0135 0,2 300
0,378 0,2 400
2,80 0,2 500
3. Dari tabel data laju reaksi seperti disajikan di atas, diinginkan

untuk melakukan validasi data menjadi persamaan model
nonlinier:
C
Laju reaksi = K e−a / T
1 + 0,3 C
dengan cara menghitung harga-harga parameter K dan a.

Coba Anda fikirkan dengan baik, kemudian berikan
pendapat Anda tentang bagaimana caranya melakukan
pencocokan data seperti di atas ?
4. Gilliland dan Sherwood (1934) mendapatkan data tentang

perpindahan massa untuk berbagai cairan yang jatuh bebas
pada dinding kolom terbasahi (wetted-wall column). Data
tersebut dapat dilihat pada tabel data yang diberikan di
bawah ini sehingga dapat digunakan untuk melakukan
validasi model nonlinier berikut:
Sh = B1 Re B2 Sc B3
Dari persamaan yang ‘nonlinier’ seperti di atas, fikirkanlah

dengan baik dan kemudian carilah cara yang paling mudah
untuk melakukan pencocokan data seperti di atas
(maksudnya: menghitung parameter-parameter B1 sampai
B3 sedemikian rupa sehingga didapat korelasi yang sesuai)?
Jika dari hasil-hasil penelitian Gilliland dan Sherwood di atas

diperoleh suatu korelasi empiris berikut:
Sh = 0,0336 Re 0,789 Sc 0,436
Cobalah lakukan suatu perbandingan, mana yang terbaik

antara hasil penelitian (experiment) dan hasil perhitungan
(prediction) jika deviasi baku didefinisikan seperti di bawah ?
1
n 2
 ∑ [Shexp − Sh pred ]i 
2
std. dev. =  i =1 
 N −3 
 
Tabel Data Perpindahan Massa dari Gilliland dan Sherwood.
Sh Re Sc
43,7 10,800 0,60
21,5 5,290 0,60
24,2 3,120 1,80
88,0 14,400 1,80
51,6 6,620 1,875
50,7 8,700 1,875
32,3 4,250 1,86
56,0 8,570 1,86
26,1 2,900 2,16
41,3 4,950 2,16
92,8 14,800 2,17
54,2 7,480 2,17
65,5 9,170 2,26
38,2 4,720 2,26
93,0 16,300 1,83
70,6 13,000 1,83
42,9 7,700 1,61
19,8 2,330 1,61
H. Daftar Pustaka
Atkinson, Kendal E., “An Introduction to Numerical Analysis”, John

Wiley & Sons, Toronto, pp. 44-48, 1978.
Atkinson, L.V., Harley, P.J., “An Introduction to Numerical
Methods with Pascal”, Addison-Wesley Publishing Co., Tokyo,
pp. 49-51, 1983.
Hanna, O.T., Sandall, O.C., “Computational Methods in Chemical
Engineering”, Prentice-Hall International Inc., Englewood Cliffs,
New Jersey, pp. 121-149, 1995.
Press, W.H., Flannery, B.P., Teukolsky, S.A., dan Vetterling, W.T.,
“Numerical Recipes”, Cambridge Univ. Press, 1986.
Contoh:
Regresi Linier suatu Garis Lurus dari Pasangan Data x-y
Diketahui bahwa pasangan data (antara variabel bebas x dengan variabel

terikat y ) seperti di bawah ini:
Membentuk “model” korelasi kurva berbentuk garis lurus, yaitu dengan

model sebagai berikut:
y  Ax  B
Dengan menggunakan analisis regresi linier yang telah saudara pelajari,

tentukanlah harga-harga koefisien A dan B dari korelasi model di atas!
Jawab:
Untuk memudahkan penyelesaiannya, dapat digunakan worksheet MS-

EXCEL yang penyusunan kolom-kolomnya disesuaikan dengan bentuk SPAL
dari regresi linier tersebut.
Bentuk tampilan tabel dalam worksheet MS-EXCEL yang dimaksudkan,
adalah sebagai berikut:
Intellectual Property Right of Prof. Dr. Ir. Setijo Bismo, DEA. @2015, DTK-FTUI Modul #3 - Regresi Linier untuk Persamaan Garis Lurus dan Kuadratis (21/22)
Dari uraian pada halaman 4 seperti di atas, diketahui bahwa untuk koefisien-
koefisien A dan B dapat dihitung sebagai “vektor jawab” dari SPAL berikut:
  x2  x  A  x y 
      
 x N  B   y 
Jika menggunakan acuan pada worksheet MS-EXCEL seperti di atas, maka

bentuk SPAL yang dimaksud dapat disusun sebagai worksheet berikut:
 F11 C11  A  E11

      
 C11 B10  B   D11
diperoleh
 60 12   A   120 
      
 12 8  B   4 
Maka, jika kita gunakan Aturan Cramer atau pun Metode Eliiminasi Gauss,
akan diperoh harga-harga koefisien berikut:
A = -3
B = 5
Sehingga, Persamaan Model yang dimaksud adalah:
y  -3x  5
Kurva korelasinya dapat digambarkan sebagai berikut:
View publication stats

Modul Regresi Linier S2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modul Regresi Linier S2

Uploaded by

Copyright:

Available Formats

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Pemodelan Teknik Kimia Lanjut - S2 (Materi Kuliah#04): Tambahan: Modul

Chapter · September 2015

Basic Course on Linear Algebraic for Engineers View project

The user has requested enhancement of the downloaded file.

Regresi Linier dengan Metode Kuadrat Terkecil

A. Pendahuluan Metode Kuadrat Terkecil

Metode kuadrat terkecil, yang lebih dikenal dengan nama

B. Persamaan dan Model sebagai obyek regresi

Seperti telah dijelaskan di atas, dalam dunia keteknikan metode

(b). Persamaan parabolis (kuadratis): y = p x2 + q x + r

(c). Persamaan polinomial (secara umum):

C. Regresi Sederhana untuk Persamaan Linier

Bentuk umum dari persamaan linier, dapat dituliskan sebagai

Regresi yang dimaksudkan disini adalah: pencarian harga-

Tabel 1. Set data regresi linier.

Hasil pengaluran kurva (plotting) titik-titik tersebut di atas dapat

Gambar 1. Kurva regresi linier, dengan N = 7.

Persamaan sebaran (S atau distribusi) yang menyatakan

Persyaratan yang harus dipenuhi untuk dapat menghitung a

Untuk lebih jelasnya, kronologis penurunan kedua persamaan

terbentuk persamaan berikut:

Kedua persamaan (A) dan (B) seperti di atas adalah suatu

yang identik dengan persamaan matriks [ A] ⋅ [x] = [b]. Solusi

Karena hanya membentuk persamaan matriks berorder 2, maka

sehingga, diperoleh solusi harga-harga a dan b:

D. Regresi Persamaan Parabola

Persamaan Parabola atau Persamaan Kuadrat mempunyai

Regresi yang dimaksudkan disini adalah: pencarian harga-

Persamaan sebaran (S) yang menyatakan sesatan terdistribusi

Tahapan penurunan ketiga persamaan-persamaan di atas

Seperti halnya pada regresi persamaan linier, ketiga

Solusi SPAL di atas dapat dilakukan melalui 2 cara, yaitu: (a).

Dengan menggunakan metode analitis, sebenarnya SPAL di

Berdasarkan catatan tentang determinan matriks berorder 3

Pasangan data (x-y) dari kurva di atas dapat diberikan

E. Regresi Persamaan Kubus (polinomial order 3)

Persamaan Kubus atau Persamaan polinomial order 3

Regresi yang dimaksudkan disini adalah: pencarian harga-

Persyaratan yang harus dipenuhi untuk dapat menghitung

Tahapan penurunan ketiga persamaan-persamaan di atas

membentuk persamaan berikut:

Sistem Persamaan Aljabar Linier (SPAL) yang terbentuk dari

Beberapa persamaan aljabar dapat membentuk suatu ‘relasi

Bila persamaan multilinier tersebut memiliki jumlah variabel

Persamaan sebaran (S) yang menyatakan ‘sesatan terdistribusi’

Menarik untuk dicatat, bahwa jumlah konstanta atau parameter

Tahapan diferensiasi persamaan-persamaan di atas terhadap

membentuk persamaan berikut:

dan, setelah disusun-ulang menjadi:

membentuk persamaan berikut:

dan, setelah disusun-ulang menjadi:

membentuk persamaan berikut:

dan, setelah disusun-ulang menjadi:

membentuk persamaan berikut:

dan, setelah disusun-ulang menjadi:

Sistem Persamaan Aljabar Linier (SPAL) yang terbentuk dari

1. Vargaftik (1975) memperkenalkan suatu data kapasitas

panas untuk metilsikloheksana, sebagai berikut (T adalah

Lakukanlah pencocokan kurva (curve fitting), bila diinginkan

2. Suatu model yang paling umum untuk pengungkapan laju

Data tentang laju reaksi pada berbagai konsentrasi (C) dan

suhu reaksi (T) diberikan pada tabel di bawah ini: