- Unnes - Universitas Negeri Semarang

Transcription

OPTIMALISASI PARAMETER REGRESI
RESPONSE SURFACE METHODOLOGY DALAM
LABA USAHA PEDAGANG BUAH
DAN APLIKASINYA
MENGGUNAKAN MATLAB
Skripsi
disusun sebagai salah satu syarat
untuk memperoleh gelar Sarjana Sains
Program Studi Matematika
oleh
Nurul Fitria
4111411022
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI SEMARANG
2015
ii
iii
iv
MOTTO
Orang yang menginginkan impiannya menjadi kenyataan, harus menjaga diri agar
tidak tertidur
(Richard Wheeler)
Kesulitan itu ibarat seorang bayi. Hanya bisa berkembang dengan cara
merawatnya
(Douglas Jerrold)
PERSEMBAHAN
Untuk Ayah, Ibu, Dosen-dosen,
Adik, Sahabat dan Teman-teman
v
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah SWT, karena atas rahmat,
nikmat dan karunia-Nya penulis dapat menyelesaikan Skripsi dengan judul
“Optimalisasi Parameter Regresi Response Surface Methodology Dalam Laba
Usaha Pedagang Buah Dan Aplikasinya Menggunakan Matlab”. Skripsi ini
merupakan salah satu syarat bagi setiap mahasiswa Universitas Negeri Semarang
Jurusan Matematika yang akan menyelesaikan studi Sarjana tingkat I.
Pemilihan judul skripsi ini dilatar belakangi oleh rasa ingin tahu penulis
terhadap metode permukaan respon. Untuk itulah penulis mencoba untuk
mengulas lebih dalam permasalahan tersebut.
Pada kesempatan ini penulis ingin mengucapan terima kasih kepada
semua pihak yang telah membantu dalam menyelesaikan laporan ini.
1. Prof. Dr. Fathur Rokhman, MHum selaku Rektor Universitas Negeri
Semarang.
2. Prof. Dr. Wiyanto, M. Si selaku Dekan FMIPA Universitas Negeri Semarang.
3. Drs. Arief Agoestanto, M.Si selaku Ketua Jurusan Matematika Universitas
Negeri Semarang.
4. Dr Mulyono, M.Si selaku Sekretaris Jurusan Matematika Universitas Negeri
Semarang.
5. Dra Kristina Wijayanti, M.Si selaku Ketua Prodi Matematika Universitas
Negeri Semarang.
6. Putriaji Hendikawati, S.Si, M.Pd, M.Sc selaku Dosen Pembimbing I sekaligus
dosen wali yang telah memberikan bimbingan, pengarahan, dan dorongan
selama penyusunan Skripsi ini.
7. Dr. Scolastika Mariani, M.Si selaku Dosen Pembimbing II yang selalu
bijaksana memberikan bimbingan, nasehat serta waktunya selama penulisan
skripsi ini.
vi
8. Dra. Sunarmi, M.Si selaku Dosen Penguji yang telah memberikan penilaian
dan saran dalam perbaikan skripsi.
9. Staf Dosen Matematika Universitas Negeri Semarang yang telah membekali
penulis dengan berbagai ilmu selama mengikuti perkuliahan sampai akhir
penulisan skripsi.
10. Staf Tata Usaha Universitas Negeri Semarang yang telah banyak membantu
penulis selama mengikuti perkuliahan dan penulisan skripsi ini.
11. Ayah dan Ibu atas jasa-jasanya, kesabaran, do’a, dan tidak pernah lelah dalam
mendidik dan memberi cinta yang tulus dan ikhlas kepada penulis semenjak
kecil.
12. Adikku tercinta yang selalu memberi semangat.
13. Sahabat terbaikku, Praba Wahyu Hidayat yang selalu ada dalam membantu
penulisan skripsi ini.
14. Sahabat-sahabatku, Novia, Elok, Milla, Ulya, Enggar, Puji, dan Mira yang
selalu setia dalam susah dan senang.
15. Teman-teman Matematika angkatan 2011 yang berjuang bersama untuk
mewujudkan cita-cita.
16. Semua pihak yang tidak dapat disebutkan satu per satu yang telah memberikan
bantuan.
Penulis menyadari bahwa dalam penyusunan Skripsi ini masih terdapat banyak
kekurangan. Oleh karena itu, penulis mengharapkan saran dan kritik yang
membangun dari pembaca.
Semarang, 11 Agustus 2015
Penulis
vii
ABSTRAK
Fitria, N. 2015. Optimalisasi Parameter Regresi Response Surface Methodology
dalam Laba Usaha Pedagang Buah dan Aplikasinya Menggunakan Matlab.
Skripsi, Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Negeri Semarang. Pembimbing Utama Putriaji Hendikawati, S.Si,
M.Pd, M.Sc. dan Pembimbing Pendamping Dr. Scolastika Mariani, M.Si.
Kata kunci: metode permukaan respon, steepest ascent, model, lack of fit.
Metode permukaan respon digunakan untuk menganalisis permasalahan
optimalisasi tentang beberapa variabel bebas yang mempengaruhi variabel respon
yang bertujuan untuk mengoptimumkan suatu respon. Kelebihan metode
permukaan respon adalah respon dapat diperluas dengan menentukan titik-titik
penyebab respon optimum baru. Kasus pengoptimalan laba usaha pedagang buah
adalah kasus yang cocok diselesaikan dengan menggunakan metode permukaan
respon. Permasalahan yang akan dikaji adalah Bagaimana pemrograman matlab
untuk permukaan respon optimal pada laba usaha dagang? Bagaimana model
regresi permukaan respon optimal pada laba usaha dagang? Dan bagaimana titik
optimum modal usaha, biaya tenaga kerja dan lama usaha yang menghasilkan laba
usaha dagang yang maksimal?
Metode pengumpulan data yang digunakan adalah wawancara. Variabel
yang digunakan adalah variabel laba dari penjualan buah sebagai variabel respon,
yang dipengaruhi oleh modal usaha, biaya tenaga kerja, dan lamanya usaha
dagang sebagai variabel bebas. Prosedur metode permukaan respon adalah
lakukan pengkodean dan uji ANOVA pada ordo satu. Setelah itu diperoleh
variabel baru pada dakian tercuram (steepest ascent) lalu dilanjutkan dengan
pengujian ANOVA ordo dua dan diperoleh hasil respon optimum.
Dari hasil analisis diketahui bahwa model regresi permukaan respon
optimal pada laba usaha dagang adalah ̂
dan titik optimum modal usaha, biaya tenaga kerja, dan lama usaha
yang menghasilkan laba usaha dagang yang maksimal adalah dan
untuk modal usaha ( ),
untuk biaya tenaga kerja ( ), dan
untuk lama usaha ( ) dengan laba optimalnya sebesar
Dalam metode permukaan respon menghasilkan respon optimal pada daerah baru
rancangan ordo dua dengan menggunakan metode steepest ascent yang tidak terdapat
dalam analisis regresi. Kelemahan dari metode permukaan respon adalah harus diketahui
terlebih dahulu variabel bebas yang digunakan mempengaruhi secara signifikan(kurang
dari
) terhadap variabel respon.
viii
DAFTAR ISI
Halaman
HALAMAN JUDUL …………………………………………………….
PERNYATAAN KEASLIAN TULISAN………………………………
i
iii
HALAMAN PENGESAHAN …………………………………………... iv
MOTTO DAN PERSEMBAHAN ………………………………………
v
PRAKATA ………………………………………………………………
vi
ABSTRAK ……………………………………………………………… viii
DAFTAR ISI …………………………………………………………….. ix
DAFTAR TABEL ……………………………………………………….
xii
DAFTAR GAMBAR ……………………………………………………
xiii
DAFTAR LAMPIRAN …………………………………………………. xv
DAFTAR SIMBOL ……………………………………………………… xvi
BAB
1. PENDAHULUAN ………………………………………………….
1
1.1 Latar Belakang ………………………………………………….
1
1.2 Rumusan Masalah ……………………………………………….
4
1.3 Pembatasan Masalah …………………………………………….
4
ix
1.4 Tujuan Penelitian ………………………………………………..
5
1.5 Manfaat Penelitian ………………………………………………
5
1.5.1 Bagi Jurusan Matematika …………………………………
5
1.5.2 Bagi Masyarakat ………………………………………….
5
2. TINJAUAN PUSTAKA ……………………………………………
6
2.1 Regresi ………………………………………………………….
6
2.2 Metode Permukaan Respon …………………………………….
7
2.2.1 Pengertian …………………………………………………
7
2.2.2 Eksperimen Ordo Satu ……………………………………. 10
2.2.3 Eksperimen Ordo Dua …………………………………….
10
2.2.4 Karakteristik Permukaan Respon …………………………
12
2.2.5 Uji Hipotesis dalam Metode Permukaan Respon …………
16
2.2.5.1 Uji Signifikan pada Regresi ………………………
17
2.2.5.2 Uji Lack of Fit …………………………………….
19
2.2.5.3 Uji Kelengkungan Kuadrat ………………………..
21
2.2.5.4 Uji t ……………………………………………….
22
2.3 Steepest Ascent .…………………………………………………
23
2.4 Laba ……………………………………………………………..
24
2.5 Matlab …………………………………………………………...
24
2.6 Penelitian Terdahulu ……………………………………………
25
3. METODE PENELITIAN ………………………...………………..
28
3.1 Studi Pustaka …………………………………………………..
28
3.2 Perumusan Masalah ……………………………………………
28
x
3.3 Pengumpulan Data ……………………………………………..
29
3.3.1 Teknik Pengumpulan Data ……………………………….
29
3.3.2 Variabel Data ……………………………………………..
29
3.4 Pemecahan Masalah ……………………………………………
29
3.5 Penarikan Kesimpulan …………………………………………
32
4. HASIL DAN PEMBAHASAN …………………………………...
4.1 Hasil ……………………………………………………………
33
33
4.1.1 Metode Permukaan Respon ……………………..………
33
4.1.1.1 Model Ordo Pertama …………………………….
33
4.1.1.2 Steepest Ascent …………………………………..
41
4.1.1.3 Model Ordo Dua …………………………………
45
4.1.2 Metode Permukaan Respon dengan Aplikasi Matlab ……
56
4.1.2.1 Tampilan GUI pada Matlab ……………...………
56
4.1.2.2 Output Matlab ………………………………...….
59
4.2 Pembahasan …………………………………………………….. 69
5. PENUTUP ………………………………………………………….
73
5.1 Simpulan ………………………………………………………..
73
5.2 Saran ……………………………………………………………
74
DAFTAR PUSTAKA …………………………………………………
75
LAMPIRAN …………………………………………………………..
78
xi
DAFTAR TABEL
Tabel
Halaman
………………..
11
2.2 Rancangan Komposit Pusat ………………………………………
11
2.3 Analisis Varian pada Regresi ……………………………………..
17
2.4 Uji Lack of Fit …………………………………………………….
20
4.1 Rancangan Percobaan Ordo Pertama ……………………………..
34
4.2 Tahapan Pengkodean ………………………………………………
34
4.3 Variabel Kode ……………………………………………………...
35
4.4 Hasil Analisis Varian pada Regresi ………………………………..
36
4.5 Hasil Uji Lack of Fit ……………………………………………….
38
4.6 Hasil Percobaan Steepest Ascent …………………………………..
43
4.7 Rancangan Percobaan Model Ordo Pertama Baru …………………
44
4.8 Data Percobaan Ordo Dua ………………………………………….
48
4.9 Data untuk Menduga Model Ordo Dua …………………………….
49
2.1 Rancangan Faktorial pada Percobaan Faktorial
4.10 Hasil II Analisis Varian pada Regresi ……………………………... 51
4.11 Hasil II Uji Lack of Fit …………………………………………….
xii
53
DAFTAR GAMBAR
Gambar
Halaman
2.1 Respon pada Titik Maksimum …………………………………..
15
2.2 Respon pada Titik Minimum …………………………………….
15
2.3 Respon pada Titik Pelana ………………………………………..
15
3.1 Langkah-Langkah Pemecahan Masalah …………………………...
31
4.1 GUI Awal …………………………………………………………… 56
4.2 GUI Ordo Satu ……………………………………………………… 56
4.3 GUI Steepest Ascent ……………………………………………....... 57
4.4 GUI Lanjutan Steepest Ascent ……………………………………… 58
4.5 GUI Ordo Dua ……………………………………………………… 58
4.6 GUI Akhir ………………………………………………………….. 59
4.7 Pilih Variabel Bebas ………………………………………………… 59
4.8 Input Data …………………………………………………………… 60
4.9 Pengkodean Ordo Satu ……………………………………………… 60
4.10 Output Ordo Satu ………………………………………………….. 61
4.11 Optimal Ordo Satu ………………………………………………… 63
4.12 Input Steepest Ascent ……………………………………………… 64
4.13 Variabel Baru Steepest Ascent …………………………………….. 64
4.14 Output Steepest Ascent ……………………………………………. 65
4.15 Variabel Ordo Dua ………………………………………………… 66
xiii
4.16 ANOVA Ordo Dua ……………………………………………….. 67
4.17 Output Ordo Dua …………………………………………………. 67
xiv
DAFTAR LAMPIRAN
Lampiran
Halaman
1. Tabel Bantu Manual untuk Ordo satu ………………………………..
78
2. Tabel Bantu Manual untuk Steepest Ascent ………………………….
79
3. Tabel Bantu Manual untuk Ordo Dua ………………………………..
80
4. Tabel Bantu Manual II untuk Ordo Dua ……………………………..
81
5. Form dan Kode Program …………………………………………….
82
xv
DAFTAR SIMBOL
= peubah tak bebas
= peubah bebas,
= parameter,
= residul,
= koefisien dari persamaan regresi,
̂
= variabel terikat (respon)
= faktor-faktor yang berpengaruh terhadap variabel respon,
= rata-rata dari
= nilai terbesar
dikurangi nilai terkecil
dibagi .
= titik stationer
= Variabel independen baru hasil transformasi
̂
= Harga taksiran y pada titik stasioner
= Konstanta yang merupakan nilai eigen dari matrik
= Jumlah Kuadrat Regresi
= Jumlah Kuadrat Sisaan
= Jumlah Kuadrat Total
xvi
= Kuadrat Tengah Regresi
= Kuadrat Tengah Sisaan
= Jumlah Kuadrat Lack of Fit
= Jumlah Kuadrat Galat Murni
= Banyaknya rancangan faktorial
= Banyaknya titik pusat
̅
= Jumlah respon pada rancangan fatorial
̅
= Jumlah respon pada titik pusat
= Rata-rata kuadrat dari kelengkungan kuadrat
= Variabel Kode
= Besarnya korelasi antara variabel
xvii
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Metode permukaan respon (Response Surface Methodology) adalah suatu
kumpulan dari teknik-teknik statistika dan matematika yang berguna untuk
menganalisis permasalahan optimalisasi tentang beberapa variabel bebas yang
mempengaruhi variabel tak bebas dari suatu respon, serta bertujuan untuk
mengoptimumkan suatu respon yang menggunakan data kuantitatif (Erbay &
Icier, 2009). Menurut Eryson (2006), metode permukaan respon adalah suatu
teknik-teknik statistika yang berguna untuk menduga pengaruh linear kuadratik
dan interaksi faktor antar variabel yang ada serta mengoptimumkan respons
tersebut dengan menggunakan jumlah data percobaan yang minim. Metode
permukaan respon merupakan metode rancangan percobaan yang dapat digunakan
untuk pengembangan, peningkatan, dan pengoptimasian proses.
Metode permukaan respon dapat digunakan untuk mencari suatu fungsi
pendekatan yang cocok untuk meramalkan respon yang akan datang dan
menentukan nilai-nilai variabel bebas yang mengoptimumkan respon. Selain itu
metode permukaan respon juga bertujuan untuk membantu mendapatkan hasil
optimum secara cepat dan efisien. Metode ini memberikan kemudahan dalam
menentukan kondisi proses optimum baik pada sistem maupun jarak faktor untuk
mendapatkan hasil yang memuaskan.
1
2
Metode
permukaan
respon
serupa
dengan
analisis
regresi
yaitu
menggunakan prosedur pendugaan parameter fungsi respon berdasarkan kuadrat
terkecil. Perbedaan antara metode permukaan respon dengan regresi linier adalah
dalam analisis metode permukaan respon, respon diperluas dengan menerapkan
teknik-teknik matematik untuk menentukan tititk-titik optimum sehingga dapat
ditentukan respon yang optimum baik maksimum maupun minimum. Pada
metode permukaan respon yang menggunakan model ordo dua, terdapat satu
metode yang bisa dilakukan yaitu Central Composite Design (CCD) dengan
faktorial, axial points, dan penambahan pengamatan pada titik pusat percobaan
dengan
ulangan.
Dalam metode permukaan respon seringkali dalam kebanyakan masalah
percobaan tidak dapat diketahui secara pasti di mana lokasi maksimum yang
letaknya diharapkan. Sehingga dugaan awal kondisi optimum dari sistem akan
berbeda jauh dari kondisi optimum yang aktual. Untuk menyelesaikan masalah
tersebut dapat digunakan prosedur dakian tercuram (Steepest Ascent) untuk
mencari daerah respon maksimum dan mendapatkan titik-titik optimum yang
sesuai dengan kondisi optimum yang aktual (Kleijnen, 2014). Hal ini sesuai
dengan hasil penelitian Hadiyat (2001) yang menyatakan bahwa metode
permukaan respon mampu memberikan arah optimasi dengan mengakomodasi
adanya prosedur steepest ascent. Kelemahan dari metode permukaan respon
adalah diketahui terlebih dahulu variabel bebas yang digunakan harus signifikan
(kurang dari
) mempengaruhi variabel respon agar pada pengujian persamaan
regresi model sesuai (lack of fit) (Isnaini, dkk; 2012). Dapat juga dilakukan
3
pengujian hipotesis pada rancangan percobaan ordo pertama, dan jika terjadi lack
of fit yaitu kekurangcocokan model dan signifikan ANOVA kurang dari
,
maka dapat menghilangkan variabel bebas yang tidak signifikan mempengaruhi
respon (Isnaini, dkk; 2012) .
Metode permukaan respon merupakan metode yang tepat untuk digunakan
pada kasus pengoptimalan hasil eksperimen atau respon. Hasil penelitian Guo, et
al (2009) menunjukkan bahwa prediksi kondisi optimal produksi hidrogen yang
diperoleh dengan menggunakan metode permukaan respon hasilnya hampir sesuai
dengan hasil eksperimen pada kondisi optimal. Hal tersebut yang mendasari
dilakukannya penelitian untuk mengoptimalkan laba usaha pedagang buah
Purwodadi dengan menggunakan metode permukaan respon. Dikarenakan kasus
pengoptimalan laba usaha pedagang buah sesuai dengan penelitian yang
dilakukan oleh Guo, et al (2009) dan merupakan kasus yang tepat untuk
diselesaikan menggunakan metode permukaan respon karena memenuhi syarat
pada metode permukaan respon. Laba usaha pada penelitian ini dipengaruhi oleh
modal usaha, biaya tenaga kerja, dan lama usaha.
Laba adalah tujuan dari semua usaha (Evi, 2011). Laba berasal dari kegiatan
unit usaha pada periode tertentu dan merupakan selisih antara pendapatan dengan
biaya, apabila pendapatan lebih besar dari biaya yang dikeluarkan maka disebut
laba dan apabila sebaliknya maka disebut rugi. Sasaran utama unit usaha adalah
memperoleh laba sebesar-besarnya guna mencapai tingkat pertumbuhan yang
tinggi dan pada akhirnya tujuan untuk memaksimalkan nilai unit usaha dapat
tercapai (Siska, 2009).
4
Hal tersebut yang mendasari pentingnya penelitian tentang “Optimalisasi
Parameter Regresi Response Surface Methodology dalam Laba Usaha Pedagang
Buah dan Aplikasinya dengan Matlab”.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang diuraikan di atas, permasalahan yang
muncul dalam penelitian ini adalah
1.
Bagaimana pemrograman matlab untuk permukaan respon optimal pada laba
usaha dagang?
2.
Bagaimana model regresi permukaan respon optimal pada laba usaha
dagang?
3.
Bagaimana titik optimum modal usaha, biaya tenaga kerja, dan lama usaha
yang menghasilkan laba usaha dagang yang maksimal?
1.3 Pembatasan Masalah
Batasan masalah yang dilakukan pada penelitian ini adalah
1.
Penelitian hanya menggunakan metode permukaan respon.
2.
Penelitian menggunakan optimalisasi laba usaha dagang hanya sebagai studi
kasus.
3.
Penelitian hanya terbatas pada model Central Composite Design dengan
faktorial
.
5
1.4 Tujuan Penelitian
Berdasarkan rumusan di atas, maka tujuan dari penelitian ini adalah
1.
Untuk mengetahui pemrograman matlab untuk permukaan respon optimal
pada laba usaha dagang.
2.
Untuk mengetahui model regresi permukaan respon optimal pada laba usaha
dagang.
3.
Untuk mengetahui titik optimum modal usaha, biaya tenaga kerja dan lama
usaha yang menghasilkan laba usaha dagang yang maksimal.
1.5 Manfaat Penelitian
1.5.1 Bagi Jurusan Matematika
1.
Penelitian ini sebagai bahan studi kasus bagi jurusan matematika tentang
masalah optimalisasi menggunakan metode permukaan respon yang hasilnya
berupa respon optimal.
2.
Penelitian ini sebagai bahan pertimbangan bagi peneliti selanjutnya terutama
yang berhubungan dengan optimalisasi baik berupa hasil eksperimen
maupun data sekunder.
1.5.2 Bagi Masyarakat
1.
Mengoptimalkan laba usaha dagang sehingga pedagang memperoleh laba
yang optimal, dan
2.
Dari penelitian dihasilkan sebuah program yang dapat digunakan untuk
permasalahan optimalisasi menggunakan Metode Permukaan Respon.
BAB 2
TINJAUAN PUSTAKA
2.1 Regresi
Regresi
merupakan model yang memperlihatkan hubungan antara satu
variabel terikat (dependent variable)
dengan beberapa variabel bebas
(independent variables) .
Model regresi
atas
akan ditaksir oleh:
(1)
̂
Keterangan :
: peubah tak bebas
: peubah bebas,
: parameter,
: residul,
Dari persamaan (1) di atas dapat dibentuk persamaan (Raymond et al., 2008: 4547)
(2)
di mana:
[
],
[
],
6
[ ], dan
[ ]
7
Hasil penjumlahan kuadrat
adalah minimum, sehingga diperoleh fungsi kuadrat
terkecil (least square)
(3)
∑
(
)(
)
Sehingga diperoleh
(4)
di mana
merupakan matriks
ditranspose menjadi (
)
atau sebuah skalar sehingga jika
merupakan sebuah skalar juga.
Ketika persamaan (4) diturunkan menjadi
(5)
|
yang menjadi (Cornell & Khuri, 1996: 26)
(6)
(
)
2.2 Metode Permukaan Respon
2.2.1 Pengertian
Metode permukaan respon adalah kumpulan teknik matematis dan statistik
yang digunakan untuk pemodelan dan analisis masalah dalam suatu respon dalam
hal ini biasanya merupakan kualitas suatu produk yang dipengaruhi oleh beberapa
variabel dan tujuannya adalah untuk mengoptimasi respon tersebut. Metode
8
permukaan respon sebuah kombinasi pada statistik dan metode optimasi yang
menggunakan model dan desain optimasi (Yang & El-Haik, 2006: 611).
Optimasi dengan metode permukaan respon bisa diterapkan pada penelitian
Ilmu Pangan (Teknologi Hasil Pertanian), Pertanian, Kehutanan, Biologi,
Farmasi, Kesehatan, Teknik Kimia, Kimia, Bioteknologi, Teknik, Sosial, Ilmu
Kesehatan, Ilmu Ekonomi, dll (Oramahi, 2008: 10). Penggunaan metode
permukaan respon tidak hanya terbatas untuk ilmu-ilmu tersebut, namun semua
bidang ilmu khususnya penelitian yang bertujuan untuk mencari kondisi variabel
optimum bisa menggunakan metode ini. Metode ini menggunakan analisis regresi
pada data eksperimen dan plot 3D model permukaan respon (Maharjan, 2014).
Dalam banyak kasus, metode permukaan respon untuk dua variabel
independen menggunakan bentuk model ordo satu dan model ordo dua. Model
ordo satu memiliki persamaan
(7)
yang jika terjadi interaksi antar variabel, akan menghasilkan persamaan
(8)
untuk model ordo satu, dengan memisalkan
=
persamaan tersebut dapat dibentuk (Muthuvelayudham, 2010)
(9)
dan persamaan
dan
=
dari
9
(10)
yang merupakan model ordo dua,
, dan
,
,
,
,
dari persamaan dapat dibentuk
(11)
Model ordo dua adalah model yang paling sering digunakan pada metode
permukaan respon. Beberapa alasan model ordo dua lebih banyak digunakan
dalam metode permukaan respon adalah;
a.
Model ordo dua sangat fleksibel. Model tersebut dapat berubah ke dalam
bentuk fungsi sesuai dengan kebutuhan.
b.
Parameter pada model ordo dua mudah diestimasi.
c.
Model ordo dua lebih praktis dalam memecahkan permasalahan pada
permukaan respon.
Secara umum, model ordo satu memiliki persamaan
(12)
dan model ordo dua memiliki persamaan (Khuri, 2006: 254)
(13)
∑
∑
∑ ∑ ̂
10
2.2.2 Eksperimen Ordo Satu
Langkah pertama dari metode permukaan respon adalah menentukan
hubungan antara variabel
dengan respon
melalui persamaan polinomial ordo
satu (Nuryanti & Salimy, 2008). Variabel-variabel bebas dinotasikan dengan
. Variabel-variabel tersebut mempengaruhi variabel respon
yang
diasumsikan sebagai variabel random. Rancangan permukaan respon ordo
pertama yang digunakan adalah rancangan faktorial
Secara umum persamaan
dari model ordo satu tersebut adalah:
(14)
̂
∑
dimana :
̂ = variabel terikat (respon)
= komponen residual yang bersifat random dan terdistribusi secara
identik dan saling bebas dengan distribusi normal pada nilai rataan
dan varian
2
= koefisien dari persamaan regresi
2.2.3 Eksperimen Ordo Dua
Pada keadaan mendekati respon, model ordo dua biasanya disyaratkan
untuk mengaproksimasi respon karena adanya lengkungan dalam permukaannya
(Pradhan, 2012). Model ordo dua dinyatakan dengan (Raymond et al., 2008: 105)
11
(15)
∑ ̂
̂
∑ ̂
∑∑ ̂
Model ordo dua dibangun dengan menggunakan rancangan komposit pusat
(central composite designs) untuk membentuk data percobaan. Secara umum
rancangan komposit pusat didefinisikan sebagai suatu rancangan faktorial
ditambah dengan
(
) , serta
titik pusat (
(
)
titik-titik sumbu (
)
) (Ariyanto, 2014: 11).
Rancangan komposit pusat adalah rancangan faktorial ordo pertama (
) yang
diperluas melalui penambahan titik pengamatan pada pusat agar memungkinkan
pendugaan koefisien parameter permukaan respon ordo kedua (Gasperz, 1991).
Rancangan faktorial
untuk
sebagai contoh disajikan pada Tabel 2.1 dan
rancangan komposit pusat dengan dua sampai dengan lima faktor disajikan pada
Tabel 2.2 berikut (Raymond et al., 2008: 156).
Tabel 2.1 Rancangan Faktorial pada Percobaan Faktorial
Perlakuan
Simbol
1
2
3
4
5
6
7
8
( )
Tabel 2.2 Rancangan Komposit Pusat
Sifat Rancangan
Rancangan Faktorial
untuk rancangan dapat-putar (
2
)
1.414
5
Banyak Faktor ( )
3
4
1.682
6
2.000
7
5
2.378
10
12
2.2.4 Karakteristik Permukaan Respon
Variabel-variabel faktor
disebut variabel asli, karena diukur
dengan unit pengukuran yang sebenarnya. Pada rancangan faktorial, variabel
faktor
ditransformasikan menjadi variabel kode sebagai berikut
(Guo, 2009):
(16)
,
,
(
(
)
)
(
(
)-
)-
dimana:
rata-rata dari
= nilai terbesar
Lalu regresikan
dikurangi nilai terkecil
(di mana
dibagi .
) terhadap
sehingga diperoleh
persamaan regresi ordo satu. Tujuan dari pengkodean adalah untuk memudahkan
perhitungan, meningkatkan akurasi pada penduga koefisien model (Sjahid &
Maftukhah, 2007). Setelah uji hipotesis dan persamaan regresi ordo satu
13
memenuhi persyaratan maka dapat langsung mencari nilai yang mengoptimalkan
respon. Tetapi jika tidak, maka harus mencari persamaan regresi ordo dua.
Nilai
adalah nilai yang mengoptimalkan respon yang
diprediksikan. Jika nilai
itu ada, maka
merupakan himpunan yang beranggotakan
pada persamaan (15)
sedemikian sehingga
turunan parsialnya:
(17)
̂
̂
̂
Dalam notasi matriks, persamaan (15) dapat dinyatakan sebagai:
(18)
̂
̂
dengan
[
̂
̂
̂
],
[̂ ]
di mana
̂
, dan
̂
̂
[̂
̂
̂
̂
̂
̂
merupakan vektor koefisien regresi ordo , sedangkan
matriks ordo
merupakan
yang elemen diagonal utamanya merupakan koefisen kuadratik
murni ̂ dan elemen-elemen segitiga atasnya adalah
campuran ( ̂
]
).
dari koefisien kuadratik
14
Turunan dari
terhadap vektor
adalah sama dengan
, sehingga
dinyatakan dengan:
(19)
̂
Titik-titik stationer merupakan solusi dari persamaan (19), yaitu:
(20)
di mana
(
) (Lenth, 2012). Substitusikan persamaan (20) ke
persamaan (18) diperoleh nilai respon optimal yang diprediksikan terjadi pada
titik-titik stasioner, yaitu:
(21)
̂
̂
̂
(
̂
̂
)
15
Fungsi dari karakteristik permukaan respon adalah untuk menentukan jenis
titik stasioner, apakah titik stasioner maksimum, minimum, atau titik pelana
(Nuryanti & Salimy, 2008). Titik-titik stationer tersebut ditunjukkan pada Gambar
2.1, Gambar 2.2, dan Gambar 2.3.
Gambar 2.1 Respon pada Titik Maksimum
Gambar 2.2 Respon pada Titik Minimum
Gambar 2.3 Respon pada Titik Pelana
Titik stasioner dapat diidentifikasi dengan mentransformasikan fungsi
respon dari titik asal (
) ke titik stasioner
dan sekaligus merotasikan
16
sumbu koordinatnya, sehingga dihasilkan fungsi respon sebagai berikut
(Raymond et al., 2008: 411).
(22)
̂
̂
dengan :
: Variabel independen baru hasil transformasi
̂ : Harga taksiran y pada titik stasioner
: Konstanta yang merupakan nilai eigen dari matrik
Karakteristik dari permukaan respon ditentukan oleh harga
semua positif maka
. Jika nilainya
adalah titik minimum, sedangkan jika semua negatif maka
adalah titik maksimum, jika harganya berbeda tanda di antara harga
, maka
merupakan titik pelana (Raymond et al., 2008: 406-407).
2.2.5 Uji Hipotesis dalam Metode Permukaan Respon
Analisis pada pemecahan masalah menggunakan metode permukaan
respon adalah memperkecil sisaan (residual) dari sebuah regresi. Sehingga
parameter
berikut.
hanya dipengaruhi oleh
. Uji yang digunakan adalah sebagai
17
2.2.5.1 Uji Signifikan pada Regresi
Uji signifikan pada regresi digunakan untuk menentukan variabel-variabel
bebas memberikan sumbangan yang berarti dalam model atau tidak. Hasil
pengujiannya sebagai berikut.
Hipotesis:
Kriteria Pengujian:
Jika
tolak
maka terima
dan jika
.
Untuk uji signifikan pada regresi disajikan pada Tabel 2.3 berikut.
Tabel 2.3 Analisis Varian pada Regresi
Sumber
Jumlah
Derajat
Kuadrat
Keragaman Kuadrat Kebebasan Tengah
Regresi
Sisaan
Total
dengan rumus-rumus pada jumlah kuadrat (Raymond et al., 2008: 56-61)
(23)
∑
(
̂)
∑
Substitusikan
̂
, diperoleh
maka
18
(24)
(
Karena
)(
)
, maka diperoleh persamaan akhir
(25)
Jumlah kuadrat total memiliki rumus
Dengan
∑
(
atau
(∑
∑
̅)
)
(∑
.
)
sehingga
diperoleh
(26)
(∑
Dari
, maka
)
diperoleh rumus jumlah kuadrat regresi berikut.
(27)
(∑
)
(∑
(∑
Sedangkan untuk
)
)
observasinya dapat dicari menggunakan rumus
(28)
⁄
⁄
19
dan
tabel menggunakan
, untuk
dan
dapat dicari dengan
(29)
dan
(30)
(
)
2.2.5.2 Uji Lack of Fit
Lack of Fit adalah model yang belum tepat atau tidak terdapat kecocokan
antara data dengan model (Sembiring, 2003: 144). Diperlukan sumber khusus
untuk mendapatkan penaksir
yang tak bias dan tidak tergantung pada model.
Sumber khusus itu adalah replikasi yang dengan sengaja dibuat dalam rancangan
penelitian. Replikasi dibedakan dengan pengulangan pengukuran (Sembiring,
2003: 145). Tujuannya adalah untuk mengukur variasi pada suatu nilai . Variasi
seperti itu terjadi karena pengaruh acak, bukan karena model yang keliru.Variasi
memberikan penaksir
yang tidak tergantung pada model. Jumlah kuadrat yang
muncul dari replikasi disebut jumlah kuadrat galat murni, sedangkan jumlah
kuadrat akibat belum cocoknya model disebut jumlah kuadrat kekurangcocokan.
Jadi, bila ada replikasi, maka jumlah kuadrat sisa (
komponennya sebagai berikut.
(31)
dengan hipotesisnya seebagai berikut.
) dapat diuraikan atas
20
Hipotesis:
(
)
(
)
Kriteria Pengujian:
Jika
maka terima
dan jika
maka tolak
Untuk uji lack of fit dapat dilihat pada Tabel 3.2 berikut.
Tabel 2.4 Uji Lack of Fit
Sumber
Keragaman
Jumlah
Kuadrat
Lack of Fit
Galat Murni
Kuadrat
Tengah
Derajat Kebebasan
(
)
(banyaknya pengulangan)
dengan rumus-rumus pada jumlah kuadrat (Sembiring, 2003: 147-148)
(32)
∑
∑
(
̅)
dan
(33)
Sedangkan untuk
(34)
observasinya dapat dicari menggunakan rumus
.
21
2.2.5.3 Uji Kelengkungan Kuadrat
Pada percobaan faktorial
, terdapat kombinasi perlakuan pada percobaan
yang terdiri dari rancangan faktorial dan titik pusat. Untuk menguji adanya
kelengkungan kuadrat pada model menggunakan rumus sebagai berikut
(Raymond et al., 2008: 208).
Hipotesis:
∑
∑
Kriteria Pengujian:
Jika
maka terima
dan jika
(35)
(̅
̅ )
di mana:
= Banyaknya rancangan faktorial
= Banyaknya titik pusat
̅ = Jumlah respon pada rancangan fatorial
̅ = Jumlah respon pada titik pusat
= Rata-rata kuadrat dari kelengkungan kuadrat
maka tolak
22
2.2.5.4 Uji t
Uji t digunakan untuk mengetahui kualitas keberartian regresi antara tiaptiap variabel bebas terdapat pengaruh atau tidak terhadap variabel terikat. Hasil
pengujiannya sebagai berikut.
Hipotesis:
Kriteria Pengujian:
Jika
maka terima
dan jika
maka tolak
.
Rumus:
Untuk menguji uji t digunakan terlebih dahulu uji korelasi pearson product
moment dengan rumus
∑
√* ∑
(∑ )(∑ )
(∑ ) +* ∑
(∑ ) +
di mana:
= Besarnya korelasi antara variabel
n= Banyaknya data
dan rumus
nya adalah
√
√
dan
23
2.3 Steepest Ascent
Metode Dakian Tercuram (Steepest Ascent) merupakan suatu prosedur yang
bergerak sepanjang lintasan dakian tercuram menuju daerah maksimum yang
meningkatkan respon (Wei, 2010). Steepest Ascent menggunakan kelipatan pada
model regresi dalam pencarian mendekati ke titik optimum (Bagio & Latief,
2011). Steepest Ascent digunakan untuk mencari nilai respon maksimum,
sedangkan Steepest Descent digunakan untuk mencari nilai respon minimum
(Raymond, dkk, 2008: 330). Eksperimen dilakukan sepanjang jalur Steepest
Ascent sampai tidak lagi terjadi kenaikan. Jika model orde satu dianggap cocok,
maka jalur Steepest Ascent yang baru ditentukan yang selanjutnya dilanjutkan
dengan prosedur berikutnya sehingga hasil eksperimen sampai pada sekitar daerah
optimum.
Agar lebih mudah, untuk
asumsikan titik
adalah titik asal atau titik dasar (Raymond et al., 2008: 340-341). Maka,
1.
Pilih salah satu variabel, sebut
pilih variabel yang paling diketahui atau
variabel paling besar atau mendekati terbesar dengan koefisien regresi
2.
Langkah selanjutnya untuk variabel lain adalah
(36)
3.
Mengkonversi
dari variabel kode menjadi variabel sebenarnya.
.
24
2.4 Laba
Menurut Harahap, sebagaimana dikutip oleh Ilham (2013: 10), laba
merupakan perbedaan antara pendapatan yang direalisasikan yang timbul dari
transaksi selama satu periode dengan biaya yang berkaitan dengan pendapatan
tersebut. Tujuan utama unit usaha dagang adalah memaksimalkan laba atau
diperolehnya laba yang maksimal. Penggunaan tenaga kerja dapat pula
mmeningkatkan jumlah pendapatan pedagang pasar dikarenakan adanya
pelayanan yang lebih baik kepada konsumen. Lama usaha juga mempengaruhi
meningkatnya pendapatan karena
semakin lama menekuni bidang usaha
perdagangan akan semakin meningkatkan pengetahuan tentang selera konsumen.
Selain itu, modal merupakan hal yang penting dalam usaha dagang, karena
semakin besar modal maka semakin besar pula pendapatan.
Penelitian ini dilakukan untuk memperoleh laba optimal pada usaha dagang
buah di Purwodadi. Laba usaha tersebut dipengaruhi oleh tiga variabel, yaitu
modal usaha, biaya tenaga kerja, dan lamanya usaha dagang. Modal usaha dan
biaya tenaga kerja adalah uang yang dikeluarkan oleh pedagang setiap hari.
Sedangkan laba usaha adalah keuntungan yang diperoleh pedagang setiap hari.
2.5 Matlab
Matlab (Matrix Laboratory) adalah sebuah program untuk analisis dan
komputasi numerik dan merupakan suatu bahasa pemrograman matematika
lanjutan yang dibentuk dengan dasar pemikiran menggunakan sifat dan bentuk
25
matriks. Matlab merupakan software yang dikembangkan oleh Mathworks.Inc dan
merupakan software yang paling efisien untuk perhitungan numerik berbasis
matriks. Dengan demikian jika di dalam perhitungan dapat memformulasikan
masalah ke dalam format matriks maka Matlab merupakan software terbaik untuk
penyelesaian numeriknya.
Matlab yang merupakan bahasa pemrograman tingkat tinggi berbasis pada
matriks sering digunakan untuk teknnik komputasi numerik, yang digunakan
untuk menyelesaikan masalah-masalah yang melibatkan operasi matematika
elemen, matrik, optimasi, aprokmasi, dll.
2.6 Penelitian terdahulu
Sebagai bahan pertimbangan dalam penelitian ini akan dicantumkan
beberapa hasil penelitian terdahulu oleh beberapa peneliti yang pernah penulis
baca di antaranya:
a.
Jurnal yang berjudul “Application of Central Composite Design Based
Response Surface Methodology in Parameter Optimization and on Cellulase
Production
Using
Agricultural
waste”
yang
ditulis
oleh
R.
Muthuvelayudham dan T. Viruthagiri pada tahun 2010, jurnal ini membahas
tentang optimalisasi parameter proses untuk produksi selulase menggunakan
Metode Permukaan Respon. Data yang digunakan sebanyak
dengan
variabel bebas.
b.
Jurnal yang berjudul “Optimization of Reactive Extraction of Castor Seed to
Produce Biodesel using Response Surface Methodology” yang ditulis oleh
26
Pradhan, et al. pada tahun 2012, jurnal ini membahas tentang Optimalisasi
pada ekstraksi reaktif menggunakan Metode Permukaan Respon yang
diperoleh prediksi optimal ekstraksi reaktif sesuai dengan ekstraksi reaktif
nyata pada kondisi optimum. Data yang digunakan sebanyak
dengan
variabel bebas.
c.
Jurnal yang berjudul “Optimization of Culture Conditions for Hydrogen
Production by Ethanoligenens harbinense B49 using Response Surface
Methodology” yang ditulis oleh Guo, et al. pada tahun 2009, yang
membahas tentang optimalisasi menggunakan Metode Permukaan Respon
pada produksi hidrogen yang merupakan strategi yang praktis dalam
optimalisasi sehingga lebih efisien. Data yang digunakan sebanyak
dengan
d.
variabel bebas.
Jurnal yang berjudul “Exploring Codon Optimization and Response Surface
Methodology to Express Biologically Active Transmembrane RANKL in E.
Coli” yang ditulis oleh Maharjan, et al. pada tahun 2014, yang membahas
tentangoptimalisasi menggunakan Metode Permukaan Respon yang hasil
optimum prediksinya hampir sesuai dengan hasil eksperimen pada kondisi
optimum. Data yang digunakan sebanyak
e.
dengan
variabel bebas.
Jurnal yang berjudul “Medium Optimization for Acarbose Production by
Actinoplanes sp. A56 using the Response Surface Methodology” yang
ditulis oleh Wei, et al. pada tahun 2010, yang membahas tentang
optimalisasi menggunakan Metode Permukaan Respon yang hasilnya antara
hasil eksperimen dan ramalan menunjukkan adanya korelasi yang baik
27
sehingga model ordo kedua adalah model yang valid untuk memprediksi
produksi acarbose. Data yang digunakan sebanyak
dengan
variabel
bebas.
f.
Jurnal yang berjudul “Response-Surface Methods in R, using RSM” yang
ditulis oleh Russell V. Lenth pada tahun 2012, yang membahas tentang
Metode Permukaan Respon menggunakan program R.
g.
Jurnal yang berjudul “Optimization of Hot Air Drying of Olive Leaves using
Response Surface Methodology” yang ditulis oleh Erbay & Icier pada tahun
2009, yang membahas tentang optimalisasi menggunakan Metode
Permukaan Respon pada pengeringan daun zaitun yang hasilnya adalah
metode ini efektif dalam menentukan zona optimal dalam wilayah
eksperimen. Data yang digunakan sebanyak
h.
dengan
variabel bebas.
Jurnal yang berjudul “Perbaikan Kualitas dengan Metoda Respon
Permukaan pada Mesin Extruder dan Mesin Oven Anneling dalam Proses
Produksi Produk Aluminium Collapsible Tube
di PT.
Extrupack” yang ditulis oleh Bagio dan Latief pada tahun 2011, yang
membahas tentang optimalisasi menggunakan metode permukaan respond
dan terjadi peningkatan pada variabel respon kelembekan tube.
i.
Jurnal yang berjudul “Optimasi Kekuatan Torque pada Lampu TL” yang
ditulis oleh Sjahid dan Maftukhah pada tahun 2007, yang membahas tentang
optimasi kekuatan torque pada side tertentu dengan menggunakan metode
permukaan respon. Data yang digunakan sebanyak
bebas.
dengan
variabel
BAB 3
METODE PENELITIAN
Pada penelitian ini langkah-langkah yang dilakukan adalah studi pustaka,
perumusan masalah, pengumpulan data, penyelesaian masalah dan penarikan
kesimpulan.
3.1 Studi Pustaka
Dalam penelitian ini pengumpulan pustaka diperoleh dari berbagai sumber
berupa buku-buku referensi, skripsi, jurnal, dan literature lainnya. Sebelum
melakukan penelitian, terlebih dahulu dilakukan telaah pustaka dari referensi yang
ada. Dan pada akhirnya tujuan dari diadakannya penelitian ini adalah untuk
menuliskan gagasan tersebut dalam bentuk skripsi agar mudah diaplikasikan
dikemudian hari.
3.2 Perumusan Masalah
Dari hasil studi pustaka muncul permasalahan yang dapat dirumuskan
sebagai berikut (1) Bagaimana pemrograman matlab untuk permukaan respon
optimal dalam laba usaha dagang? (2) Bagaimana model regresi permukaan
respon optimal pada laba usaha dagang? dan (3) Bagaimana titik optimum modal
usaha, biaya tenaga kerja dan lama usaha yang menghasilkan laba usaha dagang
yang maksimal?.
28
29
3.3 Pengumpulan Data
3.3.1 Teknik Pengumpulan Data
Pengumpulan data yang digunakan merupakan data primer. Metode yang
digunakan adalah wawancara. Wawancara dilakukan langsung dengan pedagang
buah di kios-kios yang ada di Purwodadi. Data yang digunakan adalah laba dari
penjualan buah yang dipengaruhi oleh modal usaha, biaya tenaga kerja, dan
lamanya usaha dagang.
3.3.2 Variabel Data
Berdasarkan permasalahan pada pengoptimalan laba usaha dagang. Ini
berarti modal usaha, biaya tenaga kerja dan lama usaha sebagai variabel
independen sedangkan laba usaha dagang sebagai variabel dependen (respon).
3.4 Pemecahan Masalah
Pada tahap ini dilakukan kajian pustaka, yaitu mengkaji permasalahan
secara teoritis berdasarkan sumber-sumber pustaka yang ada. Adapun langkahlangkah yang dilakukan dalam tahap pemecahan masalah ini adalah
(1)
Menentukan respon, variabel, dan range dari variabel
(2)
Membuat rancangan ordo satu
(3)
Membuat persamaan model regresi ordo satu dari data laba usaha pedagang
buah
(4)
Menguji hipotesis lack of fit dan ANOVA
(5)
Menghitung nilai variabel-variabel independen yang menghasilkan respon
optimal
30
(6)
Menentukan daerah optimal dengan menggunakan metode steepest ascent
(7)
Menguji hipotesis adanya kelengkungan kuadrat
(8)
Membuat desain RSM
(9)
Membuat persamaan model regresi ordo dua dari data yang ada
(10) Menguji hipotesis lack of fit dan ANOVA
(11) Menentukan titik stationer
(12) Menghitung nilai taksiran respon pada titik stationer
(13) Menghitung nilai variabel-variabel independen yang menghasilkan respon
optimal
(14) Menghitung nilai eigen dari matriks B
(15) Analisis permukaan respon
31
Langkah-langkah tersebut dapat dilihat pada Gambar 3.1. sebagai berikut
Start
Tentukan respon, variabel, dan
range dari variabel
Input Data
Rancangan percobaan ordo pertama
Model ordo pertama
Tidak
Uji lack of fit dan anova
Ya
Steepest Ascent
Menghilangkan variabel
Model ordo dua
Ya
Ya
Uji lack of fit dan anova
Uji
Kelengkungan
Tidak
Tidak
Tentukan titik stationer
Hitung nilai respon, dan variabel-variabel independen
Tentukan nilai eigen
Analisis permukaan respon
Output Data
End
Gambar 3.1 Langkah-Langkah Pemecahan Masalah
32
3.5 Penarikan Kesimpulan
Penarikan kesimpulan didasarkan pada studi pustaka dan pembahasan
permasalahan. Simpulan yang diperoleh merupakan hasil dari penelitian.
BAB 5
PENUTUP
5.1 Simpulan
Dari analisis data dan pembahasan di atas, maka kita dapat menarik
kesimpulan sebagai berikut:
1.
Hasil pemrograman matlab untuk permukaan respon optimal pada laba
usaha dagang terdiri dari enam GUI. Prosedur penggunaan program matlab
adalah input data, lalu klik pengkodean dan uji anova pada ordo satu.
Setelah itu input variabel
pada steepest ascent lalu dilanjutkan dengan
pengujian anova ordo dua dan lihat hasil optimum variabel .
2.
Model regresi permukaan respon optimal pada laba usaha dagang adalah
̂
Model tersebut diperoleh dari rancangan metode permukaan respon ordo
dua.
3.
Titik optimum modal usaha, biaya tenaga kerja, dan lama usaha yang
menghasilkan
laba
usaha
dagang
yang
maksimal
adalah
untuk biaya tenaga
kerja,
untuk lama usaha dengan laba optimalnya sebesar
73
74
5.2 Saran
Dalam data metode permukaan respon yang digunakan variabel bebas yang
digunakan harus signifikan (kurang dari
) mempengaruhi variabel respon agar
pada pengujian persamaan regresi model sesuai (lack of fit). Dapat juga dilakukan
pengujian hipotesis terlebih dahulu pada rancangan percobaan ordo pertama, dan
jika terjadi lack of fit yaitu kekurangcocokan model dan signifikan ANOVA
kurang dari
, maka dapat menghilangkan variabel bebas yang tidak signifikan
mempengaruhi respon.
75
DAFTAR PUSTAKA
Ariyanto, D. 2014. Response Surface Methodology. Thesis. Malang: Universitas
Brawijaya.
Bagio, A. S dan Latief, M. 2011. Perbaikan Kualitas dengan Metoda Respon
Permukaan pada Mesin Extruder dan Mesin Oven Anneling dalam Proses
Produksi Produk Aluminium Collapsible Tube
di PT.
Extrupack. Universitas Trisakti: Jurnal Teknik Industri.
Cornell, J. and Khuri, A. 1996. Response Surface Design and Analyses. New
York: Marcel Dekker, Inc.
Damarmoyo, K. S. 2013. Paper Ekonomi Pertanian Pasar Tradisional. Online.
Tersedia di http://katonsasongko.wordpress.com/2013/03/15/97.pdf [diakses
09-02-2015].
Erbay, Z. and Icier, F. 2009. Optimization of Hot Air Drying of Olive Leaves
Using Response Surface Methodology. Turki: Journal of Food Engineering.
Eryson. 2006. Perancangan Program Aplikasi untuk Percobaan dengan
Menggunakan Metoda Respon Permukaan Berfaktor Dua. Skripsi.
Tangerang: Universitas Bina Nusantara.
Evi. 2011. Cara meningkatkan Laba. Online. Tersedia di
http://eviindrawanto.com/2011/02/bagaimana-meningkatkan-laba-dmb.html
[diakses 09-02-2015].
Gaspersz, V. 1991. Metode Perancangan Percobaan. Bandung.
Guo, W. et al. 2009. Optimization of Culture Conditions for Hydrogen Production
by Ethanoligenens Harbinense B49 using Response Surface Methodology.
China : Bioresource Technology.
Hadiyat, M. A. 2001. Response-surface dan Taguchi : Sebuah Alternatif atau
Kompetisi dalam Optimasi secara Praktis. Surabaya: Universitas Surabaya.
75
76
Ilham, N. 2013. Analisis Faktor-Faktor yang Mempengaruhi laba Usaha Dagang
pada Pasar Tradisional di Kabupaten Pangkep. Skripsi. Makassar:
Universitas Hasanudin.
Isnaini, N. dkk. 2012. Model Permukaan Respon Pada Percobaan Faktorial.
Jember: Universitas Jember Vol. 12.
Khuri, A. 2006. Response Surface Methodology and Related Topics. Singapore :
World Scientifik Publishing.
Kleijnen, J.P.C. 2014. Response Surface Methodology. Tilburg: Operations
Research Vol. 2014-013.
Lenth, R. V. 2012. Response-Surface Methods in R, Using RSM. The University
of Lowa.
Maharjan, S. et al. 2014. Exploring Codon Optimization and Response Surface
Methodology to Express Biologically Active Transmembrane RANKL in E.
Coli. Republic of Korea: Department of Agriculture Biotechnology Vol. 9.
Muthuvelayudham, R. and Viruthagiri, T. 2010. Application of Central Composite
Design based Response Surface Methodology in Parameter Optimization
and on Cellulase Production Using agricultural Waste. International Journal
of Chemical and Biological Engineering 3:2.
Nuryanti dan Salimy , D.H. 2008. Metode Permukaan Respon dan Aplikasinya
pada Optimasi Eksperimen Kimia. Risalah Lokakarya Komputasi dalam
Sains dan Teknologi Nuklir.
Oramahi. 2008. Teori dan Aplikasi Response Surface Methodology (RSM).
Yogyakarta: Ardana Medi Yogyakarta.
Pradhan, S. et al. 2012. Optimization of Reactive Extraction of Castor Seed to
Produce Biodesel Using Response Surface Methodology. Fuel 97 (2012)
848-855.
Raymond, et al. 2008. Response Surface Methodology (3th ed.). Canada: Wiley.
Sembiring, R. K. 2003. Analisis Regresi (2th ed.). Bandung: ITB.
77
Siska. 2009. Analisis Pengolahan Dana Investasi dan Pengaruhnya Terhadap
Laba Usaha (Studi Kasus PT. Gudang Garam). Online. Tersedia di
http://upiyptk.ac.id/ejournal/File_Jurnal/jurnal%20Siska%20Indah%20Lesta
ri.pdf [diakses 09-02-2015].
Sjahid, M.A. dan Maftukhah, L. 2007. Optimasi Kekuatan Torque pada Lampu
TL. Institut Teknologi Sepuluh Nopember : Jurnal Ilmiah Sains dan
Teknologi, Vol. 6 No.3.
Wan-Qian, et al. 2009. Optimization of Culture Conditions for Hydrogen
Production by Ethanoligenens Harbinense B49 using Response Surface
Methodology. China: Bioresource Technology.
Wei, S., et al. 2010. Medium Optimization for AcarboseProduction by
Actinoplanes sp. A56 Using the Response Surface Methodology. China:
African Journal of Biotechnology Vol.9(13).
Yang, K. and El-Haik, B. 2006. Design for Six Sigma. United States: The
McGraw-Hill Companies.
78
Lampiran 1
Tabel Bantu Manual untuk Ordo Satu
Hasil transpose variabel
Hasil transpose koefisien model regresi
Jumlah kuadrat variabel
79
Lampiran 2
Tabel Bantu Manual untuk Steepest Ascent
Hasil kali variabel
transpose dengan variabel
Koefisien model regresi pada variabel baru steepest ascent
Hasil kali antara koefisien model regresi transpose dengan variabel
variabel
tranpose dan
80
Lampiran 3
Tabel Bantu Manual untuk Ordo Dua
Hasil kali variabel
transpose dengan
Invers dari hasil kali variabel
transpose dengan
81
Lampiran 4
Tabel Bantu Manual II untuk Ordo Dua
Hasil kali variabel
transpose dan variabel
Hasil transpose koefisien model regresi ordo dua
Jumlah kuadrat variabel
82
Lampiran 5
Form dan Kode Program
Form Awal
Menu Editor
Push Button
Pop-up Menu
Kode Program Form Awal
function varargout = awal(varargin)
% AWAL MATLAB code for awal.fig
%
AWAL, by itself, creates a new AWAL or raises the existing
%
singleton*.
%
%
H = AWAL returns the handle to a new AWAL or the handle to
%
the existing singleton*.
%
%
AWAL('CALLBACK',hObject,eventData,handles,...) calls the
local
%
function named CALLBACK in AWAL.M with the given input
arguments.
%
%
AWAL('Property','Value',...) creates a new AWAL or raises
the
%
existing singleton*. Starting from the left, property
value pairs are
%
applied to the GUI before awal_OpeningFcn gets called. An
%
unrecognized property name or invalid value makes property
application
83
%
stop. All inputs are passed to awal_OpeningFcn via
varargin.
%
%
*See GUI Options on GUIDE's Tools menu. Choose "GUI allows
only one
%
instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help awal
% Last Modified by GUIDE v2.5 01-May-2015 11:28:56
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name',
mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @awal_OpeningFcn, ...
'gui_OutputFcn', @awal_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback',
[]);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% --- Executes just before awal is made visible.
function awal_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject
handle to figure
% eventdata reserved - to be defined in a future version of
MATLAB
% handles
structure with handles and user data (see GUIDATA)
% varargin
command line arguments to awal (see VARARGIN)
% Choose default command line output for awal
handles.output = hObject;
% Update handles structure
guidata(hObject, handles);
% UIWAIT makes awal wait for user response (see UIRESUME)
% uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line.
function varargout = awal_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject
handle to figure
84
% eventdata
MATLAB
% handles
reserved - to be defined in a future version of
% Get default command line output from handles structure
varargout{1} = handles.output;
% --- Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
% hObject
handle to pushbutton1 (see GCBO)
MATLAB
% handles
v=get(handles.popupmenu1,'value');
if v==1
warndlg('Silihkan pilih jumlah variabel','warning')
elseif v==2
GUI2
close awal
elseif v==3
GUI
close awal
elseif v==4
GUI3
close awal
elseif v==5
GUI5
close awal
end
% --- Executes on selection change in popupmenu1.
function popupmenu1_Callback(hObject, eventdata, handles)
% hObject
handle to popupmenu1 (see GCBO)
MATLAB
% handles
% Hints: contents = cellstr(get(hObject,'String')) returns
popupmenu1 contents as cell array
%
contents{get(hObject,'Value')} returns selected item from
popupmenu1
% --- Executes during object creation, after setting all
properties.
function popupmenu1_CreateFcn(hObject, eventdata, handles)
% hObject
handle to popupmenu1 (see GCBO)
MATLAB
% handles
empty - handles not created until after all
CreateFcns called
% Hint: popupmenu controls usually have a white background on
Windows.
%
See ISPC and COMPUTER.
85
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
% ------------------------------------------------------------------function Untitled_1_Callback(hObject, eventdata, handles)
% hObject
handle to Untitled_1 (see GCBO)
MATLAB
% handles
% hObject
MATLAB
% handles
Pawal
close awal
% hObject
MATLAB
% handles
close all
Form Ordo Satu
Menu Editor
Table
Static Text
Toolbar Editor
Table
Static Text
Push Button
Push Button
Static Text
Table
86
Kode Program Form Ordo Satu
(2 Variabel Bebas)
function varargout = GUI2(varargin)
% GUI2 M-file for GUI2.fig
%
GUI2, by itself, creates a new GUI2 or raises the existing
%
singleton*.
%
%
H = GUI2 returns the handle to a new GUI2 or the handle to
%
%
%
GUI2('CALLBACK',hObject,eventData,handles,...) calls the
local
%
function named CALLBACK in GUI2.M with the given input
arguments.
%
%
GUI2('Property','Value',...) creates a new GUI2 or raises
the
%
value pairs are
%
applied to the GUI2 before GUI2_OpeningFcn gets called. An
%
application
%
stop. All inputs are passed to GUI2_OpeningFcn via
varargin.
%
%
*See GUI2 Options on GUIDE's Tools menu. Choose "GUI2
allows only one
%
%
% Edit the above text to modify the response to help GUI2
gui_Singleton = 1;
mfilename, ...
'gui_OpeningFcn', @GUI2_OpeningFcn, ...
'gui_OutputFcn', @GUI2_OutputFcn, ...
'gui_Callback',
[]);
end
if nargout
else
87
end
% --- Executes just before GUI2 is made visible.
function GUI2_OpeningFcn(hObject, eventdata, handles, varargin)
% hObject
handle to figure
MATLAB
% handles
% varargin
command line arguments to GUI2 (see VARARGIN)
% Choose default command line output for GUI2
% UIWAIT makes GUI2 wait for user response (see UIRESUME)
function varargout = GUI2_OutputFcn(hObject, eventdata, handles)
% hObject
handle to figure
MATLAB
% handles
% hObject
MATLAB
% handles
data=getappdata(handles.figure1,'data');
clc
x1=data(:,1);
midx1=(max(x1)-min(x1))/2;
mnx1=mean(x1)
x1=(x1-mean(x1))/(midx1);
x2=data(:,2);
mnx2=mean(x2)
x=([x1,x2]);
mid2=[midx1,midx2];
mn2=[mnx1,mnx2];
save mn2 mn2
data(:,1:2)=x;
y=data(:,3);
88
x=[ones(size(data,1),1),x];
a=x';
b=x;
c=data(:,3);
d=(a*b)^(-1);
e=a*c;
ff=d*e
save ff ff
reg=['Pers Regresi : ','y = ',num2str(ff(1,:)),' +
',num2str(ff(2,:)),' x1 + ',num2str(ff(3,:)),' x2']
set(handles.text1,'string',reg)
x1=x1*ff(2,:)/ff(1,:);
x2=x2*ff(3,:)/ff(1,:);
y=y/ff(1,:);
dat = table(x1,x2,y);
mdl = fitlm(dat,' y ~ x1 + x2');
tbl2 = anova(mdl,'summary');
save tbl2 tbl2
anovat = table2cell(tbl2);
gh=num2str(cell2mat(anovat(2,5)),'%10.10f');
anovat(2,5)={gh};
set(handles.uitable2,'data',anovat)
lof=anovat{4,5};
if lof < 0.05
set(handles.pushbutton1,'string','orde dua')
set(handles.pushbutton3,'enable','off')
set(handles.pushbutton4,'enable','on')
else
set(handles.pushbutton1,'string','steeps ascent')
end
%% hitung Metode Dakian Tercuram
b1=max(ff(2:end,1));
dx2=ff(2:end,1)/b1;
dxm2=dx2.*mid2'
basis=zeros(size(dx2,1),1)
dxt2=[];
dxi2=0;
n=5;
for sz=1:n
dxi2=dxi2+dx2';
dxt2=[dxt2;dxi2];
end
%% variabel code
vercode2=[basis';dx2';dxt2]
%% variabel aktual
avg2=[mnx1 mnx2];
89
dxi2=avg2;
dxt2=[];
for sz=1:n
dxi2=dxi2+dxm2';
dxt2=[dxt2;dxi2];
end
varakt2=[avg2;dxm2';dxt2]
hdt2=[vercode2 varakt2]
save mn2 mn2
save mid2 mid2
save hdt2 hdt2
% ------------------------------------------------------------------function uipushtool1_ClickedCallback(hObject, eventdata, handles)
% hObject
handle to uipushtool1 (see GCBO)
MATLAB
% handles
[filename,path]=uigetfile('*.xlsx','Input Data');
if isequal(filename,0)
return
end
data=xlsread(fullfile(path,filename),1,'B3:D1000');
whos data
set(handles.uitable1,'data',data)
setappdata(handles.figure1,'data',data)
% hObject
MATLAB
% handles
clc
x1=data(:,1);
x1=(x1-mean(x1))/((max(x1)-min(x1))/2);
x2=data(:,2);
x=([x1,x2]);
data(:,1:2)=x;
y=data(:,3);
% hObject
MATLAB
% handles
Dakian2
close GUI2
90
% hObject
MATLAB
% handles
load mid2
load mn2
mid2
mn2
vd=[-1.682,-1,0,1,1.682]
x=[]
for n=1:size(vd,2)
x1=mid2(1,1)*vd(1,n)+mn2(1,1)
x2=mid2(1,2)*vd(1,n)+mn2(1,2)
xt=[x1,x2]
x=[x;xt]
end
vz2=[vd',x]
save vz2 vz2
Ordee22
close GUI2
% hObject
MATLAB
% handles
awal
close GUI2
% hObject
MATLAB
% handles
Pawal
% hObject
MATLAB
% handles
close all
91
(3 Variabel Bebas)
function varargout = GUI(varargin)
% GUI M-file for GUI.fig
%
GUI, by itself, creates a new GUI or raises the existing
%
singleton*.
%
%
H = GUI returns the handle to a new GUI or the handle to
%
%
%
GUI('CALLBACK',hObject,eventData,handles,...) calls the
local
%
function named CALLBACK in GUI.M with the given input
arguments.
%
%
GUI('Property','Value',...) creates a new GUI or raises the
%
value pairs are
%
applied to the GUI before GUI_OpeningFcn gets called. An
%
application
%
stop. All inputs are passed to GUI_OpeningFcn via
varargin.
%
%
only one
%
%
% Edit the above text to modify the response to help GUI
gui_Singleton = 1;
mfilename, ...
'gui_OpeningFcn', @GUI_OpeningFcn, ...
'gui_OutputFcn', @GUI_OutputFcn, ...
'gui_Callback',
[]);
end
if nargout
else
end
% --- Executes just before GUI is made visible.
function GUI_OpeningFcn(hObject, eventdata, handles, varargin)
92
% hObject
handle to figure
MATLAB
% handles
% varargin
command line arguments to GUI (see VARARGIN)
% Choose default command line output for GUI
% UIWAIT makes GUI wait for user response (see UIRESUME)
function varargout = GUI_OutputFcn(hObject, eventdata, handles)
% hObject
handle to figure
MATLAB
% handles
% hObject
MATLAB
% handles
clc
x1=data(:,1);
mnx1=mean(x1)
x2=data(:,2);
mnx2=mean(x2)
x3=data(:,3);
mnx3=mean(x3)
x=([x1,x2,x3]);
mid=[midx1,midx2,midx3];
mn=[mnx1,mnx2,mnx3];
save mn mn
data(:,1:3)=x;
y=data(:,4);
93
a=x';
b=x;
c=data(:,4);
d=(a*b)^(-1);
e=a*c;
f=d*e
reg=['Pers Regresi : ','y = ',num2str(f(1,:)),' +
',num2str(f(2,:)),' x1 + ',num2str(f(3,:)),' x2 +
',num2str(f(4,:)),' x3']
x1=x1*f(2,:)/f(1,:);
x2=x2*f(3,:)/f(1,:);
x3=x3*f(4,:)/f(1,:);
y=y/f(1,:);
dat = table(x1,x2,x3,y);
mdl = fitlm(dat,' y ~ x1 + x2 + x3');
tbl = anova(mdl,'summary');
save tbl tbl
anovat = table2cell(tbl);
gh=num2str(cell2mat(anovat(2,5)),'%10.10f');
anovat(2,5)={gh};
lof=anovat{4,5};
if lof < 0.05
else
end
b1=max(f(2:end,1));
dx=f(2:end,1)/b1;
dxm=dx.*mid'
basis=zeros(size(dx,1),1)
dxt=[];
dxi=0;
n=5;
for sz=1:n
dxi=dxi+dx';
dxt=[dxt;dxi];
end
%% variabel code
vercode=[basis';dx';dxt]
%% variabel aktual
avg=[mnx1 mnx2 mnx3];
dxi=avg;
94
dxt=[];
for sz=1:n
dxi=dxi+dxm';
dxt=[dxt;dxi];
end
varakt=[avg;dxm';dxt]
hdt=[vercode varakt]
save hdt hdt
save mid mid
save mn mn
% hObject
MATLAB
% handles
return
end
data=xlsread(fullfile(path,filename),1,'B3:E1000');
whos data
% hObject
MATLAB
% handles
clc
x1=data(:,1);
x2=data(:,2);
x3=data(:,3);
x=([x1,x2,x3]);
data(:,1:3)=x;
y=data(:,4);
% hObject
MATLAB
% handles
Dakian
close GUI
95
% hObject
MATLAB
% handles
load mid
load mn
mid
mn
vd=[-1.682,-1,0,1,1.682]
x=[]
for n=1:size(vd,2)
x1=mid(1,1)*vd(1,n)+mn(1,1)
x2=mid(1,2)*vd(1,n)+mn(1,2)
x3=mid(1,3)*vd(1,n)+mn(1,3)
xt=[x1,x2,x3]
x=[x;xt]
end
vz=[vd',x]
save vz vz
Orde22
close GUI
% hObject
MATLAB
% handles
awal
close GUI
% hObject
MATLAB
% handles
Pawal
% hObject
MATLAB
% handles
close all
96
(4 Variabel Bebas)
%
%
singleton*.
%
%
%
%
%
local
%
arguments.
%
%
%
value pairs are
%
%
application
%
varargin.
%
%
only one
%
%
gui_Singleton = 1;
mfilename, ...
'gui_Callback',
[]);
end
if nargout
else
end
97
% hObject
handle to figure
MATLAB
% handles
% varargin
% hObject
handle to figure
MATLAB
% handles
% hObject
MATLAB
% handles
clc
x1=data(:,1);
mnx1=mean(x1)
x2=data(:,2);
mnx2=mean(x2)
x3=data(:,3);
mnx3=mean(x3)
x4=data(:,4);
mnx4=mean(x4)
x=([x1,x2,x3,x4]);
mid4=[midx1,midx2,midx3,midx4];
mn4=[mnx1,mnx2,mnx3,mnx4];
data(:,1:4)=x;
98
y=data(:,5);
a=x';
b=x;
c=data(:,5);
d=(a*b)^(-1);
e=a*c;
f4=d*e;
save f4 f4
reg=['Pers Regresi : ','y = ',num2str(f4(1,:)),' +
',num2str(f4(2,:)),' x1 + ',num2str(f4(3,:)),' x2 +
',num2str(f4(4,:)),' x3 + ',num2str(f4(5,:)),' x4']
x1=x1*f4(2,:)/f4(1,:);
x2=x2*f4(3,:)/f4(1,:);
x3=x3*f4(4,:)/f4(1,:);
x4=x4*f4(5,:)/f4(1,:);
y=y/f4(1,:);
dat = table(x1,x2,x3,x4,y);
mdl = fitlm(dat,' y ~ x1 + x2 + x3 + x4');
tbl = anova(mdl,'summary')
%save tbl tbl
anovat = table2cell(tbl)
lof=anovat{4,5};
if lof < 0.05
else
end
b1=max(f4(2:end,1));
%mid=(max(x4)-min(x4))/2
dx4=f4(2:end,1)/b1;
dxm4=dx4.*mid4'
dxt4=[];
dxi4=0;
n=5;
for sz=1:n
dxi4=dxi4+dx4';
dxt4=[dxt4;dxi4];
end
%% variabel code
99
%% variabel aktual
avg4=[mnx1 mnx2 mnx3 mnx4];
dxi4=avg4;
dxt4=[];
for sz=1:n
dxi4=dxi4+dxm4';
dxt4=[dxt4;dxi4];
end
save mn4 mn4
save hdt4 hdt4
save mid4 mid4
% hObject
MATLAB
% handles
return
end
data=xlsread(fullfile(path,filename),1,'B3:F1000');
whos data
% hObject
MATLAB
% handles
clc
x1=data(:,1);
x2=data(:,2);
x3=data(:,3);
x4=data(:,4);
x=([x1,x2,x3,x4]);
data(:,1:4)=x;
y=data(:,5);
% hObject
100
% eventdata
MATLAB
% handles
Dakian4
close GUI3
% hObject
MATLAB
% handles
load mid4
load mn4
mid4
mn4
vd=[-2.000,-1,0,1,2.000]
x=[]
for n=1:size(vd,2)
x1=mid4(1,1)*vd(1,n)+mn4(1,1)
x2=mid4(1,2)*vd(1,n)+mn4(1,2)
x3=mid4(1,3)*vd(1,n)+mn4(1,3)
x4=mid4(1,4)*vd(1,n)+mn4(1,4)
xt=[x1,x2,x3,x4]
x=[x;xt]
end
vz4=[vd',x]
save vz4 vz4
Ordeee22
close GUI3
(5 Variabel Bebas)
%
%
singleton*.
%
%
%
%
%
local
%
arguments.
%
%
%
value pairs are
%
101
%
application
%
varargin.
%
%
only one
%
%
gui_Singleton = 1;
mfilename, ...
'gui_Callback',
[]);
end
if nargout
else
end
% hObject
handle to figure
MATLAB
% handles
% varargin
102
% varargout
% hObject
% eventdata
MATLAB
% handles
cell array for returning output args (see VARARGOUT);
handle to figure
% hObject
MATLAB
% handles
clc
x1=data(:,1);
mnx1=mean(x1)
x2=data(:,2);
mnx2=mean(x2)
x3=data(:,3);
mnx3=mean(x3)
x4=data(:,4);
mnx4=mean(x4)
x5=data(:,5);
mnx5=mean(x5)
x=([x1,x2,x3,x4,x5]);
mid5=[midx1,midx2,midx3,midx4,midx5];
mn5=[mnx1,mnx2,mnx3,mnx4,mnx5];
data(:,1:5)=x;
y=data(:,6);
a=x';
b=x;
c=data(:,6);
d=(a*b)^(-1);
e=a*c;
f5=d*e
save f5 f5
103
',num2str(f5(6,:)),' x5']
x1=x1*f5(2,:)/f5(1,:);
x2=x2*f5(3,:)/f5(1,:);
x3=x3*f5(4,:)/f5(1,:);
x4=x4*f5(5,:)/f5(1,:);
x5=x5*f5(6,:)/f5(1,:);
y=y/f5(1,:);
dat = table(x1,x2,x3,x4,x5,y);
mdl = fitlm(dat,' y ~ x1 + x2 + x3 + x4 + x5 ');
%save tbl tbl
lof=anovat{4,5};
if lof < 0.05
else
end
b1=max(f5(2:end,1));
%mid=(max(x5)-min(x5))/2
dx5=f5(2:end,1)/b1;
dxm5=dx5.*mid5'
dxt5=[];
dxi5=0;
n=5;
for sz=1:n
dxi5=dxi5+dx5';
dxt5=[dxt5;dxi5];
end
%% variabel code
%% variabel aktual
avg5=[mnx1 mnx2 mnx3 mnx4 mnx5];
dxi5=avg5;
dxt5=[];
for sz=1:n
dxi5=dxi5+dxm5';
dxt5=[dxt5;dxi5];
end
104
save hdt5 hdt5
save mid5 mid5
save mn5 mn5
% hObject
MATLAB
% handles
return
end
data=xlsread(fullfile(path,filename),1,'B3:G1000');
whos data
% hObject
MATLAB
% handles
clc
x1=data(:,1);
x2=data(:,2);
x3=data(:,3);
x4=data(:,4);
x5=data(:,5);
x=([x1,x2,x3,x4,x5]);
data(:,1:5)=x;
y=data(:,6);
% hObject
MATLAB
% handles
Dakian5
close GUI5
105
% hObject
% eventdata
MATLAB
% handles
load mid5
load mn5
mid5
mn5
vd=[-2.378,-1,0,1,2.378]
x=[]
for n=1:size(vd,2)
x1=mid5(1,1)*vd(1,n)+mn5(1,1)
x2=mid5(1,2)*vd(1,n)+mn5(1,2)
x3=mid5(1,3)*vd(1,n)+mn5(1,3)
x4=mid5(1,4)*vd(1,n)+mn5(1,4)
x5=mid5(1,5)*vd(1,n)+mn5(1,5)
xt=[x1,x2,x3,x4,x5]
x=[x;xt]
end
vz5=[vd',x]
save vz5 vz5
Ordeeee22
close GUI5
Form Steepest Ascent
Menu Editor
Table
Push Button
Static Text
Table
Table
Push Button
106
Kode Program Steepest Ascent
(2 Variabel Bebas)
function varargout = Dakian2(varargin)
% DAKIAN2 MATLAB code for Dakian2.fig
%
DAKIAN2, by itself, creates a new DAKIAN2 or raises the
existing
%
singleton*.
%
%
H = DAKIAN2 returns the handle to a new DAKIAN2 or the
handle to
%
%
%
DAKIAN2('CALLBACK',hObject,eventData,handles,...) calls the
local
%
function named CALLBACK in DAKIAN2.M with the given input
arguments.
%
%
DAKIAN2('Property','Value',...) creates a new DAKIAN2 or
raises the
%
value pairs are
%
applied to the GUI before Dakian2_OpeningFcn gets called.
An
%
application
%
stop. All inputs are passed to Dakian2_OpeningFcn via
varargin.
%
%
only one
%
%
% Edit the above text to modify the response to help Dakian2
gui_Singleton = 1;
mfilename, ...
'gui_OpeningFcn', @Dakian2_OpeningFcn, ...
'gui_OutputFcn', @Dakian2_OutputFcn, ...
'gui_Callback',
[]);
end
if nargout
107
else
end
% --- Executes just before Dakian2 is made visible.
function Dakian2_OpeningFcn(hObject, eventdata, handles, varargin)
% hObject
handle to figure
MATLAB
% handles
% varargin
command line arguments to Dakian2 (see VARARGIN)
% Choose default command line output for Dakian2
% UIWAIT makes Dakian2 wait for user response (see UIRESUME)
function varargout = Dakian2_OutputFcn(hObject, eventdata,
handles)
% hObject
handle to figure
MATLAB
% handles
load hdt2
d=size(hdt2,1)
set(handles.uitable1,'data',[hdt2 zeros(d,1)])
% hObject
MATLAB
% handles
load mid2
mid2
tab=get(handles.uitable1,'data');
y=tab(:,5);
[C,I]=max(y);
vap=[tab(I,3:4)];
E=[vap;vap];
%% 1
E1a=E(1:2,1)-mid2(1,1);
108
E1b=E(1:2,1)+mid2(1,1);
E1=[E1a;E1b];
%% 2
E2a=E(1,2)-mid2(1,2);
E2b=E(1,2)+mid2(1,2);
E2aa=E(1,2)-mid2(1,2);
E2bb=E(1,2)+mid2(1,2);
E2=[E2a;E2b;E2aa;E2bb];
Ett=[E1,E2];
Et=[E;Ett];
whos Et
set(handles.uitable3,'data',[Et zeros(size(Et,1),1)])
Atb2=get(handles.uitable3,'data')
% hObject
MATLAB
% handles
Etb2=get(handles.uitable3,'data')
r=Etb2(:,3)
data=Etb2
x1=data(:,1);
x2=data(:,2);
x=([x1,x2]);
rx2=mean(x,1)
save rx2 rx2
y=data(:,3);
a=x';
b=x;
c=data(:,3);
d=(a*b)^(-1);
e=a*c;
ff2=d*e
save ff2 ff2
reg=['Pers Regresi : ','y = ',num2str(ff2(1,:)),' +
',num2str(ff2(2,:)),' x1 + ',num2str(ff2(3,:)),' x2 ']
yt=y'
ft=ff2'
xt=x'
mse=(yt*y-ft*xt*y)/4
y1r=mean(yt(1:2))
y2r=mean(yt(3:6))
yf=(y2r-y1r).^2
fo=(4*2*(yf)/(4+2))/mse
set(handles.uitable4,'data',[fo 3.28])
fba=get(handles.uitable3,'data')
if fo > 3.28
109
else
set(handles.pushbutton2,'string','lanjutkan')
end
% hObject
MATLAB
% handles
load mid2
load rx2
mid2
vd=[-1.414,-1,0,1,1.414]
x=[]
for n=1:size(vd,2)
x1=mid2(1,1)*vd(1,n)+rx2(1,1)
x2=mid2(1,2)*vd(1,n)+rx2(1,2)
xt=[x1,x2]
x=[x;xt]
end
vt2=[vd',x]
save vt2 vt2
Ordee2
close Dakian2
% hObject
MATLAB
% handles
Stepes2
close Dakian2
% hObject
MATLAB
% handles
awal
% hObject
MATLAB
% handles
110
PDakian
% hObject
MATLAB
% handles
close all
(3 Variabel Bebas)
function varargout = Dakian(varargin)
% DAKIAN MATLAB code for Dakian.fig
%
DAKIAN, by itself, creates a new DAKIAN or raises the
existing
%
singleton*.
%
%
H = DAKIAN returns the handle to a new DAKIAN or the handle
to
%
%
%
DAKIAN('CALLBACK',hObject,eventData,handles,...) calls the
local
%
function named CALLBACK in DAKIAN.M with the given input
arguments.
%
%
DAKIAN('Property','Value',...) creates a new DAKIAN or
raises the
%
value pairs are
%
applied to the GUI before Dakian_OpeningFcn gets called.
An
%
application
%
stop. All inputs are passed to Dakian_OpeningFcn via
varargin.
%
%
only one
%
%
% Edit the above text to modify the response to help Dakian
gui_Singleton = 1;
mfilename, ...
111
'gui_OpeningFcn', @Dakian_OpeningFcn, ...
'gui_OutputFcn', @Dakian_OutputFcn, ...
'gui_Callback',
[]);
end
if nargout
else
end
% --- Executes just before Dakian is made visible.
function Dakian_OpeningFcn(hObject, eventdata, handles, varargin)
% hObject
handle to figure
MATLAB
% handles
% varargin
command line arguments to Dakian (see VARARGIN)
% Choose default command line output for Dakian
% UIWAIT makes Dakian wait for user response (see UIRESUME)
function varargout = Dakian_OutputFcn(hObject, eventdata, handles)
% hObject
handle to figure
MATLAB
% handles
load hdt
whos hdt
d=size(hdt,1)
hdt=[hdt zeros(d,1)]
hdtt=[];
hdtv=[];
for i=1:size(hdt,1)
hdtt=[];
for j=1:size(hdt,2)
tx=num2str(hdt(i,j))
hdtt=[hdtt,{tx}];
end
112
hdtv=[hdtv;hdtt];
end
whos hdtv
set(handles.uitable1,'data',hdtv)
% hObject
MATLAB
% handles
load mid
mid
tab=get(handles.uitable1,'data')
hdtt=[];
hdtv=[];
for i=1:size(tab,1)
hdtt=[];
for j=1:size(tab,2)
tx=(cell2mat(tab(i,j)))
tx=str2num(tx)
whos tx
hdtt=[hdtt,tx];
end
hdtv=[hdtv;hdtt];
end
tab=hdtv
y=tab(:,7);
[C,I]=max(y);
vap=[tab(I,4:6)];
E=[vap;vap;vap;vap];
%% 1
E1a=E(:,1)-mid(1,1);
E1b=E(:,1)+mid(1,1);
E1=[E1a;E1b];
%% 2
E2a=E(1:2,2)-mid(1,2);
E2b=E(1:2,2)+mid(1,2);
E2aa=E(1:2,2)-mid(1,2);
E2bb=E(1:2,2)+mid(1,2);
%% 3
E3a=E(1,3)-mid(1,3);
E3b=E(1,3)+mid(1,3);
E3c=E(1,3)-mid(1,3);
E3d=E(1,3)+mid(1,3);
E3aa=E(1,3)-mid(1,3);
E3bb=E(1,3)+mid(1,3);
E3cc=E(1,3)-mid(1,3);
E3dd=E(1,3)+mid(1,3);
E3=[E3a;E3b;E3c;E3d;E3aa;E3bb;E3cc;E3dd];
Ett=[E1,E2,E3];
113
Et=[E;Ett];
whos df
whos Et
Et=[Et zeros(size(Et,1),1)]
hdtt=[];
hdtv=[];
for i=1:size(Et,1)
hdtt=[];
for j=1:size(Et,2)
tx=num2str(Et(i,j))
hdtt=[hdtt,{tx}];
end
hdtv=[hdtv;hdtt];
end
Et=hdtv;
whos hdtv
set(handles.uitable3,'data',Et)
Atb=get(handles.uitable3,'data')
% hObject
MATLAB
% handles
%% anova
Etb=get(handles.uitable3,'data');
hdtt=[];
hdtv=[];
for i=1:size(Etb,1)
hdtt=[];
for j=1:size(Etb,2)
tx=(cell2mat(Etb(i,j)));
tx=str2num(tx);
whos tx
hdtt=[hdtt,tx];
end
hdtv=[hdtv;hdtt];
end
Etb=hdtv;
r=Etb(:,4)
data=Etb
x1=data(:,1);
x2=data(:,2);
x3=data(:,3);
x=([x1,x2,x3]);
rx=mean(x,1)
save rx rx
y=data(:,4);
a=x';
114
b=x;
c=data(:,4);
d=(a*b)^(-1);
e=a*c;
f2=d*e
save f2 f2
',num2str(f2(4,:)),' x3']
yt=y'
ft=f2'
xt=x'
y1r=mean(yt(1:4))
y2r=mean(yt(5:12))
yf=(y2r-y1r).^2
fo=(8*4*(yf)/(8+4))/mse
if fo > 3.28
else
end
% hObject
MATLAB
% handles
load mid
load rx
mid
vd=[-1.682,-1,0,1,1.682]
x=[]
for n=1:size(vd,2)
x1=mid(1,1)*vd(1,n)+rx(1,1)
x2=mid(1,2)*vd(1,n)+rx(1,2)
x3=mid(1,3)*vd(1,n)+rx(1,3)
xt=[x1,x2,x3]
x=[x;xt]
end
vt=[vd',x]
save vt vt
Orde2
close Dakian
115
% hObject
MATLAB
% handles
Stepes
close Dakian
% hObject
MATLAB
% handles
awal
% hObject
MATLAB
% handles
Pdakian
% hObject
MATLAB
% handles
close all
(4 Variabel Bebas)
%
existing
%
singleton*.
%
%
handle to
%
%
%
local
%
arguments.
%
%
raises the
%
value pairs are
116
%
An
%
application
%
varargin.
%
%
only one
%
%
gui_Singleton = 1;
mfilename, ...
'gui_Callback',
[]);
end
if nargout
else
end
% hObject
handle to figure
MATLAB
% handles
% varargin
117
handles)
% hObject
handle to figure
MATLAB
% handles
load hdt4
d=size(hdt4,1)
set(handles.uitable1,'data',[hdt4,zeros(d,1)])
% hObject
MATLAB
% handles
load mid4
mid4
y=tab(:,9);
[C,I]=max(y);
vap=[tab(I,5:8)];
E=[vap;vap;vap;vap;vap;vap;vap;vap];
%% 1
E1a=E(:,1)-mid4(1,1);
E1b=E(:,1)+mid4(1,1);
E1=[E1a;E1b];
%% 2
E2a=E(1:4,2)-mid4(1,2);
E2b=E(1:4,2)+mid4(1,2);
E2aa=E(1:4,2)-mid4(1,2);
E2bb=E(1:4,2)+mid4(1,2);
%% 3
E3a=E(1:2,3)-mid4(1,3);
E3b=E(1:2,3)+mid4(1,3);
E3aa=E(1:2,3)-mid4(1,3);
E3bb=E(1:2,3)+mid4(1,3);
E3aaa=E(1:2,3)-mid4(1,3);
E3bbb=E(1:2,3)+mid4(1,3);
E3aaaa=E(1:2,3)-mid4(1,3);
E3bbbb=E(1:2,3)+mid4(1,3);
E3=[E3a;E3b;E3aa;E3bb;E3aaa;E3bbb;E3aaaa;E3bbbb];
%% 4
E4a=E(1,4)-mid4(1,4);
E4b=E(1,4)+mid4(1,4);
E4c=E(1,4)-mid4(1,4);
E4d=E(1,4)+mid4(1,4);
E4aa=E(1,4)-mid4(1,4);
E4bb=E(1,4)+mid4(1,4);
118
E4cc=E(1,4)-mid4(1,4);
E4dd=E(1,4)+mid4(1,4);
E4aaa=E(1,4)-mid4(1,4);
E4bbb=E(1,4)+mid4(1,4);
E4ccc=E(1,4)-mid4(1,4);
E4ddd=E(1,4)+mid4(1,4);
E4aaaa=E(1,4)-mid4(1,4);
E4bbbb=E(1,4)+mid4(1,4);
E4cccc=E(1,4)-mid4(1,4);
E4dddd=E(1,4)+mid4(1,4);
E4=[E4a;E4b;E4c;E4d;E4aa;E4bb;E4cc;E4dd;E4aaa;E4bbb;E4ccc;E4ddd;E4
aaaa;E4bbbb;E4cccc;E4dddd];
Ett=[E1,E2,E3,E4];
Et=[E;Ett];
whos Et
set(handles.uitable3,'data',[Et zeros(size(Et,1),1)])
Atb4=get(handles.uitable3,'data')
% hObject
MATLAB
% handles
r=Etb2(:,3)
data=Etb2
x1=data(:,1);
x2=data(:,2);
x3=data(:,3);
x4=data(:,4);
x=([x1,x2,x3,x4]);
rx4=mean(x,1)
save rx4 rx4
y=data(:,5);
a=x';
b=x;
c=data(:,4);
d=(a*b)^(-1);
e=a*c;
ff4=d*e
save ff4 ff4
',num2str(ff4(2,:)),' x1 + ',num2str(ff4(3,:)),' x2 +
',num2str(ff4(4,:)),' x3 + ',num2str(ff4(5,:)),' x4']
yt=y'
ft=ff4'
xt=x'
y1r=mean(yt(1:8))
y2r=mean(yt(9:24))
yf=(y2r-y1r).^2
fo=(16*8*(yf)/(16+8))/mse
119
if fo > 3.28
else
end
% hObject
MATLAB
% handles
load mid4
load rx4
mid4
vd=[-2.000,-1,0,1,2.000]
x=[]
for n=1:size(vd,2)
x1=mid4(1,1)*vd(1,n)+rx4(1,1)
x2=mid4(1,2)*vd(1,n)+rx4(1,2)
x3=mid4(1,3)*vd(1,n)+rx4(1,3)
x4=mid4(1,4)*vd(1,n)+rx4(1,4)
xt=[x1,x2,x3,x4]
x=[x;xt]
end
vt4=[vd',x]
save vt4 vt4
Ordeee2
close Dakian4
% hObject
MATLAB
% handles
Stepes4
close Dakian4
% hObject
MATLAB
% handles
awal
close Dakian4
120
% hObject
MATLAB
% handles
Porde2
% hObject
MATLAB
% handles
close all
(5 Variabel Bebas)
%
existing
%
singleton*.
%
%
handle to
%
%
%
local
%
arguments.
%
%
raises the
%
value pairs are
%
An
%
application
%
varargin.
%
%
only one
%
%
121
gui_Singleton = 1;
mfilename, ...
'gui_Callback',
[]);
end
if nargout
else
end
% hObject
handle to figure
MATLAB
% handles
% varargin
handles)
% hObject
handle to figure
MATLAB
% handles
load hdt5
d=size(hdt5,1)
set(handles.uitable1,'data',[hdt5,zeros(d,1)])
122
% hObject
MATLAB
% handles
load mid5
mid5
y=tab(:,11);
[C,I]=max(y);
vap=[tab(I,6:10)];
E=[vap;vap;vap;vap;vap;vap;vap;vap;vap;vap;vap;vap;vap;vap;vap;vap
];
%% 1
E1a=E(:,1)-mid5(1,1);
E1b=E(:,1)+mid5(1,1);
E1=[E1a;E1b];
%% 2
E2a=E(1:8,2)-mid5(1,2);
E2b=E(1:8,2)+mid5(1,2);
E2aa=E(1:8,2)-mid5(1,2);
E2bb=E(1:8,2)+mid5(1,2);
%% 3
E3a=E(1:4,3)-mid5(1,3);
E3b=E(1:4,3)+mid5(1,3);
E3aa=E(1:4,3)-mid5(1,3);
E3bb=E(1:4,3)+mid5(1,3);
E3aaa=E(1:4,3)-mid5(1,3);
E3bbb=E(1:4,3)+mid5(1,3);
E3aaaa=E(1:4,3)-mid5(1,3);
E3bbbb=E(1:4,3)+mid5(1,3);
E3=[E3a;E3b;E3aa;E3bb;E3aaa;E3bbb;E3aaaa;E3bbbb];
%% 4
E4a=E(1:2,4)-mid5(1,4);
E4b=E(1:2,4)+mid5(1,4);
E4c=E(1:2,4)-mid5(1,4);
E4d=E(1:2,4)+mid5(1,4);
E4aa=E(1:2,4)-mid5(1,4);
E4bb=E(1:2,4)+mid5(1,4);
E4cc=E(1:2,4)-mid5(1,4);
E4dd=E(1:2,4)+mid5(1,4);
E4aaa=E(1:2,4)-mid5(1,4);
E4bbb=E(1:2,4)+mid5(1,4);
E4ccc=E(1:2,4)-mid5(1,4);
E4ddd=E(1:2,4)+mid5(1,4);
E4aaaa=E(1:2,4)-mid5(1,4);
E4bbbb=E(1:2,4)+mid5(1,4);
E4cccc=E(1:2,4)-mid5(1,4);
E4dddd=E(1:2,4)+mid5(1,4);
aaaa;E4bbbb;E4cccc;E4dddd];
%% 5
E5a=E(1,4)-mid5(1,5);
E5b=E(1,4)+mid5(1,5);
123
E5c=E(1,4)-mid5(1,5);
E5d=E(1,4)+mid5(1,5);
E5aa=E(1,4)-mid5(1,5);
E5bb=E(1,4)+mid5(1,5);
E5cc=E(1,4)-mid5(1,5);
E5dd=E(1,4)+mid5(1,5);
E5aaa=E(1,4)-mid5(1,5);
E5bbb=E(1,4)+mid5(1,5);
E5ccc=E(1,4)-mid5(1,5);
E5ddd=E(1,4)+mid5(1,5);
E5aaaa=E(1,4)-mid5(1,5);
E5bbbb=E(1,4)+mid5(1,5);
E5cccc=E(1,4)-mid5(1,5);
E5dddd=E(1,4)+mid5(1,5);
E5aaaaa=E(1,4)-mid5(1,5);
E5bbbbb=E(1,4)+mid5(1,5);
E5ccccc=E(1,4)-mid5(1,5);
E5ddddd=E(1,4)+mid5(1,5);
E5aaaaaa=E(1,4)-mid5(1,5);
E5bbbbbb=E(1,4)+mid5(1,5);
E5cccccc=E(1,4)-mid5(1,5);
E5dddddd=E(1,4)+mid5(1,5);
E5aaaaaaa=E(1,4)-mid5(1,5);
E5bbbbbbb=E(1,4)+mid5(1,5);
E5ccccccc=E(1,4)-mid5(1,5);
E5ddddddd=E(1,4)+mid5(1,5);
E5aaaaaaaa=E(1,4)-mid5(1,5);
E5bbbbbbbb=E(1,4)+mid5(1,5);
E5cccccccc=E(1,4)-mid5(1,5);
E5dddddddd=E(1,4)+mid5(1,5);
aaaa;E5bbbb;E5cccc;E5dddd;E5aaaaa;E5bbbbb;E5ccccc;E5ddddd;E5aaaaaa
;E5bbbbbb;E5cccccc;E5dddddd;E5aaaaaaa;E5bbbbbbb;E5ccccccc;E5dddddd
d;E5aaaaaaaa;E5bbbbbbbb;E5cccccccc;E5dddddddd];
Ett=[E1,E2,E3,E4,E5];
Et=[E;Ett];
Etb=[Et,zeros(size(Et,1),1)];
set(handles.uitable3,'data',Etb)
% hObject
MATLAB
% handles
r=Etb2(:,3)
data=Etb2
x1=data(:,1);
x2=data(:,2);
x3=data(:,3);
x4=data(:,4);
x5=data(:,5);
x=([x1,x2,x3,x4,x5]);
rx5=mean(x,1)
save rx5 rx5
124
y=data(:,6);
a=x';
b=x;
c=data(:,4);
d=(a*b)^(-1);
e=a*c;
ff5=d*e
save ff5 ff5
',num2str(ff5(5,:)),' x5']
yt=y'
ft=ff5'
xt=x'
y1r=mean(yt(1:16))
y2r=mean(yt(17:48))
yf=(y2r-y1r).^2
fo=(32*16*(yf)/(32+16))/mse
if fo > 3.28
else
end
% hObject
MATLAB
% handles
load mid5
load rx5
mid5
vd=[-2.378,-1,0,1,2.378]
x=[]
for n=1:size(vd,2)
x1=mid5(1,1)*vd(1,n)+rx5(1,1)
x2=mid5(1,2)*vd(1,n)+rx5(1,2)
x3=mid5(1,3)*vd(1,n)+rx5(1,3)
x4=mid5(1,4)*vd(1,n)+rx5(1,4)
x5=mid5(1,5)*vd(1,n)+rx5(1,5)
xt=[x1,x2,x3,x4,x5]
x=[x;xt]
end
125
vt5=[vd',x]
save vt5 vt5
Ordeeee2
close Dakian5
% hObject
MATLAB
% handles
Stepes5
close Dakian5
% hObject
MATLAB
% handles
awal
close Dakian5
% hObject
MATLAB
% handles
Porde2
% hObject
MATLAB
% handles
close all
126
Form Lanjutan Steepest Ascent
Menu Editor
Push Button
Table
Kode Program Lanjutan Steepest Ascent
(2 Variabel Bebas)
function varargout = Stepes2(varargin)
% STEPES2 MATLAB code for Stepes2.fig
%
STEPES2, by itself, creates a new STEPES2 or raises the
existing
%
singleton*.
%
%
H = STEPES2 returns the handle to a new STEPES2 or the
handle to
%
%
%
STEPES2('CALLBACK',hObject,eventData,handles,...) calls the
local
%
function named CALLBACK in STEPES2.M with the given input
arguments.
%
%
STEPES2('Property','Value',...) creates a new STEPES2 or
raises the
%
value pairs are
%
applied to the GUI before Stepes2_OpeningFcn gets called.
An
%
application
%
stop. All inputs are passed to Stepes2_OpeningFcn via
varargin.
%
%
only one
%
127
%
% Edit the above text to modify the response to help Stepes2
gui_Singleton = 1;
mfilename, ...
'gui_OpeningFcn', @Stepes2_OpeningFcn, ...
'gui_OutputFcn', @Stepes2_OutputFcn, ...
'gui_Callback',
[]);
end
if nargout
else
end
% --- Executes just before Stepes2 is made visible.
function Stepes2_OpeningFcn(hObject, eventdata, handles, varargin)
% hObject
handle to figure
MATLAB
% handles
% varargin
command line arguments to Stepes2 (see VARARGIN)
% Choose default command line output for Stepes2
% UIWAIT makes Stepes2 wait for user response (see UIRESUME)
function varargout = Stepes2_OutputFcn(hObject, eventdata,
handles)
% hObject
handle to figure
MATLAB
% handles
128
% hObject
MATLAB
% handles
load f2
load mid
load rx
b=[f2(2,:);f2(3,:);f2(4,:)]
xo=(-1/2)*b
xo1=xo'
%variabel asli
Xa1=mid(1,1).*xo(1,1)+rx(1,1)
Xa2=mid(1,2).*xo(2,1)+rx(1,2)
Xa3=mid(1,3).*xo(3,1)+rx(1,3)
Xa=[Xa1,Xa2,Xa3]
Ya=f2(1,:)+(1/2*xo1*b)
set(handles.uitable1,'data',[Xa Ya])
%lin=eig(B)
set(handles.uitable2,'data',[lin])
% hObject
MATLAB
% handles
awal
close Stepes2
% hObject
MATLAB
% handles
PStepet
% hObject
MATLAB
% handles
close all
129
(3 Variabel Bebas)
function varargout = Stepes(varargin)
% STEPES MATLAB code for Stepes.fig
%
STEPES, by itself, creates a new STEPES or raises the
existing
%
singleton*.
%
%
H = STEPES returns the handle to a new STEPES or the handle
to
%
%
%
STEPES('CALLBACK',hObject,eventData,handles,...) calls the
local
%
function named CALLBACK in STEPES.M with the given input
arguments.
%
%
STEPES('Property','Value',...) creates a new STEPES or
raises the
%
value pairs are
%
applied to the GUI before Stepes_OpeningFcn gets called.
An
%
application
%
stop. All inputs are passed to Stepes_OpeningFcn via
varargin.
%
%
only one
%
%
% Edit the above text to modify the response to help Stepes
gui_Singleton = 1;
mfilename, ...
'gui_OpeningFcn', @Stepes_OpeningFcn, ...
'gui_OutputFcn', @Stepes_OutputFcn, ...
'gui_Callback',
[]);
end
if nargout
else
end
130
% --- Executes just before Stepes is made visible.
function Stepes_OpeningFcn(hObject, eventdata, handles, varargin)
% hObject
handle to figure
MATLAB
% handles
% varargin
command line arguments to Stepes (see VARARGIN)
% Choose default command line output for Stepes
% UIWAIT makes Stepes wait for user response (see UIRESUME)
function varargout = Stepes_OutputFcn(hObject, eventdata, handles)
% hObject
handle to figure
MATLAB
% handles
% hObject
MATLAB
% handles
load f2
load mid
load rx
b=[f2(2,:);f2(3,:);f2(4,:)]
xo=(-1/2)*b
xo1=xo'
%variabel asli
Xa1=mid(1,1).*xo(1,1)+rx(1,1)
Xa2=mid(1,2).*xo(2,1)+rx(1,2)
Xa3=mid(1,3).*xo(3,1)+rx(1,3)
Xa=[Xa1,Xa2,Xa3]
Ya=f2(1,:)+(1/2*xo1*b)
131
% hObject
MATLAB
% handles
awal
close Stepes
% hObject
MATLAB
% handles
PStepet
% hObject
MATLAB
% handles
close all
(4 Variabel Bebas)
%
existing
%
singleton*.
%
%
handle to
%
%
%
local
%
arguments.
%
%
raises the
%
value pairs are
%
An
%
application
%
varargin.
132
%
%
*See GUI Options on GUIDE's Tools menu.
only one
%
%
Choose "GUI allows
gui_Singleton = 1;
mfilename, ...
'gui_Callback',
[]);
end
if nargout
else
end
% hObject
handle to figure
MATLAB
% handles
% varargin
handles)
% hObject
handle to figure
133
% eventdata
MATLAB
% handles
% hObject
MATLAB
% handles
load f4
load mid4
load rx4
b=[f4(2,:);f4(3,:);f4(4,:);f4(5,:)]
xo=(-1/2)*b
xo1=xo'
%variabel asli
Xa1=mid4(1,1).*xo(1,1)+rx4(1,1)
Xa2=mid4(1,2).*xo(2,1)+rx4(1,2)
Xa3=mid4(1,3).*xo(3,1)+rx4(1,3)
Xa4=mid4(1,4).*xo(3,1)+rx4(1,4)
Xa=[Xa1,Xa2,Xa3,Xa4]
Ya=f4(1,:)+(1/2*xo1*b)
%lin=eig(B)
% hObject
MATLAB
% handles
awal
close Stepes4
% hObject
MATLAB
% handles
PStepet
% hObject
134
% eventdata
MATLAB
% handles
close all
(5 Variabel Bebas)
%
existing
%
singleton*.
%
%
handle to
%
%
%
local
%
arguments.
%
%
raises the
%
value pairs are
%
An
%
application
%
varargin.
%
%
only one
%
%
gui_Singleton = 1;
mfilename, ...
'gui_Callback',
[]);
135
end
if nargout
else
end
% hObject
handle to figure
MATLAB
% handles
% varargin
handles)
% hObject
handle to figure
MATLAB
% handles
% hObject
MATLAB
% handles
load f5
load mid5
load rx5
b=[f5(2,:);f5(3,:);f5(4,:);f5(5,:);f5(6,:)]
xo=(-1/2)*b
xo1=xo'
%variabel asli
Xa1=mid5(1,1).*xo(1,1)+rx5(1,1)
136
Xa2=mid5(1,2).*xo(2,1)+rx5(1,2)
Xa3=mid5(1,3).*xo(3,1)+rx5(1,3)
Xa4=mid5(1,4).*xo(2,1)+rx5(1,4)
Xa5=mid5(1,5).*xo(3,1)+rx5(1,5)
Xa=[Xa1,Xa2,Xa3,Xa4,Xa5]
Ya=f5(1,:)+(1/2*xo1*b)
%lin=eig(B)
% hObject
MATLAB
% handles
awal
close Stepes5
% hObject
MATLAB
% handles
PStepet
% hObject
MATLAB
% handles
close all
137
Form Ordo Dua
Menu Editor
Static Text
Push Button
Table
Static Text
Push Button
Kode Program Ordo Dua
(2 Variabel Bebas)
function varargout = Ordee2(varargin)
% ORDEE2 MATLAB code for Ordee2.fig
%
ORDEE2, by itself, creates a new ORDEE2 or raises the
existing
%
singleton*.
%
%
H = ORDEE2 returns the handle to a new ORDEE2 or the handle
to
%
%
%
ORDEE2('CALLBACK',hObject,eventData,handles,...) calls the
local
%
function named CALLBACK in ORDEE2.M with the given input
arguments.
%
%
ORDEE2('Property','Value',...) creates a new ORDEE2 or
raises the
%
value pairs are
%
applied to the GUI before Ordee2_OpeningFcn gets called.
An
%
application
%
stop. All inputs are passed to Ordee2_OpeningFcn via
varargin.
%
138
%
*See GUI Options on GUIDE's Tools menu.
only one
%
%
Choose "GUI allows
% Edit the above text to modify the response to help Ordee2
gui_Singleton = 1;
mfilename, ...
'gui_OpeningFcn', @Ordee2_OpeningFcn, ...
'gui_OutputFcn', @Ordee2_OutputFcn, ...
'gui_Callback',
[]);
end
if nargout
else
end
% --- Executes just before Ordee2 is made visible.
function Ordee2_OpeningFcn(hObject, eventdata, handles, varargin)
% hObject
handle to figure
MATLAB
% handles
% varargin
command line arguments to Ordee2 (see VARARGIN)
% Choose default command line output for Ordee2
% UIWAIT makes Ordee2 wait for user response (see UIRESUME)
function varargout = Ordee2_OutputFcn(hObject, eventdata, handles)
% hObject
handle to figure
MATLAB
139
% handles
load vt2
set(handles.uitable1,'data',[vt2])
D2=[
-1
-1 1
1
-1
1
1
0
0
0
0
0
0
0
0
0
0
-1.414 0
1.414
0
0
-1.414
0
1.414]
-1
whos ytb
whos D2
set(handles.uitable2,'data',[D2 zeros(size(D2,1),1)])
Dtb2=get(handles.uitable2,'data')
% hObject
MATLAB
% handles
D2=[
-1 -1
-1 1
1
-1
1
1
0
0
0
0
0
0
0
0
0
0
-1.414 0
1.414
0
0
-1.414
0
1.414]
whos ytb
whos D2
set(handles.uitable2,'data',[D2 zeros(size(D,1),1)])
% hObject
140
% eventdata
MATLAB
% handles
load mid2
load rx2
ok2=get(handles.uitable2,'data')
r2=ok2(:,3)
data=ok2
okk2=[ok2(:,1).*ok2(:,2)]
okk1=[ok2(:,1) ok2(:,2) ok2(:,1).^2 ok2(:,2).^2
data=okk1;
x=data(:,1:5)
y=data(:,6);
okk2 ok2(:,3)]
x=[ones(size(data,1),1),x]
a=x';
b=x;
c=y;
d=(a*b)^(-1);
e=a*c;
fff2=d*e;
save fff2 fff2
reg=['Pers Regresi : ','y = ',num2str(fff2(1,:)),' +
',num2str(fff2(2,:)),' x1 + ',num2str(fff2(3,:)),' x2 +
',num2str(fff2(4,:)),' x3 + '...
,num2str(fff2(2,:)),' x4 + ',num2str(fff2(3,:)),' x5 ']
%% lof
x1=data(:,1)*fff2(2,:)/fff2(1,:);
x2=data(:,2)*fff2(3,:)/fff2(1,:);
x3=data(:,3)*fff2(4,:)/fff2(1,:);
x4=data(:,4)*fff2(5,:)/fff2(1,:);
x5=data(:,5)*fff2(6,:)/fff2(1,:);
y=y/fff2(1,:);
dat = table(x1,x2,x3,x4,x5,y);
mdl = fitlm(dat,' y ~ x1 + x2 + x3 + x4 + x5');
tbl3 = anova(mdl,'summary')
save tbl3 tbl3
anovat = table2cell(tbl3)
lof=anovat{4,5}
if lof >= 0.05
set(handles.pushbutton2,'string','Klik Hasil')
else
set(handles.pushbutton2,'string','Data Tidak Memenuhi')
akhir
close Ordee2
end
141
% hObject
MATLAB
% handles
load fff2
load mid2
load rx2
B=[fff2(4,:) (fff2(6,:)/2)
fff2(6,:)/2 fff2(5,:)]
Bv=inv(B)
b=[fff2(2,:);fff2(3,:)]
xo=(-1/2)*Bv*b
xo1=xo'
%variabel asli
Xa1=mid2(1,1).*xo(1,1)+rx2(1,1)
Xa2=mid2(1,2).*xo(2,1)+rx2(1,2)
Xa=[Xa1,Xa2]
Ya=fff2(1,:)+(1/2*xo1*b)
lin=eig(B)
if lin < 0.00
set(handles.text2,'string','Y Optimal')
elseif lin >= 0.00
set(handles.text2,'string','Y Minimum')
end
% hObject
MATLAB
% handles
awal
close Ordee2
% hObject
MATLAB
% handles
Porde2
% hObject
142
% eventdata
MATLAB
% handles
close all
(3 Variabel Bebas)
function varargout = Orde2(varargin)
% ORDE2 MATLAB code for Orde2.fig
%
ORDE2, by itself, creates a new ORDE2 or raises the
existing
%
singleton*.
%
%
H = ORDE2 returns the handle to a new ORDE2 or the handle
to
%
%
%
ORDE2('CALLBACK',hObject,eventData,handles,...) calls the
local
%
function named CALLBACK in ORDE2.M with the given input
arguments.
%
%
ORDE2('Property','Value',...) creates a new ORDE2 or raises
the
%
value pairs are
%
applied to the GUI before Orde2_OpeningFcn gets called. An
%
application
%
stop. All inputs are passed to Orde2_OpeningFcn via
varargin.
%
%
only one
%
%
% Edit the above text to modify the response to help Orde2
gui_Singleton = 1;
mfilename, ...
'gui_OpeningFcn', @Orde2_OpeningFcn, ...
'gui_OutputFcn', @Orde2_OutputFcn, ...
'gui_Callback',
[]);
end
143
if nargout
else
end
% --- Executes just before Orde2 is made visible.
function Orde2_OpeningFcn(hObject, eventdata, handles, varargin)
% hObject
handle to figure
MATLAB
% handles
% varargin
command line arguments to Orde2 (see VARARGIN)
% Choose default command line output for Orde2
% UIWAIT makes Orde2 wait for user response (see UIRESUME)
function varargout = Orde2_OutputFcn(hObject, eventdata, handles)
% hObject
handle to figure
MATLAB
% handles
load vt
hdtt=[];
hdtv=[];
for i=1:size(vt,1)
hdtt=[];
for j=1:size(vt,2)
tx=num2str(vt(i,j))
hdtt=[hdtt,{tx}];
end
hdtv=[hdtv;hdtt];
end
vt=hdtv;
set(handles.uitable1,'data',[vt])
D=[-1
-1 -1
-1 1
-1 1
1
-1
-1
1
-1
1
-1
-1
144
1
-1 1
1
1
-1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-1.682 0
0
1.682
0
0
0
-1.682 0
0
1.682
0
0
0
-1.682
0
0
1.682]
whos ytb
whos D
set(handles.uitable2,'data',[D zeros(size(D,1),1)])
Dtb=get(handles.uitable2,'data')
% hObject
MATLAB
% handles
D=[-1
-1 -1
-1 -1 1
-1 1
-1
-1 1
1
1
-1 -1
1
-1 1
1
1
-1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-1.682 0
0
1.682
0
0
0
-1.682 0
0
1.682
0
0
0
-1.682
0
0
1.682]
whos ytb
whos D
Dtb=get(handles.uitable2,'data')
145
% hObject
% eventdata
MATLAB
% handles
load mid
load rx
ok=get(handles.uitable2,'data')
r=ok(:,4)
data=ok
ok2=[ok(:,1).*ok(:,2) ok(:,1).*ok(:,3) ok(:,2).*ok(:,3)]
ok1=[ok(:,1) ok(:,2) ok(:,3) ok(:,1).^2 ok(:,2).^2 ok(:,3).^2
ok(:,4)]
data=ok1;
x=data(:,1:9)
y=data(:,10);
a=x';
b=x;
c=y;
d=(a*b)^(-1);
e=a*c;
f=d*e;
save f f
reg=['Pers Regresi : ','y = ',num2str(f(1,:)),' +
',num2str(f(2,:)),' x1 + ',num2str(f(3,:)),' x2 +
',num2str(f(4,:)),' x3 + '...
,num2str(f(2,:)),' x4 + ',num2str(f(3,:)),' x5 +
',num2str(f(4,:)),' x6 + '...
,num2str(f(2,:)),' x7 + ',num2str(f(3,:)),' x8 +
',num2str(f(4,:)),' x9']
%% lof
x1=data(:,1)*f(2,:)/f(1,:);
x2=data(:,2)*f(3,:)/f(1,:);
x3=data(:,3)*f(4,:)/f(1,:);
x4=data(:,4)*f(5,:)/f(1,:);
x5=data(:,5)*f(6,:)/f(1,:);
x6=data(:,6)*f(7,:)/f(1,:);
x7=data(:,7)*f(8,:)/f(1,:);
x8=data(:,8)*f(9,:)/f(1,:);
x9=data(:,9)*f(10,:)/f(1,:);
y=y/f(1,:);
dat = table(x1,x2,x3,x4,x5,x6,x7,x8,x9,y);
mdl = fitlm(dat,' y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 +
x9');
save tbl tbl
ok2
146
lof=anovat{4,5}
if lof >= 0.05
else
akhir
close Orde2
end
% hObject
MATLAB
% handles
load f
load mid
load rx
B=[f(5,:) (f(8,:)/2) f(9,:)/2
f(8,:)/2 f(6,:) f(10,:)/2
f(9,:)/2 f(10,:)/2 f(7,:)]
Bv=inv(B)
b=[f(2,:);f(3,:);f(4,:)]
xo=(-1/2)*Bv*b
xo1=xo'
%variabel asli
Xa1=mid(1,1).*xo(1,1)+rx(1,1)
Xa2=mid(1,2).*xo(2,1)+rx(1,2)
Xa3=mid(1,3).*xo(3,1)+rx(1,3)
Xa=[Xa1,Xa2,Xa3]
Ya=f(1,:)+(1/2*xo1*b)
%% ubah ke txt
XY=[Xa Ya]
hdtt=[];
hdtv=[];
for i=1:size(XY,1)
hdtt=[];
for j=1:size(XY,2)
tx=num2str(XY(i,j))
hdtt=[hdtt,{tx}];
end
hdtv=[hdtv;hdtt];
end
XY=hdtv;
set(handles.uitable5,'data',XY)
lin=eig(B)
%% ubah ke txt
lint=lin
hdtt=[];
hdtv=[];
for i=1:size(lint,1)
147
hdtt=[];
for j=1:size(lint,2)
tx=num2str(lint(i,j))
hdtt=[hdtt,{tx}];
end
hdtv=[hdtv;hdtt];
end
lint=hdtv;
set(handles.uitable6,'data',[lint])
if lin < 0.00
elseif lin >= 0.00
end
% hObject
MATLAB
% handles
awal
close Orde2
% hObject
MATLAB
% handles
Porde2
% hObject
MATLAB
% handles
close all
(4 Variabel Bebas)
function varargout = Ordeee2(varargin)
% ORDEEE2 MATLAB code for Ordeee2.fig
%
ORDEEE2, by itself, creates a new ORDEEE2 or raises the
existing
%
singleton*.
%
148
%
H = ORDEEE2 returns the handle to a new ORDEEE2 or the
handle to
%
%
%
ORDEEE2('CALLBACK',hObject,eventData,handles,...) calls the
local
%
function named CALLBACK in ORDEEE2.M with the given input
arguments.
%
%
ORDEEE2('Property','Value',...) creates a new ORDEEE2 or
raises the
%
value pairs are
%
applied to the GUI before Ordeee2_OpeningFcn gets called.
An
%
application
%
stop. All inputs are passed to Ordeee2_OpeningFcn via
varargin.
%
%
only one
%
%
% Edit the above text to modify the response to help Ordeee2
gui_Singleton = 1;
mfilename, ...
'gui_OpeningFcn', @Ordeee2_OpeningFcn, ...
'gui_OutputFcn', @Ordeee2_OutputFcn, ...
'gui_Callback',
[]);
end
if nargout
else
end
% --- Executes just before Ordeee2 is made visible.
function Ordeee2_OpeningFcn(hObject, eventdata, handles, varargin)
% hObject
handle to figure
149
% eventdata
MATLAB
% handles
% varargin
command line arguments to Ordeee2 (see VARARGIN)
% Choose default command line output for Ordeee2
% UIWAIT makes Ordeee2 wait for user response (see UIRESUME)
function varargout = Ordeee2_OutputFcn(hObject, eventdata,
handles)
% hObject
handle to figure
MATLAB
% handles
load vt4
D=[-1
-1
-1 -1 -1
-1 -1 1
-1 -1 1
-1 1
-1
-1 1
-1
-1 1
1
-1 1
1
1 -1 -1 -1
1 -1 -1 1
1 -1 1 -1
1 -1 1 1
1 1 -1 -1
1 1 -1 1
1 1 1 -1
1 1 1 1
0 0 0 0
0
0
0 0
0
0
0 0
0
0
0 0
0
0
0 0
0
0
0 0
0 0 0 0
-2.000 0
2.000
0
0
-2.000
-1 -1
1
-1
1
-1
1
-1
1
0 0
0 0
0 0
150
0
2.000
0 0
0
0
-2.000 0
0
0
2.000 0
0 0 0 -2.000
0 0 0 2.000]
whos ytb
whos D
% hObject
MATLAB
% handles
D=[-1
-1 -1 -1
-1 -1 -1
1
-1 -1 1
-1
-1 -1 1
1
-1 1
-1
-1
-1 1
-1
1
-1 1
1
-1
-1 1
1
1
1 -1 -1 -1
1 -1 -1 1
1 -1 1 -1
1 -1 1 1
1 1 -1 -1
1 1 -1 1
1 1 1 -1
1 1 1 1
0 0 0 0
0
0
0 0
0
0
0 0
0
0
0 0
0
0
0 0
0
0
0 0
0 0 0 0
-2.000 0
0 0
2.000
0
0 0
0
-2.000 0 0
0
2.000
0 0
0
0
-2.000 0
0
0
2.000 0
0 0 0 -2.000
0 0 0 2.000]
whos ytb
whos D
% hObject
151
% eventdata
MATLAB
% handles
load mid4
load rx4
r=ok(:,5)
data=ok
ok2=[ok(:,1).*ok(:,2) ok(:,1).*ok(:,3) ok(:,1).*ok(:,4)
ok(:,2).*ok(:,3) ok(:,2).*ok(:,4) ok(:,3).*ok(:,4)]
ok1=[ok(:,1) ok(:,2) ok(:,3) ok(:,4) ok(:,1).^2 ok(:,2).^2
ok(:,3).^2 ok(:,4).^2 ok2 ok(:,5)]
data=ok1;
x=data(:,1:14)
y=data(:,15);
a=x';
b=x;
c=y;
d=(a*b)^(-1);
e=a*c;
f44=d*e;
save f44 f44
',num2str(f44(4,:)),' x3 + '...
,num2str(f44(2,:)),' x4 + ',num2str(f44(3,:)),' x5 +
',num2str(f44(4,:)),' x6 + '...
',num2str(f44(4,:)),' x9 +'...
',num2str(f44(4,:)),' x12 +'...
,num2str(f44(2,:)),' x13 + ',num2str(f44(3,:)),' x14']
%% lof
x1=data(:,1)*f44(2,:)/f44(1,:);
x2=data(:,2)*f44(3,:)/f44(1,:);
x3=data(:,3)*f44(4,:)/f44(1,:);
x4=data(:,4)*f44(5,:)/f44(1,:);
x5=data(:,5)*f44(6,:)/f44(1,:);
x6=data(:,6)*f44(7,:)/f44(1,:);
x7=data(:,7)*f44(8,:)/f44(1,:);
x8=data(:,8)*f44(9,:)/f44(1,:);
x9=data(:,9)*f44(10,:)/f44(1,:);
x10=data(:,10)*f44(11,:)/f44(1,:);
x11=data(:,11)*f44(12,:)/f44(1,:);
152
x12=data(:,12)*f44(13,:)/f44(1,:);
x13=data(:,13)*f44(14,:)/f44(1,:);
x14=data(:,14)*f44(15,:)/f44(1,:);
y=y/f44(1,:);
dat = table(x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13,x14,y);
mdl = fitlm(dat,' y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 +
x10 + x11 + x12 + x13 + x14');
%save tbl tbl
lof=anovat{4,5}
if lof >= 0.05
else
akhir
close Ordeee2
end
% hObject
MATLAB
% handles
load f44
load mid4
load rx4
B=[f44(6,:) f44(10,:)/2 f44(11,:)/2 f44(12,:)/2
f44(10,:)/2 f44(7,:) f44(13,:)/2 f44(14,:)/2
f44(11,:)/2 f44(13,:)/2 f44(8,:) f44(15,:)/2
f44(12,:)/2 f44(14,:)/2 f44(15,:)/2 f44(9,:)]
Bv=inv(B)
b=[f44(2,:);f44(3,:);f44(4,:);f44(5,:)]
xo=(-1/2)*Bv*b
xo1=xo'
%variabel asli
Xa1=mid4(1,1).*xo(1,1)+rx4(1,1)
Xa2=mid4(1,2).*xo(2,1)+rx4(1,2)
Xa3=mid4(1,3).*xo(3,1)+rx4(1,3)
Xa4=mid4(1,4).*xo(4,1)+rx4(1,4)
Xa=[Xa1,Xa2,Xa3,Xa4]
Ya=f44(1,:)+(1/2*xo1*b)
lin=eig(B)
153
if lin < 0.00
elseif lin >= 0.00
end
% hObject
MATLAB
% handles
awal
close Ordeee2
% hObject
MATLAB
% handles
Porde2
% hObject
MATLAB
% handles
close all
(5 Variabel Bebas)
function varargout = Ordeeee2(varargin)
% ORDEEEE2 MATLAB code for Ordeeee2.fig
%
ORDEEEE2, by itself, creates a new ORDEEEE2 or raises the
existing
%
singleton*.
%
%
H = ORDEEEE2 returns the handle to a new ORDEEEE2 or the
handle to
%
%
%
ORDEEEE2('CALLBACK',hObject,eventData,handles,...) calls
the local
%
function named CALLBACK in ORDEEEE2.M with the given input
arguments.
%
%
ORDEEEE2('Property','Value',...) creates a new ORDEEEE2 or
raises the
154
%
value pairs are
%
applied to the GUI before Ordeeee2_OpeningFcn gets called.
An
%
application
%
stop. All inputs are passed to Ordeeee2_OpeningFcn via
varargin.
%
%
only one
%
%
% Edit the above text to modify the response to help Ordeeee2
gui_Singleton = 1;
mfilename, ...
'gui_OpeningFcn', @Ordeeee2_OpeningFcn, ...
'gui_OutputFcn', @Ordeeee2_OutputFcn, ...
'gui_Callback',
[]);
end
if nargout
else
end
% --- Executes just before Ordeeee2 is made visible.
function Ordeeee2_OpeningFcn(hObject, eventdata, handles,
varargin)
% hObject
handle to figure
MATLAB
% handles
% varargin
command line arguments to Ordeeee2 (see VARARGIN)
% Choose default command line output for Ordeeee2
155
% UIWAIT makes Ordeeee2 wait for user response (see UIRESUME)
function varargout = Ordeeee2_OutputFcn(hObject, eventdata,
handles)
% hObject
handle to figure
MATLAB
% handles
load vt5
D=[-1
-1 -1 -1
-1
-1
-1
-1
-1 -1
-1 1
-1 -1
-1 1
-1 -1
1
-1
-1 -1
1
-1
-1 -1
1
1
-1 -1 1 1 1
-1 1 -1 -1 -1
-1 1 -1 -1 1
-1 1 -1 1 -1
-1 1 -1 1 1
-1 1 1 -1 -1
-1 1 1 -1 1
-1 1 1 1 -1
-1 1 1 1 1
1 -1
-1 -1 -1
1 -1
-1 -1
1 -1
-1 1
1 -1
-1 1
1 -1
1
-1
1 -1
1
-1
1 -1
1
1
1 -1 1 1 1
1 1 -1 -1 -1
1 1 -1 -1 1
1 1 -1 1 -1
1 1 -1 1 1
1 1 1 -1 -1
1 1 1 -1 1
1 1 1 1 -1
1 1 1 1 1
0 0 0 0 0
0
0
0 0 0
0
0
0 0 0
0
0
0 0 0
0
0
0 0 0
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
156
0
0
0 0 0
0 0 0 0 0
0
0
0 0 0
0
0
0 0 0
0 0 0 0 0
-2.378 0
0 0 0
2.378
0
0 0 0
0
-2.378 0 0 0
0
2.378
0 0 0
0
0
-2.378 0 0
0
0
2.378 0 0
0 0 0 -2.378 0
0 0 0 2.378 0
0 0 0 0 -2.378
0 0 0 0 2.378]
whos ytb
whos D
% hObject
MATLAB
% handles
D=[-1
-1 -1 -1
-1
-1
-1
-1
-1
1
-1 -1
-1 1
-1
-1 -1
-1 1
1
-1 -1
1
-1
-1
-1 -1
1
-1
1
-1 -1
1
1
-1
-1 -1 1 1 1
-1 1 -1 -1 -1
-1 1 -1 -1 1
-1 1 -1 1 -1
-1 1 -1 1 1
-1 1 1 -1 -1
-1 1 1 -1 1
-1 1 1 1 -1
-1 1 1 1 1
1 -1
-1 -1 -1
1 -1
-1 -1
1
1 -1
-1 1
-1
1 -1
-1 1
1
1 -1
1
-1
-1
1 -1
1
-1
1
1 -1
1
1
-1
1 -1 1 1 1
1 1 -1 -1 -1
1 1 -1 -1 1
1 1 -1 1 -1
1 1 -1 1 1
1 1 1 -1 -1
157
1 1 1 -1 1
1 1 1 1 -1
1 1 1 1 1
0 0 0 0 0
0
0
0 0 0
0
0
0 0 0
0
0
0 0 0
0
0
0 0 0
0
0
0 0 0
0 0 0 0 0
0
0
0 0 0
0
0
0 0 0
0 0 0 0 0
-2.378 0
0 0 0
2.378
0
0 0 0
0
-2.378 0 0 0
0
2.378
0 0 0
0
0
-2.378 0 0
0
0
2.378 0 0
0 0 0 -2.378 0
0 0 0 2.378 0
0 0 0 0 -2.378
0 0 0 0 2.378]
whos ytb
whos D
% hObject
MATLAB
% handles
load mid5
load rx5
r=ok(:,6)
data=ok
ok2=[ok(:,1).*ok(:,2) ok(:,1).*ok(:,3) ok(:,1).*ok(:,4)
ok(:,1).*ok(:,5) ok(:,2).*ok(:,3) ok(:,2).*ok(:,4)
ok(:,2).*ok(:,5) ok(:,3).*ok(:,4) ok(:,3).*ok(:,5)
ok(:,4).*ok(:,5)]
ok1=[ok(:,1) ok(:,2) ok(:,3) ok(:,4) ok(:,5) ok(:,1).^2 ok(:,2).^2
ok(:,3).^2 ok(:,4).^2 ok(:,5).^2 ok2 ok(:,6)]
data=ok1;
x=data(:,1:20)
y=data(:,21);
a=x';
b=x;
c=y;
158
d=(a*b)^(-1);
e=a*c;
f55=d*e;
save f55 f55
',num2str(f55(4,:)),' x3 + '...
',num2str(f55(4,:)),' x6 + '...
',num2str(f55(4,:)),' x9 +'...
',num2str(f55(4,:)),' x12 +'...
',num2str(f55(2,:)),' x15 +'...
',num2str(f55(2,:)),' x18 +'...
,num2str(f55(2,:)),' x19 + ',num2str(f55(3,:)),' x20']
%% lof
x1=data(:,1)*f55(2,:)/f55(1,:);
x2=data(:,2)*f55(3,:)/f55(1,:);
x3=data(:,3)*f55(4,:)/f55(1,:);
x4=data(:,4)*f55(5,:)/f55(1,:);
x5=data(:,5)*f55(6,:)/f55(1,:);
x6=data(:,6)*f55(7,:)/f55(1,:);
x7=data(:,7)*f55(8,:)/f55(1,:);
x8=data(:,8)*f55(9,:)/f55(1,:);
x9=data(:,9)*f55(10,:)/f55(1,:);
x10=data(:,10)*f55(11,:)/f55(1,:);
x11=data(:,11)*f55(12,:)/f55(1,:);
x12=data(:,12)*f55(13,:)/f55(1,:);
x13=data(:,13)*f55(14,:)/f55(1,:);
x14=data(:,14)*f55(15,:)/f55(1,:);
x15=data(:,15)*f55(16,:)/f55(1,:);
x16=data(:,16)*f55(17,:)/f55(1,:);
x17=data(:,17)*f55(18,:)/f55(1,:);
x18=data(:,18)*f55(19,:)/f55(1,:);
x19=data(:,19)*f55(20,:)/f55(1,:);
x20=data(:,20)*f55(21,:)/f55(1,:);
y=y/f55(1,:);
dat =
table(x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13,x14,x15,x16,x17,x
18,x19,x20,y);
mdl = fitlm(dat,' y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 +
x10 + x11 + x12 + x13 + x14 + x15 + x16 + x17 + x18 + x19 + x20');
%save tbl tbl
159
lof=anovat{4,5}
if lof >= 0.05
else
akhir
close Ordeeee2
end
% hObject
MATLAB
% handles
load f55
load mid5
load rx5
B=[f55(7,:) f55(12,:)/2 f55(13,:)/2 f55(14,:)/2 f55(15,:)/2
f55(12,:)/2 f55(8,:) f55(16,:)/2 f55(17,:)/2 f55(18,:)/2
f55(13,:)/2 f55(16,:)/2 f55(9,:) f55(19,:)/2 f55(20,:)/2
f55(14,:)/2 f55(17,:)/2 f55(19,:)/2 f55(10,:) f55(21,:)/2
f55(15,:)/2 f55(18,:)/2 f55(20,:)/2 f55(21,:)/2 f55(11,:)]
Bv=inv(B)
b=[f55(2,:);f55(3,:);f55(4,:);f55(5,:);f55(6,:)]
xo=(-1/2)*Bv*b
xo1=xo'
%variabel asli
Xa1=mid5(1,1).*xo(1,1)+rx5(1,1)
Xa2=mid5(1,2).*xo(2,1)+rx5(1,2)
Xa3=mid5(1,3).*xo(3,1)+rx5(1,3)
Xa4=mid5(1,4).*xo(4,1)+rx5(1,4)
Xa5=mid5(1,5).*xo(5,1)+rx5(1,5)
Xa=[Xa1,Xa2,Xa3,Xa4,Xa5]
Ya=f55(1,:)+(1/2*xo1*b)
lin=eig(B)
if lin < 0.00
elseif lin >= 0.00
end
160
% hObject
MATLAB
% handles
awal
close Ordeeee2
% hObject
MATLAB
% handles
Porde2
% hObject
MATLAB
% handles
close all
Form Akhir
Menu Editor
Static Text
161
Kode Program Akhir
function varargout = akhir(varargin)
% AKHIR MATLAB code for akhir.fig
%
AKHIR, by itself, creates a new AKHIR or raises the
existing
%
singleton*.
%
%
H = AKHIR returns the handle to a new AKHIR or the handle
to
%
%
%
AKHIR('CALLBACK',hObject,eventData,handles,...) calls the
local
%
function named CALLBACK in AKHIR.M with the given input
arguments.
%
%
AKHIR('Property','Value',...) creates a new AKHIR or raises
the
%
value pairs are
%
applied to the GUI before akhir_OpeningFcn gets called. An
%
application
%
stop. All inputs are passed to akhir_OpeningFcn via
varargin.
%
%
only one
%
%
% Edit the above text to modify the response to help akhir
gui_Singleton = 1;
mfilename, ...
'gui_OpeningFcn', @akhir_OpeningFcn, ...
'gui_OutputFcn', @akhir_OutputFcn, ...
'gui_Callback',
[]);
end
if nargout
162
else
end
% --- Executes just before akhir is made visible.
function akhir_OpeningFcn(hObject, eventdata, handles, varargin)
% hObject
handle to figure
MATLAB
% handles
% varargin
command line arguments to akhir (see VARARGIN)
% Choose default command line output for akhir
% UIWAIT makes akhir wait for user response (see UIRESUME)
function varargout = akhir_OutputFcn(hObject, eventdata, handles)
% hObject
handle to figure
MATLAB
% handles
% hObject
MATLAB
% handles
awal
close akhir
% hObject
MATLAB
% handles
pakhir
close akhir

- Unnes - Universitas Negeri Semarang

Transcription

Similar documents

Scarica il depliant

Who`s Who In AR

Tutorial italiano AGS - Miciosegone Games Inc.

Ribouillault_Julius_III_Tower_of_the_winds__2013

Untitled - Sabrizain.org

diffusori usher

Restoring the ancient water supply system in Renaissance Rome

Ribouillault_Landscape_All`Antica__2008

Volume 100 (1996) Index - American Journal of Archaeology

Otomí de la sierra, Nuevo Testamento