OPTIMALISASI PARAMETER REGRESI · adalah kasus yang cocok diselesaikan dengan menggunakan metode...

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

v

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

vi

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.

vii

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

viii

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.

ix

DAFTAR ISI

Halaman

HALAMAN JUDUL ……………………………………………………. i

PERNYATAAN KEASLIAN TULISAN……………………………… 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

x

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

xi

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 …………………………………... 33

4.1 Hasil …………………………………………………………… 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

xii

DAFTAR TABEL

Tabel Halaman

2.1 Rancangan Faktorial pada Percobaan Faktorial ……………….. 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

4.10 Hasil II Analisis Varian pada Regresi ……………………………... 51

4.11 Hasil II Uji Lack of Fit ……………………………………………. 53

xiii

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

xiv

4.16 ANOVA Ordo Dua ……………………………………………….. 67

4.17 Output Ordo Dua …………………………………………………. 67

xv

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

xvi

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

xvii

= 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

1

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.

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.

6

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: 45-

47)

(2)

di mana:

[

], [

], [

], dan [

]

7

Hasil penjumlahan kuadrat adalah minimum, sehingga diperoleh fungsi kuadrat

terkecil (least square)

(3)

∑

( ) ( )

Sehingga diperoleh

(4)

di mana merupakan matriks atau sebuah skalar sehingga jika

ditranspose menjadi ( ) 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 = dan = dari

persamaan tersebut dapat dibentuk (Muthuvelayudham, 2010)

(9)

dan persamaan

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 titik-titik sumbu ( ) ( )

( ) , serta titik pusat ( ) (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

Tabel 2.2 Rancangan Komposit Pusat

Sifat Rancangan Banyak Faktor ( )

2 3 4 5

Rancangan Faktorial

untuk rancangan dapat-putar ( ) 1.414 1.682 2.000 2.378

5 6 7 10

Perlakuan Simbol 1 ( ) 2 3

4

5 6

7

8

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 dikurangi nilai terkecil dibagi .

Lalu regresikan (di mana ) 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 pada persamaan (15)

merupakan himpunan yang beranggotakan sedemikian sehingga

turunan parsialnya:

(17)

Dalam notasi matriks, persamaan (15) dapat dinyatakan sebagai:

(18)

dengan

[

] ,

[

]

, dan

[

]

di mana merupakan vektor koefisien regresi ordo , sedangkan merupakan

matriks ordo yang elemen diagonal utamanya merupakan koefisen kuadratik

murni dan elemen-elemen segitiga atasnya adalah dari koefisien kuadratik

campuran ( ).

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 . Jika nilainya

semua positif maka 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 hanya dipengaruhi oleh . Uji yang digunakan adalah sebagai

berikut.

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 maka terima dan jika maka

tolak .

Untuk uji signifikan pada regresi disajikan pada Tabel 2.3 berikut.

Tabel 2.3 Analisis Varian pada Regresi

Sumber

Keragaman

Jumlah

Kuadrat

Derajat

Kebebasan

Kuadrat

Tengah

Regresi Sisaan

Total

dengan rumus-rumus pada jumlah kuadrat (Raymond et al., 2008: 56-61)

(23)

∑ ( )

∑

Substitusikan , diperoleh

18

(24)

( ) ( )

Karena , maka diperoleh persamaan akhir

(25)

Jumlah kuadrat total memiliki rumus atau .

Dengan ∑ ( ) ∑

(∑ )

(∑ )

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 ( ) dapat diuraikan atas

komponennya sebagai berikut.

(31)

dengan hipotesisnya seebagai berikut.

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 Derajat Kebebasan

Kuadrat

Tengah

Lack of Fit ( )

Galat Murni (banyaknya pengulangan)

dengan rumus-rumus pada jumlah kuadrat (Sembiring, 2003: 147-148)

(32)

∑ ∑ ( )

dan

(33)

Sedangkan untuk observasinya dapat dicari menggunakan rumus

(34)

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 maka tolak

(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

22

2.2.5.4 Uji t

Uji t digunakan untuk mengetahui kualitas keberartian regresi antara tiap-

tiap 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 dan

n= Banyaknya data

dan rumus nya adalah

√

√

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 variabel bebas.

d. 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 dengan variabel bebas.

e. 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 dengan variabel bebas.

h. 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 dengan variabel

bebas.

28

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?.

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 langkah-

langkah 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

Gambar 3.1 Langkah-Langkah Pemecahan Masalah

Ya

Hitung nilai respon, dan variabel-variabel independen

Tentukan nilai eigen

Analisis permukaan respon

End

Tidak

Output Data

Tentukan titik stationer

Tidak Uji lack of fit dan anova

Ya

Ya

Uji lack of fit dan anova

Model ordo dua

Steepest Ascent

Tidak

Uji

Kelengkungan

Menghilangkan variabel

Model ordo pertama

Start

Tentukan respon, variabel, dan

range dari variabel

Rancangan percobaan ordo pertama

Input Data

32

3.5 Penarikan Kesimpulan

Penarikan kesimpulan didasarkan pada studi pustaka dan pembahasan

permasalahan. Simpulan yang diperoleh merupakan hasil dari penelitian.

73

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

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

http://katonsasongko.wordpress.com/2013/03/15/97.pdf

http://eviindrawanto.com/2011/02/bagaimana-meningkatkan-laba-dmb.html

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.

http://upiyptk.ac.id/ejournal/File_Jurnal/jurnal%20Siska%20Indah%20Lestari.pdf

http://upiyptk.ac.id/ejournal/File_Jurnal/jurnal%20Siska%20Indah%20Lestari.pdf

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 tranpose dan

variabel

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

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

Menu Editor

Pop-up Menu

Push Button

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 reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA)

% 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) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) 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) % eventdata reserved - to be defined in a future version of


% 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) % eventdata reserved - to be defined in a future version of

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) % eventdata reserved - to be defined in a future version of


% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) Pawal close awal % ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) close all

Form Ordo Satu

Static Text

Menu Editor

Push Button

Toolbar Editor

Table

Table

Table

Static Text

Static Text

Push Button

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 % the existing singleton*. % % 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


value pairs are % applied to the GUI2 before GUI2_OpeningFcn gets called. An % unrecognized property name or invalid value makes property

application % stop. All inputs are passed to GUI2_OpeningFcn via

varargin. % % *See GUI2 Options on GUIDE's Tools menu. Choose "GUI2

allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help GUI2


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @GUI2_OpeningFcn, ... 'gui_OutputFcn', @GUI2_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{:});

87

end % End initialization code - DO NOT EDIT

% --- Executes just before GUI2 is made visible. function GUI2_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 GUI2 (see VARARGIN)

% Choose default command line output for GUI2 handles.output = hObject;


% UIWAIT makes GUI2 wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = GUI2_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of




MATLAB % handles structure with handles and user data (see GUIDATA) 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); midx2=(max(x2)-min(x2))/2; mnx2=mean(x2) x2=(x2-mean(x2))/(midx2); 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') set(handles.pushbutton4,'enable','off') set(handles.pushbutton3,'enable','on') 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) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) [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)


MATLAB % handles structure with handles and user data (see GUIDATA) data=getappdata(handles.figure1,'data'); clc x1=data(:,1); x1=(x1-mean(x1))/((max(x1)-min(x1))/2); x2=data(:,2); x2=(x2-mean(x2))/((max(x2)-min(x2))/2); x=([x1,x2]); data(:,1:2)=x; y=data(:,3); set(handles.uitable1,'data',data)


MATLAB % handles structure with handles and user data (see GUIDATA) Dakian2 close GUI2

90


MATLAB % handles structure with handles and user data (see GUIDATA) handles.output = hObject; 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

% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) awal close GUI2

% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) Pawal

% ----------------------------------------------------------------



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 % the existing singleton*. % % 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 % existing singleton*. Starting from the left, property

value pairs are % applied to the GUI before GUI_OpeningFcn gets called. An % unrecognized property name or invalid value makes property

application % stop. All inputs are passed to GUI_OpeningFcn via



% Edit the above text to modify the response to help GUI


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @GUI_OpeningFcn, ... 'gui_OutputFcn', @GUI_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end


% --- Executes just before GUI is made visible. function GUI_OpeningFcn(hObject, eventdata, handles, varargin)

92

% 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 GUI (see VARARGIN)

% Choose default command line output for GUI handles.output = hObject;


% UIWAIT makes GUI wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = GUI_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of




MATLAB % handles structure with handles and user data (see GUIDATA) 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); midx2=(max(x2)-min(x2))/2; mnx2=mean(x2) x2=(x2-mean(x2))/(midx2); x3=data(:,3); midx3=(max(x3)-min(x3))/2; mnx3=mean(x3) x3=(x3-mean(x3))/(midx3); x=([x1,x2,x3]); mid=[midx1,midx2,midx3]; mn=[mnx1,mnx2,mnx3]; save mn mn data(:,1:3)=x; y=data(:,4);

x=[ones(size(data,1),1),x];

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'] set(handles.text1,'string',reg) 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}; set(handles.uitable2,'data',anovat)

lof=anovat{4,5};



%% hitung Metode Dakian Tercuram 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 % ----------------------------------------------------------------



data=xlsread(fullfile(path,filename),1,'B3:E1000'); whos data set(handles.uitable1,'data',data) setappdata(handles.figure1,'data',data)


MATLAB % handles structure with handles and user data (see GUIDATA) data=getappdata(handles.figure1,'data'); clc x1=data(:,1); x1=(x1-mean(x1))/((max(x1)-min(x1))/2); x2=data(:,2); x2=(x2-mean(x2))/((max(x2)-min(x2))/2); x3=data(:,3); x3=(x3-mean(x3))/((max(x3)-min(x3))/2); x=([x1,x2,x3]); data(:,1:3)=x; y=data(:,4); set(handles.uitable1,'data',data)


MATLAB % handles structure with handles and user data (see GUIDATA) Dakian close GUI

95


MATLAB % handles structure with handles and user data (see GUIDATA) handles.output = hObject; 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

% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) awal close GUI

% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) Pawal

% ----------------------------------------------------------------



96

(4 Variabel Bebas)




value pairs are % applied to the GUI before GUI_OpeningFcn gets called. An % unrecognized property name or invalid value makes property








% --- Executes just before GUI is made visible. function GUI_OpeningFcn(hObject, eventdata, handles, varargin)

97

% This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of





% --- Outputs from this function are returned to the command line. function varargout = GUI_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of




MATLAB % handles structure with handles and user data (see GUIDATA) 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); midx2=(max(x2)-min(x2))/2; mnx2=mean(x2) x2=(x2-mean(x2))/(midx2); x3=data(:,3); midx3=(max(x3)-min(x3))/2; mnx3=mean(x3) x3=(x3-mean(x3))/(midx3); x4=data(:,4); midx4=(max(x4)-min(x4))/2; mnx4=mean(x4) x4=(x4-mean(x4))/(midx4); x=([x1,x2,x3,x4]); mid4=[midx1,midx2,midx3,midx4]; mn4=[mnx1,mnx2,mnx3,mnx4]; data(:,1:4)=x;

98

y=data(:,5);

x=[ones(size(data,1),1),x]; 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'] set(handles.text1,'string',reg) 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) set(handles.uitable2,'data',anovat)

lof=anovat{4,5};



%% hitung Metode Dakian Tercuram b1=max(f4(2:end,1)); %mid=(max(x4)-min(x4))/2 dx4=f4(2:end,1)/b1; dxm4=dx4.*mid4' basis=zeros(size(dx4,1),1) dxt4=[]; dxi4=0; n=5; for sz=1:n dxi4=dxi4+dx4'; dxt4=[dxt4;dxi4]; end %% variabel code vercode4=[basis';dx4';dxt4]

99

%% variabel aktual avg4=[mnx1 mnx2 mnx3 mnx4]; dxi4=avg4; dxt4=[]; for sz=1:n dxi4=dxi4+dxm4'; dxt4=[dxt4;dxi4]; end varakt4=[avg4;dxm4';dxt4] hdt4=[vercode4 varakt4] save mn4 mn4 save hdt4 hdt4 save mid4 mid4 % ----------------------------------------------------------------



data=xlsread(fullfile(path,filename),1,'B3:F1000'); whos data set(handles.uitable1,'data',data) setappdata(handles.figure1,'data',data)


MATLAB % handles structure with handles and user data (see GUIDATA) data=getappdata(handles.figure1,'data'); clc x1=data(:,1); x1=(x1-mean(x1))/((max(x1)-min(x1))/2); x2=data(:,2); x2=(x2-mean(x2))/((max(x2)-min(x2))/2); x3=data(:,3); x3=(x3-mean(x3))/((max(x3)-min(x3))/2); x4=data(:,4); x4=(x4-mean(x4))/((max(x4)-min(x4))/2); x=([x1,x2,x3,x4]); data(:,1:4)=x; y=data(:,5); set(handles.uitable1,'data',data)

% --- Executes on button press in pushbutton3. function pushbutton3_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO)

100





handles.output = hObject; 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)




value pairs are % applied to the GUI before GUI_OpeningFcn gets called. An

101

% unrecognized property name or invalid value makes property








% --- Executes just before GUI is made visible. function GUI_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





% --- Outputs from this function are returned to the command line. function varargout = GUI_OutputFcn(hObject, eventdata, handles)

102

% varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of




MATLAB % handles structure with handles and user data (see GUIDATA) 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); midx2=(max(x2)-min(x2))/2; mnx2=mean(x2) x2=(x2-mean(x2))/(midx2); x3=data(:,3); midx3=(max(x3)-min(x3))/2; mnx3=mean(x3) x3=(x3-mean(x3))/(midx3); x4=data(:,4); midx4=(max(x4)-min(x4))/2; mnx4=mean(x4) x4=(x4-mean(x4))/(midx4); x5=data(:,5); midx5=(max(x5)-min(x5))/2; mnx5=mean(x5) x5=(x5-mean(x5))/(midx5); 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);

x=[ones(size(data,1),1),x]; 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'] set(handles.text1,'string',reg) 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 '); tbl = anova(mdl,'summary') %save tbl tbl anovat = table2cell(tbl) set(handles.uitable2,'data',anovat)

lof=anovat{4,5};



%% hitung Metode Dakian Tercuram b1=max(f5(2:end,1)); %mid=(max(x5)-min(x5))/2 dx5=f5(2:end,1)/b1; dxm5=dx5.*mid5' basis=zeros(size(dx5,1),1) dxt5=[]; dxi5=0; n=5; for sz=1:n dxi5=dxi5+dx5'; dxt5=[dxt5;dxi5]; end %% variabel code vercode5=[basis';dx5';dxt5]

%% variabel aktual avg5=[mnx1 mnx2 mnx3 mnx4 mnx5]; dxi5=avg5; dxt5=[]; for sz=1:n dxi5=dxi5+dxm5'; dxt5=[dxt5;dxi5]; end varakt5=[avg5;dxm5';dxt5]

104

hdt5=[vercode5 varakt5] save hdt5 hdt5 save mid5 mid5 save mn5 mn5 % ----------------------------------------------------------------



data=xlsread(fullfile(path,filename),1,'B3:G1000'); whos data set(handles.uitable1,'data',data) setappdata(handles.figure1,'data',data)


MATLAB % handles structure with handles and user data (see GUIDATA) data=getappdata(handles.figure1,'data'); clc x1=data(:,1); x1=(x1-mean(x1))/((max(x1)-min(x1))/2); x2=data(:,2); x2=(x2-mean(x2))/((max(x2)-min(x2))/2); x3=data(:,3); x3=(x3-mean(x3))/((max(x3)-min(x3))/2); x4=data(:,4); x4=(x4-mean(x4))/((max(x4)-min(x4))/2); x5=data(:,5); x5=(x5-mean(x5))/((max(x5)-min(x5))/2); x=([x1,x2,x3,x4,x5]); data(:,1:5)=x; y=data(:,6); set(handles.uitable1,'data',data)



% --- Executes on button press in pushbutton4. function pushbutton4_Callback(hObject, eventdata, handles)

105

% hObject handle to pushbutton4 (see GCBO) % eventdata reserved - to be defined in a future version of


handles.output = hObject; 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

Static Text

Table

Table

Table

Push Button

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 % the existing singleton*. % % 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 % existing singleton*. Starting from the left, property

value pairs are % applied to the GUI before Dakian2_OpeningFcn gets called.

An % unrecognized property name or invalid value makes property

application % stop. All inputs are passed to Dakian2_OpeningFcn via



% Edit the above text to modify the response to help Dakian2


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Dakian2_OpeningFcn, ... 'gui_OutputFcn', @Dakian2_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end

if nargout

107

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before Dakian2 is made visible. function Dakian2_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 Dakian2 (see VARARGIN)

% Choose default command line output for Dakian2 handles.output = hObject;


% UIWAIT makes Dakian2 wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = Dakian2_OutputFcn(hObject, eventdata,

handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of


% Get default command line output from handles structure varargout{1} = handles.output; load hdt2

d=size(hdt2,1) set(handles.uitable1,'data',[hdt2 zeros(d,1)])


MATLAB % handles structure with handles and user data (see GUIDATA) 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')


MATLAB % handles structure with handles and user data (see GUIDATA) 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);

x=[ones(size(data,1),1),x]; 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 set(handles.pushbutton2,'string','orde dua') set(handles.pushbutton3,'enable','on')

109

set(handles.pushbutton4,'enable','off') else set(handles.pushbutton2,'string','lanjutkan') set(handles.pushbutton3,'enable','off') set(handles.pushbutton4,'enable','on') end


MATLAB % handles structure with handles and user data (see GUIDATA) handles.output = hObject; 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


MATLAB % handles structure with handles and user data (see GUIDATA) Stepes2 close Dakian2

% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) awal

% ----------------------------------------------------------------



110

PDakian

% ----------------------------------------------------------------



(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 % the existing singleton*. % % 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


value pairs are % applied to the GUI before Dakian_OpeningFcn gets called.


application % stop. All inputs are passed to Dakian_OpeningFcn via



% Edit the above text to modify the response to help Dakian


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ...

111

'gui_OpeningFcn', @Dakian_OpeningFcn, ... 'gui_OutputFcn', @Dakian_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end


% --- Executes just before Dakian is made visible. function Dakian_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 Dakian (see VARARGIN)

% Choose default command line output for Dakian handles.output = hObject;


% UIWAIT makes Dakian wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = Dakian_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of


% Get default command line output from handles structure varargout{1} = handles.output; 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)


MATLAB % handles structure with handles and user data (see GUIDATA) 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); E2=[E2a;E2b;E2aa;E2bb];

%% 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')


MATLAB % handles structure with handles and user data (see GUIDATA) %% 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);

x=[ones(size(data,1),1),x]; 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' mse=(yt*y-ft*xt*y)/8 y1r=mean(yt(1:4)) y2r=mean(yt(5:12)) yf=(y2r-y1r).^2 fo=(8*4*(yf)/(8+4))/mse set(handles.uitable4,'data',[fo 3.28]) fba=get(handles.uitable3,'data') if fo > 3.28 set(handles.pushbutton2,'string','orde dua') set(handles.pushbutton3,'enable','on') set(handles.pushbutton4,'enable','off') else set(handles.pushbutton2,'string','lanjutkan') set(handles.pushbutton3,'enable','off') set(handles.pushbutton4,'enable','on') end


MATLAB % handles structure with handles and user data (see GUIDATA) handles.output = hObject; 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


MATLAB % handles structure with handles and user data (see GUIDATA) Stepes close Dakian

% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) awal

% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) Pdakian

% ----------------------------------------------------------------



(4 Variabel Bebas) function varargout = Dakian4(varargin) % DAKIAN4 MATLAB code for Dakian4.fig % DAKIAN4, by itself, creates a new DAKIAN4 or raises the






value pairs are

116

% applied to the GUI before Dakian4_OpeningFcn gets called.














117




% Get default command line output from handles structure varargout{1} = handles.output; load hdt4 d=size(hdt4,1) set(handles.uitable1,'data',[hdt4,zeros(d,1)])


MATLAB % handles structure with handles and user data (see GUIDATA) load mid4 mid4 tab=get(handles.uitable1,'data'); 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); E2=[E2a;E2b;E2aa;E2bb]; %% 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')


MATLAB % handles structure with handles and user data (see GUIDATA) Etb2=get(handles.uitable3,'data') 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); x=[ones(size(data,1),1),x]; 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' mse=(yt*y-ft*xt*y)/16 y1r=mean(yt(1:8)) y2r=mean(yt(9:24)) yf=(y2r-y1r).^2 fo=(16*8*(yf)/(16+8))/mse

119

set(handles.uitable4,'data',[fo 3.28]) fba=get(handles.uitable3,'data') if fo > 3.28 set(handles.pushbutton2,'string','orde dua') set(handles.pushbutton3,'enable','on') set(handles.pushbutton4,'enable','off') else set(handles.pushbutton2,'string','lanjutkan') set(handles.pushbutton3,'enable','off') set(handles.pushbutton4,'enable','on') end


MATLAB % handles structure with handles and user data (see GUIDATA) handles.output = hObject; 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



% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) awal close Dakian4

120

% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) Porde2

% ----------------------------------------------------------------



(5 Variabel Bebas) function varargout = Dakian4(varargin) % DAKIAN4 MATLAB code for Dakian4.fig % DAKIAN4, by itself, creates a new DAKIAN4 or raises the






value pairs are % applied to the GUI before Dakian4_OpeningFcn gets called.






121












% Get default command line output from handles structure varargout{1} = handles.output; load hdt5 d=size(hdt5,1) set(handles.uitable1,'data',[hdt5,zeros(d,1)])

122


MATLAB % handles structure with handles and user data (see GUIDATA) load mid5 mid5 tab=get(handles.uitable1,'data'); 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); E2=[E2a;E2b;E2aa;E2bb]; %% 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); E4=[E4a;E4b;E4c;E4d;E4aa;E4bb;E4cc;E4dd;E4aaa;E4bbb;E4ccc;E4ddd;E4

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); E5=[E5a;E5b;E5c;E5d;E5aa;E5bb;E5cc;E5dd;E5aaa;E5bbb;E5ccc;E5ddd;E5

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)


MATLAB % handles structure with handles and user data (see GUIDATA) Etb2=get(handles.uitable3,'data') 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); x=[ones(size(data,1),1),x]; 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' mse=(yt*y-ft*xt*y)/32 y1r=mean(yt(1:16)) y2r=mean(yt(17:48)) yf=(y2r-y1r).^2 fo=(32*16*(yf)/(32+16))/mse set(handles.uitable4,'data',[fo 3.28]) fba=get(handles.uitable3,'data') if fo > 3.28 set(handles.pushbutton2,'string','orde dua') set(handles.pushbutton3,'enable','on') set(handles.pushbutton4,'enable','off') else set(handles.pushbutton2,'string','lanjutkan') set(handles.pushbutton3,'enable','off') set(handles.pushbutton4,'enable','on') end


MATLAB % handles structure with handles and user data (see GUIDATA) handles.output = hObject; 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



% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) awal close Dakian5

% ----------------------------------------------------------------



% ----------------------------------------------------------------



126

Form Lanjutan Steepest Ascent

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 % the existing singleton*. % % 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


value pairs are % applied to the GUI before Stepes2_OpeningFcn gets called.


application % stop. All inputs are passed to Stepes2_OpeningFcn via


only one % instance to run (singleton)".

Menu Editor

Table

Push Button

127

% % See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help Stepes2


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Stepes2_OpeningFcn, ... 'gui_OutputFcn', @Stepes2_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end


% --- Executes just before Stepes2 is made visible. function Stepes2_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 Stepes2 (see VARARGIN)

% Choose default command line output for Stepes2 handles.output = hObject;


% UIWAIT makes Stepes2 wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = Stepes2_OutputFcn(hObject, eventdata,



% Get default command line output from handles structure

128

varargout{1} = handles.output;


MATLAB % handles structure with handles and user data (see GUIDATA) 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])

% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) awal close Stepes2

% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) PStepet

% ----------------------------------------------------------------



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 % the existing singleton*. % % 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


value pairs are % applied to the GUI before Stepes_OpeningFcn gets called.


application % stop. All inputs are passed to Stepes_OpeningFcn via



% Edit the above text to modify the response to help Stepes


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Stepes_OpeningFcn, ... 'gui_OutputFcn', @Stepes_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

130

% End initialization code - DO NOT EDIT

% --- Executes just before Stepes is made visible. function Stepes_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 Stepes (see VARARGIN)

% Choose default command line output for Stepes handles.output = hObject;


% UIWAIT makes Stepes wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = Stepes_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of




MATLAB % handles structure with handles and user data (see GUIDATA) 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])

131

% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) awal close Stepes

% ----------------------------------------------------------------



% ----------------------------------------------------------------



(4 Variabel Bebas)










varargin.

132

% % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows




% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Stepes4_OpeningFcn, ... 'gui_OutputFcn', @Stepes4_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end








handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure

133





MATLAB % handles structure with handles and user data (see GUIDATA) 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) set(handles.uitable1,'data',[Xa Ya]) %lin=eig(B) set(handles.uitable2,'data',[lin])

% ----------------------------------------------------------------



% ----------------------------------------------------------------



% ----------------------------------------------------------------

---- function Untitled_3_Callback(hObject, eventdata, handles) % hObject handle to Untitled_3 (see GCBO)

134



(5 Variabel Bebas)














% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Stepes5_OpeningFcn, ... 'gui_OutputFcn', @Stepes5_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1});

135

end













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) set(handles.uitable1,'data',[Xa Ya]) %lin=eig(B) set(handles.uitable2,'data',[lin])

% ----------------------------------------------------------------



% ----------------------------------------------------------------



% ----------------------------------------------------------------



137

Form Ordo Dua

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 % the existing singleton*. % % 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


value pairs are % applied to the GUI before Ordee2_OpeningFcn gets called.


application % stop. All inputs are passed to Ordee2_OpeningFcn via

varargin. %

Menu Editor

Table

Static Text

Static Text

Push Button

Push Button

138

% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows


% Edit the above text to modify the response to help Ordee2


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Ordee2_OpeningFcn, ... 'gui_OutputFcn', @Ordee2_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end


% --- Executes just before Ordee2 is made visible. function Ordee2_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


% varargin command line arguments to Ordee2 (see VARARGIN)

% Choose default command line output for Ordee2 handles.output = hObject;


% UIWAIT makes Ordee2 wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = Ordee2_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of

MATLAB

139

% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output; load vt2 set(handles.uitable1,'data',[vt2])

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(D2,1),1)]) Dtb2=get(handles.uitable2,'data')


MATLAB % handles structure with handles and user data (see GUIDATA) 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)]) Dtb2=get(handles.uitable2,'data')


140


MATLAB % handles structure with handles and user data (see GUIDATA) 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 okk2 ok2(:,3)] data=okk1; x=data(:,1:5) y=data(:,6);

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 ']

set(handles.text1,'string',reg) %% 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) set(handles.uitable4,'data',anovat)

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


MATLAB % handles structure with handles and user data (see GUIDATA) 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) set(handles.uitable5,'data',[Xa Ya]) lin=eig(B) set(handles.uitable6,'data',[lin]) if lin < 0.00 set(handles.text2,'string','Y Optimal') elseif lin >= 0.00 set(handles.text2,'string','Y Minimum') end

% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) awal close Ordee2

% ----------------------------------------------------------------



% ----------------------------------------------------------------

---- function Untitled_3_Callback(hObject, eventdata, handles) % hObject handle to Untitled_3 (see GCBO)

142



(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 % the existing singleton*. % % 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


value pairs are % applied to the GUI before Orde2_OpeningFcn gets called. An % unrecognized property name or invalid value makes property

application % stop. All inputs are passed to Orde2_OpeningFcn via



% Edit the above text to modify the response to help Orde2


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Orde2_OpeningFcn, ... 'gui_OutputFcn', @Orde2_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end

143


% --- Executes just before Orde2 is made visible. function Orde2_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


% varargin command line arguments to Orde2 (see VARARGIN)

% Choose default command line output for Orde2 handles.output = hObject;


% UIWAIT makes Orde2 wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = Orde2_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of


% Get default command line output from handles structure varargout{1} = handles.output; 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')


MATLAB % handles structure with handles and user data (see GUIDATA) 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 set(handles.uitable2,'data',[D zeros(size(D,1),1)]) Dtb=get(handles.uitable2,'data')


145


MATLAB % handles structure with handles and user data (see GUIDATA) 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 ok2

ok(:,4)] data=ok1; x=data(:,1:9) y=data(:,10);

x=[ones(size(data,1),1),x] 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']

set(handles.text1,'string',reg) %% 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'); tbl = anova(mdl,'summary') save tbl tbl anovat = table2cell(tbl) set(handles.uitable4,'data',anovat)

146

lof=anovat{4,5}

if lof >= 0.05 set(handles.pushbutton2,'string','Klik Hasil') else set(handles.pushbutton2,'string','Data Tidak Memenuhi') akhir close Orde2 end


MATLAB % handles structure with handles and user data (see GUIDATA) 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 set(handles.text2,'string','Y Optimal')

elseif lin >= 0.00 set(handles.text2,'string','Y Minimum') end

% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) awal close Orde2

% ----------------------------------------------------------------



% ----------------------------------------------------------------



(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 % the existing singleton*. % % 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


value pairs are % applied to the GUI before Ordeee2_OpeningFcn gets called.


application % stop. All inputs are passed to Ordeee2_OpeningFcn via



% Edit the above text to modify the response to help Ordeee2


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Ordeee2_OpeningFcn, ... 'gui_OutputFcn', @Ordeee2_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end


% --- Executes just before Ordeee2 is made visible. function Ordeee2_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure

149



% varargin command line arguments to Ordeee2 (see VARARGIN)

% Choose default command line output for Ordeee2 handles.output = hObject;


% UIWAIT makes Ordeee2 wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = Ordeee2_OutputFcn(hObject, eventdata,




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

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 set(handles.uitable2,'data',[D zeros(size(D,1),1)]) Dtb4=get(handles.uitable2,'data')


MATLAB % handles structure with handles and user data (see GUIDATA) 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 set(handles.uitable2,'data',[D zeros(size(D,1),1)]) Dtb4=get(handles.uitable2,'data')


151



ok=get(handles.uitable2,'data') 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);

x=[ones(size(data,1),1),x] 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']

set(handles.text1,'string',reg) %% 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'); tbl = anova(mdl,'summary') %save tbl tbl anovat = table2cell(tbl) set(handles.uitable4,'data',anovat)

lof=anovat{4,5}

if lof >= 0.05 set(handles.pushbutton2,'string','Klik Hasil')

else set(handles.pushbutton2,'string','Data Tidak Memenuhi') akhir close Ordeee2 end



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)

set(handles.uitable5,'data',[Xa Ya])

lin=eig(B) set(handles.uitable6,'data',[lin])

153


elseif lin >= 0.00 set(handles.text2,'string','Y Minimum') end % ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) awal close Ordeee2

% ----------------------------------------------------------------



% ----------------------------------------------------------------



(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 % the existing singleton*. % % 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

% existing singleton*. Starting from the left, property

value pairs are % applied to the GUI before Ordeeee2_OpeningFcn gets called.


application % stop. All inputs are passed to Ordeeee2_OpeningFcn via



% Edit the above text to modify the response to help Ordeeee2


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Ordeeee2_OpeningFcn, ... 'gui_OutputFcn', @Ordeeee2_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end


% --- Executes just before Ordeeee2 is made visible. function Ordeeee2_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


% varargin command line arguments to Ordeeee2 (see VARARGIN)

% Choose default command line output for Ordeeee2 handles.output = hObject;


155

% UIWAIT makes Ordeeee2 wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = Ordeeee2_OutputFcn(hObject, eventdata,




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 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

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 set(handles.uitable2,'data',[D zeros(size(D,1),1)]) Dtb5=get(handles.uitable2,'data')


MATLAB % handles structure with handles and user data (see GUIDATA) 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 set(handles.uitable2,'data',[D zeros(size(D,1),1)]) Dtb5=get(handles.uitable2,'data')



ok=get(handles.uitable2,'data') 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);

x=[ones(size(data,1),1),x] 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']

set(handles.text1,'string',reg) %% 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'); tbl = anova(mdl,'summary') %save tbl tbl

159

anovat = table2cell(tbl) set(handles.uitable4,'data',anovat)

lof=anovat{4,5}

if lof >= 0.05 set(handles.pushbutton2,'string','Klik Hasil') else set(handles.pushbutton2,'string','Data Tidak Memenuhi') akhir close Ordeeee2 end



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)

set(handles.uitable5,'data',[Xa Ya]) lin=eig(B) set(handles.uitable6,'data',[lin])


elseif lin >= 0.00 set(handles.text2,'string','Y Minimum') end

% ----------------------------------------------------------------

---- function Untitled_1_Callback(hObject, eventdata, handles)

160

% hObject handle to Untitled_1 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) awal close Ordeeee2

% ----------------------------------------------------------------



% ----------------------------------------------------------------



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 % the existing singleton*. % % 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


value pairs are % applied to the GUI before akhir_OpeningFcn gets called. An % unrecognized property name or invalid value makes property

application % stop. All inputs are passed to akhir_OpeningFcn via



% Edit the above text to modify the response to help akhir


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @akhir_OpeningFcn, ... 'gui_OutputFcn', @akhir_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{:});

162

else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before akhir is made visible. function akhir_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 akhir (see VARARGIN)

% Choose default command line output for akhir handles.output = hObject;


% UIWAIT makes akhir wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = akhir_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of



% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) awal close akhir

% ----------------------------------------------------------------


MATLAB % handles structure with handles and user data (see GUIDATA) pakhir close akhir

OPTIMALISASI PARAMETER REGRESI · adalah kasus yang cocok diselesaikan dengan menggunakan metode...

Documents

Transcript of OPTIMALISASI PARAMETER REGRESI · adalah kasus yang cocok diselesaikan dengan menggunakan metode...